Análise do sistema de atendimento aos fornecedores de uma indústria naval
por meio da simulação de eventos discretos
Analysis of the service system for suppliers of a shipbuilding through
simulation of discrete events
DOI:10.34117/bjdv5n12-001
Recebimento dos originais: 07/11/2019 Aceitação para publicação: 02/12/2019
Rodolpho Russo Neto
Bacharel em Engenharia de Produção, Ibmec-MG
Rua Rio Grande do Norte, 300 - Funcionários, Belo Horizonte – MG, Brasil e-mail:r.russoneto@gmail.com
Gisele Tessari Santos
Doutora, Ibmec- MG, Ibmec-MG
Rua Rio Grande do Norte, 300 - Funcionários, Belo Horizonte – MG, Brasil e Ietec, Rua Tomé de Souza, 1065 - Savassi, Belo Horizonte - MG, Brasil
e-mail:gisele.santos@ibmec.edu.br
Rafael Pinheiro Amantéa
Doutor, Ibmec- MG, Ibmec-MG
Rua Rio Grande do Norte, 300 - Funcionários, Belo Horizonte – MG, Brasil e Ietec, Rua Tomé de Souza, 1065 - Savassi, Belo Horizonte - MG, Brasil
e-mail:rafael.amatea@ibmec.edu.br
RESUMO
O presente trabalho analisa, por meio da simulação de eventos discretos, o sistema de atendimento aos fornecedores do armazém de uma empresa naval multinacional americana. O objetivo do trabalho é diminuir o tempo médio de permanência dos fornecedores no sistema a fim de reduzir os impactos negativos causados pela espera na fila e atendimento e, consequentemente, gerar vantagens competitivas para a empresa. A metodologia utilizada abrangeu o desenvolvimento de um modelo de simulação de eventos discretos e a coleta e tratamento de dados de chegada e atendimento das entidades os quais foram inseridos no modelo e simulados no software Arena. Os resultados da simulação foram analisados tomando como base as principais medidas de desempenho do sistema e tendo como objetivo formular propostas de melhorias para a situação atual do sistema. Por meio da simulação, analisou-se cinco cenários que se diferenciaram pela disciplina e tipo de fila e capacidade de atendimento. Por meio dos resultados, constatou-se que o sistema atual da empresa não está bem dimensionado e necessita de melhorias. Adicionalmente, os resultados mostraram que os melhores valores das medidas de desempenho foram obtidos no quinto cenário, em que o sistema opera com
capacidade máxima e com a união das demais modificações propostas (fila única de atendimento e prioridade de atendimento aos fornecedores que cobram multa mais frequentemente).
Palavras-chave: Modelo de simulação, gestão de processos, planejamento da capacidade.
ABSTRACT
The present work analyzes, through the simulation of discrete events, the warehouse supplier service system of an American multinational naval company. The objective of the work is to reduce the average time of suppliers stay in the system in order to reduce the negative impacts caused by waiting in line and attendance and, consequently, generate competitive advantages for the company. The methodology used included the development of a discrete event simulation model and the collection and processing of arrival and attendance data of the entities which were inserted in the model and simulated in the Arena software. The simulation results were analyzed based on the main system performance measures and aiming to formulate improvement proposals for the current system situation. Through the simulation, we analyzed five scenarios that differed by discipline and type of queue and service capacity. Through the results, it was found that the current system of the company is not well sized and needs improvement. Additionally, the results showed that the best values of the performance measures were obtained in the fifth scenario, in which the system operates at maximum capacity and with the union of the other proposed modifications (single service queue and priority service to suppliers that charge more fines). often).
Keywords: Simulation model, process management, capacity planning.
1 INTRODUÇÃO
O ambiente econômico atual é caracterizado por um mercado globalizado, instável e imprevisível, que pune severamente as empresas que não se adaptam às novas tendências (MARINO, 2006). Portanto, empresas que não são capazes de minimizar os custos internos do negócio, não possuem procedimentos eficazes e padronizados e não respondem rapidamente às mudanças do mercado têm grande dificuldade de se manterem competitivas (CAMPOS, 2014; GÁRRIZ, DOMINGO, 2017).
Neste contexto, ter uma cadeia de suprimentos confiável e bem coordenada é um fator determinante para o sucesso das empresas. Fornecedores competentes e confiáveis que atuam em sincronia com a estratégia da companhia se tornam indispensáveis (MOURA, 2009). Esses fornecedores são disputados acirradamente pelo mercado e o estabelecimento de uma relação mutua de confiança é essencial para que as organizações consigam atrai-los e mantê-los na sua cadeia de
valor. Dessa forma, se faz necessário resolver um problema que desgasta a relação de grandes industrias com seus fornecedores: as filas de espera.
