,..,

ESTRUTURA DE PRODUÇAO EDESEMPENHO OPERACIONAL:IDENTIFICAÇÃO DE VARIÁVEIS-CHAVE

,; "'"

ATRAVES DE SIMULAÇAO

ARTIGO *Paulo Fernando Fleury

Como a técnica de simulação "Monte Carlo" poderia ser usada na análise dedesempenho de mudanças em sistemas de produção.

How "Monte Carlo" símulation technique can be used in performance analysis ofchanges in production systems.

INTRODUÇÃO competição, tornando a competitividade um alvomóvel que necessita ser perseguido continuamente.

Neste processo, qualidade, inovatividade, prazosmais curtos e menores custos são as armas mais uti-lizadas pelas empresas que se destacaram como

A crescente globalização da atividade econômica,combinada com um acelerado ritmo de inovaçõestecnológicas, tem contribuído para o aumento da

• Professor do COPPEAD/UFRJ e Titular da Cátedra Ipiranga de Estratégia de Operações.

8 Revista de Administração de Empresas São Paulo, 33(6):8-19 NOV./O ez. 1993

ESTRUTURA DE PRODUÇÃO E DESEMPENHO OPERACIONAL...

competidoras de classe mundial. Istoimplica um aumento das responsabili-dades e desafios para as pessoas que ge-renciam as atividades de manufaturanas organizações.

Uma conseqüência observada destanova postura competitiva é a reduçãodo ciclo de vida dos produtos e dos sis-temas produtivos, fazendo com que acapacidade de se projetar e implementarsistemas de produção eficazes e eficien-tes se torne cada vez mais um fator cru-cial para a competitividade empresarial.

Projetar e implementar sistemas deprodução implica, na maioria das vezes,a introdução de tecnologias de proces-so, afetando diretamente a estruturahardware de operações e os sistemas decontrole software, assim como o sistemasocial da organização peopleuiare, con-forme ressaltado por Chase e Aquila-no.! Estes efeitos não devem ser despre-zados, pois têm impacto direto sobre acompetitividade através de:

• menores custos e Iou;• maior qualidade;• entregas confiáveis;• entregas mais rápidas;• capacidade de lançar novos produtos;• capacidade de responder eficazmente

a variações de volume.

Estes parâmetros são, em grande par-te, dependentes da estrutura de opera-ções e dos sistemas de controle, que,por sua vez, deveriam ser projetadospara se ajustarem à tecnologia de pro-cesso utilizada. 2

No caso da introdução de uma novatecnologia de processo, torna-se extre-mamente útil simular o novo sistema deprodução e os procedimentos de contro-le, antes da implementação. Isto podeser conseguido através da construção deum modelo em computador, gue permi-ta a execução de um amplo conjunto detestes sobre os parâmetros e regras deoperação do sistema.

Este trabalho procura demonstrarcom um exemplo real este tipo de abor-dagem. Para tanto, foi utilizado um mo-delo de simulação de um novo sistemade produção, em implantação por umaempresa do setor de componentes decalçados.

A empresa havia sido criada recente-mente, como subsidiária de um grandegrupo industrial fabricante de calçados.Na busca do aumento da produtivida-de, o grupo buscava o aperfeiçoamentotecnológico permanente de seus produ-tos, através da utilização de novos ma-teriais e novos processos de fabricação.

A subsidiária fora criada com o obje-tivo de fornecer palmilhas de plásticopara calçados femininos, em substitui-ção ao processo tradicional que utiliza-

se caracterizava pela exigência

de volumes de investimentos

significativamente superiores

aos exigidos pela tecnologia

tradicional.

va cartolina, metal e couro, envolvendoum conjunto complexo de operações. Anova tecnologia, que utilizava o proces-so de injeção de plástico em moldes me-tálicos, tinha a vantagem de oferecermelhor qualidade a um menor custo,pela simplificação do número de opera-ções, que se reduziria praticamente auma única.

Apesar do novo sistema de produçãorepresentar uma grande simplificaçãodo fluxo de materiais e das operações,ele se caracterizava pela exigência devolumes de investimentos significativa-mente superiores aos exigidos pela tec-nologia tradicional. Além disso, por serum processo inovador, não existiam co-nhecimentos disponíveis sobre a melhorforma de operação, no que diz respeitoao dimensionamento, programação econtrole da produção.

O objetivo deste trabalho é, portanto,analisar a sensibilidade do novo siste-ma, no que diz respeito a seu desempe-nho operacional, a variações em algu-

© 1993, Revista de Administração de Empresas I EAESPI FGV, São Paulo, Brasil.

