Pular para o conteúdo principal

Postagens

Um aspecto da logística ponta a ponta que poucos veem

Se pensarmos em uma verdadeira logística ponta a ponta, tem uma etapa que poucos conseguem ver. Vamos exemplificar com um caso clássico: o produto sai de uma fábrica em algum lugar da China para a sua casa em São Paulo. Claro, Logística totalmente integrada planejada e executada pela Maersk (#alltheway) De uma fábrica em uma cidade do interior da China, para um Centro de Consolidação e Distribuição (DC), container carregado vai para um depósito de containers (Depot), e então para o porto de Xangai, e aguarda o momento para ser carregado em um Navio para Itapoá em Santa Catarina/Brasil (baita incentivo fiscal que justifica o acréscimo de transporte), de lá vai para um Depot, aguarda o desembaraço, descarregado e vai ao piso, a carga então é consolidada (ainda no Depot), carrega em caminhão, aí pode ir direto ao DC em São Paulo, ou ao um retailer; ou ainda para um DC próximo ao porto, e então ao DC de um retailer, daí para um Cross-docking (ou um DC de passagem), e então para a sua casa.
Postagens recentes

3PL’s Future Trend in Emerging Markets, the importance of Own Trucks & Maersk Approach

Introduction The global logistics industry spends around US$9 trillion per year to handle goods and move them around the world. Increasingly, this is achieved through 3PL operations. 3PL providers are integrated throughout the supply chain, embracing individual or multiple logistics activities or even providing a unitary process. The outsourcing option also transforms the customer into a potential competitor in providing 3PL services; therefore, the logistics provider has to be better and cheaper than its competitors and customers. The evolution of logistics and greater efficiency of customers has led to decreasing uncertainties in the supply chain in general. This study seeks to answer the main question: What is the trend for a 3PL provider in terms of the business model regarding assets (own trucks) in emerging markets? There are three main approaches to the 3PL strategy: (1) an ‘asset-light’ strategy; (2) subcontract and use its assets; or (3) convert its business model into a

O que é Co-Logística e qual a diferença para Logística Colaborativa?

 À medida que a Logística ganha importância os conceitos evoluem e ganham vida; conceitos antigos voltam evoluídos e à vida, e ganham mais vida.  Tem acontecido com a primarização da Logística. No passado chegou-se a conclusão que as empresas não deveriam investir e operar sua própria logística, certo! Agora grandes empresas, já ganharam eficiência em seu core, ganham escala, buscam expertise e voltam a operar, certo! Os Operadores Logísticos reagem, crescem e ganham ainda mais escala; investem mais em inovação, ganham mais eficiência; e o mais importante, integram a cadeia, coisa que o embarcador não pode fazer sozinho, certo! O bom é que ganhamos todos, profissionais e o mercado. Não entendo que haja competição predatória enquanto houver eficiência a ser conquistada; é muito bom ver que a busca por preço está perdendo o jogo para o time da redução de custos e aumento da eficácia. O fato é que tanto o Operador Logístico quanto o Embarcador têm que fazer o produto se mover rápido, mais

Machine Learning Possível e uma Aplicação viável à Alocação de Motoristas

Machine Learning (ML) não é um conceito novo, se hoje está intimamente relacionado à Inteligência Artificial (IA), não é dependente dela para existir, em outras palavras: A IA torna-se viável via ML, e não o inverso Pode-se dizer que seu conceito já vem sendo aplicado há tempos, onde basicamente tem-se um conjunto de ações coordenados por algoritmos de otimização. A ideia é, por meio do ML, os sistemas de computador aprendem a realizar tarefas como: classificação, agrupamento, predições, reconhecimento de padrões, etc. Vamos falar um pouco do que tem sido falado (com inputs de Zotalis, et al). Como em um aprendizado tradicional, os sistemas são treinados usando vários algoritmos e modelos estatísticos para analisar dados de amostra; então as informações obtidas durante a fase de treinamento são usadas para identificar padrões ou tomar decisões com base em novos dados. Dependendo do estilo de aprendizagem, os algoritmos de ML podem ser agrupados em quatro categorias: 1.