Business Intelligence e modelagem preditiva aplicados à logística agrícola

um estudo de caso na cadeia citrícola

Autores

DOI:

https://doi.org/10.14488/1676-1901.v26i4.5893

Palavras-chave:

Apoio à decisão, Cadeia citrícola, Business Intelligence, Logística agrícola, Modelagem preditiva

Resumo

A logística agrícola na cadeia citrícola brasileira enfrenta desafios relacionados à dispersão geográfica, à dependência do transporte rodoviário e à variabilidade operacional. Nesse contexto, a falta de visibilidade estruturada sobre indicadores logísticos compromete o monitoramento e a tomada de decisão. Este estudo avalia como a aplicação de Business Intelligence (BI), associada à análise de indicadores e à modelagem preditiva, pode contribuir para a gestão logística em uma indústria citrícola. Trata-se de um estudo de caso com abordagem quantitativa e descritiva, utilizando dados operacionais extraídos do sistema ERP da empresa, tratados e analisados em ambiente analítico. Foram desenvolvidos indicadores-chave, como Transit Time e Gate to Gate, além de modelos de regressão linear para previsão desses indicadores. A solução foi avaliada por meio da comparação entre os processos de gestão anteriores e posteriores à implementação do painel, da análise do desempenho preditivo fora da amostra e de sua utilização em fóruns gerenciais. Os resultados evidenciam aumento da visibilidade operacional, maior padronização dos indicadores e redução do esforço manual de preparação e consolidação das informações. Os modelos apresentaram capacidade preditiva distinta, com maior estabilidade fora da amostra para o indicador Gate to Gate, enquanto o modelo de Transit Time apresentou maior dependência das características específicas das rotas. A integração entre BI e modelagem preditiva demonstrou potencial para ampliar simultaneamente a visibilidade, a capacidade de diagnóstico e a antecipação de desvios, contribuindo para a transição de uma gestão reativa para uma abordagem mais proativa e orientada por dados.

Downloads

Não há dados estatísticos.

Biografia do Autor

Vinicius Sarandi de Souza, Universidade de São Paulo, Piracicaba, SP.

Especialista em Data Science & Analytics pela Universidade de São Paulo. Bacharel em Engenharia de Alimentos pelo Instituto Federal de Educação, Ciência e Tecnologia de São Paulo. Experiência como Pesquisador Bolsista da EMBRAPII (Empresa Brasileira Pesquisa e Inovação Industrial). Desenvolve pesquisas nas áreas de ciência de dados e tomada de decisão aplicadas à gestão da logística agrícola.

Alexandre Duarte, Universidade Federal de Goiás (UFG), Goiânia, GO / Universidade de São Paulo (USP), São Paulo, SP.

Doutorando em Engenharia de Transportes pela Escola Politécnica da Universidade de São Paulo. Mestre em Engenharia de Sistemas Logísticos pela Escola Politécnica da Universidade de São Paulo. Especialista em Data Science & Analytics pela Universidade de São Paulo. Pesquisador no Centro de Inovação em Sistemas Logísticos da Universidade de São Paulo e no Laboratório de Planejamento e Operação de Transportes da Escola Politécnica da Universidade de São Paulo. Desenvolve pesquisas nas áreas de logística e transportes, pesquisa operacional, modelagem matemática, otimização, ciência de dados e inteligência artificial.

Referências

ANDRADE, Carolina Aparecida Roque de; GERST, Kevin Robert; GIMENEZ, Igor Maciesza. Logística 4.0 e suas Aplicações na Indústria Agrícola. Revista do Encontro de Gestão e Tecnologia, [s. l.], v. 1, n. 03, p. 41–47, 2024. DOI: 10.5281/zenodo.11075165. Disponível em: https://revista.fateczl.edu.br/index.php/engetec_revista/article/view/84. Acesso em: 16 abr. 2026.

ÂNGELO, L. B. Indicadores de desempenho logístico. Florianópolis: Grupo de Estudos Logísticos, 2005.

BALLOU, Ronald H. Gerenciamento da cadeia de suprimentos/logística empresarial. 5. ed. Porto Alegre: Bookman, 2006.

BALLOU, Ronald H. Logística empresarial: transportes, administração de materiais e distribuição física. São Paulo: Atlas, 1998.

BEJARANO-MARTÍNEZ, Carlos; CARO, Martha. Exploring Performance Evaluation Methodologies in Agri-food Supply Chains. Operations and Supply Chain Management: An International Journal, [s. l.], v. 19, n. 2, p. 226-247, 2026. DOI: 10.31387/oscm0650517.

BHAGAT, Deepak; DHAR, U. R. Agriculture supply chain management: A review. IUP Journal of Supply Chain Management, [s. l.], v. 8, n. 3, 2011.

