mario mannarino filho - coppead.ufrj.br · sequenciamento de produção e lógica fuzzy:...

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO

INSTITUTO COPPEAD DE ADMINISTRAÇÃO

MARIO MANNARINO FILHO

Sequenciamento de produção e lógica fuzzy: incorporando

elementos de gestão de estoque

RIO DE JANEIRO

2014

ii




Dissertação de Mestrado apresentada ao Instituto

COPPEAD de Administração, da Universidade Federal

do Rio de Janeiro, como parte dos requisitos

necessários à obtenção do título de Mestre em

Administração.

ORIENTADOR: Peter Fernandes Wanke, D.Sc

RIO DE JANEIRO

2014

iv




Dissertação de Mestrado apresentada ao Programa de

Pós-Graduação em Administração, Instituto COPPEAD

de Administração da Universidade Federal do Rio de

Janeiro, como parte dos requisitos necessários à

obtenção do título de Mestre em Administração.

Aprovada em 21 de Agosto de 2014, por:

__________________________________________________________________________

Peter Fernandes Wanke, D.Sc. (COPPEAD/UFRJ)

__________________________________________________________________________

Vicente Antonio de Castro Ferreira, D.Sc. (COPPEAD/UFRJ)

__________________________________________________________________________

Carlos Alberto Nunes Cosenza, D.Sc. (COPPE/UFRJ)

RIO DE JANEIRO

2014

v

Dedico este trabalho à minha avó Virginia

e à nova geração da família:

Gigi, Fred, Livinha, Alice, Arthurzinho e aos demais que virão.

vi

AGRADECIMENTOS

A Deus por tudo.

Aos meus pais, irmãos e toda família pela paciência e empenho em me educar.

Aos amigos, antigos e novos, que caminharam e caminham comigo.

Ao meu orientador, pelo ensinamento passado e suporte prestado para a realização do estudo.

Ao Vicente Ferreira e ao Carlos Cosenza, por participarem da banca de defesa.

À equipe do COPPEAD, pelo empenho em fazer dele uma instituição de ensino de

excelência.

À Bruna Cunha e ao Henrique Miranda, por todo apoio durante o projeto.

À Natália Veiga e equipe, pela possibilidade de realização da pesquisa.

vii

RESUMO

MANNARINO FILHO, Mario. Sequenciamento de produção e lógica fuzzy: incorporando

elementos de gestão de estoque. Rio de Janeiro, 2014. Dissertação (Mestrado em

Administração) – Instituto COPPEAD de Administração, Universidade Federal do Rio de

Janeiro, Rio de Janeiro, 2014.

A crescente demanda dos consumidores por novos e variados produtos vem impondo cada vez

maiores desafios às empresas. Neste contexto de crescente complexidade, as empresas vêm

buscando formas de lidar com seus desafios operacionais. Para auxiliar as organizações em

alcançar melhores decisões operacionais, diversas técnicas vêm sendo desenvolvidas na

literatura. O presente estudo visa elaborar uma forma de melhorar a prática da organização

pesquisada, mais especificamente em relação ao sequenciamento de produção, uma atividade

que integra o planejamento e controle da produção. O objetivo final é proporcionar, por meio

de novas práticas propostas na literatura, uma maneira de reduzir a perda de venda por conta

da falta de estoque disponível de produtos finais, assim como aumentar a quantidade de

diferentes itens sem perda de vendas e o atingimento de vendas em unidades, melhorando

assim o atendimento à demanda de seus produtos. Para tal, foi realizada uma pesquisa-ação.

Inicialmente, um diagnóstico da situação da organização pesquisada foi traçado, e em seguida,

uma nova abordagem para lidar com o problema de sequenciamento de produção da empresa

foi proposto e testado por meio de simulações. A abordagem proposta, que contou com a

elaboração de um sistema de controle baseado na lógica fuzzy, mostrou-se uma eficiente

alternativa para contornar os problemas enfrentados pela empresa. Além de se mostrar mais

eficiente quanto mais adverso e desfavorável for o cenário em diversos quesitos, por conta de

suas qualidades, a ferramenta desenvolvida possibilita que as tomadas de decisão da

organização se tornem muito mais ágeis e dinâmicas. Ainda, pelo fato de facilitar a

incorporação da complexidade do ambiente em que a organização está situada, a solução

proposta ajuda a unificar a tomada de decisão entre as diferentes áreas da empresa.

Palavras-chaves: Sequenciamento de produção, lógica fuzzy, gestão de estoque, pesquisa-

ação.

viii

ABSTRACT

MANNARINO FILHO, Mario. Sequenciamento de produção e lógica fuzzy: incorporando

elementos de gestão de estoque. Rio de Janeiro, 2014. Dissertação (Mestrado em

Administração) – Instituto COPPEAD de Administração, Universidade Federal do Rio de

Janeiro, Rio de Janeiro, 2014.

The increasing consumer demand for new and varied products has imposed increasing

challenges to companies. In this context of increasing complexity, companies are seeking

ways to cope with their operational challenges. To assist organizations in achieving better

operational decisions, several techniques have been developed in the literature. The present

study aims to develop a way to improve the practice of the investigated organization,

specifically in respect to production scheduling, an activity that is part of the production

planning. The ultimate goal is to provide, through new practices proposed in the literature, a

way to reduce the loss of sales due to lack of final product’s available inventory, as well as

increase the amount of different items without loss of sales and the achievement of sales units,

thus better meeting the demand for the company’s products. For such, an action research was

conducted. Initially, a diagnosis of the situation of the company studied was traced, and then,

a new approach to deal with the company’s issues regarding its production scheduling was

proposed and tested by simulations. The proposed approach, which included the elaboration

of a fuzzy logic controller, has proven an efficient alternative to overcome the problems faced

by the company. In addition to prove more efficient as more adverse and unfavorable the

scenario faced by the company is in many aspects, because of its qualities, the designed tool

enables the organization’s decision making process to become much more agile and dynamic.

Moreover, by facilitating the incorporation of the complexity by which the organization is

affected, the proposed solution helps to better unify the decision making process across the

different areas of the company.

Keywords: Production scheduling, fuzzy logic, inventory management, research action.

ix

LISTA DE ILUSTRAÇÕES

Lista de Gráficos

Gráfico 3.1 – Função de pertinência dos Dias de Estoque Esperado ....................................... 32

Gráfico 3.2 – Função de pertinência da Criticidade ................................................................. 33

Gráfico 3.3 – Função de pertinência da Perda Diária Esperada ............................................... 34

Gráfico 3.4 – Função de pertinência do Coeficiente de Variação da Demanda ....................... 34

Gráfico 3.5 – Função de pertinência da Prioridade .................................................................. 35

Gráfico 4.1 – Boxplots dos Modelos ........................................................................................ 40

Gráfico 4.2 – Curvas de Densidade dos Custos da Falta dos Modelos (bandwidth de 2) ........ 41

Gráfico 4.3 – Curvas de Densidade dos Percentuais de Itens Sem Perda de Venda dos

Modelos (bandwidth de 1) ........................................................................................................ 42

Gráfico 4.4 – Curvas de Densidade dos Percentuais de Atingimento de Venda dos Modelos

(bandwidth de 1,5) .................................................................................................................... 44

x

Lista de Figuras

Figura 2.1 – Atividades de planejamento e controle .................................................................. 5

Figura 2.2 – Exemplo de gráfico de funções de pertinência .................................................... 10

Figura 2.3 – Principais facetas da lógica fuzzy em seu sentido amplo .................................... 15

Figura 2.4 – Modalidades de precisão ...................................................................................... 16

Figura 2.5 – Configuração genérica de um controlador fuzzy ................................................. 18

Figura 3.1 – Relações entre pesquisa, ação, aprendizagem e avaliação ................................... 26

xi

Lista de Tabelas

Tabela 4.1 – Resumo dos Principais Resultados ...................................................................... 38

Tabela 4.2 – Resumo das Frequências das Diferenças entre os Modelos (%) ......................... 39

Tabela 4.3 – Estatísticas Descritivas dos Diagramas de Caixa dos Modelos (em R$ milhões)

.................................................................................................................................................. 39

Tabela 4.4 – Distribuição de Frequência do Percentual dos Itens Sem Perda de Vendas ........ 43

Tabela 4.5 – Frequência de Cada Nível de Criticidade nos Itens Sem Perda de Vendas ......... 43

Tabela 4.6 – Correlações entre as Variáveis............................................................................. 45

Tabela 4.7 – Significado das Siglas .......................................................................................... 45

xii

SUMÁRIO

1. INTRODUÇÃO ................................................................................................................. 1

1.1 OBJETIVOS DO ESTUDO ................................................................................................. 1

1.2 RELEVÂNCIA DO ESTUDO.............................................................................................. 1

1.3 ORGANIZAÇÃO DO ESTUDO........................................................................................... 3

2. REFERENCIAL TEÓRICO ............................................................................................ 4

2.1 SEQUENCIAMENTO DE PRODUÇÃO ................................................................................ 4

2.1.A Sequenciamento Dinâmico ................................................................................... 7

2.1.B Sistemas Baseados em Conhecimento .................................................................. 8

2.2 LÓGICA FUZZY .............................................................................................................. 9

2.2.A Linguagem Natural e Raciocínio Aproximado ................................................... 10

2.2.B Lidando com a Incerteza..................................................................................... 11

2.2.A.B Mudança de Paradigma ......................................................................................... 12

2.2.C Graduação e Granulação ..................................................................................... 14

2.2.D Sistemas Fuzzy ................................................................................................... 16

2.2.E Lógica Fuzzy no Sequenciamento de Produção ................................................. 19

3. METODOLOGIA ........................................................................................................... 21

3.1 A METODOLOGIA PESQUISA-AÇÃO ............................................................................ 21

3.1.A Pesquisa-ação e Operações ................................................................................. 24

3.2 ESTRUTURA DA PESQUISA ........................................................................................... 24

3.2.A Planejamento da Pesquisa ................................................................................... 26

3.2.B Fase Exploratória ................................................................................................ 27

3.2.C Fase de Pesquisa ................................................................................................. 29

3.2.A.C Sequenciamento de Produção ................................................................................ 30

3.2.D Fase de Ação ....................................................................................................... 31

3.2.A.D Proposta de Ação ................................................................................................... 31

3.2.B.D Simulação .............................................................................................................. 36

4. ANÁLISE E DISCUSSÃO DOS RESULTADOS ........................................................ 38

4.1 PRINCIPAIS RESULTADOS ............................................................................................ 38

4.1.A Custo da Falta ..................................................................................................... 39

4.1.B Itens sem Perda de Vendas ................................................................................. 41

4.1.C Atingimento de Vendas ...................................................................................... 44

4.1.D Correlações ......................................................................................................... 44

4.2 DISCUSSÃO DOS RESULTADOS .................................................................................... 46

5. CONCLUSÕES ............................................................................................................... 48

5.1 IMPLICAÇÕES PRÁTICAS.............................................................................................. 49

xiii

5.2 LIMITAÇÕES DO ESTUDO ............................................................................................. 50

5.3 SUGESTÕES PARA ESTUDOS FUTUROS ......................................................................... 50

REFERÊNCIAS BIBLIOGRÁFICAS ................................................................................. 52

APÊNDICE A – REGRAS DE PRIORIDADE ................................................................... 59

APÊNDICE B – PREMISSAS PARA SIMULAÇÃO ......................................................... 60

APÊNDICE C – FÓRMULAS DAS VARIÁVEIS .............................................................. 61

APÊNDICE D – EXEMPLO ................................................................................................. 62

1

1. INTRODUÇÃO

1.1 Objetivos do Estudo

A crescente demanda dos consumidores por novos e variados produtos vem impondo

cada vez maiores desafios às empresas. Neste contexto de crescente complexidade, as

empresas vêm buscando formas de lidar com seus desafios operacionais. Para auxiliar as

organizações em alcançar melhores decisões operacionais, diversas técnicas vêm sendo

desenvolvidas na literatura.

O presente estudo visa elaborar uma forma de melhorar a prática da organização

pesquisada, mais especificamente em relação ao sequenciamento de produção, uma atividade

que integra o planejamento e controle da produção. O objetivo final é proporcionar, por meio

de novas práticas propostas na literatura, uma maneira de reduzir a perda de venda por conta

da falta de estoque disponível de produtos finais, assim como aumentar a quantidade de

diferentes itens sem perda de vendas e o atingimento de vendas em unidades. Desta forma, a

empresa estaria melhorando o atendimento à demanda de seus produtos.

1.2 Relevância do Estudo

O sequenciamento de produção é uma das principais atividades que afeta o

desempenho de empresas manufatureiras (STOOP e WIERS, 1996). Por conta de sua

importância, há décadas que técnicas de sequenciamento vêm sendo desenvolvidas por

pesquisadores (KATHAWALA e ALLEN, 1993), porém, aplicações bem sucedidas na prática

têm sido escassas (STOOP e WIERS, 1996).

A maioria dos sistemas manufatureiros opera em um ambiente dinâmico (OUELHADJ

e PETROVIC, 2009). Essa talvez seja a principal razão pela qual é tão rara a aplicação bem

sucedida de técnicas de sequenciamento na prática. O foco inicial dos estudos de

sequenciamento era em criar sequenciamentos factíveis, ou seja, que pudessem ser realizados

na prática da planta fabril quando fossem ser executados (KATHAWALA e ALLEN, 1993).

Entretanto, em um ambiente dinâmico, um sequenciamento pode facilmente se tornar

infactível, por conta de mudanças no ambiente (por exemplo, quebra de máquinas). E mesmo

que ainda seja factível, se um sequenciamento não levar em consideração mudanças, por

2

exemplo, na demanda, tenderá a provocar um resultado pior do que se tivesse levado em

consideração informações mais atuais.

Desta forma, técnicas de sequenciamento que levem em consideração a dinâmica do

ambiente são mais propensas a terem sucesso na prática, assim como colocam Othman et al

(2002): “Uma boa estratégia de sequenciamento poderá ajudar empresas a responderem mais

rápido a demandas do mercado e a operarem fábricas mais eficientemente”.

Esta característica está ligada a outro ponto na lacuna entre teoria e prática: a

complexidade dos sistemas manufatureiros. Não só eles tendem a ser dinâmicos, como

tendem também a apresentar um alto nível de complexidade. Desta forma, as técnicas de

sequenciamento desenvolvidas na literatura tendem a ser uma versão simplificada da

realidade (STOOP e WIERS, 1996).

Uma abordagem que auxilia a lidar com a complexidade de sistemas é a lógica fuzzy

(MCNEILL e THRO, 1994; KLIR e YUAN, 1995; KASABOV; 1998; ROSS, 2004; LEE,

2005). A primeira utilização prática da lógica fuzzy foi feita por Mamdani (1975) ao

desenvolver um sistema de controle baseado na lógica fuzzy. Hoje em dia, sistemas fuzzy são

utilizados em uma ampla variedade de situações como: produtos de consumo (máquinas de

lavar), controles industriais (elevadores), grandes sistemas públicos (metrô), aparelhos

médicos (marca-passo cardíaco) (MCNEILL e THRO, 1994). Apesar dos inúmeros campos

de aplicação, as mais significantes e bem sucedidas foram concentradas em problemas de

controle (BILKAY et al, 2004, ROSS, 2004).

De acordo com Karwowski e Evans (1986), o sequenciamento de produção é uma

atividade de potencial aplicação deste tipo de abordagem principalmente pelo fato dela

potencializar o conhecimento do especialista do ambiente em questão. A lógica fuzzy auxilia,

por meio do conhecimento de especialistas, a capturar as complexidades e incertezas de

sistemas. Desta forma, ao se criar um modelo para controlar, por exemplo, o sequenciamento

de produção, se estaria criando um modelo que traduziria melhor a realidade enfrentada no

sistema.

Ainda, um sistema de controle baseado na lógica fuzzy, por conta de suas

propriedades, tem também a capacidade de contornar dificuldades e custos computacionais

relacionados à otimização de sequenciamento por técnicas estocásticas (DUBOIS et al, 2003;

3

BILKAY et al, 2004). Assim, além de ser uma ferramenta apropriada para a captura da

complexidade do sistema analisado, um controlador baseado na lógica fuzzy permite também

uma maior dinâmica na tomada de decisão.