1. CHASE, R., ACHILANO, N.Production and operations ma-nagement; a fite cycle approach.Homewood, 111.: R.D. Irwin,1977.

2. FLEURY, P. F. S.S., PROEN-ÇA, A. Competitividade indus-trial e a gerência estratégica deoperações. Rio de Janeiro:COPPEAD/UFRJ, julho de 1991.(Relatório COPPEAD,253).

9

jJ~1JARTIGO

mas de suas principais variáveis estru-turais e de controle.

O sistema de produção analisado temcaracterísticas bastante especiais. Asprincipais características do sistema deprodução são:

• o produto, palmilhas de plástico inje-tado, que precisa ser produzido emdiferentes formatos e tamanhos. Cadaformato particular é denominado esti-lo e se compõe de um conjunto de atétreze tamanhos diferentes;

• o equipamento, máquinas injetorascom múltiplas estações de trabalho,onde cada máquina possui doze esta-ções, organizadas em uma mesa circu-lar que se move em tomo do seu eixo,necessita de um único operador. As es-tações são capazes de receber qualquermolde, significando que uma máquinapode fabricar, simultaneamente, pal-milhas de diferentes estilos e tama-nhos. A montagem de um molde nu-ma estação qualquer, consome umaquantidade substancial de tempo;

• o padrão da demanda, ou das enco-mendas para fabricação, caracteriza-do pelo fato de que quando um clien-te faz uma encomenda de um produtode determinado estilo, ele usualmentepede a gama completa de tamanhos,em quantidades variadas em funçãodo tamanho. Devido à política de sódar início à produção após o recebi-mento de uma encomenda firme, cadaencomenda representa a produção e aentrega conjunta de até treze diferen-tes lotes de componentes.

o PROJETO DE EXPERIMENTOS

O estudo foi executado em duas fasescomplementares. A primeira (na qualforam utilizados dados reais da empre-sa mencionada anteriormente), tinha ocaráter exploratório. Os objetivos prin-cipais desta fase eram validar o modeloe identificar as principais característicasdo sistema, com o objetivo de determi-nar valores típicos para as variáveis, edesenvolver regras de controle que fos-sem apropriadas às características dosistema em estudo.

10

A segunda fase consistiu de um con-junto planejado de experimentos, com oobjetivo de gerar informações que pu-dessem levar a um conjunto mais geralde conclusões a respeito desta classe desistema de produção. Os parâmetrosutilizados nesta segunda fase, e listadosabaixo, foram determinados a partir dafase inicial de experimentos.

As duas fases do estudo complemen-taram uma a outra, no sentido de que aescolha das variáveis e seus valores, as-sim como o projeto de experimentos dasegunda fase, foram fortemente basea-das nas informações obtidas na primei-ra fase.

O principal objetivo do estudo eraobter informações conclusivas sobre asensibilidade do sistema a variações emseis de suas variáveis, que pareciam in-fluenciar mais fortemente seu desempe-nho. Estas variáveis representam res-pectivamente o padrão de encomendasdo mercado (variável 1), a política decapacidade de produção (variáveis 2 e3), procedimentos de programação econtrole da produção (variáveis 4 e 5) eefeitos de economia de escala e organi-zação da produção (variável 6), segun-do especificado abaixo:

1. o tamanho médio das encomendas: umvalor menor (1000 itens), contra umvalor maior (1600itens);

2. o número de moldes disponíveis para pro-dução: um número baixo (27 moldes),contra um número alto (42moldes);

3. o índice médio de utilização da capacida-de de produção: um índice baixo (65%),contra um índice alto (85%);

4. a regra de partição das encomendas emlotes menores de fabricação: as opçõeseram de particionar lotes superiores a450 itens, ou nunca particionar os lo-tes para fabricação;

5. o tempo médio de troca de ferramentas:um valor baixo (8 min.), contra umvalor alto (16min.);

6. a proporção entre o número de estilos (li-nhas de produto), e o número de máqui-nas injetoras: uma proporção menor

LEIA POR UE I'

O UNIBANCO DIZUEVOCÊ É U

CLIENTE ÚNICO .ES O UE .

