estudo da capacidade produtiva de um fabricante … · (2007) possuem variáveis que podem...

ESTUDO DA CAPACIDADE PRODUTIVA DE UM

FABRICANTE DE IMPLEMENTOS AGRÍCOLAS ATRAVÉS

DA MODELAGEM E SIMULAÇÃO COMPUTACIONAL

João Airton de Mattos

(IFRS)

Daniel Battaglia

(IFRS)

Tatiane Pellin Cislaghi

(IFRS)

Fabiane Cristina Brand

(IFRS)

Resumo: : A modelagem e a simulação computacional apresentam-se como importantes ferramentas gerenciais

que auxiliam os gestores a melhorar a qualidade das decisões tomadas. A partir de uma revisão da literatura

acerca dos temas de Modelagem e Simulação, o presente trabalho visa analisar a capacidade produtiva de uma

empresa fabricante de equipamentos agrícolas. A decisão que envolve a análise apresentada diz respeito à

possibilidade de inserção de um novo produto ao mix de produção. Para auxiliar nessa decisão, foi conduzido um

estudo de caso de caráter exploratório e abordagem predominantemente quantitativa. A partir dos resultados

obtidos, observou-se que a empresa possui capacidade ociosa para inserir o novo produto no seu mix de produção

sem alteração no sistema da fábrica, além de não necessitar de novas contratações de funcionários e nem de

criação de novos espaços e setores na fábrica. O estudo também contribui para a literatura sobre as técnicas de

Modelagem e Simulação por apresentar e discutir uma aplicação em um segmento específico da economia

brasileira (implementos agrícolas), sendo o tema ainda pouco explorado em estudos nesta área. Futuros estudos

podem ser desenvolvidos para sugerir melhorias que busquem a redução dos erros de produção e melhoria da

qualidade dos produtos fabricados.

Palavras-chaves: Simulação; Sistemas; Capacidade Produtiva; Cenários

ISSN 1984-9354

X CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 08 e 09 de agosto de 2014

2

1. INTRODUÇÃO

No atual cenário econômico, o desenvolvimento industrial atingiu níveis altamente

qualificados, o que proporciona bens com maior qualidade, passíveis de personalização e baixo

custo. Nesse contexto, a modelagem e simulação computacional apresentam-se como ferramentas

para auxiliar na tomada de decisão, visto que podem ser utilizadas para simular diversos formatos

de sistemas, tanto produtivo como de serviços e que possibilita analisar a capacidade produtiva das

organizações (CHWIF, 2010). A modelagem e simulação abrange o desenvolvimento de modelos

que representam o sistema real com o intuito de conduzir experimentos para a avaliação de

estratégias para sua operação. Além disso, possibilita o teste de diversas hipóteses sem a

necessidade de interferir no sistema real e permite economia de tempo e recursos financeiros no

desenvolvimento de projetos (FREITAS, 2008).

O presente estudo corrobora com elementos evidenciados por autores como Leal e Oliveira

(2011), Iannoni e Morabito (2002) e Montevechi et al. (2003). Ademais, o uso da modelagem e

simulação computacional permite verificar aspectos ainda não considerados pelos gestores para

auxiliar no processo decisório e que reflita a realidade do sistema produtivo. Como oportunidade

para a condução de estudos na área, verifica-se a necessidade das empresas em conhecerem melhor

seus processos a fim de adequar sua capacidade produtiva, gerenciar projetos e verificar a

disponibilidade de seus recursos e instalações (FREITAS, 2008; LEAL; OLIVEIRA, 2011).

Em continuidade ao exposto, o artigo tem como objetivo principal analisar a capacidade

produtiva de uma empresa do setor de máquinas agrícolas para subsidiar uma possível inserção de

um novo produto ao mix de produção. Secundariamente, verificar o lead-time médio de fabricação.

O estudo apresenta caráter exploratório, com a realização de um estudo de caso e adota a

perspectiva predominantemente quantitativa. Adicionalmente, pondera-se que a pesquisa contribui

para evidenciar a utilidade da modelagem e simulação em processos de manufatura, além de

colaborar com a área gerencial através da apresentação de um modelo de simulação desenvolvido

com a utilização do software ProModel.

Para atingir os objetivos propostos, o trabalho encontra-se dividido em cinco seções. Na

primeira seção é apresentada uma breve introdução ao tema e o objetivo do trabalho. Na segunda, é

exposta uma revisão teórica sobre modelagem e simulação e sua relevância. Na seção três são

descritos o método de pesquisa utilizado e os procedimentos adotados para a condução do estudo.


3

Na quarta, são apresentados os dados de campo e o modelo conceitual e, por fim, são apresentados

os resultados obtidos e as considerações finais.