A aplicação da lógica fuzzy no sequenciamento é um campo em crescimento na

literatura, mas ainda não é explorada como poderia ser na prática. Mais especificamente em

relação ao ambiente estudado nesta pesquisa – uma empresa produtora de cosmético –, não foi

achado na literatura nenhum estudo que abordasse o sequenciamento de produção. Desta

forma, além do presente estudo abordar uma faceta da literatura ainda não explorada, utiliza-

se também da lógica fuzzy, que permite uma melhor conexão entre teoria e prática.

1.3 Organização do Estudo

A presente pesquisa está organizada em cinco capítulos. O primeiro capítulo

apresentou os seus objetivos e sua relevância. No segundo capítulo é abordada a revisão de

literatura referente aos temas da pesquisa. Primeiramente, o sequenciamento de produção é

introduzido e os principais fatores que o afeta são discutidos. Também são discutidos os

diferentes tipos de sequenciamento e as técnicas utilizadas para realizá-lo. Em seguida é

apresentada a lógica fuzzy e suas características, sendo discutidas suas vantagens e

desvantagens. É então abordada uma de suas principais aplicações: sistemas de controle

baseado na lógica fuzzy.

O terceiro capítulo trata da metodologia escolhida para a pesquisa, onde é discutido o

método utilizado e as são apresentadas as perguntas da pesquisa. Inicialmente é introduzida a

metodologia da Pesquisa-Ação (PA), onde seus conceitos são discutidos, e em seguida tanto o

planejamento quanto a execução da pesquisa são expostos.

O quarto capítulo é referente à análise e discussão dos resultados. São expostos e

discutidos os resultados mais relevantes das simulações realizadas para testar o modelo

proposto pela pesquisa-ação em relação à prática vigente da empresa.

Finalmente, o quinto e último capítulo traz as conclusões do estudo e suas implicações

para a prática, assim como suas limitações e sugestões de pesquisas futuras.

4

2. REFERENCIAL TEÓRICO

Neste capítulo dois tópicos são abordados: o sequenciamento de produção e a lógica

fuzzy. O primeiro trata de uma atividade fundamental tanto para a gestão da produção quanto

para as operações em geral de uma empresa. O segundo tópico é referente a uma abordagem

lógica não convencional que, por conta de suas propriedades, vem sendo aplicada em diversas

atividades, inclusive no sequenciamento de produção.

2.1 Sequenciamento de Produção

De uma forma ou de outra, o sequenciamento é algo que faz parte do cotidiano das

pessoas, e sem perceber, elas tentam realizar suas tarefas convenientemente em uma

determinada ordem. Ele existirá sempre que houver a possibilidade de escolha da ordem em

que determinadas tarefas possam ser realizadas (CONWAY et al, 1967), e dependendo das

atividades praticadas por cada um, o sequenciamento pode ter um significado diferente

(O’BRIEN, 1969). Para um carteiro, o sequenciamento pode ser o itinerário que ele traçará

para entregar as cartas. Para um mecânico, pode ser a sequencia dos carros que ele consertará

ao longo do dia. Tanto no âmbito profissional quanto no pessoal, a rotina das pessoas

incorpora alguma forma de sequenciamento.

Slack et al (2009) caracterizam o sequenciamento como uma atividade onde se decide,

baseado em prioridades estabelecidas, sobre a ordem em que as tarefas serão executadas. As

prioridades, por sua vez, levam em consideração os objetivos a serem alcançados. Esses

objetivos podem ser os mais diversos, como, por exemplo, a redução de custo ou de tempo

para a realização das tarefas. Pinedo (2001) resume este pensamento ao posicionar o

sequenciamento como “um processo de tomada de decisão que tem como meta a otimização

de um ou mais objetivos”.

No contexto empresarial, Slack et al (2009) consideram o sequenciamento como uma

atividade que integra, junto a outros elementos, o planejamento e controle da produção,

conforme ilustrado na Figura 2.1. O limiar que divide o sequenciamento das demais

atividades de planejamento e controle da produção varia em cada caso, assim como as

interações com as demais funções dentro de uma empresa, seja ela de manufatura ou de

serviços (PINEDO, 2001).

5

O sequenciamento está posicionado em meio a outros processos pelo fato que diversos

são os fatores que o afetam. Em um ambiente de manufatura, os níveis de estoque, a previsão

de demanda e os recursos tangíveis são alguns dos fatores que influenciam a ordem em que

tarefas serão executadas (PINEDO, 2010).

Figura 2.1 – Atividades de planejamento e controle

Fonte: Adaptado de Slack et al (2009).

Os clientes e as características dos produtos também podem interferir no

sequenciamento (SLACK et al, 2009). Em um ambiente de serviços, a presença do cliente

pode ser fundamental na ordem da execução das tarefas. Um cliente pode ficar frustrado ao

perceber que está sendo atendimento após outros clientes que chegaram mais tarde em um

restaurante. Existem diversos métodos de sequenciamento para se atingir os objetivos

procurados. Um exemplo deles é o FCFS (First Come First Served), que se relaciona bem ao

exemplo apresentado acima, onde as tarefas são ordenadas de forma a serem processadas na

mesma ordem em que são apresentadas.

Um ambiente de manufatura também tem suas especificidades. O cliente pode não

saber exatamente o que ocorre nos processos de produção, e a prioridade pode acabar sendo

atribuída de outra forma, como, por exemplo, a magnitude financeira dos clientes. Um cliente

que tenha a participação grande no faturamento da empresa pode acabar tendo prioridade no

sequenciamento, e o contrário pode acontecer com um cliente pouco expressivo

financeiramente.

6

A literatura contém inúmeros métodos de sequenciamento para lidar com os diversos

tipos de problemas e contextos. Em cada caso, o método que melhor se encaixar dependerá de

sua eficácia quanto aos objetivos almejados. Os cinco objetivos de desempenho –

confiabilidade, custo, flexibilidade, qualidade e velocidade – podem servir de base para medir

a eficácia de um determinado método (SLACK et al, 2009).

Os métodos desenvolvidos para questões de sequenciamento também variam em sua

generalidade. Alguns são tão genéricos que dificilmente poderiam ser aplicados ao mundo

real sem algum tipo de adaptação. Por outro lado, alguns métodos são bem específicos para

determinados casos.

Conway et al (1967) descrevem um problema de sequenciamento a partir de quatro

grupos de informações:

1- As tarefas e as operações a serem processadas.

2- O número e tipos de máquinas que compõem o ambiente.

3- As características que restringem as atribuições.

4- O critério pelo qual um sequenciamento será avaliado.

Este esquema de classificação está mais similar a um ambiente fabril, mas pode ser

utilizado de forma geral em qualquer ocasião. No caso de um restaurante, as tarefas a serem

processadas ou alocadas podem ser entendidas como os clientes. O número e tipos de

máquinas podem ser entendidos como o número e tipos de mesas, como, por exemplo, três

mesas de quatro lugares e quatro mesas de seis lugares. Já as características que restringem as

atribuições podem vir tanto das tarefas quanto das máquinas. A restrição do cliente poderia

ser sentar-se na área de não fumantes, e a restrição da mesa poderia ser uma ocupação mínima

de duas pessoas.

Os critérios de avaliação do sequenciamento também são bem característicos do

ambiente em questão. De acordo com Stoop e Wiers (1996), o que acaba acontecendo é que

um único indicador nunca é utilizado, levando, assim, a avaliação a ser pautada por

multiobjetivos. Stoop e Wiers (1996) colocam ainda que existem algumas questões

importantes a serem levadas em consideração na avaliação, como qual o horizonte de tempo a

ser utilizado para basear comparações de resultados e como evitar a possibilidade de conflito

por conta das diferenças de meta de desempenho pelos diferentes níveis organizacionais da

7

produção. Uma estrutura de avaliação mal formulada tem como consequência proporcionar

feedbacks também inadequados (STOOP E WIERS, 1996), o que não contribui para o

aprimoramento de modelos de sequenciamento. As métricas e os horizontes de tempo

utilizados para medir o desempenho de cada nível do planejamento e controle da operação

acabam influenciando negativamente também na integração de modelos de sequenciamento

com modelos de planejamento (KREIPL e PINEDO, 2004).

2.1.A Sequenciamento Dinâmico

Uma característica cada vez mais abordada sobre o sequenciamento é sobre a distinção

que pode ser feita de sua natureza estática e dinâmica. Para cada uma dessas vertentes,

métodos diferentes são utilizados para a abordagem (CONWAY et al, 1967).

Ouelhadj e Petrovic (2009) apontam para uma questão abordada por diversos autores

como MacCarthy e Liu (1993), Shukla e Chen (1996) e Cowling e Johansson (2002) que é o

hiato entre a teoria sobre o sequenciamento e a prática. Muitas das operações no mundo real

funcionam em um ambiente dinâmico, e incorporar elementos desta natureza na questão do

sequenciamento é de grande importância para o sucesso de sua implantação (OUELHADJ e

PETROVIC, 2009).

Estes elementos, que muitas das vezes são imprevisíveis, podem ser classificados em

duas categorias: relacionados a recursos e relacionados a tarefas (OUELHADJ e PETROVIC,

2009). O primeiro tem como exemplo as quebras de máquinas, enfermidade dos

trabalhadores, atraso na chegada de matérias primas. Já o último tem como exemplo o

cancelamento de pedidos, mudanças no prazo de entrega, mudanças na prioridade do pedido.

Dado que este tipo de eventos influenciam as questões relacionadas ao

sequenciamento, ações precisam ser tomadas para tratá-los, o que tende a se concretizar em

forma de resequenciamento. Existem duas principais questões quanto ao resequenciamento:

como e quando.

Em relação à primeira questão, existem duas principais estratégias: o reparo no

sequenciamento e o resequenciamento completo (OUELHADJ e PETROVIC, 2009). O

reparo é relativo a ajustes locais, enquanto que o completo corresponde a um sequenciamento

totalmente reformulado. Ambos possuem vantagens e desvantagens, e a utilização de cada um

dependerá da ocasião. O reparo pode ser preferível pelo reduzido esforço de cálculos

8

necessários, mas o resequenciamento completo tende a manter uma solução ótima. Na prática,

o primeiro acaba sendo mais utilizado quando se trata de resequenciamento (ABUMAIZAR e

SVESTKA, 1997).

Quanto à segunda questão, Ouelhadj e Petrovic (2009) apontam para três principais

estratégias: resequenciamento periódico, impulsionado por eventos, e híbrido. O

resequenciamento periódico tem como base a realização do sequenciamento em intervalos

regulares, onde ele é executado e somente revisado no próximo período. Esta prática traz mais

estabilidade e menos estresse gerencial, mas em compensação pode comprometer o

desempenho da operação dependendo da dinâmica do ambiente em que a operação está

situada. No resequenciamento impulsionado por eventos é onde a maioria das abordagens

sobre sequenciamento dinâmico se baseia. Neste tipo de política, o resequenciamento é

ativado em resposta a um evento inesperado, sendo ele relacionado a recursos ou tarefas. A

estratégia híbrida é baseada tanto no resequenciamento periódico quanto o impulsionado por

eventos.

Todas essas questões referentes ao sequenciamento dinâmico culminaram na

utilização de diversas técnicas para solução dos problemas encontrados no campo. As

seguintes técnicas podem ser encontradas na literatura: heurística, meta-heurística, redes

neurais, técnicas hibridas, sistemas multiagentes, sistemas baseados em conhecimento, e

lógica fuzzy (OUELHADJ e PETROVIC, 2009).

2.1.B Sistemas Baseados em Conhecimento

De acordo com Ouelhadj e Petrovic (2009), sistemas baseados em conhecimento são

sistemas que “focam na captura da perícia ou da experiência de um especialista em um

determinado domínio e um mecanismo de inferência é utilizado para tirar conclusões ou

recomendações sobre a ação corretiva para empreender”.

Para Kathawala e Allen (1993), este tipo de sistema tem como objetivo se encaixar no

ambiente do qual foi derivado, não sendo apropriado para adaptações a outras realidades. No

entanto, esta característica não pressupõe que o sistema não seja flexível. A flexibilidade vem

da incorporação das mudanças dos fatores externos que modelaram o sistema, como, por

exemplo, os recursos disponíveis no ambiente em questão.

9

Criar um sistema como esse pode não ser uma tarefa fácil, e muitas vezes a passagem

do conhecimento do especialista para o sistema acaba se tornando o entrave no seu

desenvolvimento (KATHAWALA e ALLEN, 1993). Uma das formas encontradas para lidar

com a expressão do conhecimento humano é a lógica fuzzy, que é discutida em maiores

detalhes a seguir.

2.2 Lógica Fuzzy

A lógica fuzzy – ou mais precisamente a teoria de conjuntos fuzzy (fuzzy set theory

em inglês) – foi originalmente proposta em 1965 por Lotfi A. Zadeh. É uma abordagem que

tem a capacidade de lidar com a ambiguidade (LEE, 2005) e vagueza (KLIR e FOLGER,

1988; BERGMANN, 2008) de elementos. Conforme colocado por Zadeh (1965), um conjunto

fuzzy é “uma classe de objetos com uma sequência contínua de graus de pertencimento”.

Admitindo graus de pertencimento de um elemento a um conjunto, esta proposta vai de

encontro à teoria clássica de conjuntos, em que um elemento é ou não pertencente a um

conjunto (DUBOIS e PRADE, 1997; KASABOV, 1998; ROSS, 2004; BERGMANN, 2008).

Nesta abordagem, o grau de pertencimento de um elemento a um conjunto é

geralmente representado por um intervalo de 0 a 1, sendo 1 o total pertencimento a um

conjunto e 0 o oposto, desta forma, um elemento pode ser pertencente a um conjunto que o

represente em maior ou menor grau. Este conceito também é referido como tipicidade, onde

nem todos os membros de um conjunto são bons representantes dele, sendo alguns mais

representativos que outros (DUBOIS e PRADE, 1997).

Ao eliminar as divisões bruscas entre os conjuntos, a teoria de conjuntos fuzzy

introduz uma forma de lidar com a vagueza e imprecisão de elementos (ROSS, 2004). Um

exemplo que poderia representar esta ideia está exposto a seguir na Figura 2.2, onde conjuntos

fuzzy da variável linguística “altura” são representados graficamente. De acordo com Zadeh

(1973): “variáveis linguísticas são conjuntos fuzzy em que os nomes são sentenças em uma

linguagem natural ou artificial”. Sendo assim, no exemplo da Figura 2.2, “baixo”, “médio” e

“alto” são valores da variável linguística “altura”.

Uma função de pertinência (membership function em inglês) é uma noção abstrata que

traduz matematicamente o quanto um elemento pertence a um conjunto (KLIR e YUAN,

1995; KASABOV, 1998; ROSS, 2004; DUBOIS, 2010). A função de pertinência deve ser

10

interpretada de acordo com o contexto em questão, e seu poder de expressar as características

de um conjunto deve ser bastante forte (KLIR e FOLGER, 1988), sendo assim, a construção

de uma função de pertinência é de extrema importância (ROSS, 2004). Mais discussões sobre

a construção de funções de pertinência estão presentes na sessão de sistemas fuzzy.

Figura 2.2 – Exemplo de gráfico de funções de pertinência

Fonte: Elaboração do autor.

2.2.A Linguagem Natural e Raciocínio Aproximado

Fuzzy é uma palavra utilizada para transmitir a complexidade do mundo e a incerteza

e imprecisão das percepções do ser humano sobre ele. Zadeh (2008) coloca a lógica fuzzy

como uma tentativa de formalizar/mecanizar uma das capacidades mais marcantes do ser

humano: a de realizar uma ampla variedade de tarefas físicas e mentais sem nenhuma métrica

precisa ou computação. Quando uma pessoa afirma/classifica que outra é alta ela está se

expressando por meio do que é chamado de linguagem natural.

Muito do conhecimento humano é expresso por meio de linguagem natural e,

geralmente, utilizando-se apenas experiência e percepção como base que, por sua vez, tende a

ser imprecisa. A imprecisão da linguagem natural vem da própria imprecisão das percepções

humanas sobre o mundo (ZADEH, 2008). Formalizar matematicamente este tipo de

proposições, podendo-se utilizar como exemplo a Figura 2.2, torna a lógica fuzzy mais

próxima do raciocínio humano do que abordagens tradicionais/clássicas (LEE, 2005). Este

tipo de raciocínio, baseado em imprecisões e expresso por meio de linguagem natural, é

chamado de raciocínio aproximado (approximate reasoning em inglês) (ROSS, 2004).