VOCÊ NAO EJA 'O ÚNICO CLIENTE :

DO BANCO. :o banco único tem vários bancos únicos dentro de si. Existe um banco único para grupos empresariais

e, ao mesmo tempo, um banco único para serviços de pessoas físicas. Existe um banco único para negóciosde alta renda e, ao mesmo tempo, um banco único para investimentos cotidianos dos seus correntistas. ;E assim, com estruturas especializadas em resolver necessidades específicas de diferentes clientes, o banco i

único oferece investimentos únicos para você que, não por acaso, é chamado de cliente exclusivo. .

,

i1~11ARTIGO

3. DAVIES, O.L. The design andana/yses of industrial experi-ments. London: Oliver andBoyd,1967.

12

(3/2), contra uma proporção maior(3/1). Considerando que o número deestilos pode ser mantido constante(3), é possível expressar a variável pe-lo número de máquinas (2 contra 1).

Uma vez selecionadas as variáveis aserem analisadas e seus possíveis valo-res, tornava-se necessário desenvolverum projeto de experimentos. Conside-rando o objetivo do estudo, seria umatarefa relativamente simples executarurna série de alterações independentesnos valores, urna de cada vez, e mediros efeitos destas modificações. Este pro-cedimento, no entanto, apresenta duaslimitações:

1. o efeito de interações entre variáveisseria ignorado. É bem possível queuma mudança no valor de uma variá-vel impacte o desempenho do siste-ma apenas nos casos onde outra va-riável também tenha sido modificada.Por exemplo, o aumento no númerode moldes, de 27 para 45, poderia terimpacto sobre o desempenho do sis-tema, apenas nos casos onde a rela-ção número de estilos/número demáquinas fosse de 3/2. Tais intera-ções podem ser importantes e não de-veriam ser ignoradas;

2. seria difícil generalizar os resultados.Se apenas mudanças isoladas fossemrealizadas, o efeito destas mudançaspoderia ser considerado válido ape-nas para situações muito próximas daconfiguração do sistema utilizado na-quele experimento específico. O idealé que cada mudança individual fosseanalisada em relação a uma ampla va-riedade de configurações do sistema.

Para contornar estes problemas, deci-diu-se por utilizar um projeto fatorial deexperimentos, onde as seis variáveis fos-sem consideradas os fatores, e seus valo-res, os níveis dos fatores. 3 Se um projetofatorial completo fosse utilizado, seriamnecessários um total de 64 (26) experi-mentos, o que representaria uma esforçocomputacional considerável.

Para minimizar esta dificuldade, exis-te a possibilidade de utilizar um projetofatorial fracionado, que permitiria uma

inter~ções de ordens mais

elevadas são, em geral,

desprezíveis e difíceis de

interpretar, decidiu-se pela

utilização do projeto

fracionado pela metade.

redução considerável no número de ex-perimentos, com grande economia deesforço computacionaL Tal projeto per-mite a estimação dos efeitos principais edas interações de mais baixa ordem.

Se um projeto fatorial fracionado pelametade fosse utilizado, seriam necessá-rios apenas 32 experimentos, e ainda se-ria possível medir todos os efeitos prin-cipais e as interações de primeira or-dem. Considerando que as interações deordens mais elevadas são, em geral,

<I; mA -lJt[lizeÇão de C:apaci~ad; ("lo)·B-.T~mpode s?éIlP.~mi.n~) • ~C - Número de motdes

, • O -Tall1iohq dôs pedidos" E - Paft\Ção de lotes

F,-' NúfilenHle iJ1á}\uinãs

4 ,Valores (nível) •:Padrâó ~O} • . AlternativO (1)

85..1627

1600·Não1

ESTRUTURA DE PRODUÇÃO E DESEMPENHO OPERACIONAL...

ANEXO 1 - COMENTÁRIOS METODOlÓGICOS

A. O procedimento estatístico utilizado no estudo teve as seguintes características.1. Com relação às questões táticas do projeto de experimentos:

1.1. Cada experimento foi incializado na condição de "fila vazia", ou seja, máquinas descarregadas, e ne-nhum pedido na fila;

1.2. Existe um período de "estabilização" do sistema, equivalente a 20 ordens completadas (duzentos ecinquenta "lotes" de componentes);

1.3. As estatísticas para análise do sistema só começam a ser computadas após este período;1.4. O tamanho do período de estabilização tol-determínano a partir de análise estatística de resultacos

de um pré-teste do modelo; . .

1.5. Para cada experimento foram rodados doze pares antitéticos de corridas, onde cada corrida corres-pondia a 150 pedidos completados, ou seja, cerca de 1.700 "lotes" de componentes.

