Estudo da operação logística de última milha de entrega

Abstract

A presente dissertação, realizada no âmbito do Mestrado em Engenharia e Gestão Industrial, tem como principal objetivo o estudo da operação logística de última milha de entrega. Este é um tema que se tem revelado um desafio para as empresas, impulsionado pelo aumento das compras de artigos e serviços online. Numa primeira fase, os principais objetivos deste projeto foram adquirir conhecimentos relativamente à Logística, ao processo de entrega de última milha e aos seus diferentes métodos de entrega. De seguida, foi realizada uma investigação por questionário que permitiu a recolha de dados, proporcionando insights valiosos sobre o processo de entrega de última milha em Portugal. Após todo o processo de extração e tratamento de dados, seguiu-se a visualização e a análise dos dados com o objetivo de caraterizar o processo de última milha. Na fase seguinte, foi usado o software Orange Data Mining de forma a aprofundar o estudo, assim, foram aplicados modelos de aprendizagem supervisionada para prever se um consumidor prefere a entrega dos artigos de uma encomenda em entrega conjunta ou em entregas separadas. Neste caso, foi utilizado o modelo de árvore de decisão e de random forest. Iniciou-se este processo pela escolha do método de seleção das características, tendo sidorealizadas 4 avaliações para cada um dos modelos, uma por cada um dos três métodos de seleção de caraterísticas implementados e uma sem remoção de variáveis. Para uma melhor comparação dos dois modelos, procedeu-se à análise das matrizes de confusão para os dois modelos e as quatro avaliações. Para demonstrar o funcionamento do modelo da árvore da decisão, foi feita a sua representação gráfica, e de seguida, foi realizada a sua análise. Por último, foi apresentado um exemplo de uma Pythagorean Forest que representa as 15 árvores de decisão geradas pela random forest. Por fim, tecem-se as conclusões relativamente aos resultados obtidos. De facto, os resultados obtidos revelam o aumento da importância do comércio eletrónico e a necessidade de processos de entrega eficientes. A preferência dos consumidores por receber os artigos de uma encomenda todos juntos, mesmo que signifique um atraso e a valorização da rapidez e competências nas entregas são aspetos cruciais para a satisfação do cliente. A análise utilizando modelos de aprendizagem mostrou que a random forest é o modelo mais promissor para prever as preferências de entrega dos consumidores, apesar da ocorrência de alguns erros de previsão que podem ter impacto na eficiência logística. Palavras-chave: Logística; Última milha; Questionário; Aprendizagem Supervisionada

The main aim of this dissertation, carried out as part of the masters in industrial engineering and management, was to study the last mile delivery logistics operation. This is a topic that has proved to be a challenge for companies, driven by the increase in online purchases of goods and services. Initially, the focus of this project was to acquire knowledge about logistics, the last-mile delivery process and the different last-mile delivery methods. After that, a questionnaire was carried out to collect data and provide valuable insights into the process of last mile delivery in Portugal. After all the data extraction and processing, the data was visualised and analysed in order to characterise the last-mile process. In the next phase, Orange Data Mining software was used to deepen the study, and supervised learning models were applied to predict whether a consumer prefers to have the items in an order delivered together or separately. In this case, the decision tree and random forest models were used. This process began by choosing the method for selecting the features. 4 tests were carried out for each of the models, one for each of the three feature selection methods implemented and one without removing variables. To better compare the two models, we analysed the confusion matrices for the two models and the four tests. To demonstrate how the decision tree model works, it was graphically represented and then analysed. Finally, an example of a Pythagorean Forest representing the 15 decision trees generated by the random forest is presented. Finally, conclusions are drawn regarding the results obtained. The results show the growing importance of e-commerce and the need for efficient delivery processes. Consumers' preference for receiving the items all together, even if it means a delay, and valuing speed and expertisein deliveries are crucial aspects for customer satisfaction. The analysis using learning models showed that random forest is the most promising model for predicting consumer delivery preferences, despite the occurrence of some prediction errors that can have an impact on logistical efficiency. Keywords: Logistics; Last mile; Questionnaire; Supervised Learning