Diego Augusto de Jesus Pacheco (UNISINOS)

(1)

A ANÁLISE DA SINERGIA ENTRE O

MAPEAMENTO DE FLUXO DE VALOR

E A SIMULAÇÃO COMPUTACIONAL

PARA O AUMENTO DA

PRODUTIVIDADE EM SISTEMAS DE

MANUFATURA: UM ESTUDO DE CASO

EM UMA LINHA DE MONTAGEM

MULTI-MODELOS

Diego Augusto de Jesus Pacheco (UNISINOS)

engdie@gmail.com

O objetivo do presente trabalho é verificar a sinergia existente na aplicação da metodologia enxuta do Mapeamento de Fluxo de Valor (VSM) e da Simulação Computacional quando usadas para elevar a produtividade de um sistema produtivo. Para ttanto, realizou-se inicialmente a revisão da literatura. Após aplicou-se o VSM numa linha de montagem multi-modelos e em seguida, a partir do modelo de simulação computacional da linha em estudo, foram criados e simulados diferentes cenários. Em seguida, analisou-se o resultado do método discutindo algumas variáveis e indicadores de produtividade resultantes. Por fim, foram analisados os resultados obtidos entre as duas metodologias aplicadas e os pontos de convergência e divergência das técnicas ao serem usadas para elevar a produtividade em sistemas de manufatura.

Palavras-chaves: produtividade, mapeamento de fluxo de valor, simulação computacional

(2)

2

1.Introdução

É notável nos últimos anos, sobretudo na indústria, freqüentes transformações nos sistemas produtivos em virtude do processo de globalização, da ameaça de novos concorrentes, e da busca incessante pela qualidade e pela redução dos custos de produção como meio para aumentar o lucro e a competitividade. Dentro desse contexto, o uso de linhas de montagem multi-modelos balanceadas, objeto de estudo desse trabalho, tornou-se uma relevante forma de produção flexível no chão de fábrica. Uma vez que, a distribuição das operações numa linha de montagem, via de regra, é complexa e exige a aplicação de ferramentas da engenharia de produção, como por exemplo, das técnicas de produção enxuta e da simulação computacional. Entretanto, há na literatura poucos estudos que tange a abordagem da aplicação híbrida das técnicas supracitadas, em sistemas produtivos reais com a posterior análise dos resultados obtidos. O presente artigo é uma tentativa de preencher essa lacuna a partir do estudo conceitual e da aplicação prática das duas técnicas em conjunto para o objetivo central de gerar ganho de produtividade.

2. A mentalidade enxuta

Nos últimos anos, a metodologia ocidental proposta por Womack e Jones (1996) e as ferramentas do Sistema Toyota de produção apresentadas por Shingo (1996) vêm sendo aplicadas, via de regra, com certo êxito em diversas empresas, gerando alternativas flexíveis e adequadas à realidade atual e obsoletando os conceitos de produção em massa cunhadas por Henri Ford e Taylor no século passado. Segundo Womack e Jones (1996) há na “Mentalidade Enxuta” os seguintes cinco princípios para combater o desperdício nas operações: i) especificar valor; ii) identificar o fluxo de valor; iii) tornar o fluxo contínuo; iv) puxar a produção; e v) buscar a perfeição. Já Shingo (1996), definiu de forma objetiva as sete perdas presentes nos sistemas produtivos, que geram ações que não agregam valor ao produto e que devem ser eliminadas para aumentar o desempenho do sistema: perda por super-produção (quantidade e antecipada), por espera, por transporte,no processamento em si, por estoque,por movimentação e perda por fabricação de produtos defeituosos. Todavia, a ascensão da globalização mundial elevou a competitividade e a pressão exercida nas empresas para maximizar o desempenho produtivo e financeiro. E o pressuposto para que isso ocorra é que as decisões gerenciais tomadas sejam acertadas diante de cenários repletos de incertezas no ambiente das organizações. Nesse contexto, o Pensamento Sistêmico (SENGE, 1996), o Mapeamento de Fluxo de Valor (ROTHER e SHOOK, 1998) e a Simulação Computacional (LAW e KELTON, 2000) foram apresentadas às organizações como abordagens consistentes da Engenharia da Produção, frente à tomada de decisão em cenários complexos.