Filas de espera são processos que comumente incomodam, seja em processos produtivos, seja envolvendo pessoas (SILVA et al., 2016). Consequentemente, fornecedores de sistemas mal dimensionados podem vir a retaliar as empresas que os deixaram esperando longos períodos de tempo por atendimento, sendo essa retaliação na forma de não cumprimento de prazos, diminuição da qualidade ou até mesmo quebra do vínculo de parceria, fatores estes que seriam extremamente prejudiciais a qualquer tipo de empresa.
No ambiente industrial, o contato das empresas com os fornecedores se dá nos armazéns, locais com espaço e capacidade de atendimento limitados em que pode ocorrer o congestionamento de clientes (KIM, 2005). O cenário ideal seria um sistema sem este congestionamento, mas a eliminação completa da espera acarretaria em altos custos para a organização. Tal fato leva as empresas a enfrentarem um trade off entre o nível de serviço oferecido e os custos operacionais. Uma alta capacidade de atendimento implica em tempos de espera mais curtos e, consequentemente, maior nível de serviço. Por outro lado, alta capacidade de atendimento implica maiores custos operacionais, uma vez que o número de atendentes deve aumentar. O desafio gerencial é, portanto, encontrar um nível de serviço que garanta um tempo de espera aceitável sem comprometer o custo operacional (SCARP et al., 2013).
A simulação de eventos discretos, técnica utilizada neste trabalho, pode ser aplicada na análise deste trade off e inúmeros outros desafios gerenciais. Segundo Banks (2005), a simulação de eventos discretos é uma metodologia indispensável na solução de problemas complexos, pois permite desenvolver, por meio de computadores, cenários virtuais que reproduzem de maneira fidedigna qualquer tipo de sistema real. Seus resultados são confiáveis estatisticamente e fornecem informações importantes para a tomada de decisão gerencial (VISINTIN et al. 2012; BETIATTO, 2013). Por meio da simulação de eventos discretos, empresas de pequeno, médio ou grande porte, conseguem testar uma possível alteração no sistema sem precisar implementá-la na realidade, fato que reduz consideravelmente os riscos, custos e probabilidade de fracasso desta alteração. Entretanto, cabe destacar que para utilizar este método é necessária uma quantidade adequada e confiável de dados do sistema real cuja obtenção é dispendiosa e demorada, e caso comprometida, pode levar ao fracasso da validação do modelo (DAVID; SANTOS, 2017).
De acordo com Harrel et al. (1997), a simulação tem sua principal aplicação entre industrias de manufatura devido à pressão competitiva pela eficiência operacional nesse setor. Entretanto, atualmente, as áreas de utilização da simulação vão muito além da indústria de manufatura e incluem gestão logística, gestão de projetos, gestão de riscos, gestão financeira, gestão de serviços, entre
outras (BANKS et al., 2005; IANNONI, MORABITO, 2006; MELO et al., 2017; ÖREN, 2002; SILVA, BOTTER, 2009).
Neste trabalho, apresenta-se a análise do problema de dimensionamento do sistema de atendimento aos fornecedores enfrentado por uma indústria multinacional. Para isso, utilizar-se-á o método da simulação de eventos discretos a fim de simular diferentes cenários e melhorar o desempenho deste sistema, que gera um impacto significativo nas finanças da organização e se tornou um obstáculo para a mesma alcançar um novo patamar de competitividade. Os dados coletados e tratados serão inseridos no software Arena e a partir dos resultados da simulação, analisar-se-ão os tempos de fila, níveis de ocupação e tempo de permanência das entidades no sistema. A partir da análise dos resultados, pretende-se determinar as alterações que devem ser feitas na operação do sistema a fim de reduzir o tempo médio de permanência das entidades no sistema e, com isso, eliminar dois problemas gerados pelo mal dimensionamento do departamento responsável pelo atendimento aos fornecedores: o pagamento de multas às entidades que permanecem mais de 60 minutos no sistema e o dano à imagem da empresa devido ao descontentamento em relação ao tempo de espera na fila.
2 METODOLOGIA
As filas de espera trazem consequências negativas à organização em estudo, sendo a principal delas o pagamento de multas. Isso ocorre, pois existe uma cláusula no contrato de parceria da empresa com seus fornecedores documentando que, no caso de um caminhão permanecer mais de 60 minutos nas dependências da empresa, a mesma é condenada ao pagamento de multa à parte prejudicada. Tendo em vista que este é um problema recorrente e causador de significativo impacto à empresa, desenvolveu-se um modelo de simulação de eventos discretos no software Arena e os resultados das simulações foram analisados com o objetivo de reduzir o tempo médio que as entidades permanecem no sistema.
