ANÁLISE DE UM MÉTODO DE SUPORTE AO

OFERECIMENTO DE PROMESSAS DE ENTREGA

EM AMBIENTES GERENCIADOS PELO SISTEMA
TPC-S
1º ISIDORO RAYS FILHO – isidoro.rays@unesp.br
Universidade Estadual Paulista Júlio de Mesquita Filho - UNESP

2º FERNANDO BERNARDI DE SOUZA - fernando.bernardi@unesp.br

Universidade Estadual Paulista Júlio de Mesquita Filho - UNESP

3º LUCAS MARTINS IKEZIRI – lucas_ikeziri@outlook.com

Universidade Estadual Paulista Júlio de Mesquita Filho – UNESP/
Centro Universitário Sagrado Coração – UNISAGRADO

ÁREA: 1 – ENGENHARIA DE OPERAÇÕES E PROCESSOS DA PRODUÇÃO

SUBÁREA: 1.2 – PLANEJAMENTO, PROGAMAÇÃO E CONTROLE DA PRODUÇÃO

RESUMO: UM DOS PRINCIPAIS DESAFIOS EM AMBIENTES PRODUTIVOS SOB

ENCOMENDA É PROMETER E CUMPRIR DATAS CONFIÁVEIS, ENQUANTO MANTÉM-
SE A FLEXIBILIDADE. PARA LIDAR COM ESSE TRADE-OFF, A TEORIA DAS
RESTRIÇÕES (THEORY OF CONSTRAINTS - TOC) ESTABELECE QUE A GESTÃO DEVE
SER CENTRADA NO FLUXO. PORTANTO, É DESEJÁVEL QUE O RECURSO COM
RESTRIÇÃO DE CAPACIDADE TENHA CAPACIDADE ESTRITAMENTE SUPERIOR À
DEMANDA. EM TAIS CENÁRIOS, A TOC PROPÕE O SISTEMA TAMBOR-PULMÃO-
CORDA SIMPLIFICADO E UMA FERRAMENTA DE SEQUENCIAMENTO,
MONITORAMENTO E CONTROLE CHAMADA GERENCIAMENTO DO PULMÃO. SOB
ESSAS CONDIÇÕES, HÁ CLIENTES QUE FAZEM PEDIDOS URGENTES QUE DEVEM
SER AVALIADOS E ALOCADOS SEM COMPROMETER A CONFIABILIDADE DOS
PEDIDOS JÁ ACEITOS. PARA TANTO, O PRESENTE TRABALHO TEM COMO OBJETIVO
INVESTIGAR A EFETIVIDADE DE UM MÉTODO, DENOMINADO SLACK TIME, PARA
AVALIAR A FACTIBILIDADE DE ACEITAR PEDIDOS URGENTES. POR MEIO DE
SIMULAÇÃO COMPUTACIONAL, CONSTRUIU-SE UMA LINHA DE PRODUÇÃO
FICTÍCIA QUE EMULA DIFERENTES CENÁRIOS, COMPARANDO O MÉTODO SLACK
TIME COM OUTRO MÉTODO NO QUAL OS PEDIDOS SÃO ACEITOS SEM UMA
VERIFICAÇÃO PRÉVIA. AVALIANDO OS MÉTODOS PELOS INDICADORES DE
DESEMPENHO ATRASO MÉDIO E PERCENTUAL DE ORDENS ATRASADAS, OBTEVE-
SE QUE O MÉTODO PROPOSTO REDUZIU AMBOS, PERMITINDO TER DATAS DE
ENTREGA CONFIÁVEIS AO MESMO TEMPO EM QUE PROPÕE UMA CERTA
FLEXIBILIDADE PARA ACEITAR PEDIDOS URGENTE.