2. MODELAGEM E SIMULAÇÃO

Administrar um sistema produtivo constitui-se na tomada de decisões referentes a quanto, o

quê e como produzir (SIQUEIRA, 2009). A decisão quanto ao mix de produtos a serem fabricados

passa pela análise da capacidade produtiva das instalações disponíveis. Para auxiliar nessa decisão,

ferramentas de modelagem e simulação apresentam-se como opções viáveis aos gestores.

Observado por Oliveira (2007), há uma diferenciação entre modelagem e simulação. A

modelagem é entendida como uma técnica utilizada para criar um modelo cuja finalidade é entender

e resolver determinado problema. Esse modelo pode ser (i) físico, com o uso de maquetes para a

execução; (ii) abstrato, utilizando-se modelo matemático; e (iii) híbrido, abrangendo tanto o

conceito físico como o abstrato. A simulação, por sua vez, utiliza um modelo para antecipar os

possíveis resultados desse modelo e, assim, viabilizar alterações, visando a alcançar melhores

resultados sem a necessidade de utilização de modelos reais. Por essa razão, Freitas (2008) expõe

que o grande trunfo do uso de ferramentas computacionais para a modelagem e simulação é a

possibilidade dada ao analista para realizar estudos sobre o sistema modelado, de modo a verificar

as mais diversas opções existentes sem ter que interferir no sistema real, evitando perturbações,

além de permitir ser praticado sobre sistemas que ainda não são reais.

Ragsdale (2009) acrescenta que há pouco tempo atrás o campo de modelagem e simulação

era altamente especializado e apenas quem possuía acesso a conhecimentos avançados de

matemática e linguagens de programação poderia utilizar tais ferramentas. Ao longo do tempo, a

simulação deixou de ser usada apenas como última opção e passou a ser empregada como uma

técnica que permite a análise de soluções de problemas oriundos de diversos ramos de atividades.

Ademais, os modelos de simulação apresentam dados de entrada ao qual é gerada uma resposta

específica a eles, sendo diferente dos modelos de otimização que buscam uma solução ótima

(FREITAS, 2008). Do ponto de vista empresarial, o uso de simuladores contribui para facilitar a

tomada de decisões, tornando-as mais assertivas. Complementarmente, a principal vantagem da

utilização de modelos de simulação está na possibilidade de analisar um sistema mesmo quando os

dados de entrada ainda não estão totalmente consolidados, ou seja, quando o sistema está sendo

formado e desenvolvido. Além dessa vantagem, há a possibilidade de utilizar um mesmo modelo


4

diversas vezes alterando-se suas opções para encontrar uma solução considerada satisfatória, além

do grande nível de detalhamento permitido pela simulação, o controle do tempo e o

aperfeiçoamento do processo estudado sem o uso dos sistemas reais (FREITAS, 2008;

RAGSDALE, 2009; CHWIF, 2010).

Por outro lado, existem desvantagens quanto ao uso de modelos de simulação. Uma delas é

a necessidade de mão de obra especializada. Com os avanços nos simuladores, a tarefa de modelar

se tornou mais ágil e prática, exigindo menos conhecimentos avançados, porém são necessários

conhecimentos mínimos da ferramenta de simulação utilizada e do tratamento dos dados.

Frequentemente, os resultados obtidos pela simulação também não são claros, o que exige certa

habilidade para transformar os valores apresentados pelos programas em soluções efetivas aos

problemas observados. O alto consumo de recursos para a sua execução, assim como o tempo de

construção dos modelos, também é apontada na literatura como uma desvantagem (FREITAS,

2008).

2.1 Tipos de Simulação

Uma primeira classificação da simulação computacional, sugerida por Chwif (2010), é

composta por quatro categorias. A primeira categoria refere-se à Simulação de Monte Carlo que

utiliza geradores de números aleatórios para solucionar problemas complexos de matemática. A

segunda denomina-se Simulação contínua, utilizada para a simulação de sistemas cujo estado varia

continuamente ao longo do tempo (ex.: desgaste do pneu de carro, esvaziamento de reservatório de

água, crescimento de uma árvore). A terceira categoria, denominada Simulação de eventos

discretos, é utilizada para a simulação de sistemas que mudam o seu estado em momentos discretos

no tempo, ou seja, a partir da ocorrência de eventos. Por fim, a última categoria refere-se à

necessidade de construção de um sistema hibrido, que mescla a simulação contínua e discreta.

Outra forma de classificar os sistemas é observada por Freitas (2008) e é apresentada na

Figura 1.


5

Figura 1: Classificação dos sistemas para fins de modelagem.

Fonte: Adaptado de Freitas (2008, p. 44).

O sistema estático é pouco utilizado em simulação, pois não considera a variável do tempo.