BOECHAT, Cássio Arruda. A questão agrária e a crise da citricultura brasileira. Revista Teoria e Cultura, Juiz de Fora, v. 10, n. 2, p. 66-83, 2015. Disponível em: https://periodicos.ufjf.br/index.php/TeoriaeCultura/article/view/12259/6486. Acesso em: 16 abr. 2026.

BONEL, Cristiano. Metodologia e engenharia de requisitos para projetos de business intelligence: análise de dados levada a sério. Rio de Janeiro: Ed. do Autor, 2021.

BOWERSOX, Donald J.; CLOSS, David J.; COOPER, M. Bixby. Gestão logística de cadeias de suprimento. Porto Alegre: Bookman, 2006.

BOX, George E. P.; COX, David R. An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), [s. l.], v. 26, n. 2, p. 211-252, 1964. DOI: 10.1111/j.2517-6161.1964.tb00553.x.

BREUSCH, Trevor S.; PAGAN, Adrian R. A simple test for heteroscedasticity and random coefficient variation. Econometrica, [s. l.], v. 47, n. 5, p. 1287-1294, 1979.

CAIXETA FILHO, José Vicente. Logística para a agricultura brasileira. Revista Brasileira de Comércio Exterior, [s. l.], n. 103, p. 18-30, 2010. Disponível em: https://esalqlog.esalq.usp.br/upload/kceditor/files/2015/08/Logistica-para-agricultura-brasileira.pdf. Acesso em: 10 dez. 2025.

CONFEDERAÇÃO DA AGRICULTURA E PECUÁRIA DO BRASIL (CNA). A importância da citricultura nacional. Brasília: CNA, 2019. Disponível em: https://www.cnabrasil.org.br/noticias/a-importancia-da-citricultura-nacional. Acesso em: 17 set. 2025.

COOK, R. Dennis. Detection of influential observation in linear regression. Technometrics, [s. l.], v. 19, n. 1, p. 15-18, 1977. DOI: 10.1080/00401706.1977.10489493.

DE BEM NORO, G.; DE OLIVEIRA, J. H. R.; WITTMANN, M.; ZAGO, C. A. A logística como fator determinante para o sistema de agronegócio (SAG) do Brasil. In: CONGRESSO BRASILEIRO DE CUSTOS, 12., 2005, Itajaí. Anais... Florianópolis: ABC, 2005. p. 1-10.

DURBIN, James; WATSON, Geoffrey S. Testing for serial correlation in least squares regression: I. Biometrika, [s. l.], v. 37, n. 3/4, p. 409-428, 1950. DOI: 10.2307/2332391.

EHRIG, Magnus Emanuel; AURÉLIO, Cristian Matheus. A Logística Brasileira: Desafios, Avanços E Perspectivas Para O Desenvolvimento Nacional. RCMOS - Revista Científica Multidisciplinar O Saber, Brasil, v. 1, n. 1, 2026. DOI: 10.51473/rcmos.v1i1.2026.2032.

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA (EMBRAPA). Citros. Cruz das Almas: Embrapa Mandioca e Fruticultura, 2024. Disponível em: https://www.embrapa.br/mandioca-e-fruticultura/cultivos/citros. Acesso em: 17 set. 2025.

FARO, K. C. Entraves logísticos ao desenvolvimento agrícola brasileiro à luz da Nova Economia Institucional. Diversitas Journal, [s. l.], v. 6, n. 4, p. 4043-4066, 2021. DOI: 10.48017/dj.v6i4.1992.

FAWCETT, Stanley; CLINTON, Steven; BIROU, Laura. Evaluating the impact of logistics performance. International Journal of Physical Distribution & Logistics Management, [s. l.], v. 27, n. 9/10, 1997.

FÁVERO, Luiz Paulo; SANTOS, H. P.; BELFIORE, Patrícia; DUARTE, A.; COSTA, I. P. A.; TERRA, A. V.; MOREIRA, M. A. L.; TARANTIN JUNIOR, W.; SANTOS, M. A proposal for a new Python library implementing stepwise procedure. Algorithms, [s. l.], v. 17, n. 11, p. 502, 2024. DOI: 10.3390/a17110502.

GARCIA, Fernanda A.; SILVA, A. L.; PINHEIRO, R. G. D.; MACHADO, R. L. A framework for measuring logistics performance in the wine industry. International Journal of Production Economics, [s. l.], v. 135, n. 1, p. 284-298, 2012. DOI: 10.1016/j.ijpe.2011.08.003.

GARCIA, Junior Ruiz; VIEIRA FILHO, J. E. R. Logística e armazenamento. Diagnóstico e desafios da agricultura brasileira, Brasília, v. 1, p. 59-88, 2019. Disponível em: https://portalantigo.ipea.gov.br/agencia/images/stories/PDFs/livros/livros/191126_diagnostico_e_desafios_da_agricultura_brasileira.pdf. Acesso em: 16 abr. 2026.