PALAVRAS-CHAVES: PLANEJAMENTO E CONTROLE DA PRODUÇÃO; TEORIA

DAS RESTRIÇÕES; PRODUÇÃO SOB ENCOMENDA; SIMULAÇÃO.
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

ANALYSIS OF A METHOD TO SUPPORT

DELIVERY PROMISES IN S-DBR SYSTEM
MANAGED ENVIRONMENTS
ABSTRACT: ONE OF THE MAIN CHALLENGES IN MAKE-TO-ORDER ENVIRONMENTS
IS TO PROMISE AND MEET RELIABLE DATES WHILE MAINTAINING FLEXIBILITY. TO
DEAL WITH THIS TRADE-OFF, THE THEORY OF CONSTRAINTS (TOC) STATES THAT
MANAGEMENT SHOULD BE FLOW-CENTRIC. THEREFORE, IT IS DESIRABLE THAT
THE CAPACITY CONSTRAINT RESOURCE HAS A CAPACITY STRICTLY SUPERIOR TO
THE DEMAND. IN SUCH SCENARIOS, TOC PROPOSES THE SIMPLIFIED DRUM-
BUFFER-ROPE SYSTEM AND A SEQUENCING, MONITORING, AND CONTROL TOOL
CALLED BUFFER MANAGEMENT. UNDER THESE CONDITIONS, THERE ARE
CUSTOMERS WHO PLACE URGENT ORDERS THAT MUST BE EVALUATED AND
ALLOCATED WITHOUT COMPROMISING THE RELIABILITY OF ORDERS ALREADY
ACCEPTED. THEREFORE, THIS PAPER AIMS TO INVESTIGATE THE EFFECTIVENESS
OF A METHOD, CALLED SLACK TIME, TO EVALUATE THE FEASIBILITY OF
ACCEPTING URGENT ORDERS. THROUGH COMPUTER SIMULATION, WE BUILT A
FICTITIOUS PRODUCTION LINE THAT EMULATES DIFFERENT SCENARIOS,
COMPARING THE PROPOSED METHOD WITH ANOTHER METHOD IN WHICH ORDERS
ARE ACCEPTED WITHOUT PRIOR VERIFICATION. EVALUATING THE METHODS BY
THE PERFORMANCE INDICATORS AVERAGE DELAY AND PERCENTAGE OF LATE
ORDERS, IT WAS OBTAINED THAT THE PROPOSED METHOD REDUCED BOTH,
ALLOWING TO HAVE RELIABLE DELIVERY DATES WHILE PROPOSING A CERTAIN
FLEXIBILITY TO ACCEPT URGENT ORDERS.

KEYWORDS: PLANING AND PRODUCTION CONTROL; THEORY OF CONSTRAINT;

MAKE-TO-ORDER; SIMULATION.

2
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

1. INTRODUÇÃO

Ambientes make-to-order (MTO) têm como características baixo volume, alta

variedade, menor previsão, maior flexibilidade, maior variedade de fluxo no chão de fábrica e
tempo maior de resposta para o cliente. Apesar de ambientes MTO evitarem problemas como
baixa rotatividade do estoque, alto investimento, rupturas e obsolescências dos estoques, há
também desafios, como prometer e cumprir datas confiáveis e competitivas (igual ou inferior
às exigidas pelo mercado) e ter flexibilidade (KINGSMAN, et al., 1996; STEVESON;
HENDRY; KINGSMAN, 2005; SCHRAGENHEIM; DETTMER; PATTERSON, 2009;
SOUZA; PIRES, 2014).
Para lidar com estes desafios, a Teoria das Restrições (Theory of Constraints – TOC)
estabelece que o fluxo deve ser o principal objetivo das operações e que o planejamento da
produção deve ser realizado a partir da identificação da restrição do sistema, devendo os demais
recursos se submeterem a ela. Há dois métodos de planejamento diferentes propostos pela TOC:
Tambor Pulmão Corda (TPC), que considera como principal restrição do sistema seu recurso
interno ou gargalo, e Tambor Pulmão Corda Simplificado (TPC-S), que considera a demanda
como principal restrição. A forma de controle e sequenciamento da produção proposta pela
TOC é o Gerenciamento do Pulmão (GP), que utiliza o Status do Pulmão (SP) para, de acordo
com o seu grau de consumo, priorizar as ordens de produção no chão de fábrica (E.
SCHRAGENHEIM, 2013; SOUZA; BAPTISTA, 2010; GOLDRATT, 2009;
SCHRAGENHEIM; DETTMER; PATTERSON, 2009; TELLES et al., 2020, 2022; IKEZIRI
et al., 2019; ORUE et al., 2021).
Para que a empresa tenha flexibilidade e baixo tempo de resposta ao cliente, é
fundamental que ela tenha algum nível de capacidade excedente ou protetiva, segundo a
terminologia da TOC (HOPP; SPEARMAN, 2013). Outro fator que elege a demanda como a
principal restrição do sistema é que, em mercados competitivos, os clientes podem optar por
outros fornecedores que tenham prazos de entrega menores e maior flexibilidade para aceitar
pedidos urgentes (E. SCHRAGENHEIM, 2013a; SCHRAGENHEIM; DETTMER;
PATTERSON, 2009).
Quando a restrição do sistema é a demanda, a presença de capacidade excedente permite
às empresas operarem com vantagens competitivas em termos de velocidade, confiabilidade
nos cumprimentos de prazos e maior flexibilidade, o que potencialmente pode resultar em
aumentos nas vendas. Além disso, a força de vendas tende a ficar menos sobrecarregada
acompanhando pedidos e lidando com clientes insatisfeitos, permitindo maior foco no aumento