11

Lidar com proposições imprecisas como “aquela pessoa é alta” – ou com raciocínio

aproximado em geral – é o objetivo final da lógica fuzzy (ROSS, 2004) e uma de suas

principais características (KASABOV, 1998). Sendo assim, ao contrário do que possa ser

interpretado, a lógica fuzzy é “uma lógica precisa sobre imprecisão e raciocínio aproximado”

(ZADEH, 2008). Conforme demonstrado na Figura 2.2, a lógica fuzzy oferece meios para

lidar de forma precisa com elementos vagos, formalizando matematicamente elementos

presentes na linguagem natural do ser humano (MCNEILL e THRO, 1994).

Zadeh (1973) resume este pensamento na premissa de que “elementos chave do

pensamento humano não são números, mas sim legendas de conjuntos fuzzy, ou seja, classes

de objetos em que a transição de pertencimento a não pertencimento é gradual, e não

abrupta”. Sendo assim, a lógica fuzzy consegue lidar melhor com o pensamento humano do

que abordagens tradicionais pelo fato do raciocínio humano ser, em grande parte, vago, e não

preciso como a lógica bivalente. Esta premissa de que, no mundo, pertencimento é, na maior

parte das vezes, uma questão de graus, é a base para formulação da teoria de conjuntos fuzzy

(ZADEH, 1994).

2.2.B Lidando com a Incerteza

Incerteza pode ter mais de uma interpretação. Vagueza e ambiguidade são duas formas

de incerteza, sendo a primeira o contrário de preciso (BERGMANN, 2008) e geralmente

associada à dificuldade de fazer precisas distinções sobre algum termo/conceito (KLIR e

FOLGER, 1988), enquanto que ambiguidade é quando um termo tem duas ou mais

interpretações ou conotações distintas (BERGMANN, 2008).

Zadeh não foi o primeiro a introduzir a ideia de lidar com – ou melhor, aceitar – a

incerteza presente nos fenômenos do mundo. Desde séculos atrás já existiam pensamentos

sobre pontos cruciais presentes na lógica fuzzy, como graus de pertinência – ou níveis de

semelhança – e a incapacidade da matemática tradicional lidar com a complexidade do mundo

real.

Uma das citações que expressa a insatisfação das abordagens clássicas em modelar a

realidade é a de Bertrand Russell (1923): “Toda lógica tradicional habitualmente assume que

símbolos precisos estão sendo empregados. Isto não é, então, aplicável nesta vida terrestre,

mas apenas em uma existência celestial imaginária”.

12

Jan Lukasiewicz, um filósofo polaco, desenvolveu a ideia de incorporação de vagueza

na lógica ao introduzir multivalores de pertencimento a conjuntos. Inicialmente, a divisão dos

graus de pertinência era 0, ½ e 1, mas foi estendida posteriormente para um intervalo infinito

de números entre 0 e 1 (MCNEILL e THRO, 1994). Desta forma, pode-se considerar que a

lógica fuzzy é uma extensão do trabalho desenvolvido por Lukasiewicz (KASABOV, 1998).

Entretanto, a abordagem proposta por Zadeh (1965) não foi a única tentativa de

desenvolver a ideia de Lukasiewicz. Apesar do trabalho de Lukasiewicz não ter tido um

sucesso imediato, estudos posteriores similares tentariam desenvolver a ideia de conjuntos

fuzzy (WILLIAMSON, 1994).

Passos importantes na direção foram dados por Max Black em seu estudo de 1937,

onde foi discutida a ideia sobre em que medida um objeto é pertencente a um conjunto

(MCNIELL e THRO, 1994), e em 1951, por Abraham Kaplan e Hermann Schott, que

desenvolveram uma teoria de conjuntos em que a pertinência fosse uma questão de graus,

incorporando em seu estudo cálculos matemáticos presentes na teoria clássica de conjuntos

como: intercessão, união, complementação e subconjuntos (WILLIAMSON, 1994). Em 1965,

com um arcabouço matemático mais elaborado, Lofti Zadeh desenvolveu, com ideias

similares a de Kaplan e Schott, a teoria de conjuntos fuzzy, e obteve mais sucesso

(WILLIAMSON, 1994).

2.2.A.B Mudança de Paradigma

A capacidade da lógica fuzzy de lidar com a incerteza é a razão para esta abordagem

estar ganhando maior aceitação ao longo dos anos. A incerteza representa um estado

indesejável e que deve ser evitado a todo custo de acordo com a visão tradicional de ciência

(ROSS, 2004). Obviamente, se fosse possível modelar a complexidade de todos os fenômenos

do mundo de forma precisa e relevante, não existiria a necessidade de uma abordagem como a

lógica fuzzy. Desta forma, indo de encontro à visão tradicional de ciência, o conceito de

incerteza está sendo considerado essencial e muito útil, e vem sendo adotado como uma

mudança de paradigma (KLIR e YUAN, 1995).

A maior parte das situações realísticas tende a conter um nível de complexidade que a

torna, de alguma forma, impossível de ser modelada de forma precisa (ZADEH, 1968). Klir e

Yuan (1995) abordam o problema de se tentar modelar fenômenos complexos afirmando que

quando a complexidade exigida para se obter modelos realísticos se torna ingovernável, uma

13

das saídas é simplificar o modelo. Porém, a simplificação resulta em perda de relevância do

modelo. Outra saída seria manter a complexidade do problema, mas introduzir certo grau de

incerteza – ou imprecisão –, mantendo determinada relevância no modelo. A sentença a seguir

é utilizada pelos autores para exemplificar uma previsão econômica imprecisa, mas muito

relevante, utilizando termos linguísticos: “O preço do petróleo provavelmente não aumentará

substancialmente em um futuro próximo”.

Zadeh (1973) aborda esta questão com o que chama de “princípio da

incompatibilidade”. A ideia por trás desde princípio é que ao passo que a complexidade de um

sistema aumenta, a habilidade de se fazer afirmações precisas e relevantes – ou significantes –

sobre seu comportamento diminui até um ponto que em que precisão e relevância se tornam

quase que mutuamente excludentes (ZADEH, 1973).

A lógica fuzzy se apresenta como uma alternativa para lidar com sistemas complexos

em situações em que precisão, rigor e formalismos matemáticos não são a prioridade, sendo,

então, uma abordagem tolerante a imprecisão (ZADEH, 1973). Esta abordagem alternativa,

assim como outras mudanças de paradigma na ciência, busca preencher a distância entre

modelos matemáticos e suas interpretações empíricas. Ademais, sofreu também muito

ceticismo em seus primórdios, só começando a ganhar relativamente algum suporte nos anos

1970 (KLIR e YUAN, 1995).

Klir e Yuan (1995) apontam para quatro pontos que fazem este novo paradigma ser

superior ao paradigma clássico: (1) o novo paradigma permite-nos expressar observações e

medições irredutíveis de incerteza em suas várias manifestações e tornar essas incertezas

intrínsecas às informações empíricas. Tal informação, quando baseada em distinções graduais

entre estados de variáveis relevantes, é geralmente chamada de informação fuzzy (fuzzy data

em inglês). Quando uma informação fuzzy é processada, suas incertezas intrínsecas são

processadas também, e os resultados obtidos são mais significativos tanto em termos práticos

quanto em termos epistemológicos quando comparado a demais abordagens que os resultados

são obtidos por meio de processamento de informação numérica exata (crisp data em inglês).

(2) o novo paradigma oferece muito mais recursos para lidar com complexidade e controlar

custos computacionais. A experiência mostra que, de forma geral, quanto mais complexo é

um problema, maior é a superioridade dos métodos fuzzy. (3) o novo paradigma tem

consideravelmente maior poder de expressão; consequentemente, ele pode lidar de forma

efetiva com uma classe maior de problemas. Em particular, ele tem a capacidade de capturar e

14

de lidar com significados de sentenças expressas em linguagem natural. Essa capacidade

permite-nos lidar matematicamente com problemas que requerem o usa de linguagem natural.

(4) o novo paradigma tem maior capacidade de capturar diversos aspectos da cognição

humana, como a tomada de decisão. Quando empregado no desenvolvimento de algum

sistema, este sistema se torna mais amigável no sentido de ser mais próximo do raciocínio

humano.

Para Zadeh (1973), uma das facetas mais importantes presente no raciocínio do ser

humano é a capacidade de sumarização de informações. O ser humano se utiliza de

aproximações (sumarizações) da realidade para realização de suas tarefas, utilizando apenas a

precisão necessária para realizá-las. Conforme já discutido, elementos chave do raciocínio

humano são expressos por meio de variáveis linguísticas, que por sua vez, “provêm um meio

sistemático de caracterizar de forma aproximada um fenômeno complexo ou pouco definido”

(ZADEH, 1973). Esta mesma forma de sumarização está presente no arcabouço teórico da

lógica fuzzy por meio dos conceitos de graduação e granulação (ZADEH, 2008). Estes

conceitos estão por trás da capacidade do ser humano de tomar decisões racionais em um

ambiente de imprecisão, conhecimento incompleto e incertezas (ZADEH, 1997).

2.2.C Graduação e Granulação

Na introdução da sessão sobre lógica fuzzy foi feita uma sutil distinção entre lógica

fuzzy e a teoria de conjuntos fuzzy. Isto porque o conceito de lógica fuzzy possui uma

ambiguidade, possuindo dois sentidos: o restrito e o amplo. No sentido estrito, a lógica fuzzy

é um sistema lógico que visa a formalização do raciocínio aproximado e é uma generalização

da lógica de multivalores. Em um sentido mais amplo, que é o mais adotado, a lógica fuzzy é

quase um sinônimo da teoria de conjuntos fuzzy, e possui como um de seus ramos a lógica

fuzzy no sentido restrito, conforme ilustrado na Figura 2.3 (ZADEH, 1994; ZADEH, 2008).

15

Figura 2.3 – Principais facetas da lógica fuzzy em seu sentido amplo

Fonte: Adaptado de Zadeh (2008).

O conceito de graduação traduz a ideia de que, na lógica fuzzy, tudo é ou pode ser

uma questão de graus, ou fuzzy. Ainda, na lógica fuzzy tudo é ou pode ser granulado, sendo

esta granulação a divisão em grupos de valores de atributos que se relacionam por questões de

indistinguibilidade, similaridade, proximidade ou de funcionalidade (ZADEH, 2008). A

Figura 2.2 é um exemplo que retrata a graduação e a granulação da variável linguística

“altura”.

Estes conceitos, que são inspirados na forma em que seres humanos lidam com

complexidade e impressão, são vistos como uma forma de compressão de informação, e são a

base para o que é chamado de “manobra da lógica fuzzy” (fuzzy logic gambit em inglês)

(ZADEH, 2008). A manobra da lógica fuzzy se baseia em gerar imprecisão até um ponto

aceitável com o objetivo de reduzir custos da precisão, mas ao mesmo tempo mantendo um

alto grau de relevância e significado.

De acordo com Zadeh (2008), existem diferentes modalidades de precisão, conforme

ilustrado na Figura 2.4. Um exemplo de precisão de valor seria: aquela pessoa tem 1,80

metros de altura; enquanto que um exemplo de precisão de sentido seria: aquela pessoa é alta

(se alta estiver definida como um conjunto fuzzy). Caso contrário, afirmar que uma pessoa é

alta sem ter como base nenhum parâmetro é uma forma de imprecisão tanto de valor quanto

de sentido. Em relação à precisão de sentido, ainda existe a diferença entre a precisão de

sentido voltada para o ser humano e a computacional – ou voltada para máquinas. Um

exemplo de precisão de sentido voltada para o ser humano poderia ser uma definição de

dicionário, enquanto que um exemplo da última poderia ser uma definição com base

matemática de um conceito.

16

Figura 2.4 – Modalidades de precisão

Fonte: Adaptado de Zadeh (2008).

Ao se modelar matematicamente um sistema utilizando a experiência de uma pessoa

por meio de suas expressões em linguagem natural, gera-se uma forma de imprecisão de

valor, mas se ganha na precisão de sentido voltada para máquinas. Desta forma, é possível,

por meio de ferramentas da lógica fuzzy, modelar computacionalmente sistemas em que o

custo de precisão é alto, mas mantendo-se alto nível de relevância – ou alto nível de

cointenção, que é o grau em que a precisão de sentido computacional se encaixa ou está

próximo ao sistema modelado. Assim, com a abordagem da lógica fuzzy, é possível alcançar

melhores modelos da realidade (ZADEH, 2008).

2.2.D Sistemas Fuzzy

A primeira utilização prática da lógica fuzzy foi feita por Mamdani e Assilian (1975)

ao desenvolverem um sistema de controle baseado na lógica fuzzy. Hoje em dia, sistemas

fuzzy são utilizados em uma ampla variedade de situações como: produtos de consumo

(máquinas de lavar), controles industriais (elevadores), grandes sistemas públicos (metrô),

aparelhos médicos (marca-passo cardíaco) (MCNEILL e THRO, 1994). Apesar dos inúmeros

campos de aplicação, as mais significantes e bem sucedidas foram concentradas em

problemas de controle (BILKAY et al, 2004, ROSS, 2004).

A escolha de se utilizar a lógica fuzzy como base para modelar um sistema vem tanto

do fato da complexidade da situação impor uma impossibilidade da utilização de métodos

matemáticos convencionais (BILKAY et al, 2004; ROSS, 2004) quanto da simples busca por

métodos heurísticos e rápidos para problemas convencionais e simples (ROSS, 2004).

17

McNeill e Thro (1994) apontam para cinco tipos de sistemas em que utilizar a

abordagem da lógica fuzzy é necessária ou benéfica: (1) sistemas complexos que são difíceis

ou impossíveis de modelar; (2) sistemas controlados por especialistas; (3) sistemas com

informações de entrada e saída complexas e contínuas; (4) sistemas que usam observações

feitas por pessoas como entradas ou como base para tomada de decisões; (5) sistemas que são

naturalmente vagos, como aqueles encontrados em ciências sociais e comportamentais.

Mais especificamente em relação ao desenvolvimento de um sistema de controle

fuzzy, Ross (2004) aponta para seis premissas que são comumente levadas em consideração

ao se adotar a lógica fuzzy: (1) o ambiente é observável e controlável: condições, entradas e

saídas estão geralmente disponíveis para observação e medição ou computação. (2) existe um

conjunto de informações no formato de regras linguísticas, senso comum, intuição, ou um

conjunto de informações de entradas e saídas em que regras de tomada de decisão possam ser

extraídas; (3) uma solução existe; (4) o especialista está a procura de uma solução “boa o

bastante”, não necessariamente a ótima; (5) o controlador é desenvolvido dentro de uma

amplitude de precisão aceitável; (6) problemas de estabilidade e otimização não são

explicitamente abordados/levados em consideração; tais questões são problemas ainda abertos

no desenvolvimento de um controlador fuzzy.

A capacidade de capturar e replicar a experiência/conhecimento do especialista que

controla um determinado sistema é a principal razão para se desenvolver um sistema de

controle fuzzy (VERBRUGGEN e BRUIJN, 1997) e principal diferença quando comparado a

um sistema de controle tradicional, já que as tomadas de ação são derivadas de uma base de

regras geralmente desenvolvida a partir da experiência (DUBOIS e PRADE, 1997).

A base de regras, junto com um mecanismo de inferência fuzzy, forma o centro de um

sistema de controle fuzzy, conforme ilustrado na Figura 2.5. Basicamente, valores numéricos

exatos de entrada são fuzzyficados (processo de dividir o universo de discurso de cada

variável de entrada em intervalos de conjunto fuzzy (LI e GUPTA, 1995)), e a partir de um

mecanismo de inferência e uma base de regras, valores de saída são gerados. Como o objetivo

é a obtenção de um valor numérico exato, o valor fuzzy resultando é defuzzificado. De acordo

com Zimmermann (2010), uma das diferenças entre um sistema especialista e um sistema de

controle é que no primeiro o valor resultando é expresso em termos linguísticos, enquanto que

no segundo o valor resultando é exato.

18

Figura 2.5 – Configuração genérica de um controlador fuzzy

Fonte: Desenvolvido pelo autor.