HAOBIJAM, J. W.; SERAM, Devina. Supply Chain Optimization: AI in Agriculture Distribution. In: Transforming Agriculture through Artificial Intelligence for Sustainable Food Systems. Singapore: Springer Nature Singapore, 2025. p. 109-127. DOI: 10.1007/978-981-96-4795-8_7.

HARDJOMIDJOJO, Hartrisari; WIGUNA, B. P.; ARITONANG, I. D. R.; GURITNO, A. D. Sustainable Agro-industry Logistics Solutions using Spatial Analysis. Operations and Supply Chain Management, [s. l.], v. 15, n. 1, p. 41-55, 2022. DOI: 10.31387/oscm0480329.

HIJJAR, Mohammed. Desempenho logístico e suas métricas. Revista Tecnologística, São Paulo, 2005.

JIN, Dong-Hui; KIM, Hyun-Jung. Integrated understanding of big data, big data analysis, and business intelligence: A case study of logistics. Sustainability, [s. l.], v. 10, n. 10, p. 3778, 2018. DOI: 10.3390/su10103778.

KAMBLE, Sachin S.; GUNASEKARAN, Angappa; GAWANKAR, Shradha A. Achieving sustainable performance in a data-driven agriculture supply chain: A review for research and applications. International Journal of Production Economics, [s. l.], v. 219, p. 179-194, 2020. DOI: 10.1016/j.ijpe.2019.05.022.

KHANDELWAL, Chandni; JAIN, P.; SHARMA, A.; TYAGI, S. Agriculture supply chain management: a review (2010–2020). Materials Today: Proceedings, [s. l.], v. 47, p. 3144-3153, 2021.

KIMBALL, Ralph; ROSS, Margy. The data warehouse toolkit. 3. ed. New York: Wiley, 2013.

MAHMUD, Faiyaz Bin; ROUF, Md Jawad Bin; MAHIN, Mohammad Mynul Islam. Optimization of rice supply chain through multivariate forecasting using ensemble learning models. Supply Chain Insider, [s. l.], v. 14, n. 1, 2024. DOI: 10.5281/zenodo.13865817.

MONTGOMERY, Douglas C.; PECK, Elizabeth A.; VINING, G. Geoffrey. Introduction to linear regression analysis. 5. ed. New Jersey: Wiley, 2012.

MUMTAZ, Ubaidullah; ALI, Yousaf; PETRILLO, Antonella. A linear regression approach to evaluate the green supply chain management impact on industrial organizational performance. Science of the Total Environment, [s. l.], v. 624, p. 162-169, 2018. DOI: 10.1016/j.scitotenv.2017.12.089.

NANGPIIRE, C.; SALIFU, Z. N.; BEDUWA, E. Transport optimization practices in the supply chain of agro-firm companies: evidence in Ghana. Journal of Future Sustainability, [s. l.], v. 5, n. 1, p. 1-12, 2025. DOI: 10.5267/j.jfs.2025.1.001.

NASCIMENTO, F. L.; NOGUEIRA, S. M. S.; FERREIRA JUNIOR, L. D.; LORDELO, S. A. V. Aplicação do business intelligence em logística: uma revisão bibliométrica. Revista Produção Online, Florianópolis, v. 24, n. 1, 2024. DOI: 10.14488/1676-1901.v24i1.5113.

NI, Feng; ARNOTT, David; GAO, Shijia. The anchoring effect in business intelligence supported decision-making. Journal of Decision Systems, [s. l.], v. 28, n. 2, p. 67-81, 2019. DOI: 10.1080/12460125.2019.1620573.

NIU, Yanfang; YING, L.; YANG, J.; BAO, M.; SIVAPARTHIPAN, C. B. Organizational business intelligence and decision making using big data analytics. Information Processing & Management, [s. l.], v. 58, n. 6, p. 102725, 2021. DOI: 10.1016/j.ipm.2021.102725.

NORO, G. A.; SCHMITZ, J.; COSTA, V. Custos logísticos no agronegócio brasileiro. Revista de Política Agrícola, Brasília, v. 14, n. 3, 2005.

OLIVEIRA, Andréa Leda Ramos de; LOPES, R. L.; CAIXETA-FILHO, J. V. Logistical transportation routes optimization for Brazilian soybean: an application of the origin-destination matrix. Ciência Rural, Santa Maria, v. 51, n. 2, p. e20190786, 2020. DOI: 10.1590/0103-8478cr20190786.

RAHMAN, SM Toufiqur; HYE, Abdul. The Role Of Predictive Analytics In Enhancing Agribusiness Supply Chains. Review of Applied Science and Technology, [s. l.], v. 6, n. 1, p. 183-229, 2021. DOI: 10.63125/n9z10h68.