Este trabalho foi realizado com base em dados reais de uma empresa multinacional localizada nos Estados Unidos e analisou-se o sistema de filas do armazém desta empresa – departamento onde os fornecedores chegam para fazer as entregas e receber atendimento. O atendimento resume-se na retirada dos pallets de dentro dos caminhões com o auxílio de uma empilhadeira. Este processo é realizado por completo por apenas um funcionário e acontece em uma das quatro docas disponíveis. O sistema também possui um portão de entrada com um funcionário responsável por fiscalizar a documentação de quem está entrando e um pátio onde os caminhões formam as filas de espera. O pátio é muito grande para o sistema em questão e tem capacidade para mais de 40 caminhões, portanto sua capacidade será considerada infinita.
O processo estudado se inicia com a chegada dos caminhões ao portão da empresa e a apresentação obrigatória de uma via original do contrato de parceria entre as empresas. Caso o fornecedor não a apresente, fato que ocorre em apenas 2% das chegadas, sua entrada é barrada. Após essa etapa, os caminhões dirigem-se a uma das docas disponíveis para receber atendimento. Apesar de o armazém ter quatro docas, em momento algum do dia todas estão disponíveis, logo o número de docas consideradas ativas é igual a três. Caso todas estejam ocupadas, o motorista escolhe arbitrariamente uma delas e forma uma fila de espera em sua direção. Ao longo do dia, inevitavelmente, são formadas três filas com a disciplina PEPS (primeiro que entra primeiro que sai) na frente das docas. A maior parte dos caminhões é obrigada a esperar longos períodos de tempo por atendimento e outro longo período sendo atendido. Após ter todo seu conteúdo descarregado, os caminhões deixam o sistema. Observa-se na Figura 1, o fluxograma do modelo de simulação desenvolvido no Arena.
A empresa funciona de segunda à sexta das 8 às 18h, porém a chegada de entidades no sistema só é permitida até as 16h. Após este horário, os caminhões que chegarem são impedidos de entrar, mas aqueles que já estão no sistema recebem atendimento normal. É comum ter vários caminhões no sistema após as 16h e como seu atendimento deve ser feito no mesmo dia, não é raro que os funcionários façam hora extra ou recebam ajuda de funcionários de outros departamentos.
Figura 1 –Modelo de simulação desenvolvido para o processo de atendimento do armazém.
2.1 COLETA E TRATAMENTO DOS DADOS
Os dados foram coletados por meio de cronometragens feitas in loco no armazém estudado. Visitas foram feitas por 10 dias uteis consecutivos a fim de identificar especificidades que pudessem ocorrer em dias da semana. O horário da coleta foi todo o período de funcionamento do sistema - de 8 às 16h.
Para simular o modelo proposto foi necessário coletar o intervalo de tempo entre chegadas consecutivas (IC) dos caminhões no armazém, o tempo gasto para conferir a documentação dos fornecedores (tempo de atendimento no portão de entrada) e o tempo gasto para descarregar todos os
pallets de dentro dos caminhões (tempo de atendimento nas docas).
Após realizada a coleta, foram feitos gráficos Boxplot para identificar e eliminar possíveis
outliers nos dados de chegada e atendimento. De acordo com Chwif e Medina (2007), outliers são
valores não usuais que se diferenciam drasticamente dos demais dados da amostra, podendo distorcer os níveis de significância dos testes estatísticos realizados e prejudicar a aderência da distribuição de probabilidade à variável analisada. Considerou-se um valor como outlier quando este ficou abaixo de Q1 – 1,5A ou acima de Q3 + 1,5A, sendo A a amplitude entre os quartis Q1 e Q3 (CHWIF; MEDINA, 2007). Foram encontrados apenas 3 valores acima do limite superior (Q3 + 1,5A) nos dados referentes aos tempos de atendimento e, por este motivo, foram descartados da análise.
Após a remoção dos outliers, foi feita uma análise de correlação por meio de gráfico de dispersão. O objetivo desta análise é garantir qualquer variação entre os valores da amostra é causada apenas por fatores aleatórios e que não exista dependência entre os dados (CHWIF; MEDINA, 2007). Como o tempo de atendimento no portão de entrada segue uma distribuição constante e não sofre variabilidade, não se analisou a dispersão desses dados. Para as demais variáveis, não foi possível identificar nenhuma tendência ou dependência entre eles e conclui-se, portanto, que não há correlação entre os dados.
2.2 NUMERO DE REPLICAÇÕES
Para determinar o número ideal de replicações, utilizou-se o módulo Output analyzer para analisar uma amostra piloto com 10 replicações. Com base nesta amostra piloto e um intervalo de confiança de 95%, calculou-se o número de replicações necessárias de acordo com a expressão a seguir:
𝑛∗ = [𝑛 (ℎ
ℎ∗) 2
] (1)
em que, 𝑛∗é o número de replicações necessárias, 𝑛 é o número de replicações da amostra piloto, ℎ∗
é a precisão desejada e ℎ é a precisão da amostra piloto.
