Nenhum item encontrado.
Em operações que processam dezenas de milhares de linhas por dia, com perfis de cliente que mudam de semana para semana, o picking deixou de ser apenas a atividade que separa pedidos. Ele virou o lugar onde se decide se o CD opera no azul ou no vermelho. Cada segundo a mais por linha picada, cada coleta em endereço errado, cada SKU que precisa ser reposicionado depois de uma onda — tudo isso vira centavos que escorrem da margem antes mesmo de a nota fiscal ser emitida.
Para operadores logísticos de pequeno e médio porte e embarcadores que rodam múltiplos clientes em CDs compartilhados, o problema é ainda mais espinhoso. A diversidade de SKUs, regras de embalagem, janelas de cut-off e SLAs cria uma complexidade que estratégias genéricas de picking não absorvem. O resultado: indicadores operacionais que parecem saudáveis na superfície, mas escondem ineficiências que comem o custo unitário por linha.
Levantamentos de produtividade em centros de distribuição apontam que o picking responde, em média, por 50% a 65% das horas de mão de obra do armazém. Quando se decompõe o tempo de um separador típico, o ponto que mais surpreende não é a coleta em si — é o deslocamento. Em layouts mal calibrados, o tempo gasto andando entre endereços supera 50% da jornada do picker. Em outras palavras, mais da metade do custo da atividade não está gerando valor: está apenas movimentando uma pessoa de um ponto a outro.
Em CDs com múltiplos clientes, esse custo invisível ganha camadas adicionais. Cada cliente traz uma curva ABC própria, padrões sazonais distintos e expectativas de SLA que disputam a mesma onda. Quando o picking não consegue traduzir essa complexidade em rotas e sequências otimizadas, o resultado é um separador que cruza o CD várias vezes para completar um único pedido — e um pedido que pula janelas de despacho porque o tempo da onda estourou.
Há também um custo de segunda ordem que raramente entra na conta: o efeito do picking sobre as etapas seguintes. Um erro de coleta não termina no endereço errado. Ele segue para a conferência, ocupa tempo de operador de qualidade, gera reabastecimento corretivo, atrasa o cubagem, atrasa a expedição. Quando o picking falha, ele paga essa conta inúmeras vezes ao longo do dia.
Em operações multi-cliente, quatro vetores costumam fazer o picking sair do trilho — e nenhum deles aparece de forma evidente em um relatório de linhas por hora.
O primeiro é o mix de SKU heterogêneo. Em um mesmo armazém convivem SKUs A de alta rotatividade ao lado de C de baixíssimo giro, muitos compartilhando a mesma zona. Sem uma curva por cliente e uma política de slotting que reconheça essa diferença, o picker percorre o mesmo trecho para coletar um item que sai dez vezes por dia e outro que sai dez vezes por mês.
O segundo é o conflito de janelas de cut-off. Cada cliente impõe sua janela de saída, e o WMS precisa orquestrar ondas que respeitem esse calendário sem deixar separadores ociosos entre cut-offs. Operações que tratam ondas como blocos rígidos perdem capacidade nas brechas entre janelas; operações que tratam ondas como filas dinâmicas mantêm a produtividade equilibrada.
O terceiro é a coexistência de perfis de pedido. Em um mesmo turno, o CD pode separar pedidos B2B em pallet completo, pedidos de varejo em caixa e pedidos de e-commerce com unidades fracionadas. Cada perfil exige uma estratégia diferente, e tratá-los com a mesma lógica de coleta significa subutilizar capacidade em um perfil enquanto satura outro.
O quarto é a deriva entre realidade física e lógica. Quando o endereço do sistema deixa de refletir o endereço do chão — porque um repositor improvisou, porque um lote foi consolidado, porque um endereço ficou sem reabastecimento — o picker descobre o erro só ao chegar lá. Essa deriva costuma ser silenciosa nos KPIs até que vire reclamação de cliente.
Há cinco estratégias clássicas em uso amplo: picking discreto, picking por lote (batch), picking por zona, picking por onda (wave) e picking por cluster (multi-pedido). Cada uma resolve um problema específico e cria outros.
Picking discreto — um separador trabalha um pedido por vez, do início ao fim. Baixa complexidade, baixa coordenação, mas também baixa produtividade por hora. Funciona para operações de baixo volume e alta variabilidade, ou como modelo de fallback em exceções.
Picking por lote — o sistema agrupa pedidos com SKUs em comum e o separador coleta tudo em uma só varredura. Reduz drasticamente o tempo de deslocamento por linha, mas exige uma etapa de sortation a jusante para devolver cada item ao seu pedido. Cabe bem em operações com alto índice de overlap de SKU entre pedidos.
