Começo esse post com um convite para uma reflexão. Que empresa, nos dias de hoje, não está buscando ao menos uma das melhorias a seguir: aperfeiçoar a performance, reduzir custos operacionais, ter mais rapidez na produção, obter melhores resultados logísticos, ampliar a lucratividade e a qualidade ou ter mais assertividade no planejamento tático e operacional? Praticamente (se não) todas!
Ainda que esse tipo de demanda não seja uma exclusividade dos dias atuais, tem se intensificado com o passar dos anos e com a evolução das tecnologias, tornando-se fundamental no ambiente competitivo de hoje. Qualidade, produtividade e performance precisam ser quantificáveis e quantificadas – necessidade que pode ser tratada com modelagem matemática.
Independentemente do nome nas referências acadêmicas, a técnica é interdisciplinar e pode ser aplicada em diferentes áreas do conhecimento, como médica, educacional, alimentícia, agrícola, agropecuária, logística e outras, viabilizando uma compreensão do sistema modelado. Mas, o que é modelagem matemática, como funciona na prática e quais avanços vimos nos últimos anos?
O que é modelagem matemática?
Primeiro, vamos ao conceito: modelagem matemática é um processo interativo que busca replicar, matematicamente, um comportamento real. Ou seja, converte situações específicas em formulações matemáticas tratáveis, viabilizando a simulação de possíveis cenários e o entendimento de comportamentos. Resulta, desta forma, em análises teóricas e numéricas que fornecem insights e conduzem abordagens eficazes para solucionar um problema ou otimizar uma situação.
Um processo de modelagem matemática é colaborativo e demanda o suporte de ferramentas, equações, recursos avançados e, essencialmente, de um servidor robusto a fim de responder às complexidades computacionais crescentes. De forma resumida, pode ser dividido nas seguintes etapas:
Via de regra, a modelagem matemática demanda que profissionais tenham não só habilidade técnica, mas também um olhar objetivo, abrangente e prático, orientado ao resultado.
Como funciona na prática
Nada melhor do que traduzir em exemplos práticos de aplicação de modelagem matemática para facilitar a compreensão do conceito. Imagine, por exemplo, um processo de precificação de carne: um mesmo boi possui diversos cortes, com diferentes valores, além da variação de demanda do mercado nas diferentes regiões.
Como saber quais demandas atender para ter melhores resultados considerando as diferentes variáveis?
Um sistema baseado em modelagem matemática é capaz de trazer a resposta.
Outra aplicação possível é na otimização da cobertura de vendas. Imagine uma empresa que precise fazer o atendimento presencial de clientes distribuídos por todo o Brasil. Com o uso de modelagem matemática, esta empresa torna-se capaz de planejar, de maneira otimizada, todos os atendimentos dos vendedores durante o ano, priorizando rotas, tempos de deslocamento e diversas outras características referentes ao seu time de acordo com a localidade onde se encontram.
Em tempos de pandemia da Covid-19, a modelagem matemática também ganhou os holofotes — e por abordagens diferentes. Primeiro, porque dois professores de matemática da Universidade de Tulane, de Nova Orleans (EUA), desenvolveram modelos matemáticos a fim de entender e prever a propagação do vírus, ajudando a comunidade de saúde pública a entender e antecipar a propagação da infecção.
Segundo, porque a modelagem matemática é particularmente útil em cenários de gargalo: permite a análise precisa e a otimização de processos complexos, ajudando a identificar e mitigar pontos de estrangulamento que limitam a capacidade de produção ou fluxo. É uma grande aliada das empresas quando acontecem eventos globais que impactam toda a cadeia.
Da pandemia para cá, muito se avançou no uso da modelagem, especialmente com apoio de ferramentas baseadas em inteligência artificial (IA).
A combinação entre modelagem matemática e IA
A combinação de modelagem matemática e inteligência artificial (IA) oferece uma série de vantagens nos tempos atuais, potencializando a capacidade de análise, previsão e otimização de processos complexos. A sinergia entre as duas traz uma abordagem ainda mais robusta e eficiente que ajuda os mais diversos setores a enfrentar os desafios contemporâneos.