Como regra prática, tomou-se que a precisão desejada (h*) deve ser menor ou igual a 10% da média amostral do indicador de desempenho analisado (CHWIF; MEDINA, 2007).
2.3 DESCRIÇÃO DOS CENÁRIOS SIMULADOS
A partir do modelo desenvolvido, simulou-se 6 cenários. O cenário base foi o primeiro a ser simulado e representa o atual cenário da empresa como representado pela Figura 1. No cenário 1, modificou-se o modelo a fim de estabelecer um sistema de prioridade de atendimento aos
fornecedores que cobram o pagamento de multas com maior frequência. No cenário 2, o modelo foi modificado para considerar uma fila única para todas as docas. No cenário 3, foi feita uma junção dos dois cenários anteriores, estabelecendo uma fila única com prioridade no atendimento de determinados fornecedores. No cenário 4, a contratação ou realocação de um novo funcionário é proposta para que o sistema funcione com sua capacidade máxima - 4 docas utilizadas simultaneamente. No cenário 5, foi feita uma junção entre os cenários 3 e 4 a fim de simular o modelo com fila única, prioridade de atendimento e capacidade máxima.
3 RESULTADOS E DISCUSSÃO
3.1AJUSTE DOS DADOS DE ENTRADA DA SIMULAÇÃO
Observa-se na Tabela 1 os resultados dos testes de aderência feitos no Input Analyzer para as variáveis intervalo entre chegadas (IC) e tempo de atendimento nas docas.
Tabela 1 – Resumo da análise e ajuste dos parâmetros de entrada do modelo simulado.
Variável Quantidade de dados utilizados Outliers retirados Distribuição de probabilidade utilizada (minutos) p-value Teste Chi-Quadrado Intervalo entre chegadas 387 NÃO 0.5 + WEIB (13.1, 1.7) 0.47
Tempo de atendimento 394 SIM 26.5 + 28 * BETA (1.67, 2.9) > 0.75 Fonte: Elaboração própria
De acordo com a Tabela 1, nota-se que o teste estatístico Chi-Quadrado apresenta p-value maior que 0,1 para ambas variáveis, dessa forma, conclui-se que as distribuições Weibull e Beta são válidas para representar os dados reais. O tempo de atendimento no portão de entrada é constante, portanto, não foi necessário fazer teste de aderência para seus dados.
3.2 VALIDAÇÃO DO MODELO PROPOSTO
O objetivo da validação do modelo é verificar se o sistema computacional é uma representação confiável do sistema real. Para isso, os números de chegadas de caminhões gerados por meio da simulação do modelo foram comparados aos dados históricos coletados nos 10 dias de visita à empresa. Para comparar esses dados, calculou-se o erro relativo percentual de acordo com a equação (2) abaixo:
% 𝑒𝑟𝑟𝑜 = |𝑋0−𝑋|
𝑋0 × 100 (2)
em que, % 𝑒𝑟𝑟𝑜 é o erro ou desvio relativo percentual, 𝑋0 é o valor real e 𝑋 é o valor obtido por meio da simulação.
O sistema foi simulado reproduzindo as condições de trabalho da empresa (jornadas de oito horas de trabalho) e com o número de replicações encontrado na equação (1). De acordo com os dados, observou-se que o erro relativo percentual referente à quantidade de caminhões que entraram (number
in) no sistema foi igual a zero em alguns dias e quando o resultado da simulação mais se distanciou
do sistema real, atingiu o valor de 10,3%. O erro relativo total no período atingiu um valor extremamente baixo de 0,5% e, dessa forma, o modelo pode ser considerado válido para representar a realidade do sistema real.
3.3 RESULTADOS DO CENÁRIO BASE
Para simular o cenário base foi preciso determinar, de acordo com a equação (1), o número de replicações necessárias para obter uma confiança de 95% para as medidas de desempenho escolhidas: tempo total de permanência no sistema (Total time) e taxa de utilização dos recursos
(Scheduled utilization). De acordo com a equação (1), o numero ideal de replicações para que os dois
indicadores atendessem a regra prática descrita no item 2.2 deste trabalho foi 28.
O tempo total de permanência no sistema registrou um valor médio de 56,11 minutos podendo variar em 12 minutos para mais ou para menos. Apesar desta medida de desempenho estar abaixo da meta da empresa de 60 minutos, a condição atual do sistema é bastante preocupante, pois o tempo médio de permanência dos caminhões no sistema atinge o valor máximo de 94,4 minutos. Este número excede o valor esperado em mais de 57%.