As variáveis de estado que representam esse tipo de modelo não se modificam à medida que o

tempo transcorre, o que torna os modelos mais simples e que podem ser solucionados por técnicas

analíticas diretas. Em um modelo dinâmico, as variáveis de estado sofrem mudanças ao longo do

tempo e por isso se torna o melhor tipo de modelo a ser aplicado na simulação. Os modelos

determinísticos adotam variáveis com valores já determinados e não permitem que estas se alterem

com o tempo (MELLO, 2007). Os modelos de simulação contínua, como evidenciado por Mello

(2007) possuem variáveis que podem alterar-se continuamente ao longo do tempo. Modelos que

adotam a simulação discreta apresentam variáveis que segundo Freitas (2008) não se alteram

continuamente e uniformemente ao longo do tempo e somente apresentam alterações de estado em

pontos determinados do sistema. Também ponderado pelo mesmo autor e comentado por Mello

(2007) para esse tipo de simulação, a variável do tempo pode ser tanto discreta como contínua. Se

assumir qualquer valor no tempo, a variação é considerada contínua, porém se assumir valores

apenas determinados, é considerada discreta. A última forma comentada tanto por Chwif (2010)

quanto por Mello (2007) e Freitas (2008) corresponde aos modelos combinados que mesclam os

modelos contínuos e discretos.

2.2 Fases para um projeto de simulação

O desenvolvimento de um modelo pode ser estruturado basicamente sobre quatro fases. Na

primeira fase, denominada de planejamento, há a formulação e análise do problema, o planejamento

do projeto, a formulação do modelo conceitual e a coleta de macro informações. A segunda fase é

caracterizada pela modelagem, e consiste na coleta dos dados e seu tratamento, a tradução do


6

modelo, a sua validação e verificação. Na sequência, a terceira fase é denominada experimentação e

consiste na execução do projeto experimental, análise e interpretação estatística dos resultados da

simulação. Por último, a quarta fase é tratada como decisão e conclusão do projeto, com a

comparação dos sistemas simulados, a identificação das melhores soluções, a documentação,

apresentação e implementação dos resultados obtidos (FREITAS, 2008). É notório que o processo

de validação e verificação de modelos de simulação seja fundamental para que um projeto de

simulação seja bem sucedido, visto que permite a descoberta de erros relacionados a sintaxes, à

lógica, além de possibilitar a análise quanto à adequação do modelo desenvolvido ao sistema real

(CHWIF, 2010).

2.3 Aplicações da simulação

Os modelos de simulação podem ser utilizados em uma vasta área de atuação (PRADO,

2010). Em aeroportos e portos é possível aplicá-los à simulação em diversos ramos de atividades,

como a verificação do dimensionamento de sistema de transporte de bagagens em um aeroporto ou

o cálculo da mão de obra e equipamentos necessários à carga e descarga de navios conforme o

tempo desejado.

Em bancos, a simulação é utilizada principalmente para definir o layout, o tempo de espera

em fila e o número de caixas necessários ao atendimento dos clientes. Nas centrais de atendimento

são empregados tanto para descobrir a melhor configuração das linhas de atendimento, como o

número de atendentes e os equipamentos necessários. Em hospitais permite a definição desde o

layout até o dimensionamento de ambulâncias. Adicionalmente, existem outros segmentos em que

os modelos podem ser explorados como restaurantes, supermercados, parques de diversões e

escritórios (CHWIF, 2010).

3. MÉTODOS E PROCEDIMENTOS

Método pode ser descrito como o conjunto de atividades que permitem alcançar os objetivos

propostos de forma mais confiável, evitando desperdícios e auxiliando na escolha das melhores

decisões. É entendido também como um conjunto de procedimentos para a obtenção de

conhecimentos (BARROS; LEHFELD, 2008; LAKATOS; MARCONI, 2010). Uma pesquisa pode

ter caráter qualitativo ou quantitativo. O estudo apresentado caracteriza-se como quantitativo e


7

conduzido através de Estudo de Caso. O método quantitativo difere do qualitativo por utilizar

amostras amplas de dados, enquanto no qualitativo as amostras são mais profundas e tendem a ser

em menor quantidade. Suplementarmente, o método quantitativo também se caracteriza por sofrer

tratamento por meio de técnicas estatísticas para apresentação e análise dos dados (HAIR et. al.,

2005).

Como os dados do estudo foram coletados no local em que o fenômeno ocorreu, a pesquisa

apresentada classifica-se, quanto ao seu meio de investigação, como um estudo de campo e consiste

em observar os fatos exatamente da forma que ocorreram, permitindo o registro das variáveis à

análise (LAKATOS; MARCONI, 2010). Para a condução da pesquisa, optou-se por um Estudo de

Caso único com o intuito de analisar e descrever um sistema real de forma que se passe a entendê-

lo. Essa escolha ocorreu, sobretudo, pelo fato da simulação se basear principalmente em sistemas

reais. O Estudo de Caso pode ser utilizado em uma pesquisa em que há questões predominantes do

tipo “como” e “por que” e o pesquisador possui pouco controle sobre os eventos (YIN, 2010).

