Os pequenos contêineres retornáveis ​​(SLCs, na sigla em inglês) são um pilar da logística sustentável, mas seus ciclos com múltiplos locais frequentemente carecem de transparência devido à escassez de dados e limitações tecnológicas. Isso se aplica, pelo menos, aos SLCs sem etiqueta. Nossa pesquisa mais recente apresenta uma nova abordagem baseada em sensores para coletar, extrapolar e simular dados de localização de SLCs, permitindo simulações de ciclo realistas e tomada de decisões orientada por dados sem a necessidade de grandes investimentos em infraestrutura.

A maioria dos ciclos SLC com SLCs não marcados sofre de:

• Não há rastreamento em tempo real devido ao alto volume e baixo custo dos SLCs individuais.

• A relutância em compartilhar dados entre os parceiros do ciclo limita a precisão da simulação.

• Lacunas tecnológicas na localização interna/externa de pequenos recipientes sem rótulo.

Nossa ideia: Coleta e extrapolação de dados baseadas em sensores.

Testamos três tecnologias de localização (GSM, BLE/GPS e A-GPS) em ciclos SLC reais para identificar a solução mais econômica, escalável e precisa. Veja como fizemos isso:

1. Comparação de tecnologias

• Os dispositivos GSM (de baixo custo e apenas para uso externo) apresentaram dificuldades com a localização em ambientes internos e com a duração da bateria.

• Os Apple AirTags (BLE/GPS) ofereciam alta precisão, mas exigiam extração manual de dados e careciam de escalabilidade industrial.

• As etiquetas A-GPS industriais (com detecção de Wi-Fi) proporcionavam transições perfeitas entre ambientes internos e externos, mas necessitavam de infraestrutura adicional para a funcionalidade completa do IPS (Sistema de Posicionamento Interno).

2. Extrapolação de dados com PERT e simulação de Monte Carlo

• Combinação de dados de sensores com APIs de navegação (Google/Apple Maps) para estimar os tempos de fluxo mínimo, máximo e mais provável (modo).

• Utilizamos distribuições PERT (em vez de distribuições triangulares) para reduzir o viés causado por valores extremos e melhorar a precisão da simulação.

• Realizamos 10.000 simulações de Monte Carlo por dia para identificar rotas com baixo desempenho e oportunidades de otimização.

3. Principais conclusões da simulação:

• Identificando ciclos de desempenho abaixo e acima do esperado.

• Possível ajuste de planejamento.



Por que isso é importante para a indústria e a pesquisa?

• Para provedores de serviços logísticos: Nossa abordagem permite o rastreamento escalável e de baixo custo de SLCs sem a necessidade de implantação completa de sensores, reduzindo riscos e custos.

• Para a sustentabilidade: melhores dados levam a ciclos de reciclagem otimizados, aumentando as taxas de reutilização e reduzindo o desperdício de embalagens descartáveis.

• Para acadêmicos: Fornecemos uma metodologia reproduzível para simular ciclos de SLC em múltiplos locais, preenchendo a lacuna entre modelos teóricos e dados do mundo real.



O que analisaremos a seguir:

• Como os padrões sazonais (por exemplo, flutuações na demanda) podem ser integrados às simulações?

• Qual é o tamanho de amostra ideal para o rastreamento de SLC baseado em sensores?

• Será que os modelos de IA/ML conseguem refinar ainda mais as previsões de tempo de processamento?



Nosso trabalho representa um passo em direção a uma gestão inteligente e orientada por dados do ciclo de vida do produto, comprovando que mesmo pequenas amostras de dados podem revelar grandes insights para a sustentabilidade e a eficiência.



🔗 Leia o artigo completo para obter detalhes técnicos e resultados:  [Artigo completo]