A separação de pedidos é uma das atividades mais intensivas em mão de obra e de maior custo dentro de um armazém. Uma revisão da literatura publicada no European Journal of Operational Research estima que o picking pode representar até 55% dos custos totais de um armazém.
À medida que os volumes do e-commerce aumentam, os SKUs se multiplicam e a disponibilidade de mão de obra se torna mais desafiadora, os gestores de logística enfrentam uma pressão crescente para alcançar maior produtividade utilizando a mesma estrutura física e o mesmo número de colaboradores, sem depender de investimentos ilimitados em infraestrutura e automação.
Nesse contexto, definir estratégias de picking, projetar layouts e otimizar fluxos tornam-se importantes fatores para melhorar o desempenho. Tecnologias como Digital Twin, Inteligência Artificial e Machine Learning ampliam essa capacidade ao permitir a análise de grandes volumes de dados, a avaliação de diferentes configurações e a identificação de oportunidades de otimização antes que as mudanças sejam implementadas no ambiente físico.
Picking como fator-chave para a eficiência do armazém
A eficiência do picking está diretamente relacionada a variáveis como distância percorrida, número de pedidos processados simultaneamente, localização dos produtos e utilização dos recursos. A literatura sobre picking em armazéns destaca decisões relacionadas ao layout, à organização do armazenamento, ao roteamento, ao batching e ao zoneamento como elementos fundamentais para o projeto e o controle dos processos.
Esses são precisamente os tipos de variáveis em que um Digital Twin pode gerar valor. Ao criar uma representação digital dos processos, fluxos, recursos e restrições, diferentes estratégias e configurações podem ser avaliadas, seus impactos mensurados e alternativas mais eficientes identificadas antes que as mudanças sejam implementadas no ambiente físico.
Batching e Routing: decisões interdependentes no armazém
A forma como os pedidos são agrupados e as rotas de picking são definidas tem impacto direto nas distâncias percorridas, na produtividade e no tempo de processamento dentro do armazém.
O batching consiste em agrupar dois ou mais pedidos para que possam ser separados dentro da mesma rota, em vez de realizar uma rota independente para cada pedido. A literatura acadêmica reconhece essa estratégia como uma forma de reduzir o tempo e a distância percorrida, especialmente quando os pedidos contêm itens armazenados em locais próximos.
O routing, por sua vez, determina a sequência de locais que devem ser visitados durante o processo de picking. Essas duas decisões estão diretamente relacionadas: a composição de um lote altera os locais que precisam ser visitados e, consequentemente, influencia a rota mais eficiente para concluir o processo de picking.
Por esse motivo, as pesquisas têm se concentrado cada vez mais na otimização conjunta de batching e routing. Estudos publicados no European Journal of Operational Research e no Computers & Operations Research demonstram a importância de considerar essas variáveis simultaneamente para minimizar as distâncias percorridas, em vez de tratá-las como decisões independentes.
Outro conceito relevante é o wave picking. Nesse modelo, os pedidos são organizados em grupos liberados para picking dentro de janelas de tempo definidas, considerando fatores como prioridade, prazos de expedição, capacidade disponível e horários de corte das transportadoras. A composição e o tamanho dessas ondas influenciam diretamente a utilização dos recursos e os fluxos internos do armazém.
IA e Digital Twin aplicados à otimização de armazéns
Os avanços em Inteligência Artificial, Machine Learning e Digital Twin estão ampliando a capacidade de analisar sistemas logísticos complexos e identificar oportunidades de eficiência em um número cada vez maior de variáveis.
Essas tecnologias podem apoiar decisões relacionadas a picking, routing, batching, alocação de SKUs, reabastecimento e utilização de recursos, considerando não apenas cada elemento individualmente, mas também suas interdependências. Essa abordagem é especialmente relevante para os processos de fulfillment, que abrangem as etapas necessárias para concluir um pedido, desde o processamento e picking até a preparação para expedição.
Estudos recentes demonstram resultados relevantes dessa integração. Uma pesquisa publicada em 2026 desenvolveu um sistema de Digital Twin para analisar padrões de demanda e apoiar decisões de slotting por meio da integração de dados com modelos digitais. No contexto analisado, a abordagem proporcionou um aumento de 42% na produtividade, medida em pallets processados por hora, e uma redução de 41% no tempo de expedição.
As pesquisas também avançam em direção a análises cada vez mais integradas. Alterar a localização de SKUs específicos, por exemplo, pode afetar as distâncias percorridas, influenciar a composição dos lotes, modificar as rotas ideais de picking e impactar a utilização dos recursos. Nesse contexto, IA, Machine Learning e Digital Twin ampliam a capacidade de avaliar essas variáveis simultaneamente e comparar diferentes configurações antes da implementação.