3
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

das vendas. Com a redução no lead time de produção proporcionada pela manutenção de
capacidade protetiva nos recursos produtivos, as empresas passam a ter a possibilidade de
oferecer prazos de entrega inferiores aos praticados pelo setor, assim como aceitar pedidos
urgentes (SOUZA; BAPTISTA, 2010; GOLDRATT 2009; SCHRAGENHEIM, 2013a;
SCHRAGENHEIM; DETTMER; PATTERSON, 2009; SCHRAGENHEIM, 2006; ORUE et
al., 2021).
Nesse cenário, Schragenheim (2006) estabeleceu um método fundamentado no
fracionamento da capacidade disponível para que parte dela fosse utilizada para atender pedidos
regulares e outra parte dedicada para atender pedidos urgentes. Apesar de sua simplicidade, a
aceitação de pedidos urgentes é feita sem uma verificação precisa da capacidade disponível,
exigindo uma maior atenção da etapa de controle da produção (SOUZA; BAPTISTA, 2010).
Souza e Baptista (2010) sugerem, por outro lado, uma abordagem baseada no seguinte
princípio: quando se aceita um pedido urgente, pedidos com prazos maiores são deslocados
para frente no tempo, atrasando seu início e conclusão. Logo, o pedido pode ser aceito apenas
se sua carga não consumir a folga (ou slack time) dos pedidos já aceitos.
Apesar de o método proposto por Souza e Baptista (2010) ser logicamente estruturado
e mais robusto que o proposto por Schragenheim (2006), até o momento, nenhum estudo
avaliou a efetividade desse método. Nesse sentido, o presente trabalho tem como objetivo
avaliar o método proposto por Souza e Baptista (2010). Para tanto, são computacionalmente
simulados, por meio do software AnyLogic, diferentes cenários de uma linha de produção que
opera em ambiente MTO e cujo planejamento da produção está fundamento no sistema TPC-
S. Para avaliar o desempenho dos cenários simulados, são utilizadas as medidas de desempenho
atraso médio e percentual de ordens atrasadas.

2 FUNDAMENTAÇÃO TEÓRICA
Esta seção tem como objetivo realizar uma revisão da literatura com o intuito de
proporcionar uma base teórica à realização do trabalho.

2.1 O Tambor Pulmão Corda Simplificado

A principal diferença entre os métodos TPC e o TPC-S está no fato de o TPC clássico
admitir e almejar que a principal restrição do sistema seja um Recurso com Restrição de
Capacidade (RRC) interno, assim sendo, deve-se planejar e programar a produção do RRC de
maneira detalhada. Logo, sempre que houver a chegada de um novo pedido, o RRC deve ser

