O goFlux é uma plataforma SAAS (Software como Serviço) que permite que empresas se conectem a prestadores de serviços, como transportadoras e operadores logísticos, dando transparência ao processo de cotação e contratação de transportes. Criada em 2018, a empresa tem o propósito de desenvolver soluções para o transporte rodoviário, trazendo digitalização e facilidade tanto para os embarcadores quanto para as transportadoras. Para melhorar ainda mais os seus serviços, o goFlux contratou a Quanta para criar um software que permitisse prever o valor dos fretes após determinado período. 

Apresentação do problema

Através da plataforma do goFlux, os valores de frete eram determinados por um leilão, ou seja, era postada uma carga a ser levada e a partir disso, as transportadoras davam seus lances.  Através do banco de dados fornecidos pela contratante, criamos um software, por meio de Machine Learning, que, além de mostrar valores de determinados indicadores, também permite predizer os valores dos fretes antes mesmo dos leilões se iniciarem.  

Entrega da solução

Primeiramente, foi feita uma extração dos dados fornecidos pelo banco de dados do goFlux. Acessamos informações necessárias para prever o valor do frete para determinada carga por meio da inteligência artificial, como, por exemplo: distância a ser percorrida; estado de saída; estado de chegada; peso da carga; data de oferta. 

Com essas informações em mão, iniciou-se a etapa de limpeza dos dados, na qual os que não seriam úteis foram descartados e os demais foram normalizados, padronizados e reestruturados para facilitar os demais passos. Depois disso, foi feita a análise exploratória, em que os dados foram estudados para o entendimento do projeto. Para isso, diversos gráficos e relatórios sobre os dados foram feitos para a facilitar a visualização, o que possibilitou uma clareza acerca das informações a serem trabalhadas e dos objetivos a serem cumpridos. Feito tudo isso, o pré-projeto necessário para um projeto de Machine Learning estava pronto. 

Em seguida, foi criada uma baseline, ou seja, foram criados modelos mais simples de Machine Learning, e aplicou-se, sem muito trabalho, algoritmos/modelos mais conhecidos (Regressão linear ou Random Forest, por exemplo) nos dados. Isso possibilitou um primeiro contato e a construção de uma base com o que trabalhar. Além disso, para saber se o modelo está indo bem, separamos os dados que serão utilizados em dados de treino – além dos dados utilizados pelo algoritmo, há também “respostas” certas que proporcionam que o algoritmo performe do jeito desejado – e em dados de teste – os quais o algoritmo, já treinado, é testado com, e suas previsões são comparadas com as reais. Esse treino permitiu avaliar o desempenho do algoritmo. 

A partir disso, o modelo foi otimizado e ajustado, foram passados parâmetros e pesos específicos para cada tipo de dado a ser priorizado, além de funções matemáticas desenvolvidas pela própria equipe de projetos, no intuito de aumentar ao máximo a porcentagem de acertos durante os testes. Finalmente, na etapa de deployment, houve a verificação e adaptação do software para a entrega. 

Conclusão e Agradecimentos

Por meio desse projeto, a capacidade de prever os valores dos fretes pode impactar positivamente os serviços oferecidos pela plataforma, além de permitir mais análises sobre previsões futuras. Ademais, para a Quanta Jr., este projeto foi uma oportunidade de refinar nossas habilidades na criação de softwares utilizando Machine Learning. Assim, houve um intercâmbio de benefícios tanto para nossa EJ quanto para o goFlux, a quem gostaríamos de agradecer pela experiência construtiva.