2.1 Mapeamento de Fluxo de Valor (VSM)

Segundo Rother e Shook (1998) o VSM é uma ferramenta útil pois: i) ajuda a identificar desperdícios e suas causas no fluxo de valor produtivo; ii) fornece uma linguagem comum para tratar dos processos de manufatura; iii) torna as decisões sobre fluxo visíveis para discussão; iv) agrupa conceitos e técnicas enxutas, que ajudam a evitar a implementação de algumas técnicas isoladamente; v) mostra a relação entre o fluxo de informação e o fluxo de material; vi) é uma ferramenta qualitativa que descreve como o sistema produtivo deveria operar para criar o fluxo.

As etapas do VSM, segundo Rother e Shook (1998) são: a) selecionar a família de produtos; b) analisar o fluxo dentro da planta, indo no sentido do consumidor final até os fornecedores, ou seja, da expedição para os processos anteriores, para enxergar os processos que estão diretamente ligados ao consumidor; c) elaborar o mapa do estado atual, desenhando os processos básicos de produção, considerando os fluxos de material e informação escolhendo

(3)

3 as principais matérias primas; d) coletar dados das operações como: tempo de ciclo,tempo de setup, tempo de valor agregado e valor não agregado, número de operadores,tempo de trabalho disponível por turno e rejeições; e) desenhar o mapa atual desenhando a trajetória das caminhadas dos operadores e a movimentação de materiais usados no sistema dentro da fábrica; f) desenvolver o mapa futuro desenhando, o cenário futuro do sistema, propondo a eliminação das perdas, reduzindo as movimentações dos operadores, de materiais e o novo balanceamento das operações; g) desenvolver o plano de ação para atingir o estado futuro; h) implementar o plano de ação; i) prosseguir com a melhoria contínua, realizando contínuos mapeamentos de fluxo após a implementação das ações do mapeamento anterior.

3. A Simulação Computacional

A Simulação é um processo de análise e tomada de decisão sobre um modelo que representa características estáticas ou dinâmicas de um sistema. A simulação é fundamentalmente um processo: exploratório, estatístico e de amostragem (LAW & KELTON, 2000). Segundo Pidd (1998) um modelo é uma simplificação da realidade, uma ferramenta para pensar, gerada a partir de um processo da interação e experimentação, conforme a mostra a figura 1.

Entradas Modelos de

(Políticas) Simulação

Interação e experimentação

Saídas

Figura 1: Conceito de simulação como base para experimentação. Fonte: Pidd (1998).

Há três tipos diferentes de abordagens na Simulação (PIDD, 1998): por eventos discretos, contínua e uma combinação entre ambas. O estudo de caso desse trabalho usará a Simulação discreta. Pidd (1998) recomenda o uso da simulação em sistemas com as seguintes características: i) dinâmicos: o comportamento varia no tempo, como é o caso da simulação discreta onde esta variação está associada a fatores que não podemos controlar, mas podem ser identificados via análise estatística; ii) interativos: os sistemas possuem um número de componentes que interagem entre si afetando o comportamento de todo sistema;iii) complexos: há inúmeras variáveis que interagem no sistema e sua dinâmica precisa ser considerada.

Para Vaccaro e Azevedo (2007) a presença de entradas aleatórias e, por conseguinte, de saídas aleatórias, tende a dificultar a etapa de análise dos resultados em modelos de simulação, tornando o modelo de simulação num experimento de probabilidade e estatística. Sendo assim, há duas formas básicas de modelar a realidade de um sistema: considerando a existência de aleatoriedade (modelo probabilístico ou estocástico) ou desconsiderando-a (modelo determinístico). Esse trabalho irá usar modelos probabilísticos, devido à aleatoriedade presente nos sistemas produtivos e testes de aderência para verificar o melhor ajuste dos dados dos modelos probabilísticos. As etapas do estudo foram seguidas conforme o método proposto por Law e Kelton (2000), conforme ilustra a figura 2:

(4)

4

Figura 2 - Etapas de um estudo de Simulação. Fonte: Law e Kelton (2000).

