MODELAGEM E SIMULAÇÃO EM SUPPLY CHAINS

A modelagem envolvendo otimização e simulação é amplamente utilizada no projeto e melhoria de cadeias de suprimentos (SHAPIRO, 2001).

Modelagem matemática é apontada por Wong e Wong (2008) como uma grande oportunidade para o desenvolvimento de ferramentas que possibilitem avaliar o benchmarking de cadeias de suprimentos. Segundo os autores, no passado, muitos pesquisadores preocuparam-se apenas a desenvolver frameworks teóricos sobre o processo de integração de medidas de desempenho voltadas às cadeias de suprimentos. Nesse sentido, modelos matemáticos podem fornecer uma estrutura mais clara na avaliação destes frameworks.

Como existem inúmeros métodos para analisar e avaliar cadeias de suprimentos, Harrel e Tumay (1994) classificam-nos segundo duas categorias:

1. métodos para avaliação de soluções; 2. métodos para geração de soluções.

A primeira categoria, como o próprio nome indica, avalia diferentes possibilidades de configurações para o projeto da rede de operações de uma SC, por meio de cenários “o que aconteceria se...”. A segunda categoria irá gerar a melhor configuração para um dado objetivo ou conjunto de objetivos. No primeiro grupo, encontram-se análises determinísticas baseadas em planilhas e simulação (baseada em eventos discretos ou sistemas dinâmicos). O segundo grupo inclui técnicas como os métodos de otimização clássicos (Programação inteira e dinâmica, etc.).

Banks et al. (2002) identificam três cenários para simulação de SCs: 1. controle de processos;

2. suporte a decisões; 3. planejamento proativo.

Alguns trabalhos (RODER; TIBKEN, 2006; VERMA,  6; GOVINDU; CHINNAM, 2007; RABELO et al., 2007; TRKMAN et al., 2007) mencionam a aplicação de ferramentas de simulação no ambiente de SCs.

Govindu e Chinnam (2007), por exemplo, citam a utilização de sistemas multiagentes (SMA), inclusive com o uso do SCOR para a modelagem de cadeias de suprimentos.

Rabelo et al. (2007), também utilizando o SCOR como arquitetura de referência, propõem um modelo de simulação para SC utilizando uma abordagem híbrida entre System

Dynamics (SD) e AHP, para modelar as atividades de serviços e manufatura de uma SC global.

Roder e Tibken (2006), também valendo-se do SCOR como modelo de referência de processos, propõem uma abordagem de simulação de SC para avaliar o processo de documentação de produtos em processos interorganizacionais.

Retomando o tema central deste trabalho, houve preocupação em conhecer a aplicação de modelos de simulação de SC que envolvessem a lógica fuzzy. Allen e Helferich (1990) sugerem o uso de sistemas especialistas como ferramenta de diagnóstico. Inúmeros exemplos

são comentados pelos autores, porém são aplicações muito específicas e restringem-se às áreas funcionais, como compras ou logística. Muitos sistemas especialistas

(SE) são descritos como heurísticas e trabalham com árvores de decisão ou redes para auxílio à tomada de decisão, porém, segundo Foggin, Mentzer e Monroe (2004), não são capazes de realizar um diagnóstico da SC como um todo.

Alguns trabalhos (DONG et al., 2007; LAU; AGUSSURJA; THANGARAJOO, 2008) mencionam a utilização da lógica fuzzy na simulação de cadeias de suprimentos; no entanto, nenhuma referência foi encontrada nas bases de dados internacionais que envolvessem os temas “supply chain measurement ou performance”, “modelling” e “simulation”.

No trabalho de Dong et al. (2007), por exemplo, é apresentado um modelo de simulação envolvendo como entidades uma empresa de manufatura, o varejista e o consumidor final. O propósito do modelo foi gerar um portfólio que satisfizesse o nível de serviço entre o varejista e os consumidores finais. Tal portfólio consistia numa estratégia de reposição e índice de desempenho sob diferentes graus de erros na previsão de vendas. A lógica fuzzy foi integrada ao modelo de simulação para então investigar os diferentes graus de erros de previsão entre a previsão de vendas e a demanda real dos clientes. Resultados experimentais foram baseados num estudo de caso, e o modelo de simulação foi validado. Os resultados mostraram que o modelo de simulação de uma SC, utilizando lógica fuzzy, é uma efetiva ferramenta na investigação do relacionamento entre erros de previsão, estratégias de reposição e desempenho para os varejistas e fabricantes.