Registrou-se o valor médio e máximo do tempo de permanência no sistema em cada uma das 28 replicações. Constatou-se que em todas as replicações, o valor máximo de permanência no sistema foi consideravelmente superior ao limite de 60 minutos e o tempo máximo de permanência de uma entidade foi de 174,94 minutos, quase três vezes maior que a meta estabelecida. Constatou-se também que em 10 das 28 replicações (equivalente a 35,7%), o tempo de permanência das entidades no sistema (Total Time) excedeu a meta proposta.
No que diz respeito a taxa de ocupação dos recursos, registrou-se o valor médio de 96,64% podendo variar aproximadamente 3% para mais ou para menos. Este valor representa uma taxa de ocupação altíssima e bastante superior ao valor em torno de 75% que SOARES et al. (2008) considera como um nível satisfatório.
Dessa forma, ambas medidas de desempenho demonstram que o sistema estudado está mal dimensionado (sobrecarregado) e, portanto, necessita de modificações para melhorar o atual cenário. 3.4 CENÁRIO 1
Este cenário tem como objetivo dar prioridade de atendimento a 9% das entidades, que representam os caminhões dos dois fornecedores que cobram o pagamento de multa mais frequentemente. Estas entidades receberam um atributo de valor zero e a disciplina da fila das 3 docas de atendimento foi alterada de First In First Out para Lowest Attribute Value.
Da mesma forma que no cenário anterior, o primeiro passo foi determinar, por meio da equação (1), o número de replicações necessário para se obter a confiança desejada dos indicadores de desempenho. O número ideal de replicações encontrado neste caso foi 42.
Neste cenário, observou-se que o tempo total de permanência no sistema das entidades com prioridade no atendimento foi de 39,89 minutos, 28,74% menor que o valor referente às demais entidades (55,98 min). Além disso, o valor médio máximo de todas as replicações, referente às entidades com prioridade, ficou abaixo da meta da empresa ao atingir 59,06 minutos. Dessa forma, o cenário 1 se apresenta como uma boa opção para a empresa reduzir imediatamente o pagamento das multas sem custo adicional algum, afinal não terá que contratar mais funcionários nem realizar mudanças físicas no armazém.
Em relação às demais medidas, observa-se que os números continuam críticos e sofreram pequenas alterações em relação aos valores do cenário base pois a única alteração feita no sistema foi a disciplina da fila.
3.5 CENÁRIO 2
O objetivo deste cenário é determinar se a criação de uma fila única para todas as docas disponíveis melhora a performance do sistema em comparação com o cenário base que apresenta uma fila para cada doca. O primeiro passo foi determinar, por meio da equação (1), o número de replicações necessário. O número ideal de replicações encontrado neste caso foi 34.
Neste cenário, o tempo total de permanência no sistema registrou um valor médio de 53,78 minutos podendo variar 14,5 minutos para mais ou para menos. Observou-se que o valor médio é um pouco inferior ao cenário base (4,15%), mas a variabilidade é consideravelmente maior (20,83%). O valor médio máximo também apresenta um aumento em relação ao cenário base (4,91%), caracterizando, pois, o cenário como crítico.
Quanto à taxa de ocupação dos recursos (Scheduled utilization), apesar de apresentar uma redução de 3,62% em relação ao cenário base, ela se manteve em patamares bastante elevados (93,1%).
3.6 CENÁRIO 3
O objetivo deste cenário foi analisar o desempenho do sistema ao combinar as condições expostas nos itens 3.4 e 3.5, ou seja, atribuir prioridade de atendimento aos caminhões de determinados fornecedores e estabelecer uma fila única para todas as docas.
Para determinar o número de replicações necessário, utilizou-se o mesmo procedimento descrito anteriormente e o número ideal de replicações encontrado foi 36. O tempo total de permanência no sistema obtido foi de 52,71 minutos em média, podendo variar 12,6 minutos para mais ou para menos. Este valor comprova que a união dos cenários anteriores gerou um resultado
melhor que os cenários simulados separadamente. Entretanto, os números ainda são preocupantes, pois a variabilidade é alta (12,6 minutos para mais ou para menos) e o valor médio máximo do tempo de permanência (94,25 minutos) está distante da meta da empresa.
Em relação à taxa de ocupação dos recursos, este cenário apresentou uma taxa menor que ambos cenários simulados separadamente, mas, assim como o tempo total de permanência no sistema, ainda apresenta um valor crítico. Neste cenário, os recursos ficaram ocupados em 91,3% do tempo, em média.
3.7 CENÁRIO 4
O objetivo deste cenário foi analisar o desempenho do sistema operando com capacidade máxima. Para isso, as quatro docas foram utilizadas e as demais configurações foram mantidas iguais ao cenário base.
