Artificial Intelligence in SME warehousing in Portugal: Tools, benefits, and a framework for implementation

Abstract

Small and medium enterprises (SMEs) constitute the backbone of Portugal’s non-financial business economy; however, their warehousing operations regularly face challenges in terms of productivity and efficiency. In this context, and given the exponential growth of artificial intelligence, this dissertation investigates how AI tools can enhance productivity in SME warehouse management in Portugal by mapping implementation constraints, quantifying benefits, identifying relevant AI tools, and, finally, proposing an implementation of a framework applicable to Portuguese SMEs. Methodologically, the study draws on external data and a survey involving approximately 25 firms, which made it possible to validate improvement opportunities in activities such as picking and storage. The AI tools with the greatest perceived impact are demand-forecasting optimization and route optimization (both in storage and picking). These solutions translate, respectively, into improvements in stock management and picking performance, with gains in cycle-time reduction and error reduction. The dissertation concludes with the presentation of a framework for implementation of selected AI tools in SME warehouse management, aligned with the objectives initially defined.

As pequenas e médias empresas (PMEs) constituem a espinha dorsal da economia empresarial não financeira em Portugal, contudo as suas operações de armazenagem enfrentam, regularmente, problemas ao nível da produtividade e eficiência. Neste contexto, e tendo em conta o crescimento a que assistimos da inteligência artificial, esta dissertação investiga de que forma podem as ferramentas de IA potenciar a produtividade na Gestão de Armazenagem das PMEs em Portugal. Mapeando constrangimentos à sua implementação, quantificando benefícios, identificando as ferramentas, e por fim, propondo um modelo de implementação que se aplique às PMEs em Portugal. Metodologicamente, recorreu-se a dados externos e a um inquérito com a participação de cerca de 25 empresas, onde foi possível validar algumas oportunidades de melhoria ao nível de atividades como picking e a armazenagem. Sendo que as ferramentas de Inteligência Artificial com maior impacto são a de reabastecimento orientado pela procura e a de otimização de rotas (tanto no armazenamento como no picking). Estas soluções traduzem-se, respetivamente, em melhorias na gestão do stock e em ganhos no picking, quer em redução de tempo de ciclo, quer em diminuição de erros. Concluiu-se com a apresentação de um modelo para a implementação de algumas ferramentas de IA na Gestão de Armazém das PMEs, alinhado com os objetivos definidos inicialmente.