Digital Twin como ambiente para tomada de decisões no armazém
Dentro de um armazém, decisões relacionadas a slotting, picking, batching, dimensionamento de zonas, layout, capacidade e alocação de recursos são interdependentes. Alterar a localização dos SKUs pode reduzir as distâncias percorridas e, ao mesmo tempo, gerar novas ineficiências ou modificar a distribuição dos fluxos. Avaliar essas decisões de forma integrada é, portanto, essencial para compreender seu impacto no desempenho geral do sistema.
Um Digital Twin permite representar detalhadamente os processos, recursos, restrições, demanda e características físicas do ambiente, possibilitando que diferentes configurações sejam avaliadas antes da implementação. Dessa forma, é possível mensurar seus impactos em indicadores como distância percorrida, tempo de picking, filas, utilização de recursos, throughput, capacidade e níveis de serviço.
Essa abordagem também pode apoiar a validação de CAPEX para o projeto, expansão ou modernização de armazéns. Diferentes alternativas envolvendo layouts, estruturas de armazenagem, docas, equipamentos, áreas de picking e capacidade podem ser avaliadas antes da alocação do capital, permitindo determinar se a configuração proposta atende à demanda esperada, antecipar gargalos e dimensionar adequadamente os recursos necessários.
Um caso de projeto de armazém digital documentado em 2020 utilizou ferramentas digitais para desenvolver estimativas detalhadas de OPEX e CAPEX e comparar soluções manuais e automatizadas. No caso apresentado, a empresa conseguiu reduzir o CAPEX planejado em aproximadamente 10% e os custos operacionais em mais de 30%. A mesma abordagem permite avaliar layouts, fluxos, métodos de picking e necessidades de mão de obra e equipamentos antes da implementação física.
A integração do Digital Twin com métodos avançados de otimização também tem apresentado resultados relevantes recentemente. Em um estudo publicado em 2026, um algoritmo integrado a um ambiente de Digital Twin foi avaliado em cenários envolvendo entre 50 e 300 pedidos. A abordagem alcançou uma redução de 14,7% a 17,2% no tempo total de picking em comparação com o algoritmo padrão e uma redução de aproximadamente 30% a 42% no tempo médio de espera dos operadores de picking em relação ao melhor benchmark utilizado no estudo.
Dessa forma, o Digital Twin pode atuar como um ambiente de apoio à tomada de decisões para a gestão de armazéns, permitindo que as organizações antecipem possíveis ineficiências, validem a capacidade, dimensionem recursos e avaliem diferentes alternativas de CAPEX antes que mudanças e investimentos sejam implementados no ambiente físico.
Da análise digital à otimização do armazém
As soluções da EYF Solutions, baseadas em Digital Model, Digital Shadow, Digital Twin, Inteligência Artificial e Advanced Analytics, permitem representar as características específicas de cada armazém e avaliar diferentes combinações de batching, routing, slotting, layout, capacidade e alocação de recursos. A partir de dados reais, diferentes cenários podem ser comparados com base em indicadores como throughput, produtividade, utilização de recursos, distâncias percorridas e tempos de espera.
Com essa abordagem, as decisões de otimização deixam de depender apenas de benchmarks ou regras predefinidas e passam a considerar as interdependências existentes em cada ambiente. A EYF Solutions apoia empresas na modelagem, análise e validação de alternativas antes da implementação, contribuindo para reduzir incertezas, otimizar recursos e fornecer uma base analítica mais robusta para decisões de melhoria e investimento. Entre em contato conosco.
Referências
DE KOSTER, R.; LE-DUC, T.; ROODBERGEN, K. J. Design and control of warehouse order picking: A literature review. European Journal of Operational Research, v. 182, n. 2, p. 481–501, 2007.
BRIANT, O.; CAMBAZARD, H.; CATTARUZZA, D.; CATUSSE, N.; LADIER, A.-L.; OGIER, M. An efficient and general approach for the joint order batching and picker routing problem. European Journal of Operational Research, v. 285, n. 2, p. 497–512, 2020.
AERTS, B.; CORNELISSENS, T.; SÖRENSEN, K. The joint order batching and picker routing problem: Modelled and solved as a clustered vehicle routing problem. Computers & Operations Research, v. 129, 105168, 2021.
ZHANG, J. Intelligent warehouse supply chain order picking optimization based on digital twin and genetic algorithm. Discover Applied Sciences, 2026.
TAQUÍA GUTIÉRREZ, J. A.; MACHUCA DE PINA, J. M. Smart Warehouse Management Using Digital Twins and Machine Learning. South African Journal of Industrial Engineering, v. 37, n. 1, p. 17–27, 2026.
BUSTAMANTE, F.; DEKHNE, A.; HERRMANN, J.; SINGH, V. Improving warehouse operations—digitally. 2020. Industry reference on digital warehouse design, layout evaluation, resource sizing, and CAPEX/OPEX validation.
