Você está na página 1de 6

Aplicação de uma metodologia de lógica fuzzy à gestão de estoques

Um estudo de caso em uma indústria de confecção de peças de vestuário

Autores: Ana Beatriz Gandolfi, Bruno Valverde, Leandro de Melo Lourenço, Tiago Mukotaka Maciel, Paulo Rogério Ferreira

UNIVERSIDADE FEDERAL DE SÃO CARLOS CCET CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA DEPARTAMENTO DO CURSO DE ENGENHARIA ELÉTRICA São Carlos, Brasil

Resumo:Este trabalho apresenta uma proposta de uma aplicação de uma metodologia de Lógica fuzzy voltada à gestão de estoques de tecidos de uma indústria de confecção de peças de vestuário de médio porte, buscando então um sistema organizado que tome as decisões cabíveis para o nível de estoque da indústria.

Palavras-chave: Logística, lógica fuzzy, indústria, confecção, peças de vestuário, gestão de estoques, lead time

I.

INTRODUÇÃO

A logística na gestão de estoques se tornou nos últimos tempos uma ferramenta que proporciona à empresa, quando bem utilizada, vantagem competitiva e, consequentemente, maior lucratividade.

Logística envolve a gestão do processamento de pedidos, os estoques, os transportes e a combinação de armazenamento, manuseio de materiais e embalagens, todos integrados por meio de redes de instalações, sendo o objetivo apoiar as necessidades operacionais de compras, produção e atendimento às expectativas do cliente. Por meio do processo logístico que materiais fluem para a capacidade produtiva de uma nação industrializada e produtos acabados são distribuídos aos consumidores, o que vem aumentando com o recente crescimento do comércio global e com o aumento da complexidade das operações logísticas.

Tem-se por definição de estoque pilhas de matérias-primas, insumos, componentes, produtos em processo e produtos acabados que aparecem em numerosos pontos por todos os canais logísticos e da produção industrial, e como definição de setor de estoque um setor de um sistema em transformação, tal como uma empresa ou instituição responsável pelo controle de fluxo, armazenamento e distribuição de recursos da organização, sejam eles de materiais, de espaço físico, financeiro, de pessoas e diversos outros.

A importância de tal setor na eficência de uma empresa/fábrica é muito relevante, principalmente no contexto de gestão geral da mesma. Um bom controle de estoque resulta em controle de custos totais, otimização do nível de serviço prestado e, inclusive, num melhor ambiente de trabalho. Nesse

setor a palavra chave é planejamento, muito em virtude das variâncias a qual esse setor está sujeito, devido ao dinamismo do mercado.

A gestão de estoques constitui uma série de ações que permitem ao administrador verificar se os estoques estão sendo bem utilizados, bem manuseados e bem controlados. Uma análise detalhada dos estoques é uma exigência pertinente a todo administrador de materiais. Isso se dá não somente em decorrência do volume de capital investido em estoque, mas, também, pela vantagem competitiva que a organização pode obter, dispondo de maior rapidez e precisão no atendimento ao cliente. Em outras palavras, a gestão de estoques busca reduzir ao máximo o espaço entre a oferta e a demanda, evitando o descontentamento dos clientes.

Uma previsão incorreta da quantidade de reposição necessária de produtos podem gerar certas situações desagradáveis numa empresa, como por exemplo: não dispor de condições que atendam as demandas do mercado (subdimensionamento); superlotação de estoques, gerando um maior custo com a manutenção e movimentação dos mesmos (superdimensionamento).

Através de métodos de previsão de demanda, são elaboradas estimativas da quantidade de produtos demandados pelo mercado consumidor em um intervalo de tempo específico. Considerando uma boa acuracidade da estimativa, o risco dos processos decisórios são baixos, facilitando o controle e planejamento de insumos e mão-de-obra necessários para a produção.

Para obter um modelo para a gestão de estoque, tem-se a aplicação da Lógica Fuzzy, na qual, a partir dos dados de demanda e nível de estoque, pode-se controlar a reposição dos produtos armazenados, de modo que seja atingindo um estoque próximo de zero imediatamente antes da reposição física, minimizando então o capital empenhado em mercadorias, custos de armazenamento (que envolvem o custo do seguro contra furtos e danos do produto, deteriorização do produto, e outras medidas burocráticas tais como o transporte de um estoque muito alto, custos da licitação, gastos com almoxarifado, verificações de notas, impedindo que o capital

investido possa ser investido em outros segmentos da empresa), números de pedidos não atendidos por falta de mercadorias.