Uma das principais vantagens dessa combinação é a melhoria na precisão e na qualidade dos dados. A modelagem matemática depende de dados limpos e organizados para produzir resultados confiáveis. A IA, especialmente por meio de técnicas de preditivas, é capaz de identificar padrões e organizar grandes volumes de dados, eliminando ruídos e inconsistências.
Por exemplo, em uma empresa de logística, a IA pode processar e organizar dados de entrega, identificando padrões de atraso ou gargalos operacionais. Esses dados, quando utilizados em modelos matemáticos, ajudam a prever demandas futuras e otimizar rotas, resultando em uma operação mais eficiente e econômica.
Além disso, a IA complementa a modelagem matemática ao fornecer capacidade analítica avançada. Com o auxílio de algoritmos de IA, é possível identificar tendências e padrões complexos nos dados que seriam difíceis de detectar apenas com métodos matemáticos tradicionais. Como exemplo de aplicação, imagine uma empresa de comércio eletrônico que pode usar IA para analisar o comportamento de compra dos clientes e, juntamente com a modelagem matemática, prever padrões de consumo futuros.
Outro benefício significativo é a capacidade de automação e escalabilidade. A combinação de IA e modelagem matemática permite a automação de processos de tomada de decisão em larga escala. No setor financeiro, por exemplo, a IA pode monitorar continuamente o mercado e ajustar modelos matemáticos em tempo real para gerenciar riscos de investimento.
É para minha empresa?
A otimização desempenha papel cada vez maior nos mais diferentes campos de estudo. Seja no planejamento financeiro, no gerenciamento logístico e de riscos de uma empresa ou no planejamento de espaço e ampliação de redes de uma cidade, os desafios estão por toda a parte — e exigem técnicas eficientes para serem solucionados.
Empresas dos mais diferentes portes e setores podem se beneficiar com a aplicação de sistemas de modelagem matemática em suas rotinas operacionais, para resolver desafios ou otimizar processos. As possibilidades de aplicação são praticamente infinitas, valendo-se da matemática como representação de situações do cotidiano de maneira bastante precisa.
UniSoma: cases traduzem vantagens
Na UniSoma, possuímos décadas de experiências e diversos casos de sucesso que traduzem, em números, as vantagens de sua aplicação aos negócios. Um deles é o de um grande player de agro, a Tereos, que tem uma complexidade muito grande para fazer o planejamento agrícola devido ao grande número de variáveis em seu processo.
Em parceria com a UniSoma, um otimizador robusto e completo foi desenvolvido, utilizando modelagem matemática para maximizar o resultado financeiro de ponta a ponta. Ou seja, desde a colheita da cana-de-açúcar até a entrega do cliente.
No início, o projeto tratava de 1,3 milhão de variáveis e 70 mil inputs restritivos de todo o processo. De lá para cá, foram desenvolvidos modelos mais complexos. Agora, a ferramenta trabalha com 3,5 milhões de variáveis e 578 mil inputs. É maleável a ponto de rodar cenários simples em 10 minutos de otimização até cenários bastante complexos em até 4 horas de otimização.
O modelo matemático mostra a quantidade de cana necessária para cada usina, qual é o produto a ser produzido e em qual embalagem, onde o produto deve ser armazenado, qual cliente será atendido e em qual mês. Ou seja, consegue prescrever o que fazer de ponta a ponta. Assume premissas agronômicas, operacionais de produção de cana-de-açúcar até a industrialização, logística e venda para entregar o melhor resultado à empresa.
Combinando nossa expertise em modelagem matemática com a potência da inteligência artificial, estamos prontos para transformar desafios complexos em soluções inovadoras, sempre buscando melhorar a performance e os resultados de nossos clientes.
*Gabriela Servidone é formada em Matemática Aplicada pela Unicamp.
Conteúdo originalmente publicado em 29 de julho de 2020, atualizado em 1º de agosto de 2024 por Julio Rego, Analista de Negócios da UniSoma e especialista em Modelagem Matemática.
Assista ao Video: O papel da inteligência humana por trás das soluções de IA