Geralmente esse tipo de pesquisa é mais flexível e na medida em que é desenvolvida, podem surgir

alterações nas etapas seguintes (GIL, 2010). O caso escolhido deve ser representativo e permitir

futuras comparações com outros casos semelhantes. Os dados utilizados, também devem ser

coletados e registrados com o rigor necessário a uma pesquisa bem fundamentada (SEVERINO,

2007). O Estudo de Caso único, por sua vez, permite o aprofundamento e o detalhamento da

unidade de análise de forma mais apurada (YIN, 2010).

Para a coleta dos dados utilizou-se um sistema de fichas de pedidos para a inserção dos

tempos de processamento do produto manufaturado em cada equipamento. Essa coleta ocorreu

entre 11 de fevereiro e 24 de julho de 2013, totalizando 38 máquinas produzidas referentes aos

modelos fabricados. Cada pedido foi anotado com seu respectivo tempo de processo, em minutos, e

em tabela específica. Na sequência, os dados coletados foram lançados em planilha do MS Excel,

para serem tratados e utilizados no modelo de simulação desenvolvido. Foram realizadas análises

estatísticas com o amparo do software StatFit versão 2.0 para organizar o conjunto de dados e

realizar as inferências das distribuições de frequências, e identificar de padrões de comportamento

dos dados. O modelo foi construído utilizando-se o software ProModel versão 8.5. Foram

conduzidas também entrevistas não-estruturadas com os diretores e funcionários da empresa para

melhor compreensão dos processos de fabricação na empresa investigada.


8

4. APRESENTAÇÃO DO CASO

O Estudo de Caso foi realizado em um fabricante de implementos agrícolas especiais

voltados ao mercado de viticultura e fruticultura e está localizado no estado do Rio Grande do Sul.

Atualmente, a empresa atende ao mercado nacional, com maior ênfase ao mercado da Região Sul. A

empresa é classificada como de pequeno porte, segundo a classificação do SEBRAE (2013) e não

conta com concorrente nacional expressivo. No ano de 2013, houve uma redução nas vendas da

empresa entre o período considerado de alta demanda (de Julho a Dezembro) e praticamente não

apresentou venda expressiva entre os meses de Janeiro a Junho do mesmo ano. Esse comportamento

induziu os gestores a tomarem decisões importantes. Na busca por alternativas ao negócio, a nova

estratégia passou a ser a diversificação do portfólio de produtos da empresa, avançando para outros

segmentos que não estão sujeitos fortemente à sazonalidade, a exemplo da construção civil.

O sistema produtivo da empresa é caracterizado como produção puxada em que há a

produção de itens conforme as ordens de fabricação iniciadas a partir das demandas dos clientes ou

para atender os processos de manufatura seguintes (OHNO, 1997; MOREIRA, 2011;

KRAJEWSKI; RITZMAN; MALHOTRA, 2009). Assim, quando um pedido de venda é

formalizado, o setor de compras fica responsável pela análise dos componentes em estoque, além de

emitir ordens de compra para o material faltante. A principal razão para a aplicação desse tipo de

produção é o extenso portfólio de produtos da empresa, aliado à baixa previsibilidade de demanda,

que dificulta a geração de estoques de produtos acabados. Além de adotar este modelo de produção,

há alta taxa de terceirização dos processos. Dessa forma, um parceiro com know-how em

determinado processo pode oferecer um produto com menor custo e melhor qualidade. A empresa

realiza, basicamente, três processos internos: solda, pintura e montagem. A Figura 2 apresenta o

fluxo produtivo da empresa analisada.


9

Figura 2: Fluxo do sistema produtivo da empresa.

Fonte: Elaborado pelos autores (2013).

A empresa analisada não utiliza nenhum indicador de lead-time produtivo para auxiliar na

melhor projeção dos prazos de entrega, indicando uma oportunidade para melhor mensuração e

dimensionamento de pedidos em curto e longo prazo. A utilização da modelagem e simulação pode

suportar o processo de tomada de decisão dos gestores da empresa.

5. APLICAÇÃO DA MODELAGEM E SIMULAÇÃO

Para a condução da pesquisa, a aplicação da modelagem e simulação foi segmentada em três

etapas.