2. Com relação aos testes estatísticos:Para testar a significância estatística dos efeitos principais e secundários, foram utilizados testes "F"de análise de variância das médias encontradas nos doze pares de corridas. O teste "F" se baseia nahipótese nula de que as mudanças nas variáveis do sistema não causam nenhum efeito estatistica-mente significatívo do desempenho do sistema.

B. O procedimento para a quebra de pedidos se baseia nos seguintes prlncipios: ,1. Como já descrito anteriormente no corpo do trabalho, cada pedida é composto por vários (até treze)

"lotes" de componentes. Cada lote corresponde a uf11tamanho específico de calçada e exige um rnol-de específico.

2. A fila de espera é formada pelo coníunto de "lotes" de componentes. Cada pedido pode implicar na.entrada de até treze "lotes" na fira.

3. Como existe a possibilidade de se ter mais de 1 molde do mesmo tamanho e estuo, a alte~nativ<t de se. quebrar um lote em 2 ou mais sublotes.podería permitir a produção simultãneado mesmo lote, utili-

za~do-se dos moldes duplicados. ". e ." •

4. Em caso de partição, qualquer lote de componentes com mais de 450 itens era dividido em dois oumais subtotes, de tal maneira que nenhut;lsublote permanecesse- com mais de 450 itens ..

C. A fixação dos prazos de entrega era função de política estabelecida pela empresa, de garantir entregasnum prazo máximo de oito dias úteis a partir da data do pedido, qualquer que fosse o pedido. Em ne-nhuma situação os pedidos eram entreçues parceladamente, mesmo quando se adotava o procedimentode Quebra dos pedidos em lotes menores de componentes.

D. Durante os experimentos realizados, a prioridade utilizada para oseqüencíamento da fila, foi uma deriva-ção da regra FIFO (primeiro que chega é o primeiro que entra), denominada FIFOMS, que a partir da filaformada pela regra FlFO, dá uma prioridade adicional àqueles lotes de componentes para os quais jáhouvesse um molde vazio ;á montado na máquina. .

É interessante observar que os valoresdas variáveis foram divididos de tal ma-neira que (I) e abcdef representam respec-tivamente os sistemas mais "folgados"(baixa utilização de capacidade, pequenotempo de set up, número maior de mol-des, pedidos de tamanho pequeno, uso dapartição de lotes e uma relação mais favo-rável entre número de modelos e númerode máquinas) e mais "apertados" (maiorutilização da capacidade, maior tempo deset up; pequeno número de moldes, enco-mendas grandes, lotes não sofrem parti-ção, relação mais desfavorável entre nú-mero de estilos e número de máquinas).

A descrição mais detalhada do projetode experimentos utilizado pode ser en-contrada no trabalho de Pleury."

desprezíveis e difíceis de interpretar,decidiu-se pela utilização do projetofracionado pela metade.

Com o objetivo de tornar as referên-cias futuras mais simplificadas, as va-riáveis e seus valores serão tabulados eassociados a letras e nomes abreviados,como apresentado na tabela 1.

Com base na notação acima, umaconfiguração do sistema onde A = 85, B= 16, C = 27, D = 1600, E = Não, F = I,seria denominada como abcdef (todas asvariáveis estariam com seu valor alter-nativo 1). Por outro lado, se A = 65, B =8, C = 42, D = 1000, E = 450 e F = 2, aconfiguração do sistema seria denomi-nada (I) (todas as variáveis estão comseu valor padrão O).

4.FLEURY, P.F.S.S. Operationstrategies for a shoe batch ma-nufaturing system. Loughbo-rough: University of Techno-logy, 1976. (Tese de Doutora-do)

13

jj~lJ ARTIGO

Para medir o desempenho do sistemade produção, foram utilizadas variáveisrelacionadas aos prazos de entrega, as-sim como medidas de performance inter-nas, tais como número de pedidos espe-rando na "fila" para serem processadose nível de ociosidade devido à troca deferramentas. No que diz respeito a me-didas de desempenho relacionadas aosprazos de entrega, foram utilizados oprazo de entrega throughpu: time de umaencomenda, assim como o percentual daprodução entregue fora do prazo.

APRESENTAÇÃO DOS RESULTADOS

Os resultados obtidos pelo modelo desimulação foram submetidos a testes designificância estatística, com o objetivode permitir sua generalização, para o ti-po de sistema de produção estudado.Desta forma, serão considerados apenasaqueles resultados que tenham apresen-tado significância estatística.

Para melhor interpretá-los, torna-seconveniente comparar inicialmente odesempenho do sistema para as duasconfigurações extremas, (I) e abcdef, coma média de desempenho de todas asconfigurações.