4
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

reprogramado. Além disso, devem-se estabelecer proteções (pulmões) para que o planejamento
seja protegido das flutuações estatísticas presentes no sistema. Como o TPC clássico admite a
presença de gargalos, é necessário não apenas proteger seu programa de produção (Tambor),
mas também as datas de embarques aos clientes. Nesse sistema, portanto, pode haver três tipos
de pulmões: Pulmão de Restrição (proteção para a restrição interna), Pulmão de Montagem
(proteção para que os recursos da montagem não sejam afetados por faltas de componentes das
operações não restritivas) e Pulmão de Mercado (para proteger as datas de embarque aos
clientes) (SRIKANTH, 2013; SCHRAGENHEIM; DETTMER; PATTERSON, 2009; SOUZA;
BAPTISTA, 2010; IKEZIRI et al., 2019).
Já o TPC-S admite que, para um bom número de empresas, a restrição do sistema está
na demanda, ou seja, os recursos produtivos (inclusive o RRC) possuem capacidade para
atender a demanda com certa folga, na maior parte do tempo. Nesse cenário, portanto, todos os
recursos da empresa possuem capacidade protetiva. Assim sendo, passa-se a operar com apenas
um pulmão, denominado Pulmão de Produção, para proteger as datas de entrega dos pedidos.
O Pulmão de Produção deve englobar todo o fluxo produtivo, desde a liberação da matéria-
prima até o embarque. Outra diferença importante é que no TPC-S a programação detalhada no
RCC é substituída pelo monitoramento da carga sobre os recursos – denominada carga
planejada – que tem como objetivo assegurar a entrega dos produtos dentro de um determinado
tempo e monitorar se o RRC está se tornando ativo (gargalo). Matematicamente, considerando
𝑡𝑝𝑢 𝑟𝑟𝑐𝑖𝑡 e 𝑄𝑡𝑑𝑒𝑖𝑡 como sendo, respectivamente, o tempo de processamento unitário no RRC
e a quantidade do produto i planejada para ser processada no RRC até um tempo T, ela pode
ser expressa por (SCHRAGENHEIM; DETTMER; PATTERSON, 2009; SOUZA;
BAPTISTA, 2010; E. SCHRAGENHEIM, 2013a) (Equação 1):

𝑐𝑎𝑟𝑔𝑎 𝑝𝑙𝑎𝑛𝑒𝑗𝑎𝑑𝑎 (𝑇) = ∑ 𝑡𝑝𝑢 𝑟𝑟𝑐𝑖𝑡 𝑥 𝑄𝑡𝑑𝑒𝑖𝑡 , ∀ 𝑡 ≤ 𝑇 (1)

𝑖=1

Outro fator importante da carga planejada é avaliar as datas seguras de conclusão dos
pedidos. Elas são estabelecidas como sendo a soma do tempo de processamento necessário do
pedido no RRC e ½ pulmão de produção. Já a liberação de materiais para uma determinada
ordem de produção deve ser realizada um pulmão de produção antes da data segura de entrega.
Isto é, deve-se liberar a ordem de produção para o chão de fábrica quando faltar o tempo de um
pulmão de produção para sua conclusão. Esse mecanismo garante que se tenha redução do
estoque em processo e que não sobrecarregue o RRC com trabalhos não necessários para o

5
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

momento (SCHRAGENHEIM; DETTMER; PATTERSON, 2009; SOUZA; BAPTISTA,

2010; E. SCHRAGENHEIM, 2013a). A Figura 2 ilustra esses cálculos.

FIGURA 1 - Carga Planejada e lógica de cálculo para as datas de liberação e de promessa de

entrega de um pedido.

Fonte: E. SCHRAGENHEIM (2013a).

2.2 O Algoritmo baseado no slack time

O algoritmo proposto por Souza e Baptista (2010) inicia-se com o cálculo da folga dos
pedidos regulares, dado pela seguinte fórmula (Equação 2):

1
𝑆𝑇𝑖 = 𝐷𝐷𝑖 − 𝐶𝑃 − 𝑃𝑃 (2)
2

Onde PP é o pulmão de produção, 𝑆𝑇𝑖 é a folga do pedido i, 𝐷𝐷𝐼 é sua data

compromissada para entrega e 𝐶𝑃 é a carga planejada no RRC.
Com base nesse cálculo, sempre que o setor de vendas receber um pedido com entrega
rápida (rapid response – RR) 𝑅𝑅𝑗 , verifica-se a carga que este pedido impõe ao RRC (𝐶𝑗 ) e
subtrai-se esta carga das folgas de todos os pedidos já aceitos e com prazos posteriores (𝑆𝑇𝑘 ).
Matematicamente, a folga do pedido com entrega rápida 𝑗 em relação aos pedidos posteriores
𝑘 (𝑆𝑇𝑅𝑅𝑗𝑘 ), pode ser expressa pela seguinte fórmula (Equação 3):

6
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

𝑆𝑇𝑅𝑅𝑗𝑘 = 𝑆𝑇𝑘 − 𝐶𝑗 , ∀ 1 ≤ 𝑘 ≤ 𝑚 (3)