ROUTROY, Srikanta; BEHERA, Astajyoti. Agriculture supply chain: a systematic review of literature and implications for future research. Journal of Agribusiness in Developing and Emerging Economies, [s. l.], v. 7, n. 3, p. 275-302, 2017. DOI: 10.1108/JADEE-06-2016-0039.

SHARDA, Ramesh; DELEN, Dursun; TURBAN, Efraim. Business intelligence and analytics: systems for decision support. 10. ed. Boston: Pearson, 2018.

SHARMA, Manoj Kumar; DHAKA, Vijaypal Singh; SHEKHAWAT, Rajveer Singh. Intelligent agro-food chain supply. In: Internet of Things and Analytics for Agriculture. Singapore: Springer Singapore, 2021. v. 3, p. 65-91. DOI: 10.1007/978-981-16-6210-2_4.

SILVA, João Carlos. Business intelligence como ferramenta de apoio à gestão logística. Revista Científica Multidisciplinar Núcleo do Conhecimento, [s. l.], n. 11, 2023.

SIMÃO, João A. S.; SARTORI, G.; REIS, J. S. M.; OLIVEIRA, S. B. Os efeitos da utilização do Power BI no controle de processos de armazenagem em um centro de distribuição. Revista Produção Online, Florianópolis, v. 23, n. 1, p. 1-15, 2023. DOI: 10.14488/1676-1901.v23i1.4431.

SNEE, Ronald D. Discussion of developments in linear regression methodology: 1959-1982. Technometrics, [s. l.], v. 25, n. 3, p. 230, 1983. DOI: 10.2307/1268604.

TIPERLOG. Relatório técnico. [S. l.], 2005. Disponível em: https://pt.scribd.com/document/899878926/3. Acesso em: 16 abr. 2026.

TRIVELLAS, Panagiotis; MALINDRETOS, Georgios; REKLITIS, Panagiotis. Implications of green logistics management on sustainable business and supply chain performance: evidence from a survey in the greek agri-food sector. Sustainability, [s. l.], v. 12, n. 24, p. 10515, 2020. DOI: 10.3390/su122410515.

TURBAN, Efraim; SHARDA, Ramesh; DELEN, Dursun. Decision support and business intelligence systems. 9. ed. New Jersey: Prentice Hall, 2011.

TURBAN, Efraim; SHARDA, Ramesh; DELEN, Dursun; KING, David. Business intelligence: um enfoque gerencial para a inteligência do negócio. Porto Alegre: Bookman, 2009.

VARGAS-MUÑOZ, Juan Camilo; SANCHEZ-NITOLA, Flor Angela; ADARME JAIMES, Wilson; RIOS, Richard. Enhancing Logistical Performance in a Colombian Citrus Supply Chain Through Joint Decision Making: A Simulation Study. Logistics, [s. l.], v. 9, n. 1, p. 30, 2025. DOI: 10.3390/logistics9010030.

VIET, Nguyen Quoc; BEHDANI, Behzad; BLOEMHOF, Jacqueline. Value of information to improve daily operations in high-density logistics. International Journal on Food System Dynamics, [s. l.], v. 9, n. 1, 2018. DOI: 10.18461/ijfsd.v9i1.911.

WAJONG, A. M. R. Logistics indicators could improve logistics performance of hospitals. MATEC Web of Conferences, [s. l.], v. 108, p. 17002, 2017. DOI: 10.1051/matecconf/201710817002.

WOOLDRIDGE, Jeffrey M. Introductory econometrics: a modern approach. 4. ed. [S. l.]: South-Western, 2010.

MORAIS, E. O. de; RIBEIRO, K. de L.; VELOSO, R. B.; VELOSO, M. das D. M. Aplicação de modelos de regressão linear e não linear para estimativa de volume de biomassa e estoque de carbono. Brazilian Journal of Development, [s. l.], v. 6, n. 7, p. 45621–45632, 2020. DOI: 10.34117/bjdv6n7-259.

YAZDANI, Morteza; GONZALEZ, Ernesto D. R. S.; CHATTERJEE, Prasenjit. A multi-criteria decision-making framework for agriculture supply chain risk management under a circular economy context. Management Decision, [s. l.], v. 59, n. 8, p. 1801-1826, 2021. DOI: 10.1108/MD-10-2018-1088.

Publicado

16-11-2026

Como Citar

Souza, V. S., & Duarte, A. (2026). Business Intelligence e modelagem preditiva aplicados à logística agrícola: um estudo de caso na cadeia citrícola. Revista Produção Online, 26(4), 5893 . https://doi.org/10.14488/1676-1901.v26i4.5893

Edição

Seção

Artigos

Artigos Semelhantes

1 2 3 4 5 6 7 8 9 10 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.