4. O estudo de caso

A linha multi-modelos em questão, denominada de linha 42, de uma empresa do segmento eletroeletrônico brasileira, tem as seguintes características: leiaute em formato oval, tracionada, com 15 carrinhos sobre os quais os produtos são montados, de forma que é possível montar apenas um aparelho por carrinho e o número máximo de produtos sendo montados ao mesmo tempo é quinze. A programação da linha é feita para uma semana, detalhando por dia as máquinas e quantidades que devem ser produzidas e a quantidade de operadores necessária é calculada a partir dos tempos de roteiro e da demanda. A linha produz para estoque ou direto para o cliente, conforme solicitação da área comercial e o mix é composto por três variantes do mesmo produto, denominado de 42.

4.1 Mapeamento de Fluxo de Valor da linha

Realizou-se o VSM da linha 42, seguindo o método proposto por Rother e Shook (1998). Analisaram-se as três variantes do produto 42. Após montado o mapa do estado atual, conforme a figura 3, realizou-se o mapa futuro para cada variante e realizou-se a redistribuição de algumas operações visando: o balanceamento das operações, redução do número de estações de trabalho e nivelamento dos tempos deixando-os um abaixo do takt time ótimo. O quadro 1 apresenta os indicadores do estado atual e futuro da linha.

(5)

5

Variável _# Estado atual Estado Futuro DIF

Lead time (s) 448 399 -49

Nº operadores operadores/turno 10 9 -1

Tempo disponivel min 385 385 0%

Demanda total unidades/turno 343 394 15%

Demanda 42X (57%) unidades/turno 196 225 15%

Takt time (s) 67 59 -15%

Produtividade máquinas/op. 20 25 22%

Variável # Estado atual Estado Futuro DIF

Lead time (s) 423 407 -16

Demanda total unidades/turno 343 360 5%

Demanda 42L (24%) unidades/turno 82 86 5%

Takt time (s) 67 64 -5%

Variável _# Estado atual Estado Futuro DIF

Lead time (s) 387 371 -16

Demanda total unidades/turno 343 360 5%

Demanda 42B (19%) unidades/turno 65 68 5%

Takt time (s) 67 64 -5%

INDICADORES 42 L

RESUMO DOS INDICADORES RESULTANTES DO VSM INDICADORES 42 X

INDICADORES 42 B

Quadro 1 – Indicadores resultantes do VSM. Fonte: o autor (2008)

Figura 3- Mapa do estado atual. Fonte: o autor (2008)

(6)

6 A linha de montagem foi modelada no software Micro Saint 3.1 que possui o conceito de VIMS (Sistema de Modelagem Visual Interativa) usado na simulação discreta. Após a cronoanálise dos tempos de operação, usou-se o software Minitab 15, para tratar os dados e identificar o melhor ajuste da função probabilística a ser inserida nas operações do modelo de simulação. O resultado dessa análise está expresso no quadro 2. O primeiro cenário simulado foi o estado atual da linha, a fim de se conhecer inicialmente a complexidade que a linha exigirá para a simulação e se ter um modelo de simulação consistente, para posteriormente fazer a proposição de outros cenários.

Operação Distribuição AD P-Value Media Desvio

Padrão OP1 LogNormal 0,571 0,126 57,03 5,05 OP2 Normal 0,15 0,314 59,20 4,34 OP3 LogNormal 0,534 0,158 32,27 3,37 OP4 LogNormal 0,422 0,302 39,63 4,79 OP5 LogNormal 0,826 0,453 38,90 4,34 OP6 Normal 0,355 0,437 32,03 2,47 OP7 Normal 0,311 0,534 36,23 4,18 OP8 Normal 0,263 0,677 54,53 3,22 OP9 Normal 0,435 0,28 52,23 3,76 OP10 Normal 0,288 0,594 43,10 3,21 OP1 Normal 0,357 0,432 53,40 6,17 OP2 Normal 0,777 0,039 58,40 3,12 OP3 LogNormal 0,534 0,158 32,27 3,37 OP4 LogNormal 0,422 0,302 39,63 4,79 OP5 Normal 0,792 0,035 26,90 3,04 OP6 Weibull 0,561 0,152 23,10 2,22 OP7 Normal 0,215 0,833 41,60 3,08 OP8 Normal 0,413 0,317 54,23 3,22 OP9 Normal 0,294 0,578 48,07 3,59 OP10 Normal 0,288 0,594 43,10 3,21 OP1 LogNormal 0,387 0,366 46,83 6,97 OP2 Normal 0,494 0,199 18,80 1,73 OP3 Normal 0,331 0,497 43,70 3,26 OP4 LogNormal 0,38 0,382 60,93 4,79 OP5 Normal 0,279 0,624 45,83 3,07 OP6 LogNormal 0,731 0,051 21,67 1,94 OP7 Normal 0,495 0,199 52,87 2,93 OP8 Normal 0,427 0,293 25,03 2,58 OP9 Normal 0,383 0,376 44,63 3,21 OP10 LogNormal 0,445 0,265 26,23 2,75 42 X 42 L 42 B