A Lógica Fuzzy tem sido empregada em diversas áreas, tais

como: administração, economia, engenharia e biomedicina. É um sistema eficiente para tomada de decisões, sendo aplicado desde 1987 no sistema de operação automática dos trens do metrô de Sendai, no Japão, controlando a velocidade, aceleração e frenagem sem a necessidade de supervisão humana.

O termo fuzzy significa nebuloso, incerto, sendo que este

tipo de lógica trata de graus de certeza, graus de pertinência, podendo existir valores intermediários entre os valores

extremos, diferentemente da lógica clássica. A lógica surge da ideia de mapear variáveis que não tem equivalência matemática definida, sendo tratadas nela como tendo diversos estados atuais, cada um com certo grau de pertinência.

A justificativa da escolha dessa metodologia reside ao fato

de que através da Lógica Fuzzy será possível criar um sistema, ou adaptar o já existente, para que seja possível melhorar o

controle dos itens em estoque, sendo generalizado para todos os itens de um almoxarifado ou depósito, o que não seria possível com a aplicação de outra ferramenta matemática ou estatística, que tornaria a situação muito específica.

Vale ainda ressaltar que o sistema, mesmo com a lógica Fuzzy aplicada, está sujeito a falhas, considerando a possibilidade de ocorrer uma alteração de caráter brusco nas tendências de mercado,tal como uma crise econômica, o que nem sempre pode ser previsto pelos especialistas. No entanto, isso é considerado um caso extremo. Para variações medianas nas tendências de mercado, a implementação de um sistema robusto é capaz de trazer resultados satisfatórios.

II. LÓGICA FUZZY

Sistemas de controle fuzzy tentam explorar as formas que o cérebro usa para o tratamento de informações qualitativas, ou seja, são capazes de tratar informações vagas e aproximadas, expressas por variáveis linguísticas. As principais vantagens do uso dessa técnica de inteligência artificial são as seguintes: são independentes da modelagem matemática do processo, é construída baseada na experiência de especialistas e são capazes de expressar imprecisões e incertezas.

A maior diferença entra a lógica fuzzy e a lógica tradicional é que na primeira as fronteiras não são bem definidas, ou seja, são mais flexíveis. Exemplificando: na lógica fuzzy, um objeto pode pertencer pouco ou muito a uma determinada classe, enquanto na lógica tradicional ele pertence ou não pertence, não há variações.

Como mostra a Fig.1, um sistema fuzzy é composto por 4 módulos :

a Fig.1, um sistema fuzzy é composto por 4 módulos : Figura 1 - Sistema Fuzzy

Figura 1 - Sistema Fuzzy

As entradas precisas são dados reais, sendo obtidas através de medições ou observações advindas do meio externo. A fuzzificação consiste em transformar as variáveis do domínio real para o domínio fuzzy, identificando a quais variáveis linguísticas essas entradas pertencem, bem como os termos associados a cada variável, e seus respectivos graus de pertinência. Nesse módulo também ocorre a ativação das regras associadas às variáveis ativadas.

As regras são representadas na forma SE-ENTÃO e definem as decisões associadas ao controle do processo. Os formatos das funções de pertinências que constituem os termos linguísticos (triangulares, trapezoidais e gaussianas) são também definidos aqui. O mecanismo de inferência define a maneira de como as regras são combinadas, provendo uma base para tomada de decisões, (Mendel (1995)),ou seja, tem a finalidade de produzir um conjunto fuzzy que será resultante da contribuição de todas essas regras.

Defuzzificação é um método utilizado para decodificar as variáveis linguísticas de saída inferidas pelas regras fuzzy para valores reais.Esse processo faz-se necessário porque nas aplicações práticas requere-se valores precisos, ao invés de de quantificações fuzzy. Os principais métodos de defuzzificação são o Centro-da-Área, o Centro-do-Máximo a Média-do- Máximo e a Média-Ponderada (Shaw e Simões (1999)).

III. DEFINIÇÃO DO PROBLEMA

O problema a ser estudado refere-se à gestão de estoques de

uma empresa fictícia de confecção e distribuição de peças de vestuário, sendo esta empresa de médio porte, atendendo uma pequena região geográfica. A empresa possui um sistema de controle de materiais, porém, não é informado quando os materiais do estoque precisam ser repostos. Isso implica em um problema para o setor de compras, pois para que o estoque seja reposto, é levado em conta o tempo gasto nas efetuações das compras de matéria prima, entrega do produto e uma inspeção antes da estocagem, a fim de verificar se a quantidade do produto entregue é a solicitada e verificar se não existe alguma peça defeituosa.