Picking por zona — o armazém é dividido em áreas e cada separador trabalha sua zona. Excelente para reduzir cruzamento de pickers e ajustar produtividade à curva por área, mas demanda uma etapa de consolidação para juntar partes do mesmo pedido vindas de zonas diferentes.
Picking por onda — janelas de tempo organizam liberações sincronizadas com a expedição. É a estratégia que melhor conversa com a operação de transporte e cut-off de transportadora, mas tropeça quando o WMS não consegue recalibrar ondas em tempo real diante de imprevistos.
Picking por cluster ou multi-pedido — o separador carrega múltiplos pedidos simultaneamente, normalmente em um carrinho com gavetas. Híbrido entre discreto e lote, costuma ser o ponto ótimo para operações multi-cliente com pedidos de média complexidade.
O erro recorrente não é escolher uma estratégia "errada". É escolher por inércia, replicando o modelo que sempre funcionou para um cliente quando a operação já não é mais a mesma. A decisão técnica precisa partir do perfil do pedido, do perfil do SKU, do layout disponível e do SLA contratado — não de costumes acumulados.
Picking eficiente em ambiente multi-cliente exige um WMS com motor de regras maduro, não apenas parametrização de tela. As regras precisam alcançar pelo menos cinco dimensões.
Política de FEFO/FIFO por cliente e por SKU, sem rigidez global. Um cliente do segmento de alimentos exige FEFO inegociável; um cliente de autopeças pode aceitar FIFO com tolerância de lote. Forçar uma política única gera ineficiência ou risco de qualidade.
Composição dinâmica de ondas, em que o sistema agrupa pedidos por afinidade de SKU, cliente, zona ou perfil — não por bloco fixo de horário. Isso permite que separadores não fiquem ociosos entre cut-offs.
Priorização sob restrição, capaz de elevar pedidos críticos sem desorganizar a sequência. Quando um cliente comunica um cut-off antecipado ou uma penalidade contratual, o WMS precisa repriorizar a fila sem rebuild manual.
Roteamento otimizado, com heurísticas que constroem listas de coleta minimizando deslocamento, considerando congestionamento de corredor e localização real do picker. Algoritmos de path finding básicos já entregam ganhos relevantes; algoritmos sensíveis a tempo real elevam o patamar.
Integração com o TMS, para que as ondas se ajustem à chegada de veículos e janelas de despacho. O picking que ignora o transporte termina com mercadoria parada na doca ou caminhão parado esperando carga.
A diferença entre um WMS configurável e um WMS engessado aparece exatamente aqui: o configurável absorve a complexidade da operação multi-cliente sem exigir desenvolvimento sob medida a cada novo cliente.
Trocar a estratégia de picking sem diagnóstico é uma forma cara de descobrir o que já estava errado. O ponto de partida é mapear, em jornada real, o tempo gasto por atividade: deslocamento, busca, coleta, validação e replenishment. Operações que nunca fizeram essa decomposição costumam descobrir que metade do problema atribuído ao picking está, na verdade, no abastecimento de endereços.
Depois vem a leitura cruzada: linhas por hora por separador, por zona, por cliente, por perfil de pedido. Esses cortes revelam onde a curva está mal calibrada e onde a operação está pagando produtividade média porque uma minoria dos pedidos drena horas.
Em seguida, cruzar com a curva ABC por cliente e o perfil de pedido — linhas por pedido, unidades por linha, dispersão de SKU. Sem esse cruzamento, escolher entre batch, cluster ou wave é apostar.
E, finalmente, identificar o gargalo real. Se a conferência segura a expedição, mudar o picking só transfere fila. Se o reabastecimento atrasa, otimizar rotas de coleta não compensa. O diagnóstico precede a decisão técnica — e é o único caminho para que a próxima escolha não vire o próximo problema.
Operações que conseguiram colocar o picking sob controle costumam ter um traço em comum: começaram olhando para os próprios dados antes de buscar comparativos de mercado. O patamar de produtividade alcançável por um CD não depende do que outros CDs fazem. Depende do que ele consegue medir sobre si mesmo — e do quanto sua estratégia, suas regras e seu layout traduzem essa medição em decisões diárias.
No Atlante WMS, os vetores discutidos até aqui são tratados como parâmetros de configuração, não como escopo de desenvolvimento.
Isso porque a ferramenta possui IA embarcada que faz sugestões automáticas da melhor rota e sequência de separação considerando onda, peso, volume e endereço.
Entenda como o Atlante WMS pode melhorar a produtividade do picking. Acesse nosso site e solicite o contato de um especialista!