Diversos autores na literatura abordam a forma de desenvolver um sistema de controle

fuzzy (KLIR e YUAN, 1995; ROSS, 2004; LEE, 2005). De acordo com Ross (2004), o

processo de criação deste tipo de sistema é composto por nove etapas: (1) identificação das

variáveis de entrada e saída do processo a ser controlado; (2) divisão do universo de discurso

do intervalo abrangido de cada variável em conjuntos fuzzy, designando rótulos linguísticos

para cada um; (3) atribuição ou determinação de uma função de pertinência para cada

subconjunto fuzzy; (4) atribuição de relações fuzzy entre as variáveis de entrada e as variáveis

de saída, criando a base de regras; (5) escolha de fatores de escala apropriados para as

variáveis de entrada e saída no intuito de normalizar as variáveis para os intervalos de 0 a 1 ou

de -1 a 1; (6) fuzzyficação das variáveis de entrada; (7) utilização de raciocínio aproximado

fuzzy para cálculo das saídas de acordo com a base de regras; (8) agregação das variáveis de

saída recomendada pelas regras; e (9) defuzzificação para a geração de uma saída numérica

exata.

Existem diversos métodos que auxiliam na criação de funções de pertinência para as

variáveis de entrada (ROSS, 2004). Estes métodos podem variar da simples utilização da

própria intuição do ser humano a utilização de complexos algoritmos genéticos. O método

intuitivo, mais especificamente, é baseado na capacidade do ser humano de desenvolver

funções de pertinência por meio de seu próprio conhecimento e entendimento, levando em

consideração o contexto em questão (ROSS, 2004).

19

Com relação ao formato da função de pertinência, o mais utilizado e prático é o

triangular (Figura 2.2), mas outros formatos também são populares, como o trapezoidal, que

contém mais informações que o formato triangular (MCNEILL e THRO, 1994; ZADEH,

1994; RAMKUMAR et al, 2012).

A construção da base de regras também é de extrema importância, pois um dos

principais elementos na mímica da tomada de decisão do especialista. De acordo com Dubois

e Prade (1997), a extração das regras pode ser feita tanto pelas informações providas do

próprio especialista quanto de registros de operação do sistema. O formato mais comum de

regras é o do tipo “SE-ENTÃO” (DUBOIS e PRADE, 1996; ROSS, 2004; LEE, 2005). Um

exemplo genérico seria: se X é A então Y é B. Neste tipo de raciocínio, também chamado em

latim de modus ponens, A e B são valores linguísticos dos universos de discurso X e Y. O

fato do sistema ser composto por uma base de regras, e não apenas uma, o torna bastante

robusto (LEE, 2005).

Maior robustez é uma das vantagens da utilização de um sistema de controle fuzzy em

relação a um sistema convencional de controle. A seguir, algumas das vantagens presentes na

literatura: (1) possibilidade de controlar e solucionar situações complexas o suficiente para

serem lidadas com abordagens tradicionais; (2) maior robustez; (3) melhor capacidade de

incorporação do conhecimento de especialistas; (4) mais variáveis observáveis no problema

podem ser incorporadas (MCNEILL e THRO, 1994; LEE; 2005).

Apesar das diversas vantagens, McNeill e Thro (1994) apontam para algumas

desvantagens, como a necessidade de mais simulações e ajustes finos antes do sistema se

tornar operacional.

2.2.E Lógica Fuzzy no Sequenciamento de Produção

A atividade de sequenciamento de produção é uma das aplicações potenciais da lógica

fuzzy (KARWOWSKI e EVANS, 1986). De acordo com Karwowski e Evans (1986), a

experiência e conhecimento do especialista tomador de decisão no ambiente em questão são

fundamentais, sendo assim, a lógica fuzzy seria uma boa ferramenta para potencializar a

utilização deste conhecimento para a solução do problema. Ainda, as informações necessárias

para tomada de decisão, restrições e parâmetros no ambiente de produção tendem a ser, de

forma geral, vagas e imprecisas.

20

A complexidade e incerteza de um ambiente de produção levam a lógica fuzzy a ser

uma técnica heurística de destaque para contornar dificuldades e custos computacionais

relacionadas à otimização de sequenciamentos por técnicas estocásticas (DUBOIS et al, 2003;

BILKAY et al, 2004).

21

3. METODOLOGIA

A metodologia escolhida para realização deste estudo foi a Pesquisa-Ação. Não foi

encontrado na literatura estudo que abordasse as questões de sequenciamento de produção em

uma fábrica de cosméticos. A pesquisa-ação (PA) se mostrou a metodologia mais apropriada

pelo fato de oferecer subsídios tanto para o entendimento do contexto onde o estudo se

desenvolveu quanto para as demandas de cunho acadêmico e prático dos envolvidos nele.

3.1 A Metodologia Pesquisa-Ação

Uma das principais características deste tipo de metodologia está presente em seu

próprio nome: a união entre pesquisa e ação; ou nas palavras de Thiollent (2009):

“conhecimento entrelaçado com a prática”. A intenção ao se utilizar a pesquisa-ação é sempre

a de “gerar descobertas científicas” (DICKENS & WATKINS, 1999) e “encontrar soluções

ou formas de melhorar problemas práticos” (KRATHWOHL, 1998) ao mesmo tempo,

caracterizando uma justaposição entre prática e teoria (SOMEKH, 1995; MCKAY &

MARSHALL, 2001).

Outra característica fortemente presente na PA é a sua dimensão participativa. Num

estudo desenvolvido através de uma pesquisa-ação, os “atores deixam de ser simplesmente

objeto de observação... e tornam-se sujeitos e parte integrante da pesquisa” (THIOLLENT,

2009). O perfil coletivo e participante desta metodologia é o que propicia ao pesquisador – e

de certa forma a todos os atores envolvidos – um melhor entendimento do fenômeno sendo

analisado. Cria-se assim um “espaço de interlocução” entre o autor (pesquisador) e os atores

(qualquer pessoa ou grupo de pessoas envolvidas no contexto da pesquisa) não só para chegar

a um diagnóstico sobre o problema em questão, mas também para o desenvolvimento coletivo

de uma solução (THIOLLENT, 2009).

É importante ressaltar que o objetivo desta “proximidade” é o de proporcionar uma

investigação em que se entende o fenômeno pesquisado através do ponto de vista de quem

dele faz parte, resultando em obtenção de dados não só através da observação do pesquisador,

mas também dos próprios atores envolvidos. Desta forma, a pesquisa-ação não é pesquisar

sobre pessoas, mas sim coletar informações com pessoas (ALTRICHTER et al, 2002).

Mesmo com essas características marcantes, a pesquisa-ação não é uma metodologia

claramente definida. Apesar de já serem encontradas na literatura muitas tentativas de

22

definição e distinção da PA com relação às demais metodologias (FRENCH, 2009), o assunto

ainda não está debatido suficientemente (FOSTER, 1972).

Uma das dificuldades de definir a pesquisa-ação vem de sua própria história. Ao longo

dos anos, a metodologia foi sofrendo a influência de diferentes campos e aplicações, sendo

moldada em função deles (BRYDON-MILLER et al, 2003; TRIPP, 2005; THIOLLENT,

2009). O resultado é uma metodologia que é utilizada hoje em dia para uma grande variedade

de objetivos e concepções (THIOLLENT, 2009), mas que não se desenvolveu em uma teoria

unificada (PETERS & ROBINSON, 1984).

A própria origem da metodologia não é bastante clara. French (2009) aponta que

diversos autores (SANFORD, 1970; KEMMIS & MCTAGGART, 1988; ZUBER-

SKERRITT, 1993; HOLTER & SCHWARTZ-BARCOTT, 1993; MEYER, 1993;

BASKERVILLE & WOOD-HARPER, 1996; REASON, 2001; WILLIAMSON &

PROSSER, 2002) sugerem Kurt Lewin como o originador da pesquisa-ação. Sendo assim, as

origens da PA poderiam ser datadas nos anos 40 (FRENCH, 2009; THIOLLENT, 2009).

Entretanto, existem autores (HART & BOND, 1995; SELENER, 1997) que discordam,

defendendo a ideia de que é possível encontrar na literatura processos reconhecíveis como

pesquisa-ação em momentos anteriores ao do trabalho de Lewin (1946).

Algumas de suas definições são mais gerais, enquanto outras são mais estritas, na

tentativa de evitar que seja confundida com demais metodologias. Zuber-Skerritt (1992)

afirma sobre as formas de pesquisa-ação: “Todas adotam uma metodológica e interativa

abordagem englobando identificação de problemas, planejamento de ações, implementação,

avaliação, e reflexão. Os insights gerados com o ciclo inicial alimentam o planejamento do

segundo ciclo, o qual modifica o plano de ação e o processo de pesquisa repetido”.

Outros autores preferem uma definição mais estrita como, por exemplo: “pesquisa-ação

é uma forma de investigação-ação que utiliza técnicas de pesquisa consagradas para informar

a ação que se decide tomar para melhorar a prática” (TRIPP, 2005). Tais tentativas de

definição não têm como objetivo somente o estabelecimento de limites do que seria a PA com

o intuito de diferenciá-la das demais metodologias, mas tem também como objetivo defender

sua essência teórica e acadêmica, como na definição dada por Hult & Lennung (1980): “A

pesquisa-ação simultaneamente auxilia na resolução de problemas práticos e expande o

conhecimento científico...”.

23

Essa preocupação vem do fato de que a pesquisa-ação pode acabar sendo entendida

como uma mera consultoria. Entretanto, se uma abordagem sistemática for conduzida de

forma deliberada, explícita e com suficiente rigor científico não só para aprimorar a prática no

contexto envolvido, mas também para gerar e difundir conhecimento, então a PA não será o

mesmo que uma consultoria (MCKAY & MARSHALL, 2001) ou o equivalente à prática

rotineira num ambiente de negócios (FRENCH, 2009).

A pesquisa-ação é, portanto, uma metodologia que “atende claramente aos critérios da

pesquisa acadêmica” (TRIPP, 2005). Gummesson (2000) aponta para pontos em que a

pesquisa-ação se diferencia da prática de consultoria: (1) consultores que trabalham utilizando

a pesquisa-ação necessitam ser mais rigorosos em sua coleta de dados e documentação; (2)

pesquisadores requerem justificações teóricas, ao passo que consultores requerem

justificações empíricas; (3) consultores trabalham sobre restrições mais estritas de tempo e

orçamento; (4) em contraste com a forma cíclica da pesquisa-ação de lidar com o projeto, a

consultoria é linear.

Existem outros casos em que a PA é confundida com a pesquisa participante.

Entretanto, um dos pontos críticos em que a metodologia se difere da PA é que na pesquisa

participante nem sempre há uma ação planejada (THIOLLENT, 2009). Westbrook (2005)

comenta três pontos em que outros tipos de pesquisas intervencionistas presentes na literatura

de Gestão de Produção e Operações se diferem da PA: (1) o objetivo não é de desenvolver

novas teorias, mas sim divulgar uma aplicação. Desta forma, mesmo que iniciativas

inovadoras sejam tomadas, há pouca fundação teórica; (2) as pesquisas são geralmente apenas

casos de sucesso, e os caminhos e obstáculos para o sucesso raramente são explorados. Tal

acontece num trabalho de consultoria onde o resultado é o que importa, e isso pode dar a

impressão que a técnica é uma panaceia, e existe pouco acesso ao que a resistência, ou os

revezes, à aplicação pode contar sobre a técnica em si; (3) raramente existe contexto ou

descrição suficiente da abordagem implementada que possa permitir ao leitor aferir

generalidade ou fazer comparações com outras situações divulgadas.

A pesquisa-ação também pode ser vista como sendo uma variante da metodologia do

estudo de caso (WESTBROOK, 1995). Porém, existe um elemento crucial que a difere da

pesquisa-ação: não há a participação direta do pesquisador no contexto analisado (FRENCH,

2009).

24

De uma visão mais ampla, capturando as essências da pesquisa-ação, e sem compará-

la com nenhuma metodologia específica, seu verdadeiro diferencial está em sua “dimensão

coletiva, participativa, colaborativa ou cooperativa, criando um espaço de interlocução entre

os atores para analisarem a situação, em comum com os pesquisadores, e proporem ações

possíveis a serem implementadas e avaliadas” (THIOLLENT, 2009).

3.1.A Pesquisa-ação e Operações

No que tange a pesquisa organizacional, o que se verifica é que métodos ou técnicas

como aplicação de questionários, técnicas de diagnósticos e entrevistas e estudos de casos são

mais populares (THIOLLENT, 2009).

Em ambientes como, por exemplo, os de fábricas e/ou de operações, onde se encontra a

interação entre seres humanos, tecnologia e informação, a pesquisa-ação pode se tornar uma

metodologia apropriada por conta de suas características (MCKAY & MARSHALL, 2001). A

PA proporciona subsídios para o entendimento de problemas reais, já que seu laboratório é o

próprio mundo real em mudança, se mostrando como uma alternativa as orientações

científicas mais populares, que são remotamente relacionadas ao mundo real de gestores

(SUSMAN & EVERED, 1978).

Susman & Evered (1978) apontam ainda para características presentes na pesquisa-ação

que a fazem se destacar quando comparada a metodologias de orientação positivista: (1)

orientação para o futuro: a pesquisa-ação é orientada em prol de criar um futuro mais

desejável para as pessoas envolvidas; (2) colaboração entre pesquisador e clientes; (3)

desenvolvimento de sistema: o processo de pesquisa-ação encoraja o desenvolvimento da

capacidade de um sistema de facilitar, manter e regular todo o ciclo de identificação e

resolução de problemas; (4) geração de teoria baseada na ação; (5) adaptação, moldagem e

influência pela situação em questão.

3.2 Estrutura da Pesquisa

Em um projeto de pesquisa-ação, é geralmente a própria instituição – ou o(s)

praticante(s) inserido(s) nela – que inicia todo o processo por meio de uma demanda por

mudança ou insatisfação com relação às práticas vigente (FRENCH, 2009; THIOLLENT,

2009). Para o sucesso da pesquisa, é necessário que os envolvidos estejam dispostos ao

25

esforço de debate, coleta de dados e ações que se seguirá, mesmo não havendo objetivos e

resultados pré-estabelecidos ou assegurados tanto de pesquisa quanto de ação (COUGHLAN

& COGHLAN, 2002; THIOLLENT, 2009).

Uma fase preliminar é necessária para que se estabeleça o alcance ou escopo do projeto,

o que pode ser algo complexo (COGHLAN & BRANNICK, 2001). Contudo, essa

delimitação de escopo da pesquisa é natural e saudável para o projeto. De acordo com

Thiollent (2009), a pesquisa-ação se torna viável quando os profissionais propõem

“experiências limitadas que, posteriormente, seriam divulgadas e implementadas em maior

escala”.

No que tange a estrutura propriamente dita da pesquisa-ação, não existe um formato

predefinido a ser adotado (THIOLLENT, 2009), e não existe na literatura evidências sobre

como uma PA deveria ser de fato feita (FRENCH, 2009). Pela concepção de Lewin (1946), a

pesquisa-ação é um processo espiral composta por ciclos, e que cada ciclo, por sua vez, é

composto de três fases: planejamento, execução, avaliação. Estes ciclos deveriam se repetir

quantas vezes fossem necessários para o projeto estar satisfatoriamente completo (LEWIN,

1946).

Como o projeto é afetado e moldado pelo contexto e aplicação em questão, ele

apresentará características próprias. Disparidades podem ocorrer na nomenclatura dada as

fases e aos ciclos, nas objetivações de cada fase e ciclo, na quantidade de distintas fases e

ciclos, na ênfase dada pelo pesquisador em determinadas fases (CUNNINGHAM, 1993), na

duração de cada ciclo (BROWN et al, 1982), e na sequência das fases (THIOLLENT, 2009) –

não se restringindo necessariamente ao supracitado. De acordo com Thiollent (2009), no

início do projeto as fases tendem a ser sequenciais, mas no seu decorrer, acaba não existindo

uma ordem fixa, e até mesmo uma simultaneidade entre as fases pode acontecer.

Alguns autores consideram a aprendizagem gerada com o processo de pesquisa-ação

como uma das fases. Thiollent (2009), entretanto, argumenta que “a aprendizagem é difusa ao

longo do processo”, não sendo considerada como uma fase distinta, conforme ilustrado na

Figura 3.1.

26

Figura 3.1 – Relações entre pesquisa, ação, aprendizagem e avaliação

Fonte: Thiollent (2009).

Neste estudo é utilizada como base a estrutura proposta por Thiollent (2009) para a

condução da pesquisa-ação. Nesta estrutura existem quatro grandes fases:

- Fase exploratória, na qual os pesquisadores e alguns membros da organização na

situação investigada começam a detectar os problemas, os atores, as capacidades de ação e os

tipos de ação possível.

