Inteligência Logística: Frota de Motos e Eficiência de Entregas

Contexto e Objetivo

Este relatório visa fornecer inteligência para a gestão logística combinando duas dimensões críticas: a capacidade instalada (frota de motocicletas disponível por município, via Base dos Dados) e a performance operacional (dados reais de entregas, via dataset proprietário/Kaggle).

O objetivo é identificar gargalos, oportunidades de expansão e correlações entre a densidade de entregadores e a eficiência do serviço.

1. Análise de Capacidade (Base dos Dados)

Utilizando dados oficiais do DENATRAN e IBGE (2023), mapeamos a distribuição da frota de motocicletas e motonetas — os principais vetores de entrega rápida no Brasil.

Volume Total: Onde estão as motos?

As grandes metrópoles concentram o maior volume absoluto, indicando onde está a maior massa de mão de obra potencial.

Insight: São Paulo e Rio de Janeiro lideram isoladamente em volume. Para operações nestas cidades, o desafio não é a falta de veículos, mas a gestão da concorrência e o trânsito (fricção operacional).

Densidade: Onde a cultura da moto é mais forte?

Ao normalizar pela população, o cenário muda drasticamente. Cidades do interior e regiões Norte/Nordeste frequentemente apresentam densidades muito superiores às capitais do Sudeste.

Insight: Cidades com alta densidade (Motos/1k hab) possuem uma cultura de mobilidade sobre duas rodas já estabelecida. Isso pode indicar:

1. Facilidade de Recrutamento: Maior disponibilidade per capita de entregadores.
2. Concorrência: Mercado possivelmente mais saturado.
3. Custo: Potencial para custos de entrega menores devido à oferta abundante.

2. Framework de Integração (Dataset de Entregas)

Para transformar os dados brutos de entregas (Kaggle) em inteligência acionável, recomenda-se o cruzamento com os dados de frota acima utilizando a seguinte metodologia:

Passo 1: Normalização e Cruzamento

Cruze os pedidos do dataset Kaggle com a tabela moto_logistics_v2 (gerada acima) utilizando a chave Cidade - UF.

Passo 2: Cálculo de KPIs de Eficiência

Para cada município, calcule:

• Velocidade Média Comercial: $\frac{\text{Distância Real}}{\text{Tempo Total de Entrega}}$
• Índice de Fricção: Comparar o tempo real vs. tempo estimado (Google Maps/Waze).

Passo 3: Matriz de Oportunidade (Exemplo Prático)

Ao plotar as cidades em uma matriz, podemos definir estratégias distintas:

Principais Conclusões

• Discrepância Regional: Enquanto SP/RJ dominam o volume, cidades médias (como Ji-Paraná/RO ou Rondonópolis/MT, frequentemente no topo de rankings de densidade) representam mercados onde a moto é o modal primário, sugerindo uma adoção mais rápida de serviços de entrega.
• Ação Recomendada: Utilize a tabela abaixo para identificar cidades com população > 50k e alta densidade de motos, mas que ainda não possuem operação consolidada no seu dataset de entregas.

Dados Detalhados (Amostra)

Loading dataset…

Próximos Passos

1. Ingestão do Dataset Kaggle: Carregar o arquivo CSV local para calcular os tempos médios reais por cidade.
2. Análise de Correlação: Verificar estatisticamente se cidades com maior motos_por_1k_hab apresentam menores tempos de espera.
3. Clusterização: Agrupar cidades por perfil (ex: "Metrópoles Saturadas" vs. "Polos Regionais em Crescimento") para personalizar a estratégia de expansão.