Assim como nos cenários anteriores, o primeiro passo foi determinar o número de replicações necessário e, neste caso, a amostra piloto com 10 replicações foi suficiente para se obter a precisão desejada.
A adição de mais uma baia de atendimento resultou em um valor médio de permanência no sistema de 41,75 minutos, com desvio padrão de 4,25 minutos. O tempo médio de permanência no sistema apresentou uma redução de mais de 25% em relação ao cenário base e a variabilidade apresentou uma redução de 62,5%. Apesar de em 90% das replicações o tempo máximo de permanência das entidades no sistema ter ultrapassado a meta, o maior tempo de permanência foi de 84,33 minutos e representou uma redução de 51,79% em relação ao valor máximo do cenário base. Em relação à taxa de ocupação dos recursos (Scheduled utilization), neste cenário, registrou-se o valor de 77%, o que segundo SOARES et al. (2008), pode ser considerado, finalmente, como um nível satisfatório. Isso significa que os recursos ficam ocupados na maior parte do tempo, mas não ficam sobrecarregados.
Dessa forma, os resultados deste cenário comprovam que é possível atingir o objetivo do estudo reduzindo consideravelmente o pagamento de multas, se a modificação proposta for implementada no sistema real, ou seja, se o sistema passar a operar com sua capacidade máxima. Deve-se analisar, entretanto, se a redução do valor das multas é vantajosa para empresa já que operar com uma doca a mais implica na contratação de um novo funcionário. Assim, se o valor pago ao funcionário for maior que a redução das multas pagas, este cenário pode deixar de ser vantajoso para a empresa.
Neste cenário, analisou-se a união das duas simulações que apresentaram os melhores resultados: cenários 3 e 4. Dessa forma, o modelo foi modificado para operar com fila única, prioridade de atendimento a determinados fornecedores e capacidade máxima de atendimento.
Novamente, a amostra piloto com 10 replicações foi suficiente para se ter a precisão adequada. Neste cenário, registrou-se o valor recorde do tempo de permanência no sistema de 39,27 minutos. A variabilidade, o tempo médio máximo de permanência e taxa de ocupação também registraram valores recorde de 2,32 minutos, 42,64 minutos e 73%, respectivamente. Observou-se que em apenas 20% das replicações algum caminhão teve que permanecer mais do que 60 minutos no sistema e o tempo máximo de permanência ficou bem próximo ao acordado em contrato. O maior valor foi igual a 62,64 minutos e representou uma redução de 64,19% em relação ao valor máximo do cenário base.
Este cenário comprova que é possível atingir o objetivo do estudo por meio das modificações propostas. Entretanto, sugere-se fazer uma analise dos custos dos processos e das modificações sugeridas a fim de saber se realmente serão vantajosas para a empresa já que operar com capacidade máxima envolve a contratação de um novo funcionário.
3.9 COMPARAÇÃO ENTRE OS CENÁRIOS
Ao comparar os cenários de simulação quanto à taxa de ocupação dos recursos é possível notar, conforme observa-se na Tabela 2, que o cenário 1 apresenta uma ocupação quase que idêntica ao cenário base. Isso acontece, pois, as configurações do sistema foram mantidas e a única modificação feita foi na disciplina da fila das baias de descarregamento, para garantir que os maiores cobradores de multa sejam atendidos com prioridade. Os cenários 2 e 3 apresentam ocupações bem próximas entre si e que, apesar de serem um pouco menor que o cenário base (cerca de 4%), ainda estão distantes da taxa de ocupação que Soares et al. (2008) considera como satisfatória - cerca de 75%. Já nos cenários 4 e 5, a capacidade máxima do sistema foi utilizada e suas taxas de ocupação apresentaram uma redução de cerca de 20% em relação aos cenários anteriores, atingindo, assim, o nível considerado como satisfatório de acordo com a literatura.
Em relação ao tempo médio de permanência no sistema, é possível notar que os cenários 1, 2 e 3 apresentaram valores sucessivamente menores que o cenário base, mas nenhum deles apresentou uma melhora expressiva. O maior percentual de redução ocorreu no cenário 3, que apresentou um valor 6% menor que o valor do cenário base. Isso ocorre, devido à capacidade do sistema ser a mesma nestes 3 cenários simulados e apenas pequenas alterações terem sido feitas. Nos cenários 4 e 5, o aumento da capacidade de atendimento permitiu uma redução de quase 30% no tempo médio de permanência quando comparado ao cenário base, valor quase cinco vezes maior que o percentual de redução proporcionado pelos demais cenários simulados.