Quadro 2: Distribuições Probabilísticas do modelo. Fonte: o autor (2008)

Foram inseridas posteriormente no modelo as seguintes variáveis necessárias para que o modelo represente satisfatoriamente a realidade: i) foi modelado o estoque em processo máximo da linha de 15 produtos; ii) as dez operações da linha foram representadas por dez entidades; iii) o modelo foi criado seguindo a lógica puxada; iv) foram inseridas variáveis de demanda, lead time, takt time,fila e utilização dos recursos. A rede de atividades do cenário base, está apresentada na figura 3.

Figura 3 - Rede de atividades do cenário base. Fonte: o autor (2008)

O modelo foi rodado inicialmente algumas vezes e ajustado até expressar de forma satisfatória os indicadores reais da linha e posteriormente foi ajustado para representar trinta dias de produção. No segundo cenário, alterou-se o mix de produção de forma considerável, supondo que se tenha: 42X (80%), 42L (10%), 42B (10%). Essa variação será importante para avaliar a

(7)

7 variação dos indicadores do cenário atual da linha, diante de novas hipóteses para o mercado futuro. E no terceiro cenário foram simuladas as condições propostas no estado futuro resultantes do VSM: i) foram excluídos da modelagem do cenário base os operadores do posto 3 do produto 42X, do posto 6 do produto 42L e os postos 2, 6 e 8 do produto 42B; ii) aumentou-se o volume de produção de 5% para os produtos 42L e B e 15% no produto 42 X, conforme previsão da empresa. Esse cenário será importante para se fazer a comparação da confiabilidade dos resultados propostos no estado futuro do VSM. Os resultados dos indicadores de produtividade dos cenários simulados estão expressos no quadro 3.

takt time lead time utilização[2] demanda 42X 57%

minimo 49,19 778,19 0,95 0 42L 24%

maximo 50,49 797,25 1,01 479 42B 19%

média 49,75 785,82 0,98 235

desvio padrão 0,29 4,56 0,01 138

minimo 53,47 608,96 0,98 0 42L 10%

maximo 56,67 630,32 0,99 437 42B 10%

média 55,07 617,1 0,98 213

desvio padrão 0,76 5,92 0 123

minimo 49,5 785,6 0,69 0 42L 23% maximo 49,8 791,6 0,78 478 42B 18% média 49,6 788,9 0,73 236 desvio padrão 0,2 1,59 0,02 138 Cenário 1 Cenário 2

Cenário 3 Mix de produção

Mix de produção

Quadro 3 – Comparativo de indicadores dos três cenários. Fonte: o autor (2008)

Os resultados dos dados de saída do modelo foram analisados no software Minitab 15. Foram usados os testes One Simple T para avaliar o comportamento estatístico das médias e o intervalo de confiança e o teste ANOVA, que mostra o nível de significância para que as médias das variáveis nos cenários possam ser consideradas diferentes. Nessa análise avaliaram-se as variáveis de produtividade lead time e takt time. Os resultados obtidos nessas análises estão no quadro 4.