Os dados da tabela 2 indicam que exis-tem grandes diferenças de performanceentre a configuração mais folgada (I) e amais apertada (abcdej), principalmente noque diz respeito aos prazos de entrega.

O percentual da produção entreguecom atraso, que na configuração (I) é deapenas 1,93% (nível de serviço de98,07%), na configuração abcdef, aumen-ta mais de vinte vezes atingindo o valorde 40,65%. Da mesma forma, o prazomédio de entrega, que na configuração(I) é de 2,99 dias, passa para 8,38 dias.

Em termos do comportamento inter-no do sistema, o número de pedidos es-

perando na fila aumenta substancial-mente (de 16,56 para 35,28) quando sepassa de (I) para abcdef, mas a ocosidadedevido ao set up é pouco afetada (6,22%para 7,21%).

A partir da constatação de que exis-tem grandes espaços para melhorar aperformance a partir da manipulação devariáveis do sistema, surge imediata-mente a pergunta; das 6 variáveis mani-puladas, quais aquelas que mais afetamo desempenho do sistema? Existem in-

o projeto fatorial permite

responder a estas questões

de forma inequívoca, ao

isolar os efeitos principal e

secundário das variáveis.

terações significativas entre pares de va-riáveis? O projeto fatorial permite res-ponder a estas questões de forma ine-quívoca, ao isolar os efeitos principal esecundário das variáveis.

O efeito principal indica a importân-cia de uma dada variável para esta clas-se de sistema, considerando-se o con-junto de todas as configurações. O efei-to secundário indica possíveis intera-ções entre pares de variáveis. A tabela 3apresenta os resultados estatisticamentesignificativos dos efeitos principais e se-cundários.

. le·mpo m~"dio'enfí-ega (dias)% entregue. c'atraso (%} .Pedidos naJilaOciosidade de setllp~(%)

Tabela 2(I) i)bcdef . média

2,99. 1,~316,566,22

8,3840,6535,287,21

5,72"20,3534,116,61

14

ESTRUTURA DE PRODUÇÃO E DESEMPENHO OPERACIONAL...

EfeItos· PrinCi,pajs

(B) '(e)(A)2,53

Hl,73" .29,740,32

Tempo de entrega• % entrecue c/atrasoPedidos na filaOciosidade de set up

0,522,953,383;43

0,867;368,72

-3,37

( D')

0,985,45

-11,06;2,46

( E) (F)0,726,64-2,70 - 7,38

-2,70

Efeitos Secundários Importantes,( AF) ,( CF)

': 0;71- 5,16- 8,03·.0,78

Tempo de entrega% entreque e/atraso-Pedidos na filaOciosidade de set up

A análise da tabela 3 acima permiteidentificar a importância relativa das di-versas variáveis sobre a performance dosistema.

Variável A (Nível de utilização dacapacidade)

De longe, a variável que tem maiorinfluência sobre o desempenho do siste-ma é A, que corresponde ao nível deutilização da capacidade instalada, con-seqüência da relação entre demanda eoferta de horas de máquina. Uma redu-ção no nível de utilização da capacida-de, de 85% para 65%, resulta numa sig-nificativa melhoria em todas as medidasde performance, com exceção da ociosi-dade causada pelo set up.

Para aquilatar a dimensão desta in-fluência, basta observar que o efeitoprincipal desta mudança é reduzir otempo médio de entrega em 2,53 dias, aprodução entregue com atraso em18,73%, o número de pedidos na fila em29,74 e a ociosidade devido ao set up em0,32%, em termos absolutos. Em outraspalavras, isto significa que:

• quando o nível de utilização da capa-cidade é de 85%, o tempo médio deentrega é de 6,98 dias, 29,71% da pro-dução é entregue com atraso, o núme-ro de pedidos na fila é 49,98 e a ocio-sidade devido ao set up é de 6,7n-;,;

• quando o nível de utilização é reduzi-do para 65%, o tempo médio de entre-

ga cai para 4,45 dias, a produção en-tregue com atraso se reduz para10,98%, o número de pedidos na filadiminui para 19,24 e a ociosidade de-vido ao set up baixa para 6,45'1'0.

Ou seja, uma redução de cerca de23,5% no nível de utilização da capaci-dade resulta numa diminuição de cercade:

• 63% no percentual de entregas fora doprazo;

• 36% no prazo médio de entrega;• 62% no número de pedidos na fila;• 5% na ociosidade devido ao set up.