Se todos os 𝑆𝑇𝑅𝑅𝑗𝑘 ≥ 0, então o pedido com entrega rápida 𝑗 pode ser aceito e a folga
de todos os pedidos é atualizada e assume o valor da folga anterior menos a carga que o pedido
𝑅𝑅𝑗 impõe sobre o RRC.
Já o pedido 𝑅𝑅𝑗 tem sua folga dada por

1
𝑆𝑇𝑅𝑅𝑗 = 𝐷𝐷𝑗 − 𝐶𝑃𝐻𝑗 − 𝑃𝑃 (4)
2

Onde 𝐷𝐷𝑗 e 𝐶𝑃𝐻𝑗 são, respectivamente, a data de entrega e a carga planejada sobre o
RRC para serem entregues em um horizonte de tempo H inferior a 𝐷𝐷𝑗 . Souza e Baptista (2010)
reforçam que o menor prazo prometido para um pedido deve estar limitado pelo Pulmão de
Produção.

3 MÉTODO
A simulação foi escolhida como método de pesquisa, pois um modelo desenvolvido,
avaliado e testado corretamente permite desenvolver novas teorias e ampliar o conhecimento
sobre teorias existentes, permitindo investigar inúmeros aspectos sobre sistemas reais e sob
diferentes condições (DAVIS; EISENHARDT; BINGHAM, 2007; BANKS et al., 2004). As
seções subsequentes apresentam os passos seguidos na presente pesquisa.

3.1 Construção do modelo

O modelo computacional foi construído no software Anylogic, sendo composto por sete
máquinas que produzem três produtos diferentes, conforme Figura 1. O fluxograma da Figura
2 ilustra a lógica do sistema TPC-S/GP presente no modelo computacional.

7
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

FIGURA 2 - Representação do modelo no Anylogic.

Fonte: Elaborada pelos autores.

FIGURA 3 - Representação da lógica do modelo.

Fonte: Elaborada pelos autores.

8
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

Foram avaliadas duas formas diferentes de aceitação de pedidos urgentes: com e sem
aplicação do método proposto por Souza e Baptista (2010), doravante denominado slack time
para fins de identificação. A aceitação dos pedidos, sem a aplicação do método slack time
(denominado tradicional no trabalho), foi elaborada com base na partição da carga do RRC
proposta por Schragenheim (2006), destinando cerca de 70 a 80% da carga do RRC aos pedidos
regulares e o restante aos pedidos com entrega rápida. Assim sendo, para a simulação procedeu-
se da seguinte forma:
- Carga no RRC igual a 85%: foi destinada, aproximadamente, 59% (70% de 85%) da
capacidade disponível do RRC para atender aos pedidos regulares e 26% (30% de 85%) para
os de entrega rápida;
- Carga no RRC igual a 95%: foi destinada, aproximadamente, 67% (70% de 95%) da
capacidade disponível do RRC para atender aos pedidos regulares e 28% (30% de 95%) para
os de entrega rápida.
Em ambos os casos, no método tradicional, pedidos urgentes são aceitos sem uma
verificação prévia, confiando-se na carga destinada para eles. Para clarear a diferença entre os
dois métodos considera-se o seguinte exemplo, um dado pedido urgente chega ao sistema com
a necessidade de verificar se é possível aceitá-lo. O método do slack time faz o cálculo da folga
dos pedidos com datas posteriores e verifica se há a possibilidade desse pedido ser aceito,
analisando o consumo que o pedido tem na folga de todos os pedidos com datas de entrega
posteriores à dele, ou seja, avaliando se o tempo necessário de processamento é comportado
pelas outras ordens de produção. Já no método tradicional confia-se no dimensionamento de
carga destinada para os pedidos urgentes, isto é, se a carga dos pedidos regulares não ultrapassar
70% do nível de utilização do RRC o pedido com entrega urgente pode ser aceito.
As medidas de desempenho utilizadas na simulação foram: atraso médio (obtido como
uma média dos atrasos das ordens em relação ao total de ordens geradas) e percentual de ordens
atrasadas (obtido pelo número de ordens atrasadas em relação ao total de ordens geradas). Para
fins de verificação, foi construído um modelo visual em 2D no software, com informações
referentes ao estoque, as máquinas e as ordens de produção mostradas na tela, tais como
sequência, produto, data de entrega, quantidade e valor da penetração do pulmão (para verificar
o GP). A simulação foi interrompida a cada evento de interesse, validando o sistema de forma
visual. A primeira verificação foi quanto à geração das ordens de produção, segundo a qual, no
fim do dia, deveriam ser geradas demandas para os produtos P1, P2 e P3 com datas regulares,
fast (prazos inferiores aos regulares) e super fast (prazos inferiores aos tipos fast), onde as datas
para conclusão dos pedidos foram mantidas constantes, por exemplo, em um mesmo cenário