Variável Nº de amostras Media Desvio

Padrão 95% CI P R-Sq

Lead Time 90 812,87 32,7 (806,02; 819,72) 0,00 98,72%

Takt time 90 51,492 2,094 (51,054; 51,931) 0,00 98,71%

Variável Nº de amostras Media Desvio

Padrão 95% CI P R-Sq Lead Time 60 790,029 3,918 (789,017; 791,041 0,174 3,16% Takt time 60 50,0301 0,2549 (49,9642; 50,0959) 0,209 2,70% One-Sample T ANOVA CENÁRIOS ANALISADOS: 1 - 2 - 3 One-Sample T ANOVA CENÁRIOS ANALISADOS: 1 - 3

Quadro 4 – Análise estatística dos cenários. Fonte: o autor (2008)

5. Análise e discussão dos resultados

No comparativo entre os cenários 1, 2 e 3 o teste ANOVA apresentou nível de significância P igual a zero para o lead time e takt time, o que indica que há pelo menos um cenário diferente dos demais, que nesse caso é o cenário 2.Ou seja, pode-se afirmar que as médias nos três cenários são significativamente diferentes. Uma provável explicação deve-se ao impacto do mix de produção simulado ser diferenciado 42X(80%) e 42L(10%) e 42B(10%). Na análise comparativa dos cenário 1 e 3, conforme figuras 18 e 19, o nível de significância foi de 0,174 para o lead time e 0,209 para o takt time, o que indica que os dois cenários são semelhantes.

(8)

8 Todavia, a priori, não se pode concluir com certeza, que a linha irá absorver as mudanças apresentadas no cenário futuro.

Comparando o cenário 1 com o cenário 2, notou-se uma queda significativa nos tempos de lead time e de takt time.Logo,sugere-se que o mix de produção cumpre papel estratégico na linha devido à diferença entre os tempos de montagem dos 3 produtos e que propostas de estratégias de nivelamento e seqüenciamento da produção, por exemplo, podem ser simuladas a partir do modelo a fim de avaliar o desempenho da linha em diferentes situações.

Comparando o cenário 1 com o cenário 3, pode-se perceber o impacto da natureza estática do VSM num modelo de simulação. A variável de utilização no cenário atual ficou em 0,98 e no cenário estático 0,73. A empresa admite que o recurso 2 não tem problemas de capacidade mas isso não representa a realidade da linha, pois verificou-se in loco que operador 1 ajuda o operador 2 em alguns momentos durante a produção. Nesse sentido, o valor que representa a real sobrecarga nesse posto é o valor de 0,98 de utilização. Seguindo a análise entre os cenários 1 e 3, percebe-se que a variação nos indicadores de takt time e lead time são desprezíveis. Pode-se atribuir esse fato devido ao tamanho da coleta de dados inicial de 30 amostras ser significativa para os estudo da simulação.

Analisando os ganhos de produtividade indicados no VSM, a partir da redução do número de operadores da linha, foi percebido no cenário 3 da simulação um aumento das utilizações dos operadores da linha, o que sugere-se que poderá haver uma sobrecarga desses operadores na prática.

5.1 Análise das variáveis do VSM e da Simulação

a) A variável tempo: na simulação, conforme o modelo criado, é possível definir um período

de tempo para rodar o sistema produtivo, por exemplo, 30 dias de produção e a partir daí analisar a confiança dos dados de saída e os resultados. Essa vantagem da simulação ocorre devido a sua natureza dinâmica. Enquanto que, no VSM, essas análises não são possíveis por se tratar de uma abordagem fundamentalmente estática.

b) Qualidade da amostragem de dados de entrada: não há referência nas literaturas

clássicas do VSM (ROTHER & SHOOK,1998 e WOMACK & JONES,1996) sobre métodos estatísticos que devem ser seguidos para tomada dos tempos de entrada do VSM. Em eventos de VSM, o método usado para tomadas de tempos fica a critério da equipe que está realizando o mapeamento. E a partir daí cria-se a possibilidade para que, por falta de conhecimento sobre conceitos de estatística e movidos pelo imediatismo, uma amostra sem valor estatístico e que não represente o processo, seja o coletada pelo grupo e a partir dela sejam feitas as análises. Consequentemente, variáveis como takt time e lead time, críticas para a melhoria de qualquer sistema produtivo, estarão provavelmente incorretas devido a não representatividade dos dados cronometrados. Nesse contexto, a simulação é crítica e diametralmente oposta. Haja vista que, os principais modelos de estudos de simulação como os propostos por Law e Kelton (2000) e Gogg e Mott (1996), Alan Pritsker (1990) e Cheng (1992) possuem uma etapa de definição do tamanho da coleta de dados de entrada do modelo de simulação.