- Fase de pesquisa aprofundada ou fase principal, na qual a situação é pesquisada por

meio de diversos tipos de instrumentos de coleta de dados que são discutidos e

progressivamente interpretados pelos grupos que participam.

- Fase de ação que consiste, com base nas investigações em curso, em difundir os

resultados, definir objetivos alcançáveis por meio de ações concretas, apresentar propostas

que poderão ser negociadas entre as partes interessadas.

- Fase de avaliação tem por objetivos: observar, redirecionar o que realmente acontece

e resgatar o conhecimento produzido no decorrer do processo.

3.2.A Planejamento da Pesquisa

O primeiro passo foi contatar a produtora de cosméticos por meio de integrantes da sua

Diretoria. Este contato serviria para questionar a existência de alguma demanda com relação à

melhoria das suas práticas no que tange as Operações da organização. O diretor de Operações

entendeu que havia demanda para um projeto e concedeu sua anuência.

27

A conversa foi estendida até o diretor da Fábrica, a gerente de Produção e o gerente de

Recursos Humanos. Estes trabalhavam todos na fábrica propriamente dita da produtora de

cosméticos e foram incorporados como atores do projeto pelo fato de grande parte das

operações da companhia se concentrar em suas unidades fabris.

Um trabalho preliminar com este grupo foi realizado para entender problemas que as

Operações da fábrica estavam enfrentando e possíveis demandas por mudanças. Nesta fase

preliminar, por conta de prioridade no que se buscaria melhor nas práticas vigentes, ficou

definido que o projeto teria prosseguimento a partir da gerente de Produção.

A seguir será exposto o conteúdo da fase exploratória, de pesquisa e de ação. O

conteúdo da fase de avaliação será exposto nos capítulos Análise e Discussão dos Resultados.

3.2.B Fase Exploratória

Para realização do diagnostico, diversos métodos de coleta de informação podem ser

utilizados, como, por exemplo: entrevistas, questionários e observação (STRINGER, 1996;

THIOLLENT, 2009).

Entrevistas abertas foram conduzidas com atores de níveis hierárquicos mais baixos,

porém, mais “próximos” dos problemas a serem investigados. Estes profissionais eram: um

Planejador de Produção e um Coordenador de Planejamento de Demanda. Este último tinha

como local de trabalho a sede administrativa da empresa, que se situava em outra localidade.

O contato com este profissional foi necessário porque muitas das decisões tomadas na fábrica

dependiam de informações e decisões vindas da sede da empresa.

O principal problema identificado pela qual a produtora de cosméticos estava passando

era a perda de vendas decorrente da falta de estoque de produtos finais disponíveis para seus

clientes diretos – ou simplesmente o “custo da falta”, conforme é tratado neste estudo. O

próximo passo foi a tentativa de entender junto aos atores envolvidos o que poderia estar

causando a falta de estoque de produtos finais e a consequente perda de vendas.

A seguir são listados fatores que, de acordo com os atores envolvidos e por meio de

observação, poderiam estar potencialmente promovendo a situação indesejada:

- Capacidade produtiva da fábrica e demanda crescente: A fábrica em questão não é a

única no Brasil onde a produtora de cosméticos possui atividades manufatureiras. A

28

quantidade de produtos demandados para produção nesta unidade vinha crescendo com o

passar do tempo, entretanto, começava a apresentar sinais de saturação na capacidade

produtiva. Descompassos entre a demanda e a oferta poderiam, então, estar crescendo de uma

forma a impossibilitar uma manutenção desejável de estoques de produtos finais.

- Imprevisibilidade da demanda: Um determinado item poderia ter seu estoque de

unidades de produto final gravemente reduzido por conta da natureza estocástica da demanda.

- Ruptura de abastecimento de matéria-prima: Por motivos fora do controle da

organização, podem ocorrer rupturas no abastecimento das matérias-primas necessárias para a

manufatura de determinados itens.

- Mudanças no planejamento de produção: Ordens para mudança no planejamento de

produção podem vir da sede. Determinados itens podem ser considerados como prioridade

para serem produzidos após um plano pré-estabelecido de produção, modificando assim o

planejamento inicial de produção. Esta modificação no sequenciamento de produção pode

acabar resultando numa redução da eficiência da fábrica, que por sua vez resultaria numa

menor capacidade de lidar com a demanda a ela atribuída. Este fator revela uma característica

presente não só na organização em questão, mas uma característica popular nas organizações:

múltiplas metas a serem seguidas. Elas podem ser metas em comum ou não entre os

departamentos, no sentido que as ações tomadas por um determinado departamento para

melhorar sua(s) meta(s) específica(s) pode acabar resultando numa piora do desempenho da(s)

meta(s) específica(s) de outro departamento.

Em paralelo com esta etapa de diagnóstico, o pesquisador começou a elaborar uma

revisão de literatura para auxiliar no entendimento e elaboração de possíveis objetivos e ações

a serem introduzidos na pesquisa. O resultado desta revisão está sintetizado no capítulo

Revisão de Literatura.

A maior parte dos fatores que poderiam estar potencialmente provocando o alto custo da

falta parecem não estar sobre o controle da empresa ou não ser algo passível de um plano de

ação compatível com o espírito da pesquisa, como, por exemplo, uma ampliação da planta da

fábrica. Entretanto, a coordenação sobre a produção parece ser uma atividade que está

totalmente sobre o controle da produtora.

29

Com informações obtidas por meio do diagnostico realizado e do quadro teórico

elaborado chegou-se então à pergunta principal da pesquisa: “É possível, por meio do

planejamento de produção, melhorar o custo da falta?”.

Desta pergunta principal, outra pergunta foi desdobrada com o intuito de configurar o

escopo da pesquisa: “É possível, além do custo da falta, melhorar também o número de

diferentes itens sem perda de vendas por conta de falta de estoque de produtos finais e o

atingimento de vendas em unidades?”.

A pergunta desdobrada faz sentido pelo fato de que é possível reduzir o custo da falta

focando a produção nos itens de maior margem financeira e/ou maior demanda. Entretanto,

uma das preocupações da organização é a presença da marca no mercado. Desta forma, se

torna importante, além de reduzir o custo da falta, manter a maior quantidade de itens

diferentes disponíveis para venda, independente de suas características financeiras.

Os resultados desta fase foram então compartilhados com os atores envolvidos no

projeto para prosseguimento à próxima fase.

3.2.C Fase de Pesquisa

Para melhor entendimento sobre o que envolve o procedimento que resulta no

sequenciamento de produção, maiores investigações foram feitas por meio de entrevistas

abertas com os atores envolvidos. Os achados são descritos a seguir.

O sequenciamento de produção na fábrica em questão foi entendido como um processo

longo e que permeia diversas áreas da empresa. O processo se inicia no início de cada mês

com áreas da sede e da fábrica, quando um plano mestre de produção é debatido até que se

chegue a uma lista de itens a serem produzidos que condiz com a previsão de disponibilidade

de matéria-prima e capacidade de produção para aquele mês.

Após um plano mestre estabelecido, a equipe do departamento de Logística, no qual o

Planejador de Produção é parte, decide sobre qual será a ordem em que os itens pertencentes a

esta lista serão liberados para a equipe de Produção.

Reuniões semanais são feitas entre as equipes da fábrica para debater o planejamento da

produção para os dias que se seguem. Existem pelo menos três motivos pelo qual reuniões

semanais são necessárias. Primeiro, a equipe de Produção procura otimizar a utilização das

30

máquinas da fábrica. Esta otimização tem como resultado ajustes finos na ordem de produção

dos itens com a finalidade de melhorar a eficiência da fábrica, como, por exemplo, por meio

da redução do tempo de preparação das máquinas. Segundo, pode haver alguma ruptura no

abastecimento de matéria-prima, o que levará a alguns ajustes na ordenação dos itens para

evitar ociosidade nas máquinas. E terceiro, pode ocorrer de determinadas áreas específicas da

empresa desejarem prioridade para determinado item. Ocasionalmente ocorrem também

reuniões diárias, por conta dos mesmos motivos.

Ficou decidido que, de acordo com a proposta da pesquisa em termos de tempo e

alcance, o foco da proposta de ação seria limitada para as práticas referentes ao departamento

de Logística. Desta forma, uma investigação mais aprofundada sobre as tomadas de decisão

referente ao sequenciamento de produção pela Logística foi iniciada.

3.2.A.C Sequenciamento de Produção

A ordenação feita pela equipa de Logística é resultado das prioridades estabelecidas

para o sequenciamento de produção. Conforme supracitado, a organização possui múltiplas

metas a serem seguidas. Estas metas, por sua vez, se traduzem em índices, como o

atingimento de vendas, por exemplo, que são compostos por variáveis.

As variáveis são utilizadas de forma agregada para compor os índices, mas estão

presentes também de forma específica para cada item. Elas estão intimamente ligadas às

prioridades dadas aos itens. Um exemplo que poderia ilustrar essa ligação seria: um item com

nível muito baixo de estoque tem prioridade alta.

A seguir são descritas as variáveis utilizadas para a tomada de decisão acerca do

sequenciamento de produção e de que forma elas são utilizadas para gerar a ordenação dos

itens a serem produzidos.

- Dias de estoque esperado. Esta é a principal variável acompanhada pelos gestores da

empresa. Os dias de estoque influenciam diretamente o nível de serviço da empresa, por conta

da influenciar disponibilidade do item ao cliente. Esta variável também está diretamente

ligada ao custo da falta. Vale ressaltar que esta variável se baseia em uma previsão de

demanda, indicando quantos dias o estoque conseguiria abastecer esta demanda prevista.

- Custo de ruptura. Este é o custo da falta conforme nomeado pela organização,

calculado a partir do quanto está se deixando de lucrar marginalmente com a

31

indisponibilidade de determinado item. Vale ressaltar o custo de ruptura só é calculado caso o

item de fato não se encontre disponível para venda. Desta forma, a demanda esperada não

influencia sobre este índice, mas sim a demanda realizada.

- Criticidade do item. Esta é uma variável que traduz algumas características subjetivas

referentes aos itens, como seu valor estratégico para a marca e a complexidade de seus

procedimentos de produção.

Estas variáveis são utilizadas da seguinte forma pela equipe de Logística: primeiro,

ordenas-se os itens em escala crescente pelos dias de estoque esperado. Assim, o primeiro

item acaba sendo o que tiver menos dias de estoque esperado e o último o que tiver mais dias

de estoque esperado. Em seguida, há uma ordenação em escala decrescente pelo custo de

ruptura. Isso significa que o custo de ruptura serve como primeiro critério de desempate. A

criticidade é utilizada também como critério de desempate. Caso os dias de estoque esperado

de alguns itens estejam iguais e os custos de ruptura bastante próximos, características dos

itens como “lançamento” e “alta complexidade de produção” podem ser utilizadas para definir

prioridades. Um item “lançamento” tem maior prioridade e um item “alta complexidade de

produção” tem menor prioridade. Os itens que não possuem nenhuma dessas características

tem prioridade neutra – ou normal – neste critério de desempate.

3.2.D Fase de Ação

A ação proposta é resultado tanto dos resultados da pesquisa até o encerramento da

Fase de Pesquisa quanto da revisão de literatura desempenhada para o estudo. Ela consiste em

um método de simulação de tomada de decisão que será testado e avaliado para comparação

com as atuais práticas da empresa. Esta avaliação tem como objetivo entender de que forma o

a proposta de ação responderá às perguntas da pesquisa. Conforme supracitado, a avaliação

estará sendo abordada no capítulo Análise e Discussão dos Resultados.

3.2.A.D Proposta de Ação

A proposta de ação é baseada na elaboração e teste de um sistema de inferência fuzzy

em comparação às práticas vigentes na empresa. Esta ferramenta foi escolhida pelo fato de

conseguir incorporar ao mesmo tempo múltiplas variáveis, elementos estocásticos e

informações advindas do conhecimento de especialistas por meio de suas verbalizações. O

32

sistema proposto tem como base quatro variáveis: dias de estoque esperado, criticidade, perda

diária esperada, e coeficiente de variação da demanda.

Os dias de estoque esperado são medidos em dias e são calculados da seguinte forma:

Dias de Estoque Esperado = (Estoque

Previsão da Demanda) × 30

A função de pertinência dos dias de estoque esperado está representada no Gráfico 3.1.

Gráfico 3.1 – Função de pertinência dos Dias de Estoque Esperado


A criticidade de um item pode ter os seguintes valores: (1) alta complexidade de

produção, (2) normal, e (3) lançamento. Por conta de simplificação, não serão considerados na

simulação que os itens podem ter ao mesmo tempo mais de uma classificação, como, por

exemplo, ter alta complexidade de produção e ser um lançamento. O autor considera que esta

simplificação não reduzirá a relevância dos resultados. A função de pertinência da criticidade

está representada no Gráfico 3.2.

33

Gráfico 3.2 – Função de pertinência da Criticidade


A perda diária esperada é a medida utilizada para representar o custo financeiro diária

da indisponibilidade de um item. Diferente do índice “custo de ruptura” utilizado pela

organização, que representa quanto de fato a empresa está perdendo de venda por conta da

falta de estoque, a perda diária esperada representa quanto seria o custo da perda diariamente

caso o estoque viesse a zerar.

A perda diária esperada é medida em Reais e é calculada da seguinte forma:

Perda Diária Esperada

= {

0, 𝐸𝑠𝑡𝑜𝑞𝑢𝑒 = 30 𝑑𝑖𝑎𝑠(Previsão da Demanda − Estoque) × Preço Médio

30 − Dias de Estoque Esperado, 𝐸𝑠𝑡𝑜𝑞𝑢𝑒 < 30 𝑑𝑖𝑎𝑠

A função de pertinência da perda diária esperada está representada no Gráfico 3.3.

O coeficiente de variação da demanda é a medida que traduz a volatilidade da demanda.

O sortimento de produtos oferecidos pela produtora de cosméticos é bastante amplo e está em

renovação constante. Por conta disso, existem tanto produtos já estabelecidos no mercado e

com demanda menos voláteis quanto produtos lançamentos, que possuem baixo grau de

previsibilidade na demanda. Esta característica nos produtos não parece ser levada em

consideração pela equipe de Logística nos procedimentos de ordenação dos itens, porém, por

34

conta da demanda que efetivamente ocorre afetar diretamente os dias de estoque esperado, o

sequenciamento é afetado indiretamente pela demanda e sua volatilidade.

Gráfico 3.3 – Função de pertinência da Perda Diária Esperada


O coeficiente de variação da demanda é medido em porcentagem e sua função de

pertinência está representada no Gráfico 3.4.

Gráfico 3.4 – Função de pertinência do Coeficiente de Variação da Demanda


35

Cada item que a organização tem em sua carteira de produtos possui uma classificação

em cada uma das quatro variáveis. As prioridades são resultado de como a equipe de

Logística percebe a urgência da produção de cada item baseado nas classificações dadas a

cada um deles referentes às quatro variáveis. São seis os níveis de prioridade: muito baixa,

baixa, média, alta, muito alta, e urgente. O Gráfico 3.5 ilustra a função de pertinência da

prioridade.

Desta forma, cada item deve se encaixar em algum nível de prioridade, e esse encaixe

dependerá da combinação das classificações que ele possui referente às quatro variáveis.

Neste estudo, o racional por trás da denominação de prioridades dos itens é chamado de

“Regras de Prioridade”, e todas elas estão listadas no Anexo 1.

Gráfico 3.5 – Função de pertinência da Prioridade


Tanto as funções de pertinência quanto as regras de prioridade foram elaboradas com

base em informações obtidas com os atores da organização, observação e bom senso. Vale

ressaltar que o objetivo deste plano de ação não é criar um mecanismo que imite a tomada de

decisão dos especialistas da organização, mas criar um mecanismo que possa lidar com a

complexidade enfrentada por eles, testando e avaliando práticas alternativas.

O próximo passo da proposta é testar este modelo desenvolvido, e comparar seus

resultados com resultados baseados nas premissas das práticas atuais da empresa por meio de

simulações.