5.1 Etapa 1: planejamento

O desenvolvimento de um modelo inicia com o seu planejamento em que o sistema deve ser

compreendido claramente assim como são definidos os objetivos (CHWIF, 2010). O sistema

apresentado engloba todos os processos produtivos internos da empresa (preparação do material,

solda, pintura e montagem dos conjuntos). Não foram considerados os processos externos, como

serviços terceirizados. Adicionalmente, foram utilizados os tempos individuais coletados de cada

etapa produtiva e alocados com auxílio de tabelas, incluindo as paradas e retrabalhos. Para a fase

detalhada de construção do modelo, identificaram-se as atividades principais do processo produtivo

para evitar a coleta de dados sobrepostos e que não teriam utilidade à execução do modelo. Após,


10

conduziu-se à construção do modelo conceitual com a aplicação do ACD (Activity Cicle Diagram).

O ACD é uma das formas para modelar as interações entre os objetos de um sistema (CHWIF,

2010).

5.2 Etapa 2: modelagem

Para a construção do modelo no ProModel, considerou-se o pedido completo em que todos

os componentes necessários à fabricação da máquina estão disponíveis. O modelo tratou uma

entidade para a simulação, denominada “produto” e seu respectivo atributo. Foram também

considerados para o modelo, os três responsáveis pelo setor produtivo da empresa, além de um

auxiliar responsável pela operação de compras e separação/preparação dos materiais.

Após o material passar pela recepção segue ao setor de preparação que possui capacidade

para seis pallets. Cada um dos pallets é considerado como um pedido que contém o conjunto

completo de peças para a produção de um equipamento. Do setor de preparação, os pedidos seguem

ao buffer solda que é utilizado para armazená-los enquanto espera a disponibilidade do soldador,

que possui capacidade para atender quatro pedidos. Quando o soldador torna-se disponível, um dos

pedidos que se encontra no buffer solda é retirado pela ordem FIFO (First In, First Out), levando-o

ao setor solda. Nesse setor são realizadas duas operações: a montagem solda e a solda final.

Finalizado esse processo, o pedido é encaminhado pelo soldador até o local buffer pintura, que

possui capacidade para quatro pallets e sua utilização é a mesma do buffer solda. Quando

processadas no setor da pintura, os pedidos seguem ao buffer montagem, que possui capacidade

para dez pallets e é utilizado para armazenar os pedidos enquanto o montador está indisponível.

Quando um pedido é resgatado pelo montador é levado ao local de inspeção, em que é realizada

uma pré-montagem dos conjuntos para a verificação das especificações. Quando rejeitado, o pedido

é destinado ao local “parada solda” que aguarda o reparo do soldador. Em seguida, é conduzido à

pintura e, então, à “parada montagem” aguardando o montador ficar disponível para o processo de

montagem. No momento em que o pedido da inspeção é aprovado, segue à montagem onde ocorre o

último processo de produção.

Para designar quais pedidos sofrem ou não parada foi utilizada uma distribuição de usuários

com base nos pedidos reais que sofreram parada por erros de produção. Quando finalizada a

montagem, o pedido é encaminhado à expedição, em que, geralmente, aguarda dois dias para ser

recolhido. Para complementar a qualidade do objeto simulado, os turnos de trabalho foram


11

estabelecidos, conforme o sistema real. Assim, o modelo respeitou o período estipulado de

simulação, permitindo apenas que ocorresse processamento do sistema nos horários e dias

definidos. A Figura 3, representa o modelo do processo produtivo da empresa, construído no

ambiente de trabalho do software ProModel.

Figura 3: Planta baixa da empresa e seus fluxos produtivos.


Com o modelo definido, foi possível coletar as informações necessárias para a modelagem

do sistema. Os dados estatísticos foram obtidos através das fichas de pedidos nos setores

correspondentes. Antes de transpor os dados obtidos para o modelo, foram realizadas as inferência

estatística para verificar a aderência dos dados a modelos probabilísticos, pois segundo Chwif

(2010) isso determina se os dados possuem boa aderência a um modelo probabilístico ou não. Tal

inferência se faz necessária para permitir que o modelo represente corretamente o comportamento

das variáveis de interesse. As distribuições de frequências relativas aos tempos de operação (em

minutos) de cada setor foram obtidas com o uso do módulo StatFit e são apresentadas na Figura 4.

Preparação

Distribuição com melhor ajuste: Exponencial. Montagem Solda

Distribuição com melhor ajuste: Exponecial.


12

p-value > 0,927

p-value > 0,385

Solda final

Distribuição com melhor ajuste: Lognormal.

p-value > 0,420

Pintura


p-value >

0,69

Montagem


p-value > 0,54

Tempo de parada

Distribuição com melhor ajuste: Exponencial.

p-value > 0,779

Figura 4: Distribuições de frequências dos setores e dos tempos de parada.