9
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

todas as entregas fast tinham a mesma data de conclusão, já a quantidade do pedido foi obtida
através de uma distribuição de probabilidade lognormal. A segunda verificação foi o
funcionamento do GP, em que se visualizou o tempo restante para conclusão das ordens, o
pulmão, o cálculo dos valores numéricos associados, quais ordens eram carregadas nas
máquinas e se eram compatíveis com o GP. Por fim, verificou-se o funcionamento do método
slack time e a abordagem de aceitação sem uma verificação prévia do pedido.

3.2. Planejamento do experimento

Com o objetivo de comparar as formas de aceitação de pedidos urgentes, foram

simuladas cargas de 85% e 95% de ocupação da capacidade do RRC da fábrica fictícia
(máquina 4 da simulação), sendo que as cargas dos outros recursos foram estabelecidas também
em dois níveis, 70% e 85%, respectivamente. Para simular a variabilidade na demanda e nos
recursos internos, foi escolhida a distribuição de probabilidade lognormal. Com base em Hopp
e Spearman (2013), foram estabelecidos dois níveis de variabilidade: alta (CV=1,5) e baixa
(CV=0,3), em que o CV é obtido pelo desvio-padrão dividido pela média da distribuição. Tais
níveis foram definidos tanto para a demanda quanto para os tempos de processamento dos
recursos, de tal modo que as médias dos tempos de processamento e da demanda
permanecessem os mesmos.

TABELA 1 – Resumo dos cenários simulados.

PRAZO PRAZO PRAZO
CV CV
CENÁRIO CARGA REGULAR FAST SUPER FAST
RECURSOS DEMANDA
(dias) (dias) (dias)
1 85/70 0,5 0,5 4 3 2
2 85/70 0,5 0,5 3 2 1
3 85/70 1,5 1,5 6 5 4
4 85/70 1,5 1,5 5 4 3
5 95/85 0,5 0,5 6 5 4
6 95/85 0,5 0,5 5 4 3
7 95/85 1,5 1,5 16 12 8
8 95/85 1,5 1,5 12 9 8
Fonte: Elaborada pelos autores.

Além disso, os tempos de entregas foram obtidos da seguinte forma: para cada um dos
cenários propostos fez-se uma simulação prévia, obtendo-se o lead time médio desse período.
Nos cenários ímpares, o Pulmão de Pedido (PP) foi obtido adicionando-se uma proteção de

10
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

50% ao LT e, nos cenários pares, foi adicionada uma proteção de 25%. Os valores foram
arredondados para um número inteiro de dias e, desse valor, a entrega super fast foi definida
como o PP, as entregas fast como uma vez e meia o PP e a entregas regulares como duas vezes
o PP.
Por último, foram também definidos dois importantes parâmetros: número de
replicações a serem executadas e tempo de simulação. Cada cenário foi replicado 150 vezes e
cada simulação teve duração de um ano e seis meses.

4. RESULTADOS E DISCUSSÃO
Os resultados obtidos com as simulações podem ser observados na Tabela 2.

TABELA 2 – Atraso médio e percentual de ordens atrasadas nos cenários.

SLACK TIME TRADICIONAL
CENÁRIO
ATRASO MÉDIO (dias) %ATRASADAS ATRASO MÉDIO (dias) % ATRASADAS
1 0,00000 0,000% 0,00015 0,007%
2 0,03621 3,298% 0,05011 4,441%
3 0,09071 1,079% 0,64800 8,456%
4 0,11977 1,626% 0,97330 14,313%
5 0,00000 0,000% 0,11171 1,798%
6 0,00000 0,000% 0,30401 5,413%
7 0,00799 0,045% 2,91971 13,998%
8 0,03036 0,217% 4,22031 25,087%
Fonte: Elaborada pelos autores.