c) Efeito das variabilidades no sistema: Goldratt (2002), relacionou de forma clara o

aumento da fila ou do inventário com a falta de sincronismo da produção. De forma que, pequenas variações estatísticas geram um efeito relevante no sistema produtivo como um todo. Analisando o VSM e a Simulação com o propósito de aumentar a produtividade, percebe-se que o ganho de produtividade ficará comprometido se as flutuações estatísticas e a sazonalidade da demanda de produção não forem analisadas com rigor. Na simulação é possível inserir no comportamento do modelo uma variável que contemple tais variabilidades, todavia, no VSM essa análise é inviável.

(9)

9

d) O nivelamento da produção: notou-se que o VSM não permite mensurar o impacto da

mudança na estratégia de tamanho de lotes num sistema produtivo, por exemplo, para um dia de produção, ao invés de produzir 300 produtos 42X, produzir 100 unidades de cada variante do produto. No VSM é impraticável analisar o que aconteceria com o WIP, as folgas nas operações, o takt time e o lead time num determinado período de tempo, em conseqüência do nivelamento. Em contrapartida, no modelo de simulação é possível usar a função do nó probabilístico, por exemplo, rodar o modelo e analisar esse impacto nos dados de saída.

e) Balanceamento das operações: no VSM o balanceamento é feito re-alocando algumas

operações de forma a deixar os tempos de cada estação inferiores ao takt time. No modelo de simulação, o balanceamento é feito alterando-se os tempos e as variáveis, e em seguida uma nova análise probabilística do novo conjunto de dados resultante.

f) A manutenção dos ganhos de produtividade: suponha-se que, dois meses após haver um

grande esforço para realização do VSM, com um time de dez pessoas dedicando-se exclusiva e diariamente para identificar ganhos de produtividade na linha de produção um produto novo seja lançado na mesma linha em análise. Na lógica lean, um novo evento e novos esforços deverão,a priori,serem feitos para balancear novamente as novas operações da linha e identificar, seus impactos e as oportunidades de ganho de produtividade. Entretanto, na lógica da simulação, basta que o Engenheiro responsável, de posse dos tempos de processo do novo produto, altere o modelo de simulação já criado. Nesse sentido, a simulação possibilita que todo histórico e esforço já feito seja evitado porque o modelo representa estatisticamente a complexidade daquela linha.

g) Quanto aos objetivos: há uma diferença crucial entre os objetivos de um VSM e do estudo

de simulação. O VSM, seguindo a lógica da mentalidade enxuta, tem seus cinco princípios focados na agregação de valor sob a ótica do cliente e na criação de um fluxo contínuo, concretizado pela produção puxada. Já a simulação computacional, pode ter diferentes objetivos, pois possibilita que inúmeros objetivos e variáveis sejam definidos num único modelo, como por exemplo: i) avaliar se a linha suportaria um aumento na demanda em 20% ? ii) quais variáveis afetam o desempenho do sistema? iii) quais recursos são restritivos? iv) quais os ganhos o sistema teria se fosse adicionado ou retirado um operador ou turno de trabalho? Nesse aspecto, a simulação é uma técnica mais robusta.

h) A visualização dos estoques: tanto no VSM quanto no modelo de simulação, os estoques

são posicionados usando a mesma lógica. No VSM, o estoque é representado nos mapas por triângulos após a verificação in loco do time no sistema produtivo dos lugares onde há concentração de estoques. No modelo do MS, a posição do estoque é definido pelo modelista, usando o comando “Queue” e adicionando as filas na frente das tarefas e em seguida parametrizando-as. Caso o modelista não saiba onde há fila, o MS irá representá-las nas rodadas piloto do modelo com a representação do acúmulo de entidades antes da tarefa.