Em relação a ambas medidas de desempenho, observa-se que a modificação mais impactante, ou seja, que resulta em valores mais satisfatórios destas medidas, é a alteração da capacidade. Ainda de acordo com a Tabela 2, observa-se que, apesar de terem a mesma capacidade, a performance do cenário 3 é superior ao cenário 1 e 2, e a performance do cenário 5 é superior ao cenário 4. Este fato é constatado devido aos cenários 3 e 5 considerarem na simulação junções de condições propostas separadamente, sendo elas: prioridade de atendimento e fila única de espera.
Tabela 2 – Tempo total e taxa de utilização dos recursos em cada cenário Cenário
Medidas de Desempenho Base 1 2 3 4 5
Taxa de utilização dos
recursos (%) 96,64% 97% 93% 91% 77% 73%
Tempo de permanência no
sistema (min) 56,11 55,990 53,780 52,71 41,74 39,27
Fonte: Elaboração própria
Observa-se na Tabela 3 outros indicadores de performance importantes, mas que não foram considerados como medidas de desempenho. São eles: tempo máximo de permanência no sistema; tempo máximo de permanência na fila e variabilidade da medida de desempenho tempo médio de permanência no sistema (Total time).
Como pode ser visto na Tabela 3, os cenários base, 1, 2 e 3 apresentam tempo máximo de permanência no sistema e na fila completamente fora dos padrões da empresa e próximos entre si. O cenário 4 apresenta uma melhora considerável em relação aos cenários anteriores (cerca de 50%), mas ainda apresenta um valor indesejado, já que excede os 60 minutos máximos de permanência estipulados pela empresa. O cenário 5 apresenta um tempo de permanência bem próximo ao estipulado pela empresa e, por isso, pode ser considerado como satisfatório.
Em relação à variabilidade do tempo médio de permanência no sistema, observa-se que, assim como na analise dos resultados apresentados na Tabela 2, a alteração da capacidade do sistema é o fator mais impactante. Os cenários 4 e 5, que operam com capacidade máxima, apresentam uma variabilidade cerca de 75% menor que a os demais cenários.
Tabela 3 – Outros indicadores de performance Cenário
Indicador Base 1 2 3 4 5
Tempo máximo de permanência no sistema
Tempo máximo de permanência
na fila 125,20 145,11 111,34 144,08 46,19 26,02
Variabilidade da medida de
desempenho Total time 12,00% 12,40% 14,50% 12,60% 4,25% 2,32% Fonte: Elaboração própria
4 CONCLUSÃO
Neste trabalho, desenvolveu-se um modelo de simulação de eventos discretos para uma indústria multinacional americana que sofre com o pagamento de multa aos fornecedores que permanecem mais de 60 minutos nas dependências da empresa. O objetivo do trabalho foi eliminar o pagamento destas multas ao corrigir os problemas de dimensionamento do sistema de atendimento aos fornecedores, localizado no armazém da empresa. A partir da simulação realizada, analisou-se como as medidas de desempenho selecionadas (tempo médio de permanência no sistema e taxa de utilização dos recursos) se comportavam frente às modificações propostas em 5 cenários diferentes. As análises dos resultados das simulações destes cenários permitem concluir que, de acordo com as simulações do cenário base, que reproduz a situação real de funcionamento do sistema estudado, o sistema atual está mal dimensionado e apresenta valores críticos nos indicadores analisados. O tempo máximo de permanência excede em 191% a meta estabelecida pela empresa. A taxa de utilização dos recursos está em quase 100%, sendo que o valor satisfatório, segundo Soares
et al. (2008), é em torno de 75%. A medida de desempenho Total time, que deveria estar distante da
meta de 60 minutos, apresenta o valor de 56,11 minutos e possui uma alta variabilidade de 12%, que a coloca em situação crítica.
Além disso, os cenários 1 e 2 apresentam resultados bastante próximos entre si e próximos do cenário base. Conclui-se, portanto, que a alteração da disciplina da fila das docas de atendimento para dar prioridade a certas entidades e a criação de uma fila única de atendimento antes das 3 docas não resultam em melhorias significativas no sistema.
A alteração da capacidade do sistema é a modificação mais impactante. Observa-se reduções expressivas nos indicadores resultantes da simulação dos cenários 4 e 5, em comparação aos demais. A variabilidade reduziu em cerca de 75%, a taxa de utilização dos recursos reduziu cerca de 20%, o tempo médio de permanência reduziu cerca de 30% e o tempo máximo de permanência reduziu cerca de 60%.
A união de duas modificações propostas (prioridade de atendimento a determinadas entidades e fila única de atendimento) é vantajosa, mas os resultados não são muito melhores. Comparando cenários com a mesma capacidade, os cenários 3 e 5 apresentam os menores valores em ambas medidas de desempenho, entretanto a redução percentual não passa dos 6%.