A Tabela 3 mostra os valores-p para os testes de normalidade e os testes de hipóteses de

Wilcoxon. Com o objetivo de verificar a normalidade dos dados, foi realizado o teste de
Shapiro-Wilk. Quando os dados foram idênticos na simulação das 150 replicações, a célula é
preenchida por “DADOS IDENT”. Assim, para um nível de significância de 5%, em todas as
situações, ao menos um dos métodos não atendeu a condição de normalidade dos dados.
Portanto, para comparar os métodos foi necessário realizar testes não paramétricos. A fim de
identificar se houve diferenças significativas entre os resultados, utilizou-se o teste de
Wilcoxon. Observa-se na Tabela 3 que, para um nível de significância de 5%, houve diferença
significativa em todos os cenários para as duas medidas de desempenho.

11
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

TABELA 3 – Teste de Normalidade e de Wilcoxon para as regras de urgência.

ATRASO MÉDIO PERCENTUAL ORDENS ATRASADAS
SHAPIRO WILK (NORMALIDADE) WILCOXON SHAPIRO WILK (NORMALIDADE) WILCOXON
CENÁRIO SLACK TIME TRADICIONAL CENÁRIO SLACK TIME TRADICIONAL
1 DADOS IDENT 2,2E-16 0,00586 1 DADOS IDENT 2,2E-16 0,00589
2 0,0007392 2,2E-16 3,26E-26 2 0,0002679 7,292E-08 3,2E-26
3 2,2E-16 2,826E-14 9,58E-20 3 3,097E-16 1,702E-10 4,09E-22
4 2,2E-16 6,948E-16 3,46E-25 4 3,156E-14 2,692E-09 4,41E-26
5 DADOS IDENT 2,2E-16 1,16E-08 5 DADOS IDENT 2,2E-16 1,15E-08
6 DADOS IDENT 2,2E-16 1,81E-17 6 DADOS IDENT 2,2E-16 1,8E-17
7 2,2E-16 2,2E-16 1,04E-17 7 2,2E-16 9,995E-17 5,41E-18
8 2,2E-16 1,468E-13 1,14E-24 8 2,2E-16 3,965E-10 8,29E-25

Fonte: Elaborada pelos autores.

Pelo fato de os tempos de entrega aumentarem conforme aumentava-se as cargas e a

variabilidade nos cenários, os resultados obtidos distorcem o fato de que aumentos nas cargas
e na variabilidade fazem com que o desempenho do sistema caia, não ficando evidente na
Tabela 2, embora seja comprovado pela simulação prévia, onde o lead time médio aumentou.
Ao analisar a Tabela 2, observa-se que as reduções nos tempos de entrega derrubam o
desempenho do sistema, uma vez que diminui as proteções dos pedidos. Com relação ao
desempenho dos métodos, o slack time proposta por Souza e Baptista (2010) apresentou um
desempenho superior à tradicional em todos os cenários. Isso indica sua eficácia em trabalhar
com pedidos urgentes e sua aceitação, reduzindo o atraso médio e o percentual de ordens
atrasadas. Entretanto, ela implica em rejeitar ordens quando a folga dos pedidos regulares
anteriores não comportar o tempo de processamento dos pedidos urgentes, promovendo uma
queda no número de pedidos aceitos. Tal característica pode diminuir a lucratividade no curto
prazo, mas no longo prazo pode ajudar a preservar a imagem da empresa e proteger as vendas
futuras. Além disso, o algoritmo não “escolhe” a rejeição dos pedidos, isto é, ele é realizado
por ordem de entrada e pelo cálculo do slack time. Em situações reais, pode-se optar por
privilegiar pedidos urgentes de certos clientes em detrimento de outros. Isto pode ser realizado
ordenando os pedidos desses clientes para serem avaliados pelo algoritmo em ordem de
“importância”. Para tanto, pode-se acumular os pedidos de um dia e posteriormente verificar
sua viabilidade, retornando a informação aos clientes.
Outro ponto que merece ser destacado é a quantidade e complexidade de cálculos do
algoritmo em análise, pois ele exige calcular e atualizar o slack time tanto dos pedidos regulares
quanto dos urgentes, mesmo que já liberados para o chão de fábrica. Entretanto, os avanços
computacionais e as tecnologias disponíveis, como as etiquetas RFID e sensores permitem

12
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

identificar as ordens e verificar onde elas se encontram no roteiro de produção. Além disso,
tecnologias big datas e a computação em nuvem podem apoiar a realização dos cálculos e
armazenar as informações.

