Avaliação do risco logístico (MEDIR e ANALISAR)

As informações obtidas na subseção anterior são sintetizadas e convertidas em um modelo conceitual baseado no perfil do RL devem considerar a natureza dos modelos de simulação e os KPIs (Figura 14). Outros aspectos são importantes, como: nível de detalhes do modelo, a relação entrada/saída gerada a partir dos KPIs e variáveis de decisão, procedimentos de coleta de dados, pressupostos, simplificações, e outros. O próximo passo é coletar os dados a partir das variáveis de decisão e KPIs. Os dados são usados para alimentar o modelo computacional e podem ser extraídos do mundo real; gerados pelo modelador por simulação randômica ou apropriados da literatura. A etapa de mensuração quantifica os riscos por meio das métricas, conforme as abordagens explicitadas no Quadro 24. As medidas de desempenho devem estar alinhadas aos KPIs. A mensuração do risco representa definir o nível de intensidade assumido pelo RL, estando o sistema logístico da CS exposto a diversos riscos.

Quadro 24 – Medidas de risco

Grupo Medidas

Índice de Probabilidade do Risco

Probabilidade (Xie et al., 2009); Índice Rede Bayesiana (Yan; Suo, 2013); Número de Prioridade de Risco (Kengpol; Tuammee, 2015); Matriz de Risco (Handfield; McCormack, 2008); Mapa de Risco (Walters, 2007); Probabilidade vs impactos e/ou Pesos (Nooraie; Parast, 2015); Probabilidade vs tempo de duração vs tempo efetivo vs impacto (Breur et al., 2013); Probabilidade vs eficiência vs impacto vs peso (Jeong; Hong; Xie, 2014);

Probabilidade acumulada vs perda (Schmitt, 2011); Probabilidade vs Variância vs Peso (Sawik, 2016); Confiabilidade x probabilidade vs impacto vs peso (Wei-hua et al., 2011); Probabilidade vs impacto vs Média-desvio-padrão (Liew; Lee, 2012); Probabilidade média, escala de risco and consequência (Chang; Xu; Song, 2015); Teoria da perspectiva (Li; Chen; Wang, 2011); Índice de exposição ao risco (Schlegel; Trent, 2015); Intensidade de risco residual (Sodhi; Tang, 2012).

Abordagem Mean- Risks

Função Utilidade (Chiu; Choi, 2013), Probabilidade de lucro alvo (Chiu; Choi, 2013), VaR (Lockamy III; McCormark, 2010); CVaR (Azad et al., 2014); Mean-Downside Risk (Chiu; Choi, 2013); Downside Risk (You; Wassick; Grossmann, 2009); DaR, IaR, VaDR, BaR (Sodhi e Tang, 2012), Mean-CVaR (Soleimani; Govindan, 2014); Risco Premium (Applequist; Pekny; Reklaitis, 2000); Upside Potential Ratio (Hahn; Kuhn, 2012). Função Risco (FR)

Custo ajustado ao risco (Olson; Wu, 2011), FR vs confiabilidade (Wang, 2013); FR – variáveis (Ritchie; Brildley, 2007), FR vs ponderação (Nagurney et al., 2005); Perda/Risco (Huang et al., 2013).

Desvio

Média-variância (Kang; Kim, 2012); Média-desvio-padrão (Scheller-Wolf; Tayur, 2009), Semidesvio do alvo e Semidesvio central (Govindan; Fattahi, 2017); Coeficiente de

variação (Kouvelis et al., 2012); Desvio médio absoluto (Konno; Yamazaki, 1991), Média e desvio (Gaonkar; Viswanadham, 2007); Média-semidesvio (Govindan; Fattahi, 2017); Média-semivariância (Chiu; Choi, 2013); Variância (Hamedani; Jabalameli; Bozorgi-Amiri, 2013); Desvio padrão (Croson et al., 2014); Índice de variabilidade (You; Wassick; Grossamann, 2009).

Outros

Aversão constante ao risco absoluto (Xiao; Yang, 2008), Valor econômico agregado (Hahn; Kuhn, 2012); Índice quadratico médio de imprecisão (Wang; Hsu, 2010); Valor presente líquido - Risco (Giarola; Bezzo; Shah, 2013); Índice de ranqueamento de risco (Manuj; Esper; Stank, 2014); Índice de intensidade de controle de risco (Ma; Feng, 2013); Tempo de recuperação (Schlegel; Trent, 2015).

Figura 14 – Framework estendido da fase medir e analisar

Elaborar o modelo conceitual

Modelo

conceitual Modelar os dados de

entrada Selecionar o RL Mensurar Ranquear e priorizar Avaliar Dados Desenvolver o modelo de simulação

Selecionar o tipo de simulação e software

Modelar os processos logísticos – SMD e KPIs

Inserir a dinâmica dos RLs e as métricas de riscos

Configuração “0”

Consistentes?

Modelo computacional

Analisar as saídas via SMD - RLs

Aplicar métodos estatísticos

Checar desvios sobre KPIs

Selecionar as estratégias de resposta ao RLs Processo decisório Avaliação do RL M E D IR e A N A L IS A R F a se d a C O M U N IC A Ç Ã O Sim Não A B C D

Após a medição dos riscos o analista deve decidir quais riscos ele vai incorporar ao modelo de simulação. Os riscos são ranqueados, ou priorizados, determinando quais serão considerados e, por conseguinte, gerenciados. Diversas ferramentas e métodos MCDM podem ser aplicados para priorizar RLs (Quadro 25 ao final desta subseção). A análise de RLs sucede a etapa de priorização dos riscos, quando o analista avalia a gravidade dos impactos e intensidade dos RLs, avaliando os danos causados e a possibilidade de aplicação de estratégias de resposta. As análises se dão geralmente por magnitudes financeiras, como custos, rentabilidade, renda e outras dimensões (duração da ruptura, falhas operacionais, excesso ou perda de capacidade).