5.3 Etapa 3: validação e experimentação

Como forma de validação do modelo, foi realizada uma simulação com os tempos coletados

do sistema real para verificar a acurácia do modelo em relação à realidade. O número total de

equipamentos fabricados entre os meses de Fevereiro a Julho obtidos com o modelo de simulação

foi semelhante ao obtido pela empresa no mesmo período de tempo. Essa experimentação inicial

permitiu considerar o modelo como válido para o estudo. A Tabela 1 exibe os resultados do

comparativo entre o modelo de simulação e o real.


13

Tabela 1: Relação entre a produção real de equipamentos e do sistema simulado.

Produção total entre os meses fevereiro a julho

Modelo Real Modelo Virtual

38 equipamentos 38 equipamentos


6. APRESENTAÇÃO DOS RESULTADOS

Nessa seção, apresentam-se os principais resultados obtidos no presente Estudo de Caso.

6.1 Cenário 1: modelo real

No primeiro cenário simulado, a análise estatística obtida com o modelo permitiu verificar,

de acordo com o sistema real, o comportamento das principais variáveis da simulação. A Figura 5

apresenta os resultados obtidos do primeiro cenário simulado em relação à utilização dos recursos e

dos locais.

Para o cenário um, o número de pedidos concluídos ficou em conformidade com o número

de pedidos concluídos no sistema real. O lead-time médio do tempo de parada por erros de

produção foi de 642 minutos para cada pedido, ou seja, esse foi o tempo médio que um pedido que

apresentou defeito levou a mais para ser produzido em virtude dos reprocessos que sofreu. O lead

time médio do tempo de produção foi de 3.361 minutos por pedido. Com base na Figura 5, nota-se

que os recursos apresentaram reduzido nível de utilização, sendo o soldador o colaborador que

apresentou o maior índice de utilização no processo produtivo.

O local de montagem apresenta maior ocupação e aproveita apenas 51,17% de sua

capacidade. Tal aspecto apresenta como indicativo a possibilidade de ampliação no número de

pedidos que passem pelos locais. A Tabela 2 apresenta os resultados obtidos com o primeiro

cenário.


14

Figura 5: Resultados das variáveis referentes à utilização dos locais e dos recursos (em %).

Fonte: Módulo Estatístico do software ProModel.

Tabela 2: Estatísticas referentes ao Cenário 1.

11/02/2013 - 24/07/2013

Pedidos concluídos 38 equipamentos

Pedidos no sistema 1 equipamento

Pedidos com parada 31 equipamentos

Pedidos semanais finalizados 1,65 equipamentos

Pedidos mensais finalizados 7 equipamentos


Os dados da Tabela 2 mostram que no período estipulado para a simulação foram entregues

38 pedidos, restando no final da simulação um pedido em aberto no sistema. Os pedidos com parada

representaram 31 pedidos defeituosos que necessitaram de reprocesso. A média de máquinas

produzidas mensalmente pela empresa, nesse período, foi de sete máquinas, menos de duas por

semana.


15

6.2 Cenário 2: modelo com incremento no mix produtivo

Ao ser realizada a simulação do modelo com os parâmetros do sistema real, foi possível

perceber a ociosidade de recursos no sistema. Para o segundo cenário, foi considerado um aumento

de pedidos, reduzindo-se os tempos entre chegadas para permitir analisar um possível incremento

do mix de produtos com maior número de equipamentos fabricados no mesmo período da

simulação. A Figura 6 mostra os resultados obtidos em relação à utilização dos locais e dos recursos

para o novo cenário.

O lead-time médio dos tempos de parada para esse cenário foi de 1.398 minutos devido ao

maior número de pedidos e da menor disponibilidade do soldador para resolver o defeito encontrado

no pedido anterior. O lead-time do tempo de produção médio de cada pedido passou a ser de 1.402

minutos. Neste cenário maximizado, o número de pedidos totais concluídos foi de 84 máquinas, no

mesmo período de simulação do cenário um.

O aumento da produção refletiu, portanto, na taxa de utilização dos recursos do sistema. A

taxa de utilização do setor de montagem, por exemplo, passou de 51,17% para 83,36% de

utilização, atingindo o maior índice.

O segundo cenário possibilitou a produção de 84 máquinas no período simulado, respeitando

os limites da capacidade da empresa. Com o término da simulação, permaneceram três pedidos em

aberto no sistema. Do total de pedidos realizados, 66 tiveram a necessidade de sofrer reparos por

erros de produção. Com o aumento da produção da empresa, os resultados apontaram que o número

de pedidos mensais passou para pouco mais de 15 máquinas, o que qualifica a empresa a atender

mais de três pedidos semanais, conforme Tabela 3.


16

Figura 6: Resultados das principais variáveis mensuradas e o % de utilização dos locais no segundo cenário.

Fonte: Módulo Estatístico do software ProModel.