Embora haja urna interação estatisti-camente significativa entre o nível deutilização da capacidade instalada (va-riável A) e a relação número de esti-los/número de máquinas (variável F), amagnitude desta interação é suficiente-mente pequena comparada com o efeitoprincipal (cerca de 16%). Por esta razãoé possível afirmar que o nível de utiliza-ção da capacidade instalada influenciafortemente este tipo de sistema de pro-dução, dentro de uma ampla gama deconfigurações. Para comprovar estaafirmação, basta observar que o efeitoprincipal sobre o percentual da produ-ção entregue fora do prazo, que em mé-dia é de 18,73%, passa a ser 22,29% paraos casos onde o número de máquinas é1 e 15,97% quando o número de máqui-nas é 2.

15

i1~11ARTIGO

Variável B (Tempo de set up)Depois da partição dos lotes, o tempo

de set up é a variável que menos afeta odesempenho do sistema, com uma únicaexceção óbvia, a ociosidade devido aoset up. Seu efeito médio sobre o tempode entrega (0,52 dias), embora estatisti-camente significativo, é cinco vezes me-nor que o causado pela variável A. Sobreo percentual entregue fora do prazo, oefeito é de 2,95%,ou seja 6,5 vezes me-nor que a variável A. Sobre o número depedidos na fila, o efeito é igual a 3,38,ouseja, nove vezes menor que a variável A.Quanto à ociosidade devido ao set up,seu efeito principal de 3,43%é onze ve-zes maior que a variável A.

Um outro indicador de que a únicainfluência importante da variável B ésobre a ociosidade devido ao set up é ofato de que para um aumento de 100%no seu valor (de 8 para 16 minutos), asconseqüências foram:

• aumento de 10% no tempo médio deentrega;

• aumento de 16% no percentual entre-gue fora do prazo;

• aumento de 11% no número de pedi-dos na fila;

• aumento de 70%na ociosidade devidoao set up.

Como não foi constatada nenhumainteração significativa entre a variável Be as outras cinco variáveis, pode-se afir-mar que estas características do tempodo set up são verdadeiras para qualquerconfiguração do sistema, obviamentedentro dos limites testados.

Variável C (Número de moldes)Embora o efeito principal do número

de moldes sobre o desempenho do siste-

ma apresente um valor estatisticamentesignificativo, (o segundo fator mais im-portante após a variável A, e responsá-vel por 15,3%da variação no tempo deentrega, 17,9% da variação no percen-tual da produção entregue fora do pra-zo, 13,8% dos pedidos em fila e 27,4%da ociosidade devido ao set up), o efeitoisolado tem pouco significado em simesmo, pois os resultados mostramuma grande interação com a variável F.

o aumento do número

de moldes só afetasignificativ.amente o

desempenho do sistema nos

casos onde se aumenta

também a relação número

de máquinas/número

de moldes.

Para comprovar isto basta examinar atabela 4.

Tais números significam que só fazsentido analisar o efeito do número demoldes levando-se em consideraçãotambém o número de máquinas. Assim,o efeito principal sobre o percentual en-tregue fora do prazo é de 12,52%, noscasos onde o número de máquinas é 2, eapenas 2,2% quando o número de má-quinas é l.

Em outras palavras, o aumento donúmero de moldes só afeta significati-

16

ESTRUTURA DE PRODUÇÃO E DESEMPENHO OPERACIONAL...

vamente o desempenho do sistema noscasos onde se aumenta também a rela-ção número de máquinas/número demoldes. Assim, nas situações onde o nú-mero de máquinas é igual a 2, o aumen-to no número de moldes de 27 para 42(um aumento de 59%) resulta numa re-dução do percentual entregue com atra-so de 26,51% para 14,09%. Nos casos on-de o número de máquinas é 1, o mesmoaumento no número de moldes resultanuma redução do percentual entreguecom atraso de 21,95% para 19,25%.

Variável D (Tamanho dos pedidos)O tamanho médio dos pedidos tem

um efeito estatisticamente significativosobre o desempenho do sistema, masnuma escala bem inferior à variável A ecom resultados conflitantes. Assim,uma redução de 37% no tamanho médiodos pedidos (de 1600 itens por pedido,para 1000 itens por pedido, mantendo-se o mesmo volume total pedido pormês), resulta em:

• redução de 15% no tempo médio deentrega;

• redução de 23% no percentual entre-gue com atraso;

• aumento de 45% na ociosidade devidoao set up;

• aumento de 40% no número de pedi-dos na fila.

