William Bain
Amazon, UPS e FedEx entregaram cerca de 10 bilhões de pacotes só no ano passado, e esse total só deve acelerar. A pandemia de Covid-19 impulsionou essa tendência, pois os clientes, especialmente aqueles com alto risco, procuram alternativas para fazer compras em lojas lotadas. Muitas dessas entregas incluem itens essenciais, como alimentos e medicamentos. E se esses suprimentos não forem entregues no prazo, isso pode levar a problemas de risco de vida para os clientes.
Para garantir que itens importantes sejam entregues corretamente, essas três empresas administram um total de 250.000 veículos de entrega em rotas nos Estados Unidos. Cada veículo envia periodicamente mensagens de telemetria sobre sua localização, velocidade, parâmetros do motor, temperatura do veículo e status da carga para sistemas e aplicativos de monitoramento central por meio de dispositivos de Internet das Coisas (IoT) a bordo.
Com esse grande volume de dados de streaming, é quase impossível para os gerentes de logística extrair insights críticos e identificar problemas potenciais em tempo real. Com abordagens tradicionais de streaming analytics, como Apache Storm e Flink de código aberto, a equipe pode detectar mudanças nos dados da mensagem, mas não pode avaliar sua importância para tomar medidas eficazes e individualizadas para cada veículo.
Especialmente ao receber dados de um grande número de fontes de dados, essas plataformas de streaming analytics não são construídas para uma introspecção profunda sobre cada fonte de dados individual. Eles são projetados para transmitir dados recebidos por meio de um pipeline de software para obter insights agregados, a fim de extrair padrões de interesse e enviar alertas quando condições específicas forem atendidas. Eles não rastreiam o estado dinâmico das próprias fontes de dados nem fazem inferências sobre seu comportamento.
Como tal, questões essenciais estão sendo deixadas sem resposta. Por exemplo, um veículo está parado porque está parado ou porque está parado? A temperatura em um caminhão está mais alta do que o normal ou isso é esperado devido aos problemas conhecidos do veículo? O medicamento de John Doe estragará após 48 horas ou em altas temperaturas? O motorista está na estrada há muito tempo? Ele ou ela parece estar perdido ou entrando em uma área potencialmente perigosa?
Análise de streaming usando gêmeos digitais em tempo real
Uma nova técnica poderosa de software de streaming de dados, conhecida como “gêmeos digitais em tempo real”, pode fornecer os insights necessários para responder a essas perguntas, analisando as mensagens recebidas dos sensores de cada caminhão com acesso imediato às informações contextuais de cada veículo. Usando essas informações, o sistema pode alertar motoristas e gerentes de logística sobre problemas iminentes, como bloqueios de estradas, alimentos e medicamentos estragados, atrasos ou problemas mecânicos emergentes. Ele também pode ajudar os motoristas perdidos, alertá-los sobre um comportamento de direção irregular ou a necessidade de paradas para descanso e ajudar quando as mudanças nas condições exigem atualizações de rota.
Caminhões e armazéns inteligentes podem se comunicar com seus gêmeos digitais em tempo real associados em um serviço hospedado em nuvem que rastreia remessas. Como os gêmeos digitais em tempo real mantêm dados contextuais exclusivos para os dispositivos IoT de cada caminhão, o código de análise para mensagens recebidas pode fornecer feedback altamente focado que vai muito além do que é possível com a análise de streaming tradicional.
Os gêmeos digitais em tempo real são executados em nuvens públicas, como o Microsoft Azure, para fornecer insights de dados de streaming altamente disponíveis e escaláveis. O serviço de nuvem pode processar mensagens e manter gêmeos digitais em tempo real para milhares de caminhões e depósitos nos Estados Unidos simultaneamente. Ele também pode agregar e visualizar continuamente informações importantes de gêmeos digitais em tempo real para destacar questões emergentes e aumentar a consciência situacional.
Essa arquitetura de software simplifica o desenvolvimento do código do aplicativo, que agora só precisa processar mensagens de uma determinada fonte de dados em vez de gerenciar o fluxo de todas as mensagens recebidas. Combinado com o acesso imediato a informações dinâmicas e contextuais que enriquecem a análise, os gêmeos digitais em tempo real ajudam a fornecer um melhor feedback para motoristas e gerentes de depósito, bem como uma consciência situacional geral aprimorada para a frota.
As entregas diretas ao consumidor são o caminho do futuro e são mais importantes do que nunca devido ao Covid-19. Embora as empresas de logística não possam prever todas as variações de entrega, elas estão trabalhando duro para preparar seus sistemas de gerenciamento de dados para fazer melhor uso dos dados de streaming e obter percepções críticas no momento. Essas percepções garantirão que os clientes que dependem da entrega de suprimentos essenciais sejam melhor atendidos e permitirão que os fornecedores de logística aumentem drasticamente sua eficiência e qualidade de serviço.
Dr. William L. Bain é o fundador e CEO da ScaleOut Software, que desenvolve produtos de software desde 2003, projetados para aprimorar a inteligência operacional em sistemas ativos usando computação em memória escalável.