Aplicações da lógica fuzzy em gestão da cadeia de suprimentos são discutidas em outros trabalhos (CHAN et al., 2003; CHAN; QI, 2003; YEH; CHENG; CHI, 2007; THEERANUPHATTANA; TANG, 2008). No entanto, nenhuma pesquisa teve incoporada em seu modelo, as métricas de nível 2 do SCOR, objetivo este proposto por esta Tese.

Simulação usando o SCOR

Analisando-se alguns trabalhos sobre simulação de SC (RODER; TIBKEN, 2006;  GOVINDU; CHINNAM, 2007; RABELO et al., 2007), percebeu-se a utilização do modelo de referência SCOR como arquitetura de referência dos modelos desenvolvidos. Tal comportamento pode tornar-se mais comum, já que o modelo SCOR passa a ser cada vez mais utilizado na academia. Diante de tal cenário, procurou-se detalhar as ferramentas computacionais que utilizam o SCOR em ambientes de SC.

Muitos modelos analíticos e numéricos provenientes da área de negócio e engenharia têm sido propostos para suportar o projeto de atividades operacionais num ambiente de SC (CHOPRA; MEINDL, 2003).

No entanto, modelos voltados à tomada de decisões estratégicas, que necessitam do processo de negociação da SC como um todo, são escassos (HUAN; SHEORAN; WANG, 2004). Devido a isso, tais autores destacam o modelo SCOR como boa alternativa para apoiar o processo de tomada de decisão estratégica numa SC.

Dessa maneira, existem algumas lacunas nesse modelo que poderiam ser mais bem exploradas (HUAN; SHEORAN; WANG, 2004).

Uma delas é a utilização de ferramentas de modelagem de redes (network modeling tool) para suportar decisões de gerenciamento de mudanças, outra lacuna importante não suportada pelo SCOR. Tais ferramentas de modelagem são softwares que podem explicar a dinâmica da SC relativa a uma empresa. Elas aplicam técnicas de modelagem computacional sofisticadas a fim de determinar o impacto de diferentes cenários de negócios sobre as operações e custos dessa empresa. Quando utilizadas de modo efetivo, contribuem de maneira significativa para o processo de tomada de decisão na SC, principalmente em ambientes com acelerado processo de mudança. No entanto, tais ferramentas são caras e complexas, requerendo uma base de dados específica, e um conjunto de especialistas para a programação computacional, além das habilidades para decifrar e otimizar os outputs e erros dos códigos. Para os autores, essas ferramentas de modelagem podem ser adaptadas para a arquitetura do SCOR (HUAN; SHEORAN; WANG, 2004).

Uma vantagem do desenvolvimento de sistemas especialista fuzzy baseados em regras, por meio de ferramentas como o Matlab e FuzzyTECH, é que o tomador de decisão, o gerente de uma SC, neste caso, não necessita ser um especialista em programação, já que tais

softwares possuem uma interface extremamente amigável e interativa para o desenvolvimento dos modelos de decisão.

Para auxiliar as organizações na escolha da melhor decisão estratégica, inúmeros pesquisadores e praticantes têm desenvolvido modelos para descrever os elementos e atividades de uma SC. O espectro dessas ferramentas envolve modelos determinísticos, modelos estocásticos, modelos econômicos e modelos de simulação, quase sempre propostos para tratar de questões relativas à gestão de estoques ou logística de distribuição (HUANG; SHEORAN; KESKAR, 2005).

Assim como na reengenharia de processos, a Tecnologia de Informação (TI) tinha um papel fundamental na mudança dos processos, e o desenvolvimento de ferramentas que apoiem o processo de aplicação do SCOR, é extremamente interessante (POLUHA, 2007).

Segundo Poluha (2007), algumas ferramentas de simulação estática e dinâmica estão disponíveis, pois, para o autor, tais modelos são interessantes por avaliar os gaps entre processos, revelando dessa maneira ineficiências que podem melhorar o desempenho dos mesmos.

O autor chama a atenção para a expressão “Supply Chain Design Management” (SCDM), conceito baseado num modelo de SC que objetiva a simulação e a otimização contínua de uma SC. Seria uma nova ferramenta que procuraria auxiliar as empresas a identificar e melhorar os processos da SC, seus indicadores e fluxo de informação intrínseco às empresas e os parceiros que compõem a SC.

O Supply Chain Design Management possui alguns objetivos principais:

ƒ validação do presente modelo de SC por meio do mapeamento do processo atual (AS-IS business process);

ƒ simulação e predição da influência do desempenho da SC mediante mudanças estruturais na mesma (TO-BE business process);

ƒ aplicação de medidas de desempenho de acordo com os padrões industriais para execução de análises de cenários alternativos para a SC (WHAT-IF impact analysis);

ƒ medição, predição e monitoramento dos fatores de influência da SC para a identificação de potenciais melhorias;

ƒ conexão dos processos estratégicos da SC para os níveis mais baixos, que são relevantes para monitoramento dos procedimentos operacionais e sistemas.