36

3.2.B.D Simulação

Para testar a proposta, foi utilizado o FuzzyToolkitUoN (KNOTT et al, 2013), um

pacote criado para ser utilizado no software R (R CORE TEAM, 2014). A simulação tem

como base o método Monte-Carlo. Esta abordagem tem a vantagem de proporcionar uma

estimativa da distribuição de variáveis que dependem de entradas probabilísticas (EVANS &

OLSON, 1998). Esse método se torna mais adequado para a pesquisa pelo fato de possibilitar

indagar-se pela robustez do modelo proposto por meio de computação, já que seria inviável

testá-lo na prática uma quantidade de vezes plausível para se chegar a resultados

minimamente representativos e confiáveis. O número de simulações realizadas para este

estudo é de 500. Em um estudo realizado por Hamundu et al (2012) em que ambos os

conceitos de lógica fuzzy e simulação Monte-Carlo são utilizados no desenvolvimento de um

modelo, este é o número escolhido de vezes que a simulação seria rodada para minimizar a

possibilidade de erros advindos das variáveis randômicas.

A simulação conta com 90 itens que serão ordenados com base em prioridades para

serem produzidos. Cada simulação contará com dois modelos: o modelo proposto, criado

neste estudo, e o modelo vigente, que é a tradução das práticas vigentes da organização.

Cenários aleatórios são criados baseados em premissas para cada uma das variáveis utilizadas

que caracterização cada um dos itens em cada simulação. Em cada simulação, ambos os

modelos compartilharão do mesmo cenário, ou seja, contarão com os mesmos 90 itens

gerados. Todas as premissas podem ser encontradas no Anexo 2.

Desta forma, cada um dos itens terá números aleatórios compreendidos em um

determinado intervalo para cada uma das variáveis. Estas são: previsão de demanda

(unidades), dias de estoque esperado (em dias), preço médio (R$), criticidade (tipo),

coeficiente de variação da demanda (%), tempo de produção (dias) e fator aleatório de

variação.

Depois de geradas estas variáveis, é possível calcular as demais variáveis necessárias

para a simulação, que são: estoque (unidades), variação da demanda (%), perda diária

esperada (R$), demanda efetiva (unidades), perda diária potencial (R$) e dias de estoque

realizado (dias). Os cálculos por trás de cada uma dessas variáveis estão presentes no Anexo

3.

37

Vale ressaltar que tanto a demanda quanto os dias de estoque possuem duas facetas: o

esperado e o realizado. Nesta simulação, a previsão de demanda e os dias de estoque esperado

são utilizados como base junto ao coeficiente de variação da demanda e a criticidade para

simular a tomada de decisão, já que na prática ela ocorre no início do período, mais

especificamente no início do mês, quando os gestores não sabem como a demanda se

comportará, tendo assim que tomar suas decisões baseados em previsões. Entretanto, para

cálculo dos resultados, a demanda efetiva e os dias de estoque realizado são utilizados, pois

são dados desta natureza que indicarão o quanto a demanda foi de fato atendida ou não.

Desta forma, as variáveis que são utilizadas como inputs no software são: dias de

estoque esperado, criticidade, coeficiente de variação da demanda e perda diária esperada. O

output é uma lista com a prioridade de cada item variando de 0 a 100, sendo 0 a prioridade

mais baixa e 100 a prioridade mais alta. Estas prioridades são utilizadas para classificar a

ordenação dos itens.

No caso do modelo proposto a ordenação se dá da seguinte forma: caso haja itens com a

mesma prioridade, o primeiro critério de desempate é os dias de estoque esperado (em ordem

crescente), o segundo é a criticidade (em ordem decrescente), e por último a perda diária

esperada (em ordem decrescente).

No caso do modelo vigente a ordenação se dá da seguinte forma: classificam-se os itens

pelos dias de estoque esperado (em ordem crescente) com o primeiro critério de desempate

sendo a perda diária esperada (em ordem decrescente), e o segundo, a criticidade (em ordem

decrescente). Com relação ao primeiro critério de desempate, primeiramente o item tem sua

perda diária esperada classificada por tipo de acordo com o intervalo em que está inserido. A

divisão dos intervalos é feita utilizando-se como base a função de pertinência encontrada no

Gráfico 3.3. Neste caso, um item que se encontra mais pertencente ao conjunto “Normal” é

classificado como tipo 1, já um item que se encontra mais pertencente ao conjunto “Alta” é

classificado como tipo 2, e os demais são classificados como tipo 3. Um exemplo de

ordenação é encontrado no Anexo 4.

38

4. ANÁLISE E DISCUSSÃO DOS RESULTADOS

Neste capítulo são apresentados e discutidos os resultados das simulações realizadas

para testar o modelo proposto em comparação ao modelo vigente. Primeiro, são analisados os

principais resultados, e em seguida, são discutidas as implicações do estudo.

4.1 Principais Resultados

Os resultados do modelo proposto foram, de forma geral, positivamente superiores aos

encontrados no modelo vigente. O resumo dos principais resultados é encontrado na Tabela

4.1.

Tabela 4.1 – Resumo dos Principais Resultados

Variáveis Média Desvio Padrão Maior Menor

Custo da Falta (R$)

Modelo Vigente

Modelo Proposto

35.487.329

30.809.254

4.354.764

3.601.708

51.515.122

43.506.664

24.357.558

21.832.072

Redução no Custo da Falta 4.678.075 1.597.612 13.055.011 -309.336

Percentual do Custo da Falta em relação ao Modelo Vigente 13% 3,7 p.p. 29% -1%

Percentual de Itens sem Perda de Vendas

Modelo Vigente

Modelo Proposto

4,6%

7,4%

2,2 p.p.

2,8 p.p.

13,3%

16,7%

0,0%

0,0%

Aumento no percentual de Itens sem Perda de Vendas 2,8 p.p. 1,7 p.p 8,9 p.p. -2,2 p.p.

Percentual de Atingimento de Vendas

Modelo Vigente

Modelo Proposto

43,3%

46,4%

3,1 p.p.

3,3 p.p.

53,9%

56,2%

33,9%

37,9%

Aumento no percentual de Atingimento de Vendas 3,1 p.p. 1,6 p.p. 12,3 p.p. -2,4 p.p.


O modelo proposto responde à pergunta principal da pesquisa de forma bastante

satisfatória, apresentando melhores resultados não só em relação ao custo da falta, mas

também em relação à quantidade de itens sem perda de vendas e ao atingimento de vendas.

Mais especificamente em relação ao custo da falta, o modelo mostrou grande robustez, pois

39

houve redução neste quesito em quase todas as simulações. A Tabela 4.2 resume a frequência

em que a diferença nos resultados foi positiva, neutra ou negativa entre os modelos.

Tabela 4.2 – Resumo das Frequências das Diferenças entre os Modelos (%)

Variáveis Positivo Neutro Negativo

Redução no Custo da Falta 499 0 1

Aumento no percentual de Itens sem Perda de Vendas 459 39 2

Aumento no percentual de Atingimento de Vendas 488 0 12


O modelo proposto conseguiu também responder à pergunta desdobrada de forma

satisfatória. Foi verificado também que, na média, o modelo proposto conseguiu aumentar a

quantidade do percentual de itens sem perda de vendas e aumentar o atingimento de vendas

em unidades.

4.1.A Custo da Falta

A Tabela 4.3 exibe as estatísticas descritivas dos dados relativos ao custo da falta em

amos os modelos. Os Gráficos 4.1 e 4.2 exibem o melhor desempenho do modelo proposto

com relação ao vigente por meio de boxplots (Gráfico 4.1) e curvas de densidade superpostas

(Gráfico 4.2), respectivamente.

Tabela 4.3 – Estatísticas Descritivas dos Diagramas de Caixa dos Modelos (em R$ milhões)

Modelo Mínimo 1º Quartil Mediana Média 3º Quartil Máximo

Vigente 24,36 32,25 35,36 35,49 38,43 51,52

Proposto 21,83 28,33 30,65 30,81 33,36 43,51

Fonte: Elaboração do Autor.

40

Gráfico 4.1 – Boxplots dos Modelos


41

Gráfico 4.2 – Curvas de Densidade dos Custos da Falta dos Modelos (bandwidth de 2)


4.1.B Itens sem Perda de Vendas

O Gráfico 4.3 exibe as curvas de densidade superpostas de ambos os modelos referentes

aos resultados do percentual de itens sem perda de vendas, e a Tabela 4.4, a distribuição de

frequências relativas e acumuladas.

É importante notar que o modelo proposto não só demonstrou um melhor desempenho

na média, como também atingiu níveis superiores de resultado: o modelo vigente conseguiu

evitar no máximo que 13,3% dos itens não tivessem perda de vendas, enquanto que o modelo

proposto chegou a um percentual de 16,7%.

42

Gráfico 4.3 – Curvas de Densidade dos Percentuais de Itens Sem Perda de Venda dos Modelos

(bandwidth de 1)


Em relação à Tabela 4.4, uma característica importante na distribuição da frequência do

percentual de itens sem perda de vendas é que aproximadamente 80% da frequência dos

resultados do modelo vigente está situada no intervalo entre 2,2% e 6,7%, enquanto que

aproximadamente 80% da frequência dos resultados do modelo proposto está situada no

intervalo entre 4,4% e 10,0%, conforme destacado na própria tabela.

43

Tabela 4.4 – Distribuição de Frequência do Percentual dos Itens Sem Perda de Vendas

Variável Modelo Vigente Modelo Proposto

Percentual de Itens sem Perda de Vendas Relativa Acumulada Relativa Acumulada

0,0% 1,6% 1,6% 0,2% 0,2%

1,1% 5,8% 7,4% 1,2% 1,4%

2,2% 12,4% 19,8% 1,8% 3,2%

3,3% 22,6% 42,4% 4,2% 7,4%

4,4% 17,6% 60,0% 10,6% 18,0%

5,6% 17,0% 77,0% 15,2% 33,2%

6,7% 11,2% 88,2% 18,2% 51,4%

7,8% 6,0% 94,2% 17,2% 68,6%

8,9% 3,0% 97,2% 11,0% 79,6%

10,0% 2,0% 99,2% 7,2% 86,8%

11,1% 0,6% 99,8% 5,8% 92,6%

12,2% 0,0% 99,8% 3,4% 96,0%

13,3% 0,2% 100,0% 2,0% 98,0%

14,4% 0,0% 100,0% 0,8% 98,8%

15,6% 0,0% 100,0% 1,0% 99,8%

16,7% 0,0% 100,0% 0,2% 100,0%


A Tabela 4.5 ilustra a frequência que cada nível de criticidade apresentou nos itens sem

perda de vendas. A maior frequência de itens com criticidade nível 3 e menor frenquencia de

itens com criticidade nível 1 e 2 demonstra que o modelo proposto é capaz de traduzir melhor

as diferentes preferências da organização por diferentes níveis de criticidade.

Tabela 4.5 – Frequência de Cada Nível de Criticidade nos Itens Sem Perda de Vendas

Variável Modelo Vigente Modelo Proposto

Criticidade Frequência Absoluta Frequência Relativa Frequência Absoluta Frequência Relativa

Produção Complexa 96 4,6% 130 3,9%

Normal 1563 75,6% 2399 72,2%

Lançamento 408 19,7% 796 23,9%


44

4.1.C Atingimento de Vendas

O Gráfico 4.4 ilustra as curvas de densidade superpostas de ambos os modelos

referentes aos resultados do percentual de atingimento de vendas.

Gráfico 4.4 – Curvas de Densidade dos Percentuais de Atingimento de Venda dos Modelos (bandwidth de

1,5)


4.1.D Correlações

Um aspecto importante do modelo proposto é que, em relação à redução do custo da

falta, ele tende a ser mais eficiente do que o modelo vigente na medida em que a média dos

dias de estoque (tanto esperado quanto realizado) é menor e a média da variação da demanda

é maior. Isso significa que quanto mais crítica for a situação com relação aos níveis de

estoque e mais adverso for o cenário em relação à demanda, mais o modelo proposto tenderá a

trazer uma solução melhor que o modelo vigente. Esta correlação, assim como demais

45

correlações entre as variáveis-chave contidas na simulação, está presente na Tabela 4.6. Os

significados das siglas são descritos na Tabela 4.7.

Tabela 4.6 – Correlações entre as Variáveis

RCF APISPV APAV MDEE MPDE MC MCVD MDER MPDP MVD MTP

RCF 1,00 -0,08 0,78 -0,15 0,43 0,10 0,08 -0,18 0,55 0,17 0,02

APISPV -0,08 1,00 -0,17 0,07 0,02 0,04 0,00 0,14 -0,08 -0,16 -0,18

APAV 0,78 -0,17 1,00 -0,11 0,16 0,03 0,02 -0,21 0,32 0,18 0,08

MDEE -0,15 0,07 -0,11 1,00 0,07 -0,10 0,03 0,69 0,05 0,02 -0,10

MPDE 0,43 0,02 0,16 0,07 1,00 0,03 0,10 0,12 0,87 -0,06 0,01

MC 0,10 0,04 0,03 -0,10 0,03 1,00 -0,03 -0,08 0,06 0,02 -0,03

MCVD 0,08 0,00 0,02 0,03 0,10 -0,03 1,00 0,15 0,07 0,00 -0,04

MDER -0,18 0,14 -0,21 0,69 0,12 -0,08 0,15 1,00 -0,11 -0,52 -0,10

MPDP 0,55 -0,08 0,32 0,05 0,87 0,06 0,07 -0,11 1,00 0,33 0,02

MVD 0,17 -0,16 0,18 0,02 -0,06 0,02 0,00 -0,52 0,33 1,00 0,01

MTP 0,02 -0,18 0,08 -0,10 0,01 -0,03 -0,04 -0,10 0,02 0,01 1,00


Tabela 4.7 – Significado das Siglas

Sigla Significado

RCF Redução no Custo da Falta

APISPV Aumento no percentual de Itens sem Perda de Vendas

APAV Aumento no percentual de Atingimento de Vendas

MDEE Média dos Dias de Estoque Esperado

MPDE Média da Perda Diária Esperada

MC Média da Criticidade

MCVD Média do Coeficiente de Variação da Demanda

MDER Média dos Dias de Estoque Realizado

MPDP Média da Perda Diária Potencial

MVD Média da Variação da Demanda

MTP Média do Tempo de Produção


46

4.2 Discussão dos Resultados

O modelo proposto mostrou-se uma eficiente alternativa para melhorar a prática da

organização pesquisada quanto ao seu sequenciamento de produção. Além de mostrar-se mais

eficiente quanto mais adverso e desfavorável for o cenário enfrentado pela empresa em

diversos quesitos, existem outros aspectos inerentes ao modelo proposto que também

contribuem para a melhora da prática.

Primeiramente, o modelo mostrou-se uma abordagem heurística muito satisfatória para

a solução do problema em questão. Uma vez modelado o problema, o tempo despendido para

alimentar o sistema com os dados necessários para a tomada de decisão. Isto se traduz em

uma tomada de decisão muito mais ágil, já que o software utilizado gera as prioridades quase

que instantaneamente quando acionado. Além desta característica, o fato de levar em

consideração incertezas do ambiente em que a organização está inserida permite que o modelo

tenda a reduzir a necessidade de resequenciamentos, pois ele tende a se antecipar aos eventos

que tornam o sequenciamento mais distante dos objetivos da empresa.

Esta característica é muito importante, pois o sequenciamento de produção pode ser

uma atividade que demanda muito esforço gerencial, como no caso da organização

pesquisada, em que o sequenciamento de produção, como um todo, permeia grande parte da

organização. Desta forma, quanto menos modificações no plano original, melhor.

Um segundo ponto é referente à flexibilidade do modelo, conforme abordado por

Kathawala e Allen (1993). Um sistema como o utilizado neste estudo tem como umas de suas

características ser bastante flexível dentro do contexto em que foi elaborado. Para que o

modelo privilegie, por exemplo, um maior aumento de itens sem perda de vendas, basta que

as regras de prioridade sejam configuradas de forma que a inferência do modelo priorize este

objetivo.

Além disso, o modelo também pode incorporar novas variáveis que influenciam a

tomada de decisão quanto ao sequenciamento, como, por exemplo, a probabilidade de ruptura

de matéria-prima.

Um terceiro ponto, também referente à flexibilidade do modelo, é em relação à

interligação entre as diferentes áreas da organização, problema este abordado por Kreipl e

Pinedo (2004). A flexibilidade do modelo permite que ele incorpore, mesmo com toda a

47

complexidade existente, as diversas variáveis que influenciam a tomada de decisão quanto ao

sequenciamento de produção. Desta forma, diferente de modelos de sequenciamento de

produção que focam apenas na otimização da alocação de recursos nas máquinas (conforme a

estrutura genérica apresentada por Conway et al (1967)), o modelo proposto inclui variáveis –

e permite incluir ainda outras – de alcance mais global dentro da organização. Assim, o

modelo proposto auxilia também a romper os silos dentro da organização, tornando as

tomadas de decisão mais unificadas.