Como conclusão final, tem-se que a técnica de simulação de eventos discretos se mostrou adequada e eficaz para o estudo do comportamento do sistema analisado sendo uma importante ferramenta para auxiliar os gestores na tomada de decisão.
REFERÊNCIAS
BANKS, Jerry. Discrete-event system simulation. 4. ed. Upper Saddle River: Pearson Prentice Hall, 2005.
BETIATTO, Alexandre. Modelagem e simulação – aplicação a uma linha de manufatura de componentes automotivos. In: XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO, Outubro, 2013, Salvador. Anais[...]. Salvador, 2013.
CAMPOS, Vicente Falconi. TQC: Controle da qualidade total. 9. ed. Nova Lima: Falconi, 2014.
CHWIF, Leonardo; MEDINA, Afonso Celso. Modelagem e Simulação de Eventos Discretos: Teoria e Aplicações. 2. ed. São Paulo: Dos Autores, 2007.
DAVID, Laura Luiza Pereira; SANTOS, Gisele Tessari. Análise do compartilhamento de vias entre o modal rodoviário e ferroviário por meio de simulação de eventos discretos. In: VII CONGRESSO BRASILEIRO DE ENGENHARIA DE PRODUÇÃO. Dezembro, 2017, Ponta Grossa: APREPRO. Anais[...]. Ponta Grossa, Paraná, 2017.
GÁRRIZ, C.; DOMINGO, R. Simulation, through discrete events, of industrial processes in productive environments. Procedia Manufacturing, vol. 13, p. 1074–1081, 2017.
HARREL, Charles et al. System Improvement Using Simulation. 5. ed. Orem: ProModel Corporation, 1997.
IANNONI, ANA PAULA; MORABITO, REINALDO. A discrete simulation analysis of a logistics supply system. Transportation Research Part E: Logistics and Transportation Review, vol. 42, no. 3, p. 191-210, 2006.
KIM, Eungab. Optimal inventory replenishment policy for a queueing system with finite waiting room capacity. European Journal of Operational Research, vol. 161, p. 256–274, 2005.
MARINO, Lucia. Gestão da qualidade e gestão do conhecimento: fatores-chave para produtividade e competitividade empresarial. In: XIII SIMPEP, Novembro, 2006, Bauru. Anais[...] Bauru, 2006.
MELO, Joseana Vinhote; FERREIRA, Juliana da Silva; JUSTA, Marcelo Augusto Oliveira da. Modelagem e simulação com o Arena para reduzir filas em um restaurante self service. Gestão Industrial, vol. 13, no. 2, p. 145–159, 2017.
MOURA, Luciano Raizer. Gestão do relacionamento com fornecedores: Análise da eficácia de programa para desenvolvimento e quyalificação de fornecedores para grandes empresas. São Paulo , 2009. Tese (Engenharia de Produção) - Escola Politécnica da Universidade de São Paulo, 2009.
ÖREN, Tuncer. Future of Modelling and Simulation: Some Development Areas. In: SUMMER COMPUTER SIMULATION CONFERENCE. 2002, San Diego, Anais[...]. San Diego, 2002.
SCARP, Luiz Paulo da Cruz; TORRES, Álvaro Augusto Viana Braga; SILVA, Alexandre Navarro da. SIMULAÇÃO COMO FERRAMENTA DE TOMADA DE DECISÃO DO PROCESSO DE ATENDIMENTO EM EMPRESA DE VAREJO. RACE, v. 12, n. 2, p. 395-430, 2013.
SILVA, A.K.; BOTTER, R.C. Method for assessing and selecting discrete event simulation software applied to the analysis of logistic systems. Journal of Simulation. vol.3, no.2, p.95-106, 2009.
SILVA, Tiago Galdino Borges da; SILVA, Vitor Hugo Nepomuceno; SILVA, Carlos Rodrigues da. Teoria das filas: um estudo de caso no setor de supermercados. In: CONGRESSO INTERNACIONAL DE ADMINISTRAÇÃO. 2016, Natal, Anais[...]. Natal, 2016.
SOARES, Maísa Nascimento et al. Estudo de simulação para a minimização das filas em uma agência dos Correios do município de Viçosa. In: IV SIMPÓSIO ACADÊMICO DE ENGENHARIA DE PRODUÇÃO. 2008, Viçosa, Anais[...]. Viçosa, 2008.
VISINTIN, Filippo; PORCELLI, Isabella; GHINI, Andrea. Applying discrete event simulation to the design of a service delivery system in the aerospace industry: a case study. In: IFAC SYMPOSIUM ON INFORMATION CONTROL PROBLEMS IN MANUFACTURING, 14. 2012, Bucharest, Anais[...]. Bucharest, 2012.
