Como Big Data e Logística podem ser utilizados em conjunto e se transformar em uma poderosa ferramenta de eficiência na sua empresa.
O crescente volume e detalhe das informações geradas pelas organizações, pelas mídias sociais e pela Internet das Coisas (IoT) levou a uma “explosão” na quantidade de dados capturados. Isso levou a desafios significativos em termos da capacidade de processamento de informações dos bancos de dados tradicionais. Foi nesse contexto que surgiu o conceito de big data. Big data refere-se a conjuntos de dados cujo tamanho está além da capacidade de ferramentas de software de banco de dados típicos para capturar, armazenar, gerenciar e analisar. A IBM define Big data como tendo quatro atributos principais:
- Volume: a escala de dados
- Velocidade: análise de dados em fluxo, ou seja, a taxa na qual os dados chegam à empresa e o tempo que leva para processá-los e entendê-los
- Variedade: as diferentes formas de dados: estruturadas e não estruturadas
- Veracidade: incerteza de dados, refere-se à qualidade ou confiabilidade dos dados;
Big data mudou a visão tradicional de como a informação viaja e é gerada. Informações confidenciais são dados estruturados, alojados em bancos de dados, analisados em relatórios e apresentados em formatos conhecidos, como planilhas. Big data geralmente contém dados estruturados e não estruturados (como dados sociais). Os insights obtidos através da análise preditiva avançada, particularmente através da análise de dados não estruturados, são considerados por muitos como a nova fronteira para inovação e produtividade. Por exemplo, o Google monitora bilhões de termos de pesquisa (“melhor remédio para tosse”, por exemplo) e adiciona detalhes de localização para rastrear problemas de saúde. O Google é, portanto, melhor do que o Centro de Controle de Doenças (EUA) na identificação de surtos de gripe.
Mas o que isso significa para o setor de transporte e logística? Já em 2010, Atzori et al argumentavam que a IoT e o big data teriam importantes implicações para esses setores. Mais tarde, Waller e Fawcett sugeriram que as aplicações potenciais de big data no campo da logística provavelmente seriam nas áreas de previsão, gestão de estoque, gerenciamento de transporte e recursos humanos. Alguns exemplos incluem:
- Assistir a condução integrando sistemas de bordo com sistemas de trânsito inteligentes para permitir uma melhor navegação e segurança;
- Bilhetagem móvel através do uso de etiquetas Near Field Communication (NFC);
- Monitoramento de parâmetros ambientais (temperatura, umidade e impacto) para produtos perecíveis, como carne e frutas;
- Mapas ampliados: técnicas de interação física móvel sendo empregadas para ampliar várias informações do mapa, como hotéis próximos, restaurantes, monumentos e eventos relacionados à área de interesse do usuário.
Arthur ofereceu um exemplo ilustrativo enfatizando porque o big data é importante usando o exemplo de RFID, onde os processos manuais são processados através de um portal RFID que “está em conversação digital com o remetente, outros depósitos, fornecedores e destinos ao longo da rota, todos acompanhando, mantendo o controle e reconfigurando o roteamento, se necessário, para otimizar as coisas ao longo do caminho. O que costumava ser feito por seres humanos agora é executado como uma série de conversas entre servidores remotamente localizados”. Além disso, a rápida velocidade da tecnologia faz com que não consigamos ainda abranger por completo desenvolvimentos como mídias sociais. É ainda menos claro qual é a ligação entre os dados gerados por essas tecnologias e o valor geral para a logística. Atualmente, a maioria das tentativas é especulativa. Alguns argumentam que o big data provavelmente sempre esteve presente na logística – só que em planilhas eletrônicas e e-mails.
O que realmente importa é como entender esses big data. Na realidade, nossos profissionais de logística e pesquisadores são frequentemente sobrecarregados por ele. Para aproveitar ao máximo o big data (em combinação com os dados tradicionais existentes da empresa), são necessárias ferramentas avançadas de análise preditiva. Ferramentas comuns como mineração de dados, raciocínio baseado em casos, análise exploratória de dados, business intelligence e machine learning podem ajudar as empresas a explorar dados não estruturados, embora cada um deles tenha limitações. Empresas como a IBM estão explorando novas técnicas, como sistemas de computação cognitiva, que pretendem ajudar especialistas humanos a tomar melhores decisões, penetrando na complexidade do big data. Outro desafio é a falta de talentos analíticos e gerenciais capazes de estruturar grandes quantidades de dados e possibilitar a análise. Pessoas com essas habilidades são difíceis de encontrar e com grande demanda. A exploração do big data também apresenta desafios à estrutura organizacional, cultura, liderança e requer uma nova mentalidade de tomada de decisão.