Desempenho Logístico no Brasil: Análise Geoespacial sobre Prazos de Entrega, Custos de Frete e Satisfação do Cliente no E-commerce

• Lucas Bruno F. Praxedes Universidade Federal Rural do Semi-Árido (UFERSA) / Universidade do Estado do Rio Grande do Norte (UERN) http://orcid.org/0009-0005-6835-3763
• Isaac de L. Oliveira Filho Universidade Federal Rural do Semi-Árido (UFERSA) / Universidade do Estado do Rio Grande do Norte (UERN)

DOI: https://doi.org/10.5753/sbbd_estendido.2025.248226

Resumo

Este estudo realiza uma análise quantitativa do desempenho logístico no e-commerce brasileiro, utilizando um grande conjunto de dados transacionais. Por meio de análise geoespacial, testes estatísticos e machine learning, foram identificadas rotas de entrega críticas, quantificado o impacto negativo e significativo dos atrasos na satisfação do cliente, e desenvolvido um modelo preditivo para o custo do frete. Os resultados demonstram que o peso do produto é um fator mais decisivo que a distância na determinação do custo, fornecendo informações importantes para a otimização de estratégias logísticas e para a melhoria da experiência do consumidor.

Palavras-chave: Desempenho Logístico, E-commerce, Análise Geoespacial, Machine Learning, Custo do Frete, Atraso na Entrega, Satisfação do Cliente, Otimização Logística

Referências

Agatz, N. A., Fleischmann, M. and van Nunen, J. A. (2008) “E-fulfillment and Multi-channel Distribution: A Review”, European Journal of Operational Research, 187(2), p. 339-356.

Associação Brasileira de Comércio Eletrônico (ABComm) (2024) “Relatório E-commerce no Brasil”.

Confederação Nacional do Transporte (CNT) (2022) “Transporte & Desenvolvimento: Panorama do Transporte de Cargas”, Brasília, DF: CNT.

Duarte, A. L. C. M., Macau, F., Silva, C. F. E. and Sanches, L. M. (2019) “Last Mile Delivery to the Bottom of the Pyramid in Brazilian Slums”, International Journal of Physical Distribution & Logistics Management, 49(5), p. 473-491.

Esper, T. L., Jensen, T. D., Turnipseed, F. L. and Burton, S. (2003) “The Last Mile: An Examination of Effects of Online Retail Delivery Strategies on Consumers”, Journal of Business Logistics, 24(2), p. 177-203.

Instituto de Logística e Supply Chain (ILOS) (2023) “Custos Logísticos no Brasil: Pesquisa Anual”.

Kim, J., Park, J. and Jeong, D. (2023) “Prediction of Shipping Cost on Freight Brokerage Platform Using Machine Learning”, Sustainability, 15(2), 1122.

NielsenIQ Ebit (2023) “Webshoppers, 47ª Edição”.

Olist (2018) “Brazilian E-Commerce Public Dataset by Olist”, Kaggle.

Parasuraman, A., Zeithaml, V. A. and Berry, L. L. (1988) “SERVQUAL: A Multiple-item Scale for Measuring Consumer Perceptions of Service Quality”, Journal of Retailing, 64(1), p. 12-40.

Rokoss, A., Valmorbida, V. G., Pescador, G. V. and Pellerin, R. (2024) “Case Study on Delivery Time Determination Using a Machine Learning Approach in Small Batch Production Companies”, Journal of Intelligent Manufacturing, 35, p. 3937–3958.

VanderPlas, J. (2016) “Python Data Science Handbook: Essential Tools for Working with Data”, O'Reilly Media.

World Bank (2023) “Logistics Performance Index (LPI) 2023: Connecting to Compete”, Washington, D.C.: The World Bank.