48

5. CONCLUSÕES

A pesquisa teve como objetivo elaborar uma forma de melhorar a prática da

organização estudada, mais especificamente em relação à seu planejamento de produção. A

metodologia de pesquisa-ação foi utilizada para permitir um melhor entendimento do

problema em questão. Esta metodologia tem como finalidade propiciar tanto uma melhora nos

problemas práticos que estão sendo analisados quanto gerar conhecimento por meio da

pesquisa realizada, o que permitiu atender tanto demandas acadêmicas quanto da organização

pesquisada.

Após rodadas iniciais de pesquisa para identificação do problema, definiu-se que o alvo

do estudo seria especificamente a atividade de sequenciamento de produção, determinando

assim o escopo do projeto. A partir deste ponto, mais rodadas de pesquisas foram sendo

realizadas até a elaboração de um plano de ação e a avaliação do mesmo.

Notou-se que incertezas, como a imprevisibilidade da demanda, afetam diretamente a

empresa e aumentam consideravelmente a complexidade de sua tomada de decisão. Com o

intuito de auxiliar a organização na atividade de sequenciamento e melhorar o atendimento da

organização à demanda de seus produtos, uma ferramenta de controle baseado na lógica fuzzy

foi elaborada.

A lógica fuzzy se mostrou uma abordagem alternativa eficaz para auxiliar na tomada de

decisão em um ambiente de alta complexidade e incerteza. Com qualidades que permitem

uma melhor captura do conhecimento dos especialistas da organização, a lógica fuzzy foi

utilizada na elaboração da ferramenta de controle para incorporar a complexidade enfrentada

pela empresa.

O plano de ação contou então com simulações de dois modelos – proposto e vigente –

para testar a efetividade da abordagem proposta em relação às práticas vigentes. Variáveis

relacionadas à demanda, estoque, tempo de produção e criticidade dos itens, dentre outras,

foram utilizadas para gerar os sequenciamentos. O modelo vigente é baseado na forma de

tomada de decisão atual da empresa, já o modelo proposto conta também com uma medida de

variação da demanda, incorporando assim, o risco da variação da demanda e suas

consequências na tomada de decisão.

49

O resultado das simulações respondeu satisfatoriamente às perguntas da pesquisa. Em

todas as simulações, a ferramenta de controle gerou sequenciamentos que reduziam o custo da

falta da empresa. Na média, houve uma redução de 13% no custo da falta do modelo proposto

quando comparado com o modelo vigente da empresa. Ademais, houve também um aumento

de médio de 2,8 p.p. na quantidade de itens que não apresentavam perda de vendas pela falta

de estoque. Em relação ao atingimento de vendas em unidades, houve um acréscimo médio de

3,1 p.p.

Pode-se afirmar que a pesquisa-ação realizada neste estudo alcançou resultados

positivos quanto à seu aspecto metodológico, uma das demandas desta metodologia. A

presente pesquisa demonstrou que é possível utilizar técnicas presentes na literatura, como a

ferramenta de controle baseado na lógica fuzzy, para aprimorar o sequenciamento de

produção em um caso real.

5.1 Implicações Práticas

Pode-se concluir também que a proposta elaborada pela presente pesquisa-ação pode

ajudar a melhorar a prática da organização em questão, mais especificamente em atender

melhor à demanda de seus produtos. O motivo principal parece ser o fato de incorporar a

volatilidade da demanda em sua tomada de decisão, o que a auxilia a lidar melhor com o

ambiente que a afeta.

Além de se mostrar mais eficiente quanto mais adverso e desfavorável for o cenário

enfrentado pela empresa em diversos quesitos, existem aspectos inerentes ao modelo proposto

que também contribuem para a melhora da prática. Primeiramente, a ferramenta desenvolvida

possibilita que a organização torne suas tomadas de decisão muito mais ágeis e dinâmicas,

tanto pelo fato de tender a reduzir a necessidade de resequenciamentos quanto pela rapidez

em se chegar uma tomada de decisão.

Ainda, a flexibilidade contida na natureza da abordagem proposta permite que ela se

ajuste com facilidade dentro do contexto em que foi elaborada. Desta forma, é possível

modificar as regras de tomada de decisão a fim de se chegar a diferentes resultados, assim

como incluir demais variáveis que influenciam o problema estudado.

50

Por fim, outra vantagem desta flexibilidade é que ela permite que o modelo proposto

inclua as diversas variáveis que influenciam a tomada de decisão quanto ao sequenciamento

da produção, não só as referentes ao chão de fábrica, mas todas que de alguma forma

influenciam o sequenciamento, ampliando o alcance da análise do problema. Assim, a solução

proposta unifica melhor a tomada de decisão entre as diferentes áreas da empresa.

5.2 Limitações do Estudo

A metodologia escolhida para a pesquisa, como qualquer outra, também possui suas

vantagens e desvantagens. Um dos principais questionamentos relacionados à PA é em

relação ao seu grau de generalidade. As restrições do escopo da PA em relação ao(s)

fenômeno(s) analisado(s) e a participação/contato ativa e deliberada do pesquisador no

ambiente tendem a contribuir para um menor grau de generalização do estudo.

Ademais, a fase de ação desta pesquisa-ação não se deu na prática vivenciada pelos

atores em questão. Por motivos citados tanto no capítulo Metodologia quanto no capítulo

Análise e Discussão de Resultados, a realização de simulações em computador foi a melhor

maneira encontrada para testar a abordagem proposta pela pesquisa. Além disso, a ferramenta

utilizada – um controlador baseado na lógica fuzzy – é de simples assimilação e uso, podendo

ser incorporada facilmente na prática da empresa.

Ainda em relação à metodologia utilizada, é comum na literatura serem sugeridos mais

de um ciclo de pesquisa – ou até que o projeto esteja satisfatoriamente realizado. Entretanto,

como se trata de uma dissertação em um programa de Mestrado, um ciclo apenas já se mostra

suficiente, enquanto que em programa de Doutorado seriam necessários pelo menos dois ou

três ciclos para que uma contribuição significante ao conhecimento acontecesse, uma

característica do esboço deste tipo de programa (PERRY e ZUBER-SKERRITT, 1991).

5.3 Sugestões para Estudos Futuros

- A técnica utilizada na abordagem proposta é considerada heurística. Desta forma, um

passo futuro interessante ao projeto seria testar o quão próximo as soluções obtidas por meio

da ferramenta utilizada são das soluções ótimas.

51

- Incorporar mais aspectos que compõem o problema na prática, como, por exemplo:

disponibilidade de matéria-prima (risco de ruptura de abastecimento), quebra de máquinas

(risco de atraso na produção), comportamento da demanda (o quanto pode ser recuperado

após rupturas de abastecimento; distribuição ao longo do tempo (semana/mês/ano), etc).

- Tornar dinâmica a ferramenta utilizada. Se fosse possível atualizar as informações

diariamente, a tomada de decisão seria melhor ainda, pois uma gama maior e mais atual de

informações estaria disponível. Desta forma, a resposta à flutuações na demanda seriam

melhores, assim como a resposta a outras adversidades, como a quebra de máquinas ou

ruptura no abastecimento de matéria-prima, por exemplo.

- Ampliar o alcance da ferramenta introduzindo novos módulos, como, por exemplo, a

atividade de otimização da utilização das máquinas, que é um passo seguinte ao

sequenciamento da forma que é abordado neste estudo. Assim, haveria uma integração maior

e melhor entre as diversas atividades que integram o planejamento da produção.

- E por fim, testar na prática como seria a adaptação à introdução da ferramenta na

prática da organização.

52

REFERÊNCIAS BIBLIOGRÁFICAS

ABUMAIZAR, R. J.; SVESTKA, J. A. Rescheduling job shops under random disruptions.

International Journal of Production Research, v. 35, n. 7, p. 2065-2082, 1997.

ALTRICHTER, H.; KEMMIS, S.; MCTAGGART, R.; ZUBER-SKERRITT, O. The concept

of action research. The Learning Organization, v. 9, n. 3, p. 125-131, 2002.

BASKERVILLE, R. L.; WOOD-HARPER, T. A critical perspective on action research as a

method for information systems research. Journal of Information Technology, v. 11, n. 3, p.

235-246, 1996.

BERGMANN, M. An introduction to many-valued and fuzzy logic: semantics, algebras,

and derivation systems. Cambridge: Cambridge University Press, 2008.

BILKAY, O.; ANLAGAN, O.; KILIC, S. E. Job shop scheduling using fuzzy logic. The

International Journal of Advanced Manufacturing Technology, v. 23, n. 7-8, p. 606-619,

2004.

BRYDON-MILLER, M.; GREENWOOD, D.; MAGUIRE, P. Why action research?. Action

research, v. 1, n. 1, p. 9-28, 2003.

BROWN, L.; HENRY, C.; HENRY, J.; MCTAGGART, R. Action research: notes on the

national seminar. Classroom Action Research Network Bulletin, v. 5, p. 1–16, 1982.

COGHLAN, D.; BRANNICK, T. Doing Action Research in Your Own Organization.

Londres: SAGE Publications, 2001.

COUGHLAN, P.; COGHLAN, D. Action research for operations management. International

journal of operations & production management, v. 22, n. 2, p. 220-240, 2002.

CONWAY, R. W.; MAXWELL W. L.; MILLER L. W. Theory of scheduling.

Massachusetts: Addison-Wesley Publishing Company, 1967.

53

COWLING, P. I.; JOHANSSON, M. Using real time information for effective dynamic

scheduling. European Journal of Operational Research, v. 139, n. 2, p. 230-244, 2002.

CUNNINGHAM, J. B. Action research and organizational development. Westport, CT:

Praeger, 1993.

DICKENS, L.; WATKINS, K. Action Research: rethinking Lewin. Management Learning,

v. 30, n. 2, p. 127-140, 1999.

DUBOIS, D. The role of fuzzy sets in decision sciences: Old techniques and new directions.

Fuzzy Sets and Systems, v. 184, n. 1, p. 3–28, 2011.

DUBOIS, D.; FARGIER, H.; FORTEMPS, P. Fuzzy scheduling: Modelling flexible

constraints vs. coping with incomplete knowledge. European Journal of Operational

Research, v. 147, n. 2, p. 231-252, 2003.

DUBOIS, D.; PRADE, H. What are fuzzy rules and how to use them. Fuzzy sets and

systems, v. 84, n.2, p. 169-185, 1996.

______. An introduction to fuzzy systems. Clinica Chimica Acta, v. 270, n.1, p. 3-29, 1998.

EVANS, J.R.; OLSON, D.L. Introduction to simulation and risk analysis. Nova Jérsei:

Prentice-Hall, Inc., 1998.

FOSTER, M. An introduction to the theory and practice of action research in work

organizations. Human Relations, v. 25, n. 6, p. 529-556, 1972.

FRENCH, S. Action research for practicing managers. Journal of Management

Development, v. 28, n. 3, p. 187-204, 2009.

GUMMESSON, E. Qualitative methods in management research. 2.ed.. Thousand Oaks:

Sage, 2000.

54

HAMUNDU, F. M.; BAHARUDIN A. S.; BUDIARTO R. Fuzzy-Monte Carlo Simulation

for Cost Benefit Analysis of Knowledge Management System Investment. In: HOU, H. T

(Ed.). New Research on Knowledge Management Technology. [S.I.]: InTech, 2012. cap. 5, p.

71-86. Disponível em: < http://cdn.intechopen.com/pdfs-wm/29141.pdft>. Acesso: 19 julho

2014.

HART, E.; BOND, M. Action research for health and social care: a guide to practice.

Filadélfia: Open University Press, 1995.

HOLTER, I. M.; SCHWARTZ-BARCOTT, D. Action research: what is it? How has it been

used and how can it be used in nursing?. Journal of Advanced Nursing, v. 128, n.2, p. 298-

304, 1993.

HULT, M.; LENNUNG, S. Towards a definition of action research: a note and a

bibliography. Journal of Management Studies, v. 17, n.2, p. 241-250, 1980.

KARWOWSKI, W.; EVANS, G. W. Fuzzy concepts in production management research: a

review. International Journal of Production Research, v. 24, n. 1, p. 129-147, 1986.

KASABOV, N. K. Foundations of Neural Networks, Fuzzy Systems, and Knowledge

Engineering. Londres: The MIT Press, 1998.

KATHAWALA, Y.; ALLEN, W. R. Expert systems and job shop scheduling. International

Journal of Operations & Production Management, v, 13, n. 2, p. 23-35, 1993.

KEMMIS, S.; MCTAGGART, R. The action research planner. Melbourne: Deakin

University, 1988.

KLIR, G. J.; FOLGER, T. A. Fuzzy sets, uncertainty, and information. Nova Iorque:

Prentice-Hall, 1988.

KLIR, G. J.; YUAN, B. Fuzzy sets and fuzzy logic – Theory and applications. Nova

Iorque: Prentice-Hall, 1995.

KNOTT, C.; HOVELL, L.; KARIMIAN, N.; GARIBALDI, J. FuzzyToolkitUoN. Versão

1.0, 2013. Disponível em: http://CRAN.R-project.org/package=FuzzyToolkitUon. Acesso: 19

julho 2014.

http://www.intechopen.com/books/new-research-on-knowledge-management-technology/fuzzy-montecarlo-simulation-for-cost-benefit-analysis-of-knowledge-management-system-investment

55

KRATHWOHL, D. R. Methods of educational & social science research: An integrated

approach. Nova Iorque: Longman, 1998.

KREIPL, S.; PINEDO, M. Planning and scheduling in supply chains: an overview of issues in

practice. Production and Operations management, v. 13, n. 1, p. 77-92, 2004.

LEE, K. H. First Course on Fuzzy Theory and Applications. Advances in Soft Computing.

Berlim: Springer-Verlag, 2005.

LEWIN, K. Action research and minority problems. Journal of social issues, v. 2, n. 4, p. 34-

46, 1946.

LI, H.; GUPTA, M. Fuzzy logic and intelligent systems. Boston: Kluwer Academic

Publishers, 1995.

MACCARTHY, B. L.; LIU J. Addressing the gap in scheduling research: a review of

optimization and heuristic methods in production scheduling. The International Journal of

Production Research, v. 31, n. 1, p. 59-79, 1993.

MAMDANI, E. H.; ASSILIAN, S. An experiment in linguistic synthesis with a fuzzy logic

controller. International journal of man-machine Studies, v. 7, n. 1, p. 1–13, 1975.

MCKAY, J.; MARSHALL, P. The dual imperatives of action research. Information

Technology & People, v. 14, n. 1, p. 46-59, 2001.

MCNEILL, F. M.; THRO, E. Fuzzy logic: a practical approach. Boston, MA: AP

professional, 1994.

MEYER, J. E. New paradigm research in practice: the trials and tribulations of action

research. Journal of advanced nursing, v. 18, n. 7, p. 1066-1072, 1993.

PERRY, C.; ZUBER-SKERRITT, O. Action research in graduate management research

programs. The First World Congress on Action Research & Process Management, v. 1, n.

6, p. 67-79, 1991.

56

O’BRIEN, J. J. Scheduling handbook. Nova Iorque: McGraw-Hill, 1969.

OTHMAN, Z.; SUBARI, K.; MORAD, N. Application of fuzzy inference systems and

genetic algorithms in integrated process planning and scheduling. International Journal of

The Computer, The Internet and Management, v. 10, n. 2, p. 81-96, 2002.

OUELHADJ, D.; PETROVIC, S. A survey of dynamic scheduling in manufacturing systems.

Journal of Scheduling, v. 12, n. 4, p. 417-431, 2009.

PETERS, M.; ROBINSON, V. The origins and status of action research. The Journal of

Applied Behavioral Science, v. 20, n. 2, p. 113-124, 1984.

PINEDO, M. Scheduling: theory, algorithms and systems. Englewood Cliffs: Prentice Hall,

2001.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation

for Statistical Computing, 2014. Disponível em: http://www.R-project.org/. Acesso: 19 julho

2014.

RAMKUMAR, R.; TAMILARASI, A.; DEVI, T. A Real Time Practical Approach for Multi

Objective Job Shop Scheduling Using Fuzzy Logic Approach. Journal of Computer

Science, v. 8, n. 4, p. 606-612, 2012.

REASON, P. Learning and change through action research. Londres: Sage Publications,

2001.