A Tabela 3 apresenta os resultados obtidos com o segundo cenário.

Tabela 3: Estatísticas produtivas referentes ao Cenário 2.

11/02/2013 - 24/07/2013

Pedidos concluídos 84 equipamentos

Pedidos no sistema 3 equipamentos

Pedidos com parada 66 equipamentos

Pedidos Semanais 3,60 equipamentos

Pedidos Mensais 15,46 equipamentos

Fonte: elaborado pelos autores (2013).

6.3 Comparativo entre os dois cenários e oportunidades identificadas

Ao comparar os dois cenários construídos, foi possível analisar a capacidade ociosa da

fábrica devido a menor demanda que os produtos apresentaram. Os achados obtidos com a

comparação dos dois cenários possibilitou subsidiar o incremento produtivo com a possibilidade de

inserção de novo produto ao mix de fabricação. A Tabela 4 exibe o comparativo entre os dois

cenários simulados.

Tabela 4: Comparativo entre os cenários simulados.

Resultados Cenário 1 Cenário 2 Diferença

Pedidos concluídos 38 84 121,05%

Pedidos no sistema 1 3 200,00%

Pedidos com parada 31 66 112,90%

Pedidos Semanais 1,65 3,6 118,18%

Pedidos Mensais 7 15,46 120,86%


17


Observa-se que o aumento na produção pode representar uma diferença de 121% em relação

ao que foi produzido no período analisado, o que permite considerar que a produção atual está

aquém do potencial da empresa. A Tabela 5 apresenta um resumo das principais oportunidades

identificadas entre os cenários simulados.

Tabela 5: Oportunidades identificadas entre os cenários simulados.

Cenário 1 Cenário 2 Oportunidades identificadas

38 pedidos

concluídos no

período

84 pedidos

concluídos no

período

Possível incremento em 121% na produção de

equipamentos ao longo do período de simulação.

Lead-Time médio

de produção de

3.361 minutos

Lead-Time médio de

produção de 1.402

minutos

Regularizar a produção, o que reduz o tempo de

produção médio e permite aperfeiçoar o tempo de

entrega dos pedidos.

31 Pedidos com

parada (81%)

66 Pedidos com

parada (78%)

Possibilidade de redução na quantidade de erros

para minimizar lead time de produção e melhorias

na qualidade dos produtos.

Taxa de ocupação

da mão-de-obra do

soldador em 60%

Taxa de ocupação da

mão-de-obra do

soldador em 90,49%

Melhor utilização da capacidade produtiva da

empresa com base nos cenários simulados.


A partir das evidências observadas, a empresa apresenta capacidade produtiva disponível

para incrementar sua produção sem alteração no sistema da fábrica. Se for estimado que a inserção

do novo produto ao mix produtivo necessite aproximadamente do mesmo lead-time das máquinas

agrícolas para sua produção e sendo mantida, nos próximos períodos, a mesma demanda no setor

agrícola, seria possível considerar a fabricação de aproximadamente oito unidades mensais de um

novo equipamento, além da produção dos equipamentos agrícolas já comercializados, sem a

necessidade de novas contratações de mão-de-obra ou criação de novos espaços e setores na fábrica.

Observou-se que o valor mais significativo no modelo foi a quantidade de paradas devido a erros de

produção, que atingiu cerca de 80% dos pedidos. Com isso, o lead-time de parada que varia entre

642 minutos (cenário 1) e 1.398 minutos (cenário 2) pode influenciar a capacidade produtiva em

função dos tempos de paradas relativos aos processos de solda e pintura.

7. CONSIDERAÇÕES FINAIS

Com base nos resultados do modelo e de seus cenários simulados, é possível evidenciar

alguns aspectos quanto à melhoria do sistema produtivo da empresa. Considerando-se os dois


18

cenários, observou-se que o índice de erros de produção pode ser refletido em quase 80% dos

pedidos, o que gera reprocesso e aumento do lead-time de produção e impacta em um menor

número de pedidos concluídos por período. Assim, uma melhoria na política de qualidade da

empresa poderia estimular a redução dos erros de fabricação. Uma realocação do setor de inspeção

também poderia contribuir para gerar efeitos positivos para a empresa. Observa-se que há somente

um ponto físico de inspeção no sistema produtivo (setor de montagem), o que acarreta um aumento

no lead-time da montagem solda até a inspeção, pois quando reprovado o produto retorna ao setor

da solda. Se a inspeção ocorrer logo após a finalização da solda, evita-se o reprocesso da pintura e

contribui para reduzir parcialmente o lead-time de parada, quando o pedido apresenta defeito.

