Redução do Turnover de Motoristas através de Machine Learning

Uma das grandes causas da ineficácia do PLANEJAMENTO DO TRANSPORTE rodoviário de cargas está no turnover de motoristas. Muito tempo de treinamento, cultura e conhecimentos adquiridos na jornada do motorista “jogados fora” de maneira repentina. E continuamente um novo ciclo de aprendizado se inicia, com mais custos envolvidos e busca de maturidade do novo profissional no processo.

Embora as razões específicas possam variar entre empresas e regiões, algumas causas comuns incluem:

– Longas Jornadas de Trabalho: Horas extensas na estrada podem levar à fadiga e afetar o equilíbrio entre trabalho e vida pessoal.

– Planejamento de rotas deficientes: estimativas de “transit time” não realistas, que não consideram a jornada dos motoristas de forma adequada.

– Longo tempo de espera em centro de distribuição e consolidação: por falta de planejamento, levando a desperdícios de recursos materiais e humanos.

– Prazos Apertados: Pressões para cumprir prazos apertados podem criar um ambiente estressante e contribuir para a insatisfação.

– Tempo Longe de Casa: Viagens prolongadas e planejamentos ruins mantêm os motoristas longe de suas famílias, contribuindo para o isolamento e a solidão.

– Salários e benefícios inadequados: Remuneração abaixo das expectativas pode levar os motoristas a buscarem oportunidades mais lucrativas em outras indústrias.

– Falta de Reconhecimento e oportunidade de crescimento: A sensação de não ser reconhecido pelo trabalho e ausência de perspectivas pode contribuir para a insatisfação.

– Falta de Conforto e Insegurança nas estradas e paradas: Instalações inadequadas nas paradas de descanso e exposição a condições perigosas podem prejudicar a qualidade de vida dos motoristas durante as viagens.

– Estresse Mental: Pressões constantes e a natureza solitária do trabalho podem resultar em estresse mental, sem apoio adequado.

– Flutuações na Demanda: Variações na demanda por transporte podem levar a períodos de inatividade seguidos por picos intensos, impactando a previsibilidade do trabalho.

– Impacto na Saúde Física: A natureza fisicamente exigente do trabalho pode afetar a saúde dos motoristas, especialmente à medida que envelhecem.

– Dificuldades com Novas Tecnologias: A implementação de tecnologias, como sistemas de monitoramento ou roteamento, pode ser percebida como invasiva ou dificultar o trabalho para alguns motoristas.

– Condições de Tráfego: Condições de tráfego desafiadoras e falta de respeito de outros motoristas podem tornar a experiência na estrada frustrante.

– Cumprimento de Regulamentações: A necessidade de cumprir rigorosas regulamentações de transporte pode adicionar pressão e complexidade ao trabalho dos motoristas.

Na busca de melhoria dos índices de turnover, o MIT (através de David HC Correll ∗ Massachusetts Institute of Technology Center for Transportation and Logistics, USA) elaborou um estudo utilizando modelo de análise preditiva através de IA (Inteligência Artificial) e Machine Learning, buscando compreender de forma individual o comportamento dos motoristas de longa distância, e assim prever o turnover antes que ele aconteça.

Os dados foram todos obtidos através de Electronic Logging Device (ELD), que compreendem registros de trabalho (jornada), rastreamento, localização e comportamento de 1200 motoristas de uma empresa de médio porte

A partir de tantas causas potenciais descritas no início desse artigo, a que mais afetou a satisfação dos motoristas no estudo do MIT foi o tempo parado devido a ineficiência. Paradas demoradas em Centros de Distribuição ou consolidação de carga, principalmente para motoristas que recebem por produtividade, é o maior fator de stress e posterior mudança de trabalho. O inverso é verdadeiro. Motoristas que rodam mais são estão mais satisfeitos, e gerenciam suas rotinas de forma mais tranquila.

Ao conversar com diversas transportadoras e indústrias no Brasil, vimos que o maior gargalo para um estudo similar é a captura desses dados, porém, em geral, as grandes e estruturadas empresas já possuem estes dados, mas pouco utilizam.

Obviamente este estudo deve ser calibrado para as diversas realidades e modelos operacionais no Brasil, porém, totalmente factível se matematicamente analisado e direcionado por especialistas do negócio.

Nos Estados Unidos, a taxa de turnover ultrapassa os 8% ao mês, ou seja, a cada ano tem aproximadamente uma nova equipe trabalhando. É uma realidade diferente do Brasil, com taxa de 4% ao mês em média, variando bastante nas diversas regiões do país e tipos de negócio.

As empresas que, de forma antecipada, enxergarem valor nestas análises vão rapidamente sobressair na gestão da capacidade operacional e, consequentemente, no Planejamento de Transportes.

Leonardo Benitez

Eng. Civil com Pós-graduação em Adm. Empresas e em Gestão de Negócios focado em Transportes. Certificações PMP, Black Belt em Lean Six Sigma e CSCP (Certified Supply Chain Professional pela APICS). Experiência de mais de 20 anos em Supply Chain (parte como Diretor de Operações, COO) atuando em operadores logísticos e transportadoras de grande porte nos mais diversos segmentos. Hoje atua como Sócio-Diretor da Connexxion Consulting.

Prof. Dr. Mauro Sampaio

Pós-doutorado em Supply Chain Management pelo Fischer College of Business da Ohio State University (OSU-USA) e pela Chalmers University of Technology (CHALMERS-Suécia). Doutor e Mestre em Administração de Empresas pela EAESP/FGV. Engenheiro de Produção-Materiais pela Universidade Federal de São Carlos (UFSCar). Atualmente Diretor do Supply Chain Lab. e professor adjunto do Departamento de Engenharia de Produção do Centro Universitário FEI Atua profissionalmente como professor, pesquisador e consultor. Seus temas de interesse são: Supply Chain Management e Logística.