i) A representação dos processos: notou-se que nas duas metodologias, os processos são

representados de forma similar. Na simulação, as tarefas são criadas e parametrizadas estatisticamente no software. No VSM, usam-se as caixas de processo para adicionar os principais tempos: de ciclo, espera, caminhadas, estoque no momento, enfim, uma série de informações que podem ser adicionadas nas caixas para melhor entendimento da operação. Além disso, mapa de fluxo e o modelo de simulação usam linhas para identificar o fluxo de informação, material e processo entre tarefas. Em ambos os casos, o objetivo é o mesmo: representar o sistema e seus detalhes.

j) Entendimento da complexidade: as etapas de construção do VSM e o processo de

construção do modelo de simulação proporcionaram um maior entendimento da complexidade de cada operação, do sistema como um todo e a co-relação entre ambos. No

(10)

10 VSM, o processo de construção dos mapas, a identificação das perdas, a tomada de amostras de tempo e as pesquisas in loco no chão de fábrica, também contribuem para o entendimento da realidade. E nesse aspecto, ambas metodologias são convergentes. Além disso, os mapas de fluxo do VSM ajudam o modelista da simulação a compreender a complexidades do sistema e as variáveis que precisam ser consideradas no projeto de simulação. O fluxo do material e de processo pode informar ao modelista restrições variáveis que análises in loco não possibilitam serem percebidas, como por exemplo, o cruzamento de informações e de materiais para a linha. Por esse motivo a construção dos mapas de fluxo é um esforço válido e necessita ser realizado detalhadamente.

k) Coleta de dados: outro ponto onde as duas metodologias convergem se refere à coleta dos

dados de entrada. Na simulação e no VSM, os tempos de roteiro e os tempos padronizados dos padrões operacionais não são usados, apesar de não serem desprezados para posterior comparativo ou correção. Efetivamente, os tempos que são usados em ambos estudos são os tempos reais, cronometrados in loco. Todavia, a coleta de dados no VSM é mais frágil em relação à simulação, porque os tempos coletados representam a realidade do instante da coleta sem avaliar a aleatoriedade, flutuações de demanda e não recebem tratamento estatístico. Em ambos, a coleta de dados é crítica para o sucesso do estudo, entretanto, a coleta de dados para o modelo de simulação é mais robusta.

6. Conclusão e considerações finais

Conforme mencionado nos objetivos desse trabalho, foi realizada a revisão teórica sobre as metodologias do VSM e da Simulação computacional e analisado no estudo de caso realizado, a sinergia entre as duas abordagens. Verificou-se que as metodologias são complementares e relevantes para os processos de tomada de decisão para aumento da produtividade em sistemas de manufatura.

Conclui-se que, a aplicação das duas metodologias foi satisfatória para o objetivo de aumentar a produtividade da linha multi-modelos e poderiam ser unificadas em um método único de trabalho. Entretanto, sugere-se que sejam aplicadas de forma independentes e paralelas. Notou-se que tais abordagens apresentam bom desempenho em projetos focados em: o aumento de produtividade, eficiência, redução de desperdícios e redução de estoques num sistema produtivo. Sugere-se também, que os dados extraídos na tomada de tempos para a simulação também sejam usados para o estudo do VSM. O modelo computacional ao representar a realidade de forma coerente, pode também ser empregado para análise de gargalos produtivos conforme a produção de uma semana ou mês, por exemplo. Para empresas que não dispõe de um ERP que contemple o planejamento fino da produção ou que possuam linhas de produção com um mix de produção relativamente baixo, o modelo de computação pode ser considerado como uma importante ferramenta de análise de gargalos da fábrica. Por fim, é importante ressaltar que o autor considera a coleta de dados como a etapa crítica para as duas metodologias. Na simulação a inserção das variáveis nem sempre é feita em único momento e possibilita ajustes posteriores, todavia, a coleta de dados não pode ser ajustada e sua amostra deve ser de tamanho mínimo de trinta para que a etapa de análise seja validada.