Verifica-se, portanto, que se por umlado a redução no tamanho médio dospedidos permite uma melhoria razoávelno desempenho externo do sistema(prazos de entrega), por outro, ele afetanegativamente o desempenho internodo sistema, aumentando o tamanho dasfilas e piorando os índices de ociosida-de.

Tapeia)

Tempo de entrega% entregue, c/atraso .Pedidos na fila

.Oéiosidade. de sei up

Variável E (Partição dos lotes parafabricação)

A tática de particionar os pedidos emlotes menores de fabricação, buscandodesta forma uma maior flexibilidade nautilização das máquinas e moldes, nãoafeta o desempenho do sistema, a nãoser em urna única dimensão, ou seja, nonúmero médio de pedidos na fila e, as-sim mesmo, moderadamente.

Variável F (Número de Máquinas)Embora o efeito principal do número

de máquinas sobre o desempenho dosistema apresente um valor estatistica-mente significa ti vo (o terceiro fatormais importante após as variáveis A eC), o efeito isolado tem pouco significa-do em si mesmo, pois os resultadosmostram uma grande interação com asvariáveis C e A.

Para comprovar isto basta examinar atabela 5.

Tais números significam que só fazsentido analisar o efeito do número demáquinas levando-se em consideraçãotambém o número de moldes e/ ou o ní-vel de utilização de capacidade. Destaforma, o efeito principal sobre o percen-tual entregue fora do prazo é de 11,80%nos casos onde o número de moldes é42, e apenas 1,48% quando o número demoldes é 27. Da mesma forma, quandoo nível de utilização de capacidade é85%, o efeito principal do número demáquinas é significativamente maior doque quando o nível de utilização é de65%, ou seja, 10,20% contra 3,08%.

Em outras palavras, o aumento donúmero de máquinas só afeta positiva-mente o desempenho do sistema nos ca-sos onde se aumenta também o númerode moldes ou quando o nível de utiliza-ção da capacidade é alto. Assim, nas si-

17

l1~GARTIGO

5. CANTELLOW, D.G. et ai Ma-chine shop problems: an opera-tiottet research approach. Ope-rational Research, v. 24, n. 4,1973. EILON, S., COTERILL,D.J. A modified SI rule in jobshop scheduling. InfemationalJoumal of Production Research,v. 7, n. 2, 196B.

18

tuações onde o número de moldes éigual a 42, o aumento no número demáquinas de 1 para 2 (um aumento de100%) resulta numa redução do percen-tual entregue com atraso de 26/25% para14,45%. Nos casos onde o número demoldes é 271 o mesmo aumento no nú-mero de máquinas resulta numa redu-ção do percentual entregue com atrasode 21183% para 18,87%.

CONCLUSÕESAs conclusões dos resultados apre-

sentados anteriormente podem ser divi-didas em dois níveis: o específico, rela-cionado diretamente com o sistema deprodução estudado, e, o geral, relacio-nado com a questão de como analisar osimpactos de decisões e variáveis quan-do do projeto de um novo sistema deprodução.

A nível específico, as conclusões maisinteressantes têm a ver com a existênciade interações de segunda ordem entrevariáveis do sistema, além da compro-vação de que o procedimento de parti-ção de pedidos em lotes menores nãocontribui para a melhoria da perjcrmancedo sistema, trazendo apenas um aumen-to da complexidade nos procedimentosde programação e controle da produção.

Em termos mais específicos, são asseguintes as principais conclusões:

1. de longe, o mais importante efeitoprincipal sobre os prazos de entregafoi causado pela variação no nível no-minal de utilização de capacidade.Este tipo de efeito já tinha sido obser-vado em outros estudos realizadosem sistemas de produção mais tradi-cionais:"

2. o aumento no valor médio do tempode set up causa uma deterioração nodesempenho de entrega do ·sistema.No entanto, embora este efeito tenhase mostrado estatisticamente signifi-cativo e independente de outras va-riáveis, sua magnitude é bastante pe-quena em relação aos demais efeitos;

3. existe uma grande interação entre onúmero de moldes e a relação núme-

ro de estilos/número de máquinas,no que diz respeito às medidas de de-sempenho de entrega. Esta interaçãotem uma importância consideráveldevido à sua magnitude em relaçãoaos outros efeitos. Em termos práti-cos, este resultado indica que o efeitosobre o desempenho de prazos de en-trega, causado pelo aumento no nú-mero de moldes, depende fortementeda relação entre o número de estilosde produto e o número de máquinas;

, Em nível mais ge~al, estee;tqdo traz âlqumas liçõesimportantes. A primeira dizrespeito à metoaoloçio deanalise e seu impacto sobreo processo de tomada dedecisões quando do projeto edimensionamento de umnovo sistema de produção.