Os benefícios de uma ferramenta Supply Chain Design Management em relação aos níveis de decisão podem ser descritos tanto em relação a um nível estratégico, quanto operacional (POLUHA, 2007).

No nível estratégico, auxilia na análise de desempenho da SC por meio da aplicação de cenários alternativos a fim de analisar possíveis efeitos de mudanças estruturais na SC, no contexto de um reprojeto e identificação de estratégias ótimas. Num nível operacional, atua na análise de previsão de demanda e simulação de possíveis mudanças nessa demanda, como um suporte, por exemplo, a abordagem do CPFR.

Eis por que o desenvolvimento de modelos que enfatizem a tomada de decisão estratégica na SC é essencial.

O trabalho de Huang, Sheoran e Keskar (2005) menciona a utilização de uma ferramenta computacional para configurar os diagramas tratados no nível 2 do SCOR. Por meio dessa ferramenta, é possível compreender a interação de uma empresa em particular com seus parceiros (clientes e fornecedores). A ferramenta possibilita, ainda, mapear a situação atual (AS IS) e projetar uma situação futura (TO BE), que leve ao melhor desempenho da SC. As Figuras 2.11; 2.12 e 2.13, mencionadas na seção 2.4.2, ilustram a aplicação da ferramenta.

O trabalho de Dong et al. (2006) revela uma tentativa da IBM em desenvolver uma ferramenta de simulação e otimização da SC baseada no SCOR. Tal iniciativa é conhecida como SmartSCOR.

De acordo com os autores, o SmartSCOR enxerga o processo-transformação a partir de dois diferentes níveis:

ƒ o projeto/reprojeto da estratégia de uma SC; ƒ a melhoria dos processos da SC.

O projeto estratégico da SC visa a transformar uma cadeia de suprimentos principalmente pelo conceito de reconfiguração da rede de manufatura e distribuição, integração da cadeia de valor, etc. A melhoria dos processos da SC objetiva alinhar os processos de negócios à estratégia da SC. Os dois níveis interagem entre si e resultam num profundo processo de transformação que culmina com a melhoria de desempenho da SC como um todo.

O SmartSCOR é uma plataforma integrada para apoiar o processo de transformação de SCs. Ele envolve uma série de modelos, como simulação, otimização, SCOR, etc.

A ferramenta é composta de uma série de módulos para análise. Tais módulos podem funcionar de maneira autônoma ou como um pacote único. O SmartSCOR apresenta as seguintes funcionalidades:

ƒ supply chain network optimization; ƒ supply chain simulation;

ƒ supply chain process analysis.

O módulo relacionado ao SCOR é o Supply Chain Process Analysis. Por ele é possível configurar-se os diagramas do nível 2 do SCOR, como a ferramenta mencionada por Huang, Sheoran e Keskar (2005).

No entanto, apresenta uma funcionalidade chamada “Business Process Diagnosis”, que permite aos usuários diagnosticar ou validar processos. Por meio dessa ferramenta, é possível estabelecer análises causais entre as medidas de desempenho parametrizadas pelo SCOR. Esse instrumento fornece três tipos de análises, como pode ser observado na Figura 2.14:

1. análises “O que aconteceria se...”: dadas algumas mudanças em uma ou mais medidas de desempenho, qual o impacto sobre outras medidas?

2. análises de causa e efeito: objetiva analisar as razões que causam determinado fenômeno;

3. projeto de diretrizes: dado um certo objetivo, o sistema atribui valores às variáveis para atingir a meta ótima predeterminada. Geralmente é um problema de otimização.

As análises 1 e 2 ilustram satisfatoriamente o objetivo maior desta tese. No entanto, apesar de a ferramenta mostrar-se extremamente interessante para o processo de avaliação de desempenho utilizando o SCOR, nada foi comentado pela lógica de modelagem utilizada. Tal pacote constitui uma simulação do tipo “caixa preta”, o que não retira o mérito, mas restringe a possibilidade de uma análise profunda por parte da comunidade acadêmica.

Em decorrência disso, esta tese propõe o desenvolvimento de um simulador baseado em lógica fuzzy a fim de se avaliar o desempenho de cadeias de suprimentos, com base nos itens 1 e 2 , citados anteriormente.