A fim de suprir este tipo sistema precário de gerenciamento

de estoque, buscou-se uma nova forma de aplicação, de forma que erros de entrega fossem reduzidos, as compras fossem racionalizadas, poupando então capital da empresa que pode ser utilizado para outros fins, e aumentando a acuracidade das

informações, tais como a previsão de demanda e quantia de estoque necessária a ser reposta. Para isso, a aplicação de uma metodologia da Lógica Fuzzy foi considerada, por tratar de variáveis imprecisas, tais como a amostragem do estoque durante os meses de um ano, bem como a demanda do produto.

Para simplificação do problema, cujo caráter é didático, será considerado o caso para apenas um produto: calça jeans. A metodologia proposta neste trabalho busca eliminar a situação da falta de matéria prima (tecido) através da reposição da mesma, em função do nível do estoque, da demanda, e do tempo necessário para que todas as medidas burocráticas necessárias sejam tomadas até que um novo lote de tecido esteja disponível no estoque (lead time), bem como eliminar o caso de superdimensionamento de estoque, resultando em custos causados pelas manutenções do armazenamento do estoque, já descritas no presente trabalho.

IV. METODOLOGIA DA APLICAÇÃO PARA RESOLUÇÃO DO PROBLEMA

Para o sistema de controle de inventário da empresa, são consideradas duas entradas e uma saída, sendo elas: x 1 (t) a demanda, ou seja, a quantidade do produto que é necessário em um certo instante de tempo; x 2 (t), que é a quantidade de estoque disponível, ou seja, o número de peças (tecido) que estão disponíveis para entrarem no processo de fabricação das calças, e y(t), que é a ação do inventário em realizar uma reposição de estoque adequada em função da demanda e do estoque atual disponível. Para a inferência fuzzy, são consideradas: a variável lingüística de entrada demanda (D), cujo universo de discurso compreende um intervalo [0-30.000], correspondente às quantidades de calças que são vendidas às lojas da região em que a empresa atua, tendo um valor máximo de 30.000, baseado na quantidade total de lojas pertencentes a essa região que são atendidas pela empresa; a variável lingüística nível de estoque (NE), o universo de discurso compreende um intervalo [0-30.000], em que 30.000 é a quantidade máxima de estoque que pode ser armazenada no espaço físico destinado a tal funcionalidade, quantidade que é capaz de atender a todos os clientes no caso de uma alta demanda; e a variável de saída reposição (R), que compreende um intervalo [0-30.000], que corresponde à quantidade de peças que devem chegar ao setor de compras da empresa, a fim de que a mesma providencie a reposição do estoque. Apesar de ser considerada a possibilidade do nível de estoque ser zero, este valor deve ser apenas hipotético, uma vez que através de cálculos baseados em desvios-padrões da média da demanda durante o lead time (intervalo de tempo a partir de quando é feita a licitação do produto para reposição do estoque até a entrega e inspeção do mesmo), estima-se uma quantidade mínima de produto a ser estocado garantindo uma margem de segurança no caso de um pequeno aumento de demanda. Analogamente, fora considerado o caso extremo de uma demanda atingindo o nível assintótico estimado como máximo, e as inferências correspondentes à esse caso também foram modeladas. Todo o processo de fuzzificação e

desfuzzificação fora realizado através do Fuzzy Toolbox®, do software MATLAB TM . Na Fig. 2, é mostrado a interface inicial do toolbox com as variáveis lingüísticas já configuradas.

toolbox com as variáveis lingüísticas já configuradas. Figura 2 - Interface do toolbox fuzzy , do

Figura 2 - Interface do toolbox fuzzy, do MATLAB

Para cada variável linguística, foi estudado como seriam definidas as funções de pertinência dentro de seus respectivos universos de discurso. Para determinação das saídas de cada regra de inferência, a fim de se evitar uma previsão de demanda incorreta acarretando em falta de produtos no estoque e, consequentemente, insatisfação do cliente, foram coletados os dados do histórico de vendas da empresa no período de 2009 a 2010, representadas no gráfico da Fig. 3. A partir do gráfico, concluiu-se que a demanda varia de forma periódica anualmente, tendo picos de venda nos meses de maio a julho, e depois em dezembro, e baixa demanda nos meses de janeiro a abril.