A fim de dar continuidade ao estudo, as seguintes sugestões são propostas para trabalhos futuros: a) avaliar o efeito ao inserir o conceito de OEE (Overall Equipament Eficciency) do TPM no VSM e no modelo de simulação; b) inserir no modelo de simulação uma variável de disponibilidade geral que considere um valor médio por mês das parada aleatórias como: treinamentos, falta de material, absenteísmo, etc.; c) criar um cenário alterando o plano mestre de produção, reduzindo os lotes diários; d) criar modelo que represente um mapa atual mais amplificado: desde o cliente até a expedição da fábrica; e)sugere-se a aplicação dessa

(11)

11 metodologia em estudos de diferentes áreas como serviços e logística;o que pode contribuir com o método ao trazer outros pontos de vista para a aplicação.

Referências

ANTUNES JR., J.: Em direção a uma teoria geral do processo na administração da produção: uma discussão

sobre a possibilidade de unificação da teoria das restrições e a teoria que sustenta a construção dos sistemas de produção com estoque zero. Tese (doutorado em Administração de Empresas). Programa de Pós-Graduação em

Administração da UFRGS, Porto Alegre, RS, 1998.

ANTUNES, J; ALVAREZ, R.; KLIPPEL, M.; BORTOLOTTO, P.; DE PELLEGRIN, I.. Sistemas de

Produção – Sistemas e Práticas para Projeto e Gestão da Produção Enxuta. Porto Alegre: Bookman, 2008.

CASSEL, R. A. : Desenvolvimento de uma abordagem para a divulgação da simulação no setor calçadista

gaúcho. Dissertação (Mestrado em Engenharia de Produção). Programa de Pós-Graduação em Engenharia de

Produção da UFRGS, Porto Alegre, RS, 1996.

CASSEL, R. A, RODRIGUES, L.H. E PELLEGRIN, IVAN. Uma abordagem metodológica para uso da

simulação de eventos discretos no dimensionamento do nível de estocagem de derivados de petróleo em refinarias. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, XXIII. Ouro Preto, 2003.

FOGLIATTO, F.; PETRY, M. Balanceamento de linhas de montagem multi-modelos. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 24., 2004, Florianópolis.SC Anais... Florianópolis.SC: Abepro, 2004.

GHINATO, P. Sistema Toyota de produção: mais do que simplesmente Just-In-Time. Caxias do Sul: Editora da Universidade de Caxias do Sul, 1996.

GIL, A. C. Métodos e técnicas de pesquisa social. 4. ed. São Paulo: Atlas, 2002. GOLDRATT, E M. & COX, J.F. A meta. 2. ed. São Paulo SP: Nobel, 2002.

LAW, A. M.; KELTON, W. David. Simulation modeling and analysis. 3th ed. [S.L.]: McGraw-Hill, 2000. LAW, A; McCOMAS, M; VINCENT, G. The Crucial Role of Input Modeling In successful simulation studies. Industrial Engineering, [Sl.l], v. 26, n. 7 , p. 55-59, July, 1994.

LIKER, J. K. O Modelo Toyota. Porto Alegre: Bookman, 2006.

MONTGOMERY C, D. Introdução ao Controle Estatístico da Qualidade. 4. ed. São Paulo LTC, 2004. OHNO, T. O Sistema Toyota de Produção: além da produção em larga escala. Porto Alegre: Bokmann, 1997. PIDD, M. Modelagem empresarial: ferramentas para tomada de decisão. Porto Alegre: Artmed, 1998. ROTHER, M. ; SHOOK, S. Aprendendo a Enxergar: Mapeamento do Fluxo de Valor para adicionar valor e

eliminar os desperdícios. São Paulo-SP, Lean Institute Brasil, 1998.

SENGE, P. A Quinta Disciplina. Editora:Best Seller, 2009.

SHINGO, S. O Sistema Toyota de Produção: Do ponto de vista da engenharia de produção. Porto Alegre: Bookman, 1996a.

SHINGO, S. Sistemas de Produção com Estoque Zero: O Sistema Shingo para melhorias contínuas. Porto Alegre: Bookman, 1996b.

VACCARO, G. L.R. E RODRIGUES, L.H. Características desejadas em softwares de análise de resultados

de simulação. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 25., 2005, Porto Alegre.RS

Anais... Porto Alegre. RS: Abepro, 2005.

VACCARO, G. L.R E AZEVEDO,D. Simulação Computacional: suporte estratégico no contexto industrial. p. 1-58 . 2007. Apostila da disciplina de Simulação Computacional. UNISINOS.