4. uma comparação entre as medidas decomportamento interno do sistema(tamanho da fila, ociosidade devido aset up) e as medidas de desempenhoem prazo de entrega indica que emcertas circunstâncias uma melhorianas medidas internas corresponde auma deterioração da performance ex-terna (prazos de entrega).

Em nível mais gerat este estudo trazalgumas lições importantes. A primeiradiz respeito à metodologia de análise eseu impacto sobre o processo de tomadade decisões quando do projeto e dimen-sionamento de um novo sistema de pro-dução.

Do amplo conjunto de decisões queenvolvem o projeto de um novo sistemade produção, existem aquelas relaciona-das às regras de gerenciamento do siste-ma, corno, por exemplo, a forma de pro-gramação da produção (particionar ounão encomendas em lotes menores parafabricação) ou o nível de utilização de

ESTRUTURA DE PRODUÇÃO E DESEMPENHO OPERACIONAL. ..

capacidade (por exemplo, 65% ou 85%de ocupação média) e aquelas relaciona-das com a aquisição de bens materiais,sejam ferramentas (compra de moldes)ou máquinas (1 ou 2 máquinas, porexemplo).

O que geralmente diferencia estasduas categorias de decisões são o valordo investimento e a reversibilidade dadecisão. A adoção de um novo procedi-mento para programação da produçãoou de um maior número de horas detrabalho para controlar o nível de con-gestionamento do sistema podem serfeitas com quase nenhum investimentode capital e uma vez entendido que sãode pouca utilidade podem ser rapida-mente descontinuadas. Por outro lado, aaquisição de uma nova máquina, e prin-cipalmente de mais um molde, implicaquase sempre um significativo investi-mento de capital, e uma vez adquiridosdificilmente se poderá modificá-los oumesmo vendê-los. São, portanto, deci-sões caras e de baixa reversibilidade, ouseja, seus impactos são duradouros e fi-nanceiramente significativos .. O uso de um modelo de simulação

como o utilizado neste trabalho permite,'portanto, examinar os impactos espera-dos de diferentes variáveis e decisõessobre o desempenho do sistema de pro-dução, a um custo significativamentemenor do que ocorreria caso se adotasseuma solução inadequada. Permite, o queé mais importante, a comparação de di-versas alternativas, o que seria inviávelno sistema real.

Além disso, a combinação de um mo-delo de simulação com uma boa estraté-gia de experimentos, no caso um projetofatorial, onde as variáveis/ decisões se-jam os fatores e os valores/alternativasos níveis dos fatores, permite chegar aconclusões bastante robustas sobre a re-levância de variáveis e alternativas, atra-vés dos efeitos principais, além de per-

mitir a identificação das interações entrevariáveis, o que seria praticamente im-possível em um sistema industrial real.

Uma outra observação importante, decunho mais geral, diz respeito à impor-tância das decisões de capacidade sobre odesempenho de sistemas de produção. Éimportante notar que existem diferentesformas de aumento de capacidade (maiornúmero de moldes, maior índice de utili-zação da capacidade de máquina, melhor

~. % z.

(maior númêro'âe moldes, maior índicede utilizáção dá copacidade de mágtiin~metborretação entre tipos de produtos enúmero de máquinas), cada umaafetando de forma diferente o desempenhodos prazos de entrega, uma variávelfundamental para a competitividadedas organizações.

relação entre tipos de produtos e númerode máquinas), cada uma afetando de for-ma diferente o desempenho dos prazosde entrega, uma variável fundamentalpara a competitividade das organizações.

Independentemente da melhor formade aumentar a capacidade (no caso,através de uma menor taxa de utiliza-ção das horas de máquinas disponíveis)fica evidente a existência de um clarotrade off entre investimento em capaci-dade e desempenho dos prazos de en-trega. O uso de modelo de simulaçãopermite em cada caso específico identi-ficar a melhor alternativa e tomar a de-cisão mais adequada. O

PALAVRAS CHAVE: Simulação, estrutura de produção, projeto de sistema de produção, sistemade produção.

KEY WORDS: Simulation, production siructure, design of production systems, produciionsystern.

Artigo recebido pela Redação da RAE em setembro/93, aprovado para publicação em outubro/93. 19