Em uma pesquisa recente (2007), Poluha identificou poucas aplicações de uma estrutura típica de um SCDM. A pesquisa identificou três destas aplicações que utilizavam o SCOR como modelo de referência:

ƒ ARIS EasySCOR da IDS; ƒ ADOlog da BOC.

Figura 2.14 Tela de exemplo do SmartScor

Fonte: Proposta a partir de Huang, Sheoran e Keskar (2005).

Os parágrafos seguintes procuram descrever, de maneira sucinta, tais aplicações SCDM.

e-SCOR

Esta aplicação, desenvolvida pela empresa Gensym, projeta, simula e controla graficamente os cenários de uma SC. Seu ponto forte pode ser considerado a habilidade de simular estruturas de SC e o comportamento de SC de acordo com as mudanças realizadas. É possível realizar uma análise mais agregada que esteja conectada aos níveis mais baixos do SCOR (provavelmente, abaixo do terceiro nível) (POLUHA, 2007).

Por meio dessa ferramenta, é possível também, numa análise inicial, realizar um mapeamento da situação atual que pode ser validada usando-se indicadores e outras informações. Partindo disso, a base para uma comparação futura (to be) é criada para se avaliar o impacto de possíveis mudanças.

Supply Chain Costs

Supply Chain Management Cost _{Cost of Goods Sold}

Order Cost Inventory Holding Cost

Item Cost Cost Processing

Cost Transport

Inventory

Unit Order Distribution Orders PCT margin

6 121

1050 12

Os cenários futuros (to be) podem ser simulados baseados nos indicadores do modelo SCOR. Isso inclui a medição e a simulação de indicadores de desempenho (cenários What - If).

Informações adicionais sobre a ferramenta não foram encontradas, mesmo pesquisando o site5 oficial da empresa desenvolvedora.

ARIS EasySCOR

A consultoria IDS6 distribui o aplicativo de nome ARIS EasySCOR. Essa ferramenta permite às companhias desenhar, avaliar e otimizar os processos de supply chain, com base nos padrões definidos pelo SCC. O ARIS EasySCOR contém definições de processos, melhores práticas e métricas para o planejamento dos processos-chave SCOR.

Como funcionalidades da ferramenta, podem ser citadas:

ƒ define e documenta processos existentes, avaliando uma gama de cenários futuros de SC antes da implementação da solução selecionada;

ƒ nivela elementos predefinidos e padronizados do SCOR para identificar gargalos, pontos fracos e áreas de melhoria na SC;

ƒ compara processos de SC existentes com melhores práticas e mensura o desempenho dos processos com base nas métricas SCOR;

ƒ reutiliza métricas predefinidas associadas com atributos de performance, como confiabilidade, responsabilidade, flexibilidade e custos.

As Figuras 2.15 e 2.16, respectivamente, ilustram algumas aplicações do ARIS EasySCOR. 5 http://www.gensym.com 6 http://www.ids-scheer.com

Figura 2.15 – Processos-chave do SCOR por meio do EasySCOR

Fonte: IDS (2009).

Figura 2.16 – Desdobramento de processos do SCOR por meio do EasySCOR

ADOLog

Desenvolvido pela empresa BOC7, a ferramenta SCDM tem como principais funcionalidades:

ƒ projeto estratégico de SCs;

ƒ visualização e modelagem de diferentes cenários de SC e as implicações técnicas;

ƒ baseado no modelo de Referência SCOR;

ƒ implementação de projetos Seis Sigma;

ƒ compilação dos manuais de gestão da qualidade;

ƒ determinação dos custos da cadeia de valor;

ƒ publicações de processos por meio da geração de portais intranet totalmente automatizados.

Não foram encontrados maiores detalhes sobre as técnicas de modelagens utilizadas nas ferramentas comerciais mencionadas. Por este motivo, este autor propõe a utilização da lógica fuzzy como ferramenta de modelagem objetivando desenvolver um ambiente de simulação que possibilite predizer o desempenho de cadeias de suprimentos a partir de indicadores de nível operacional.

Neste trabalho, optou-se também por utilizar o modelo SCOR como arquitetura de referência em função das aplicações deste na iniciativa privada, e por servir de modelo-padrão em pesquisas que necessitem utilizar processos da SC como a base para o desenvolvimento de um modelo computacional.

O capítulo a seguir procurou detalhar, objetivamente, conceitos fundamentais de lógica fuzzy à luz do desenvolvimento de sistema baseados em regras fuzzy.

7

Quando a complexidade aumenta, as afirmações precisas perdem significado e as significativas perdem precisão.

Lotfi Zadeh

APÍTULO 3