Análise de distribuição e fluxos operacionais para redução de gargalos logísticos.
Analisar a distribuição e os fluxos operacionais do transporte rodoviário para identificar gargalos logísticos, monitorar o cumprimento de prazos e apoiar decisões estratégicas de roteirização.
| Indicador | Valor |
|---|---|
| On Time Delivery (OTD) | 70,92% (meta: 80%) |
| Custo Total de Transporte | R$ 40,1 Mi |
| Total de Viagens | 8.362 |
| Cubagem | 251,60 Mil m³ |
| Peso Total | 53 Mi kg |
- Malha Logística — mapa interativo com pontos de entrega por cidade (ArcGIS/Esri), com filtro por hub (Campinas, Manaus, Salvador)
- Valor do Frete ao longo do tempo — evolução temporal do custo de frete
- On Time Delivery — gauge com comparativo vs. meta de 80%
- Viagens por tipo de veículo — Truck, VUC, Carreta, Toco
- Performance por região — % Atraso vs. Dentro do Prazo por UF (SP, MG, PR, RS, RJ, SC, RN)
- Filtros — por período, transportadora e tipo de entrega (Convencional/Urgente)
Modelo com 2 tabelas:
| Tabela | Tipo | Campos principais |
|---|---|---|
| Histórico Transporte | Fato | Cubagem (m³), Data de Coleta, Data de Entrega, Destino-Cidade, Destino-UF, Diferença, Load, Meta OTD, Origem-Cidade, Origem-UF, OTD, Peso Bruto (kg), Prazo Contratual, Prazo Realizado, Qtd no Prazo, Status Transporte, Total Viagens, Transportadora |
| Valor do Frete | Dimensão | Valor do Frete, Load, Tipo de Veículo, Tipo Transporte |
A coluna "Status Transporte" foi gerada via script Python integrado ao Power Query, classificando automaticamente cada entrega como "Dentro do Prazo" ou "Atraso" com base na diferença entre prazo contratual e prazo realizado.
A query "Histórico Python" evidencia essa transformação, demonstrando uso de Python para automação de classificação de dados dentro do Power BI.
| Medida | Descrição |
|---|---|
OTD |
% de entregas dentro do prazo |
Meta OTD |
Meta de On Time Delivery (80%) |
Qtd no Prazo |
Contagem de entregas no prazo |
Total Viagens |
Total de viagens no período |