Nesse sentido, o estudo explorou a modelagem e simulação computacional como ferramenta

útil a ser utilizada em empresas, independente do porte. Foi possível verificar com o estudo, que o

uso da simulação permite que sejam conduzidas análises detalhadas de sistemas complexos,

auxiliando os gestores na tomada de decisões com maior confiabilidade. O alcance do objetivo da

pesquisa tornou-se viável devido ao desenvolvimento de cenários para simular um possível

incremento produtivo e, assim, gerar dados que pudessem servir como base para a tomada de

decisão. Os cenários simulados possibilitaram a realização de análises em relação ao quadro atual

do sistema produtivo da empresa. Observou-se que o lead-time de produção médio é de 1.402

minutos e que a capacidade produtiva estipulada pelo modelo construído foi de 84 pedidos por

período (15 mensais). Comparando a produção atual da empresa (sete pedidos mensais) e o

resultado obtido, cogitou-se a possibilidade de aceitar a inserção de um novo produto no mix da

empresa, utilizando-se, para isso, a capacidade ociosa verificada.

O estudo limita-se em considerar o lead-time de processamento total de produção e não dos

setores individualmente, além disso, não foram abordados elementos de estratégia de produção e

qualidade quanto à fabricação dos produtos. Também não foram considerados aspectos vinculados

ao sequenciamento de produção e ao balanceamento das operações da fábrica. Como sugestão para

estudos futuros, recomenda-se o refinamento do modelo de simulação com a construção de outros

cenários para verificar uma possível redução dos erros de fabricação, a diminuição do retrabalho e

aperfeiçoamento do lead-time em processo.


19

REFERÊNCIAS

BARROS, A. S.; LEHFELD, N. A. S. Fundamentos de metodologia cientifica. 3. ed. São Paulo:

Pearson Prentice Hall, 2007, 158p.

CHWIF, L.; MEDINA, A. C. Modelagem e simulação de eventos discretos: teoria e aplicações. 3.

ed. São Paulo: Editora Do Autor, 2010, 309p.

FREITAS, P. J. Introdução à modelagem e simulação de sistemas com aplicações em arena. 2.

ed. Florianópolis: Visual Books, 2008, 384p.

GIL, A. C. Como elaborar projetos de pesquisa. 5. ed. São Paulo: Atlas, 2010, 238p.

HAIR, J. F.; BABIN, B.; MONEY, A. H.; SAMOUEL, P. Fundamentos de métodos de pesquisa

em administração. Porto Alegre: Bookman, 2005.

IANNONI, A. P.; MORABITO, R. Análise do sistema logístico de recepção de cana-de-açúcar: um

estudo de caso utilizando simulação discreta. Gestão & Produção, v. 9, n. 2, p.107-128, 2002.

KRAJEWSKI, L.; RITZMAN, L.; MALHOTRA, M. Administração de produção e operações.

São Paulo: Pearson Prentice Hall, 2009.

LEAL, L. R.; OLIVEIRA, M. J. F. Simulação aplicada ao gerenciamento de projetos: uma revisão.

Revista Produção Online. Florianópolis, v.11, n. 2, p. 503-525, abr./jun., 2011.

LAKATOS, E.M.; MARCONI, M.A. Metodologia científica. 5. ed. São Paulo: Atlas, 2010.

MELLO, B. A. Modelagem e simulação de sistemas. Santo Ângelo: URI, 2007, 69f.

MONTEVECHI, J. A. B.; DUARTE, R.; NILSSON, G. V. O uso da simulação para análise do

layout de uma célula de manufatura. Revista Pesquisa e Desenvolvimento Engenharia de

Produção, n.1, p. 15-29, dez. 2003.

MOREIRA, D. A.. Administração da produção e operações. 2. ed. São Paulo: Cengage Learning,

2011, 624p.

OHNO, T. O Sistema Toyota de Produção: além da produção em larga escala. Porto Alegre:

Bookman, 1997, 155p.

OLIVEIRA, J. B. Simulação computacional: análise de um sistema de manufatura em fase de

desenvolvimento. Itajubá: UFI, 2007, 156f. Dissertação do Programa de Pós-Graduação em

Engenharia de Produção.

PRADO, D. S. Usando o arena em simulação. Belo Horizonte: INDG Tecnologia e serviços Ltda.,

2010, 306p.

RAGSDALE, C. T. Modelagem e análise de decisão. São Paulo: Cengage Learning, 2009, 608p.


20

SEVERINO, A. J. Metodologia do trabalho científico. 23. ed. São Paulo: Cortez, 2007, 304p.

SIQUEIRA, J. P. L. Gestão de produção e operações. Curitiba: IESDE Brasil S.A., 2009, 124p.

YIN, R. K. Estudo de caso: planejamento e métodos. 4. ed. Porto Alegre: Bookman, 2010.

estudo da capacidade produtiva de um fabricante … · (2007) possuem variáveis que podem...

Documents