em dezembro, e baixa demanda nos meses de janeiro a abril. Figura 3 – Demanda de

Figura 3 Demanda de calças jeans de acordo com o tempo

As funções de pertinência foram feitas com base em cinco parâmetros de intensidade: Zero, Muito Baixa, Baixa, Média, Alta e Muito Alta. As funções de pertinência das entradas e saídas foram definidas como trapezoidais para os estados “Zero” e “Muito Alta” e triangulares para os demais, em que o domínio de cada uma delas foi estabelecido conforme análise e pesquisa feita nos artigos e referencias consultadas. A

justificativa da escolha decorreu do fato de que, além de bem representativas, elas simplificam os cálculos na máquina de inferência quando se usam funções de pertinência deste tipo nas regras fuzzy. Nas Fig. 4, 5 e 6, são mostradas, respectivamente, as representações gráficas de D, NE e R.

as representações gráficas de D , NE e R . Figura 4 - Representação gráfica da

Figura 4 - Representação gráfica da variável 'Demanda'

4 - Representação gráfica da variável 'Demanda' Figura 5 - Representação gráfica da variável 'Nível

Figura 5 - Representação gráfica da variável 'Nível de Estoque'

gráfica da variável 'Nível de Estoque' Figura 6 - Representação gráfica da vairável

Figura 6 - Representação gráfica da vairável 'Reposição'

A tabela 1 abaixo mostra o universo de discurso [0-30.000] dividido nos níveis de intensidade propostos.

TABELA 1 FAIXA DE VALORES PARA OS NÍVEIS DE INTENSIDADE

Zero

Muito Baixo

Baixo

Médio

Alto

Muito Alto

   

4125 -

10800 -

20700 -

27522 -

0 - 1125

1125 - 4125

10800

20700

27522

30000

Cada célula contém a devida resposta de reposição para as entradas nas variáveis linguísticas já mencionadas, totalizando 36 regras a serem implementadas. As regras de pertinência utilizaram apenas o conectivo E (T-norma) para relacionarem as condições entre as entradas e a consequência na saída. A tabela 2 abaixo mostra o conjunto de regras que determina a saída reposição (R) a partir das entradas demanda (D) e nível de estoque (NE).

TABELA 2 - REGRAS DE INFERÊNCIA FUZZY PARA A SAÍDA REPOSIÇÃO

   

Estoque

 
 

Muito

     

Muito

Zero

baixo

Baixo

Médio

Alto

alto

D

Zero

BAIXA

MUITO

ZERO

ZERO

ZERO

ZERO

e

   

BAIXA

       

m

Muito

   

MUITO

MUITO

   

a

baixa

BAIXA

BAIXA

BAIXA

BAIXA

ZERO

ZERO

n

Baixa

MÉDIA

MÉDIA

BAIXA

BAIXA

ZERO

ZERO

d

             
       

MÉDIA

MÉDIA

MUITO

 

a

Média

ALTA

ALTA

BAIXA

ZERO

 

MUITO

MUITO

     

MUITO

Alta

ALTA

ALTA

ALTA

ALTA

BAIXA

BAIXO

Muito

MUITO

MUITO

MUITO

 

MÉDIA

MÉDIA

alta

ALTA

ALTA

ALTA

ALTA

O modo de inferência utilizado na base de regras foi o baseado em composição. Utilizou-se a T-norma e a interpretação das regras foi implementada pelo método de implicação de Mamdani. No toolbox fuzzy do MATLAB o método de desfuzzificação utilizado foi o som (“smallest of maximum”, mínimo dos máximos), também conhecido como método do primeiro máximo (MPM), em que o valor defuzzificado é o valor do universo de discurso onde ocorre o primeiro maior máximo. Para efeitos de análise real, tal método de desfuzzificação é o mais adequado para a gestão de estoques, pois ele leva em conta que valores muito baixos de reposição, por exemplo, seriam na prática inviáveis economicamente por fatores logísticos, tornando um prejuízo a reposição de valores muito baixos de peças para a empresa. De certa forma, com essa regra, o sistema ainda se torna mais adaptado aos padrões de mercado atuais, e com maior abrangência de aplicação.

V. ANÁLISE DOS RESULTADOS

Utilizando o Toolbox, realizou-se a implementação das regras da Tabela 2, obtendo-se ao fim do processo, o digrama completo para cada regra, com a respectiva saída desejada para todas as situações possíveis abordadas no projeto. A saída (coluna mais à direita) encontrada com base nas regras é descrita conforme a figura 7:

com base nas regras é descrita conforme a figura 7: Figura 7 – Sistema Fuzzy implementado

Figura 7 Sistema Fuzzy implementado

Como forma de análise e verificação das regras propostas, toma-se o caso onde a demanda é “MÉDIA” (15.000) e o estoque “MUITO ALTO” (29.000). Assim sendo a saída resultante deve ser “ZERO”, conforme é verificado na Fig.8 abaixo:

Figura 8 – Exemplo 1 para verificação das regras Como esperado, o valor da saída

Figura 8 Exemplo 1 para verificação das regras

Como esperado, o valor da saída desfuzzificada do sistema foi 0, obtida a partir de seleção do método “som” no próprio toolbox. Tomando outro caso onde a demanda é “ALTA” (D=25.000) e o estoque é “MÉDIO” (NE=15.000), tem-se:

(D=25.000) e o estoque é “MÉDIO” (NE=15.000), tem -se: Figura 9 – Exemplo 2 para verificação

Figura 9 Exemplo 2 para verificação das regras

Observa-se que o valor de saída é 23.100, que, de acordo com a Tabela 1, é “ALTO”, portando obedece às regras da Tabela 2. Observando um caso em que a demanda é “BAIXA” (D=5.000) e o estoque é “MÉDIO” (NE=12.000), tem-se pelo toolbox do MATLAB:

é “MÉDIO” (NE=12.000), tem -se pelo toolbox do MATLAB: Figura 10 – Exemplo 3 para verificação

Figura 10 Exemplo 3 para verificação das regras

A reposição é de 5.100, o que é um valor de nível

“BAIXO”, e, portanto, obedece às regras de pertinência. Portanto, por estes testes realizados em três cenários diferentes com o objetivo de avaliar sua precisão e consistência, pode-se verificar que o sistema fuzzy implementado pelo toolbox do MATLAB atende completamente às regras propostas e ao objetivo inicial. Uma outra maneira de visualizar os resultados usando o Toolbox é através do gráfico de superfície, demonstrado na Fig. 11.

através do gráfico de superfície, demonstrado na Fig. 11. Figura 11 - Gráfico de superfície Analisando

Figura 11 - Gráfico de superfície

Analisando a figura acima, constata-se que é um gráfico de três dimensões em que a variável reposição fica em função das variáveis demanda e estoque. A região plana em azul escuro, próximo ao ponto estoque =100% (representado por 1) e demanda = 0% (representada por 0) determina para quais situações o estoque atual não deve ser reposto, uma vez que a demanda não é suficientemente alta e o nível de estoque está acima do nível de segurança. A figura também apresenta uma região

VI.

CONCLUSÕES

Este artigo propôs a aplicação de lógica fuzzy para otimizar a redução do níveis de estoque a níveis suficientes para atender a demanda de produção, sem acarretar num aumento do lead time. A necessidade de lidar com a logística de estoque, armazenamento, distribuição de recursos, incertezas

das condições do mercado, fazem com que gestores de fundos precisem de uma ferramenta robusta para ajudá-los na tomada de decisões de investimentos e gastos. Deixar de tomar a decisão correta de investimento no momento certo irá causar perda de capital. Nesse sentido, através de amostras de dados verificou-se que o modelo fuzzy de decisão se aproximou muito da decisão de especialistas experientes.

O modelo foi implementado para uma indústria de

vestuário a fim de avaliar a demanda de produto e o estoque disponível, sendo que os valores destes são imprecisos e imprevisíveis. Construído através de ferramenta de simulação, o modelo permitiu verificar vários cenários e a tomada de decisão em cada um deles. Os resultados obtidos certificaram que as decisões baseadas no modelo fuzzy são eficazes para

lidar com variáveis imprecisas e julgamento subjetivo.

VII.

REFERÊNCIAS

- SANTOS, Gilbert Q. Tese de mestrado: APLICAÇÃO DE UMA METODOLOGIA DE LÓGICA FUZZY À GESTÃO DE ESTOQUES: UM ESTUDO DE CASO EM UMA INSTITUIÇÃO PÚBLICA (disponível em:http://www.itegam.org.br/arquivos/dissertacoes/dissert_gil bert.pdf) acesso em 05/10/2011 às 21:40h;

-

Sistemas Fuzzy

ula_3.pdf) acesso em 24/08/2011 às 11:44h;

SUETAKE,

Marcelo

- Processo de inferência (disponível em:

Aula 3:

Controle

Inteligente

- SILVA , Wilson R. C. , LINO, Adriano D. P., CASTRO, Adriana R. G. , FAVERO, Eloi L. Previsão de demanda de vendas baseado em regras lingüísticas e lógica Fuzzy

Universidade

acesso em 11/12/2011 às 18:11h;

Federal

do

Pará

(disponível

em:

- SHAW, Ian S., SIMÕES, Marcelo Godoy Controle e

modelagem fuzzy 1ª Edição Edgard Blütcher: FAPESP,

1999.