Após a análise dos riscos o analista deve modelar os dados de entrada que serão utilizados no modelo de simulação testando a acurácia, robustez, consistência e rastreabilidade do conjunto de dados. Ferramentas estatísticas podem ser utilizadas neste procedimento de modelagem com o fim de verificar possíveis inconsistências nos dados coletados. Neste caso, o analista deve voltar para a etapa de modelagem dos dados e corrigir os problemas. Após este passo, o conjunto de dados está apto a ser usado no modelo computacional. Nesse sentido, o modelo conceitual, criado para representar a configuração dos riscos no sistema logístico da CS, pode ser convertido no modelo de simulação.

Os tipos de simulação e softwares passíveis de utilização no modelo computacional podem ser consultados no Quadro 25. As características do problema a ser resolvido pela modelagem, a complexidade e natureza do modelo conceitual orientam as decisões sobre o tipo de simulação e escolha do software. O framework da proposta metodológica foi desenvolvido para cumprir o ciclo OvS. Dois passos são importantes na criação do modelo computacional: a implantação dos processos logísticos e estrutura da CS; inserção dos aspectos sobre os riscos (dinâmica dos RLs, KPIs e medidas de riscos). A dinâmica de RLs se desenvolve sobre as operações desencadeadas pelo sistema logístico, suportada pelas etapas de configuração executadas na fase descrita na subseção anterior. Após a implantação do sistema logístico e da estrutura da CS procede-se à inserção da dinâmica do risco.

A dinâmica de risco deve considerar a intensidade dos riscos em termos das distribuições de probabilidades de ocorrência dos eventos e os impactos associados. Os KPIs e as métricas de riscos podem fornecer informações relevantes sobre os efeitos no sistema logístico. Os dados processados devem ser parametrizados no modelo computacional para configurar o sistema logístico, a CS e os riscos, constituindo a configuração base (0) do modelo.

A quantidade de rodadas necessárias na simulação deve ser estimada. O SMD deve refletir a dinâmica do RL na CS, produzindo as saídas necessárias para apoiar o processo decisório. Conforme padrões de desempenho estabelecidos, o analista deve comparar e analisar os KPIs/Riscos, identificando desvios e orientando o processo de tomada de decisão para mitigar os RLs que provocam maior instabilidade no sistema logístico. A análise e tomada de decisão devem ser realizadas com apoio de ferramentas estatísticas para melhorar a qualidade da informação, precisão e acurácia dos resultados.

Os passos implantados nesta fase devem ser checados através do processo de verificação e validação para evitar distorções. Diversos métodos podem ser utilizados neste procedimento (Quadro 25). As pesquisas de Balci (2012), Sokolowski e Banks (2009) e Sargent (2013) podem ser examinadas, versando sobre detalhes e procedimentos de verificação e validação.

Quadro 25 – Ferramentas para a avaliação de riscos logísticos

Atividade Ferramentas

Modelagem conceitual

Gestão dos processos de negócios (BPM), Modelo do GSCF, SCOR®_{, IDEF-SIM,}

fluxogramas, mapofluxogramas, análises baseadas na árvore de falhas, Diagramas de blocos de confiabilidade, Redes Bayesianas, Redes de Petri, Processos

Markovianos, Mapa do fluxo de valor, entre outros.

Modelagem de dados Análises gráficas, ANOVA, testes de Hipótese, análise de outlier, testes de

aderência (KS, Qui-Quadrado, P-Valor, Erro Quadrático Médio).

Medição do RL Índice de probabilidade do risco, abordagem Mean-Risks, função risco, desvio,

outras.

Priorização e Análise

Abordagem Fuzzy, ANP, AHP, Vilkor, DEMATEL, MICMAC, PROMETHEE, Análise baseada na Teoria Grey, MACBETH, programação objetivo, PAPRIKA, TOPSIS, DEA, DEX (Decision Expert), MAUT, MAGIC, ELECTRE, FMEA, FMECA, perda financeira, análise de cenários, modelos baseados em variabilidade, classificação ABC (Pareto).

Tipo de simulação

SED, simulação de sistemas dinâmicos, simulação baseada em agentes, simulação híbrida, SMC, simulação orientada a objetos, simulação distribuída, simulação e jogos, simulação numérica ou randômica, simulação estocástica, simulação contínua.

Software de simulação

Linguagens de programação (Java, Jade, Pascal, C e C++_{, Fortran, Visual Basic),}

Arena, iThink, Matlab (Simulink), ExtendSim, Simprocess, Vensim, Promodel, Planilhas, Risk Curves, RADL, Simul8, Beer Game, eM-Plant, GPSS, Netlogo, Stella, Supply Chain Guru, Witness, Aladim, APIOBPCS, Artifex PN, Crystal Ball, Risk Solver, Siman, MesoSim, Simio, CPN tools, Belief Network Power Soft, Leap, MedSim, KBSP, POPIM, SigmaFlow, Processmodel, Protégé, RWISE, SCOR Model SC Game, SBELP, Simphony, Stroboscope, Taylor II, Autosched. Verificação e

Validação

Implantação e verificação modular, comparação entre modelos (conceitual- computacional), avaliação por especialistas, mudança de parâmetros e análise das variáveis de decisão, uso de debugger (verificador de erros), comparação das saídas do modelo computacional (dados históricos, dados reais, dados extraídos da literatura) – Métodos estatísticos (ANOVA, Teste t, intervalos de confiança, análise de regressão), gráfico de causa e efeito, validação preditiva, validação face a face, cálculos preditivos, matriz de relação causal.