ROSS, T. J. Fuzzy logic with engineering applications, 2.ed. Nova Iorque: John Wiley &

Sons, 2004.

RUSSELL, B. Vagueness. The Australasian Journal of Philosophy, v. 1, n. 2, p. 84–92,

1923.

SANFORD, N. Whatever happened to action research?. Journal of social issues, v. 26, n. 4,

p. 3-23, 1970.

57

SELENER, D. Participatory action research and social change: approaches and critique.

Nova Iorque: Cornell University, 1992.

SHUKLA, C. S.; CHEN, F. F. The state of the art in intelligent real-time FMS control: a

comprehensive survey. Journal of intelligent manufacturing, v. 7, n. 6, p. 441-455, 1996.

SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da produção. São Paulo:

Atlas, 2009.

SOMEKH, B. The contribution of action research to development in social endeavours: a

position paper on action research methodology. British Educational Research Journal, v.

21, n. 3, p. 339-355, 1995.

STOOP, P. P. M.; WIERS, V. C. S. The complexity of scheduling in practice. International

Journal of Operations & Production Management, v. 16, n. 10, p. 37-53, 1996.

STRINGER, E. T. Action Research – A Handbook for Practitioners. Londres: Sage

Publications, 1996.

SUSMAN, G. I., EVERED, R. D. An assessment of the scientific merits of action research.

Administrative science quarterly, v. 23, n. 4, p. 582-603, dez. 1978.

THIOLLENT, M. Pesquisa-ação nas organizações. São Paulo: Atlas, 2003.

TRIPP, D. Pesquisa-ação: uma introdução metodológica. Educação e pesquisa, São Paulo, v.

31, n. 3, p. 443-466, set/dez. 2005.

VERBRUGGEN, H. B.; BRUIJN, P. M. Fuzzy control and conventional control: What is

(and can be) the real contribution of fuzzy systems?. Fuzzy Sets and Systems, v. 90, n. 2, p

151-160, 1997.

WESTBROOK, R. Action research: a new paradigm for research in production and

operations management. International Journal of Operations & Production Management,

v. 15, n. 12, p. 6-20, 1995.

58

WILLIAMSON, G. R.; PROSSER, S. Action research: politics, ethics and participation.

Journal of advanced nursing, v. 40, n. 5, p. 587-593, 2002.

WILLIAMSON, T. Vagueness. Londres: Routledge, 1994.

ZUBER-SKERRITT, O. Improved learning and teaching through action learning and action

research. Higher Education Research and Development, v. 12, n. 1, p. 45-58, 1993.

______. Professional development in higher education: A theoretical framework for

action research. Londres: Kogan Page, 1992.

ZADEH, L. A. Fuzzy sets. Information and control, v. 8, n. 3, p. 338-353, 1965.

______. Communication-Fuzzy Algorithms. Information and control. v. 12, p. 94-102,

1968.

______. Outline of a new approach to the analysis of complex systems and decision

processes. Systems, Man and Cybernetics, IEEE Transactions on, v. SMC-3, n. 1, p. 28–

44, 1973.

______. The role of fuzzy logic in modeling, identification and control. Modeling,

identification and control, v. 15, n. 3, p. 191-203, 1994.

______. Toward a theory of fuzzy information granulation and its centrality in human

reasoning and fuzzy logic. Fuzzy sets and systems, v. 90, n. 2, p. 111–127, 1997.

______. Is there a need for fuzzy logic?. Information Sciences, v. 178, n. 13, p. 2751-2779,

2008.

ZIMMERMANN, H. J. Fuzzy set theory. Wiley Interdisciplinary Reviews: Computational

Statistics, v. 2, n. 3, p. 317-332, 2010.

59

APÊNDICE A – REGRAS DE PRIORIDADE

Regra Dias de Estoque

Esperado

Perda Diária

Esperada

Coeficiente de

Variação da

Demanda

Criticidade Prioridade

1 Muito baixo Muito alta Alto Alta Urgente

2 Muito baixo Muito alta Alto Média Urgente

3 Muito baixo Muito alta Alto Baixa Urgente

4 Muito baixo Muito alta Médio Alta Urgente

5 Muito baixo Muito alta Médio Média Urgente

6 Muito baixo Muito alta Médio Baixa Muito alta

7 Muito baixo Muito alta Baixo Alta Urgente

8 Muito baixo Muito alta Baixo Média Muito alta

9 Muito baixo Muito alta Baixo Baixa Alta

10 Muito baixo Alta Alto Alta Muito alta

11 Muito baixo Alta Alto Média Muito alta

12 Muito baixo Alta Alto Baixa Muito alta

13 Muito baixo Alta Médio Alta Muito alta

14 Muito baixo Alta Médio Média Muito alta

15 Muito baixo Alta Médio Baixa Alta

16 Muito baixo Alta Baixo Alta Muito alta

17 Muito baixo Alta Baixo Média Alta

18 Muito baixo Alta Baixo Baixa Média

19 Muito baixo Normal Alto Alta Alta

20 Muito baixo Normal Alto Média Alta

21 Muito baixo Normal Alto Baixa Alta

22 Muito baixo Normal Médio Alta Alta

23 Muito baixo Normal Médio Média Alta

24 Muito baixo Normal Médio Baixa Média

25 Muito baixo Normal Baixo Alta Alta

26 Muito baixo Normal Baixo Média Média

27 Muito baixo Normal Baixo Baixa Baixa

28 Baixo Muito alta Alto Alta Média

29 Baixo Muito alta Alto Média Média

30 Baixo Muito alta Alto Baixa Média

31 Baixo Muito alta Médio Alta Média

32 Baixo Muito alta Médio Média Média

33 Baixo Muito alta Médio Baixa Baixa

34 Baixo Muito alta Baixo Alta Média

35 Baixo Muito alta Baixo Média Baixa

36 Baixo Muito alta Baixo Baixa Muito baixa

37 Baixo Alta Alto Alta Baixa

38 Baixo Alta Alto Média Baixa

39 Baixo Alta Alto Baixa Baixa

40 Baixo Alta Médio Alta Baixa

41 Baixo Alta Médio Média Baixa

42 Baixo Alta Médio Baixa Muito baixa

43 Baixo Alta Baixo Alta Baixa

44 Baixo Alta Baixo Média Muito baixa

45 Baixo Alta Baixo Baixa Muito baixa

46 Baixo Normal Alto Alta Muito baixa

47 Baixo Normal Alto Média Muito baixa

48 Baixo Normal Alto Baixa Muito baixa

49 Baixo Normal Médio Alta Muito baixa

50 Baixo Normal Médio Média Muito baixa

51 Baixo Normal Médio Baixa Muito baixa

52 Baixo Normal Baixo Alta Muito baixa

53 Baixo Normal Baixo Média Muito baixa

54 Baixo Normal Baixo Baixa Muito baixa


60

APÊNDICE B – PREMISSAS PARA SIMULAÇÃO

- 90 itens diferentes são utilizados.

- 3 itens vão para produção por dia, independente da quantidade de unidades produzida para

cada um deles, totalizando 90 itens ao decorrer de 30 dias.

- A demanda é uniformemente distribuída pelos dias do intervalo.

- Um item está disponível para ser vendido assim que termina seu tempo de produção, pois

este período já incorpora o tempo de análise laboratorial de amostra e alocação no centro de

distribuição.

- A quantidade produzida atende a demanda restante do mês independente do dia disponível e

da demanda.

- A demanda não atendida é totalmente não recuperável.

- O dia de estoque esperado varia uniformemente entre 0 e 20 dias.

- A previsão de demanda varia uniformemente entre 1.000 e 11.000 unidades.

- O preço médio varia uniformemente entre R$ 5,00 e R$ 50,00.

- O coeficiente de variação da demanda varia uniformemente entre 10% e 90%.

- Os itens têm 20% de chance de serem “lançamento”, 5% de chance de serem “alta

complexidade de produção”, e 75% de chance de serem “normal”.

- O tempo de produção varia uniformemente entre 7 dias e 20 dias.

- O fator aleatório de variação varia uniformemente entre -1 e 1.

61

APÊNDICE C – FÓRMULAS DAS VARIÁVEIS

Estoque =Dias de Estoque Esperado

30× Previsão da Demanda

Perda Diária Esperada = {0, 𝐸𝑠𝑡𝑜𝑞𝑢𝑒 = 30

(Previsão da Demanda−Estoque)×Preço Médio

30−Dias de Estoque Esperado, 𝐸𝑠𝑡𝑜𝑞𝑢𝑒 < 30

Variação da Demanda =

Coeficiente de Variação da Demanda × Fator Aleatório de Variação

Demanda Efetiva = Previsão da Demanda × (1 + Variação da Demanda)

Dias de Estoque Realizado = (Estoque

Demanda Efeitva) × 30

Perda Diária Potencial = {0, 𝐸𝑠𝑡𝑜𝑞𝑢𝑒 = 30

(Demanda Efetiva−Estoque)×Preço Médio

30−Dias de Estoque Realizado, 𝐸𝑠𝑡𝑜𝑞𝑢𝑒 < 30

Dia Disponível = Tempo de Produção + Dia da Produção − 1

Dias sem Venda = Dia Disponível − Dias de Estoque Realizado

Custo da Falta = Dias sem Venda × Perda Diária Potencial

Venda = Demanda Efetiva × (30−Dias sem Venda

30)

Atingimento de Vendas1 =Venda

Demanda Esperada

1 Calculado utilizando-se dados consolidados.

62

APÊNDICE D – EXEMPLO

Modelo Vigente Modelo Proposto

Ordem Item Dias de

Estoque

Esperado

Perda Diária

Esperada (R$)

Tipo Criticidade Item Prioridade Dias de

Estoque

Esperado

Criticidade Perda Diária

Esperada (R$)

1 49 0 37.255 2 3 57 89,13316 8 2 78.163

2 22 0 9.146 1 3 59 88,99657 2 2 73.735

3 50 0 25.246 1 2 34 78,6303 4 2 53.852

4 27 0 12.952 1 2 38 71,40411 5 2 66.762

5 44 0 4.784 1 2 33 71,40411 6 3 41.439

6 42 0 3.419 1 1 19 71,40411 9 3 40.315

7 6 1 28.350 1 2 9 71,40411 11 2 48.726

8 59 2 73.735 3 2 14 71,40332 12 3 47.272

9 82 2 36.982 2 2 56 71,40327 11 2 41.602

10 75 2 15.626 1 3 8 71,40327 12 2 40.118

11 76 2 24.695 1 2 84 71,23584 8 2 39.924

12 28 2 10.274 1 2 10 67,44374 4 1 51.417

13 29 2 17.132 1 1 49 66,97575 0 3 37.255

14 63 3 30.947 1 2 41 64,62009 11 2 35.283

15 58 3 4.898 1 3 54 64,20724 11 3 34.928

16 77 3 27.579 1 2 72 63,59386 11 3 34.393

17 45 3 24.012 1 2 83 60,90837 10 2 32.227

18 34 4 53.852 2 2 24 59,16309 5 2 31.070

19 10 4 51.417 2 1 51 58,69052 9 2 30.799

20 1 4 29.578 1 2 77 57,14505 3 2 27.579

21 61 4 21.623 1 2 27 57,14384 0 2 12.952

22 21 4 5.353 1 2 76 57,14384 2 2 24.695

23 5 4 2.124 1 2 31 57,14384 12 3 3.495

24 38 5 66.762 3 2 46 57,13891 8 2 27.307

25 24 5 31.070 1 2 79 57,13886 10 2 21.078

26 36 5 6.249 1 3 22 57,13844 0 3 9.146

27 88 5 8.944 1 2 50 57,13844 0 2 25.246

28 43 5 5.489 1 2 44 57,13844 0 2 4.784

29 89 5 1.445 1 2 75 57,13844 2 3 15.626

30 18 5 671 1 2 58 57,13844 3 3 4.898

31 33 6 41.439 2 3 45 57,13844 3 2 24.012

32 60 6 21.949 1 3 36 57,13844 5 3 6.249

33 26 7 8.223 1 2 43 57,13844 5 2 5.489

34 86 7 7.270 1 2 18 57,13844 5 2 671

35 12 7 1.822 1 2 60 57,13844 6 3 21.949

36 57 8 78.163 3 2 26 57,13844 7 2 8.223

37 84 8 39.924 2 2 86 57,13844 7 2 7.270

38 85 8 3.230 1 3 12 57,13844 7 2 1.822

39 46 8 27.307 1 2 85 57,13844 8 3 3.230

40 4 8 6.670 1 2 48 57,13844 10 2 14.236

41 19 9 40.315 2 3 37 57,13844 11 2 23.970

42 25 9 36.277 2 2 47 57,13844 11 1 42.791

43 51 9 30.799 1 2 78 57,13844 12 2 16.283

44 20 9 37.207 2 1 63 57,02937 3 2 30.947

45 83 10 32.227 1 2 61 55,22042 4 2 21.623

46 7 10 22.468 1 2 88 53,68892 5 2 8.944

47 79 10 21.078 1 2 4 53,68892 8 2 6.670

48 48 10 14.236 1 2 69 52,69269 17 2 59.127

49 64 10 26.544 1 1 82 52,32651 2 2 36.982

50 9 11 48.726 2 2 25 51,46893 9 2 36.277

51 56 11 41.602 2 2 1 51,14979 4 2 29.578

52 47 11 42.791 2 1 15 51,1059 14 2 38.848

53 54 11 34.928 1 3 90 50 15 2 49.589

54 72 11 34.393 1 3 6 48,85021 1 2 28.350

55 41 11 35.283 2 2 89 47,64982 5 2 1.445

56 37 11 23.970 1 2 55 46,15667 13 3 27.233

57 14 12 47.272 2 3 62 46,15667 13 2 20.273

58 8 12 40.118 2 2 71 45,30056 13 2 17.445

63

Modelo Vigente Modelo Proposto

Ordem Item Dias de

Estoque

Esperado

Perda Diária

Esperada (R$)

Tipo Criticidade Item Prioridade Dias de

Estoque

Esperado

Criticidade Perda Diária

Esperada (R$)

59 31 12 3.495 1 3 67 44,45213 13 2 10.932

60 78 12 16.283 1 2 20 44,17038 9 1 37.207

61 70 12 11.896 1 2 28 42,86156 2 2 10.274

62 55 13 27.233 1 3 21 42,86156 4 2 5.353

63 62 13 20.273 1 2 5 42,86156 4 2 2.124

64 71 13 17.445 1 2 7 42,86156 10 2 22.468

65 67 13 10.932 1 2 70 42,86156 12 2 11.896

66 15 14 38.848 2 2 80 40,03312 15 2 54.229

67 3 14 22.406 1 3 3 38,87435 14 3 22.406

68 2 14 5.106 1 3 2 38,87435 14 3 5.106

69 68 14 5.426 1 2 68 30,48686 14 2 5.426

70 35 14 1.139 1 2 35 30,48686 14 2 1.139

71 80 15 54.229 2 2 16 29,96723 16 2 35.688

72 90 15 49.589 2 2 17 29,49476 16 2 20.006

73 87 16 48.320 2 2 42 28,59589 0 1 3.419

74 16 16 35.688 2 2 29 28,59589 2 1 17.132

75 74 16 29.797 1 2 64 28,59589 10 1 26.544

76 52 16 27.993 1 2 87 26,6829 16 2 48.320

77 17 16 20.006 1 2 74 26,6829 16 2 29.797

78 53 16 8.026 1 2 53 26,6829 16 2 8.026

79 73 16 4.127 1 2 40 23,76117 17 3 8.225

80 69 17 59.127 3 2 52 21,99489 16 2 27.993

81 40 17 8.225 1 3 73 21,99489 16 2 4.127

82 39 17 10.906 1 2 39 19,78164 17 2 10.906

83 13 17 3.726 1 2 13 19,78164 17 2 3.726

84 66 17 1.135 1 2 66 17,1347 17 2 1.135

85 65 18 12.716 1 3 32 12,03587 19 2 3.068

86 81 18 19.310 1 2 11 11,42763 19 2 6.278

87 30 19 31.517 1 2 30 11,28679 19 2 31.517

88 11 19 6.278 1 2 65 10,86684 18 3 12.716

89 32 19 3.068 1 2 81 10,86684 18 2 19.310

90 23 20 20.193 1 2 23 10,86684 20 2 20.193

mario mannarino filho - coppead.ufrj.br · sequenciamento de produção e lógica fuzzy:...

Documents