5. CONCLUSÕES
O presente trabalho, por meio da construção de um modelo computacional no software
AnyLogic, permitiu simular uma fábrica com sete recursos que produz três tipos diferentes de
produtos. Foram criados oito cenários diferentes, com dois níveis de carga sobre a fábrica, dois
níveis de variabilidade da demanda e dois níveis de prazos de entrega. Cada cenário foi
replicado 150 vezes. Os desempenhos obtidos pela aplicação das duas regras foram avaliados
pelos indicadores atrasos médios e percentuais de atraso. Após realizar o teste de normalidade
de Shapiro-Wilk, com um nível de significância de 5%, observou-se em grande parte dos
resultados a ausência de normalidade. Fez-se então necessária a utilização do teste não
paramétrico de Wilcoxon que permitiu a comparação entre as regras.
Os resultados permitiram concluir que a regra de aceitação de pedidos com prazos
urgentes, proposta por Souza e Baptista (2010), apresentou um desempenho superior,
melhorando o nível de serviço de atendimento de prazos de entrega com base nesses dois
indicadores.
Como limitações dessa pesquisa, tem-se a simplicidade dos cenários simulados e a não
aplicação do algoritmo objeto de pesquisa em uma fábrica real. Pesquisas futuras poderiam
dedicar-se à simulação de ambientes de produção mais complexos e às implementações desses
algoritmos em empresas que utilizam o sistema TPC-S em ambientes MTO.

REFERÊNCIAS
GOLDRATT, E. M. Standing on the shoulders of giants: production concepts versus production
applications. The Hitachi Tool Engineering example. Gestão & produção, v. 16, p. 333-343,
2009.

HOPP, W. J.; SPEARMAN, M. L.; MIGLIAVACCA, P. N. A ciência da fábrica. Porto

Alegre: Bookman, 2013.

IKEZIRI, L. M. et al. Theory of constraints: review and bibliometric analysis. International

Journal of Production Research, v. 57, n. 15-16, p. 5068-5102, 2019.

KINGSMAN, B. G.; HENDRY, L. C.; MERCER, A.; DE SOUZA, A. Responding to customer

enquiries in make-to-order companies Problems and solutions. International Journal of
Production Economics, v. 46, p. 219-231, 1996.

13
 XXIX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Resiliência na Cadeia de Suprimentos
Bauru, SP, Brasil, 09 a 11 de novembro de 2022

ORUE, A. et al. Theory of constraints case study in the make to order environment. Journal of
Industrial Engineering and Management, v. 14, n. 1, p. 72-85, 2021.

SCHRAGENHEIM, E. Do TPC ao TPC simplificado na produção sob encomenda. In: COX

III, J. F.; SCHLEIER, J. G. (Orgs.). Handbook da Teoria das Restrições. Tradução de Beth
Honorato, revisão técnica de Daniel Pacheco Lacerda et al. 1 ed. Porto Alegre: Bookman,
2013a. cap. 9, p. 218-245.

SCHRAGENHEIM, E. Using SDBR in rapid response projects. Goldratt group, 2006.

SCHRAGENHEIM, E.; DETTMER, H. W.; PATTERSON, J. W. Supply chain management

at warp speed: Integrating the system from end to end. Boca Raton: CRC Press, 2009.

SOUZA, F. B.; BAPTISTA, H. R. Proposta de avanço para o método Tambor-PulmãoCorda

Simplificado aplicado em ambientes de produção sob encomenda. Gestão & Produção, v. 17,
n. 4, p. 735-746, 2010.

SRIKANTH, M. Y. TPC, gerenciamento de pulmões e classificação de fluxo VATI. In: COX

III, J. F.; SCHLEIER, J. G. (Orgs.). Handbook da Teoria das Restrições. Tradução de Beth
Honorato, revisão técnica de Daniel Pacheco Lacerda et al. 1 ed. Porto Alegre: Bookman, 2013.
cap. 8, p. 199-216.

STEVENSON, M.; HENDRY, L. C.; KINGSMAN, B. G. A review of production planning and

control: the applicability of key concepts to the make-to-order industry. International Journal
of Production Research, v. 43, n.5, p.869-898, 2005.

TELLES, E. S. et al. Drum-buffer-rope in an engineering-to-order system: An analysis of an

aerospace manufacturer using data envelopment analysis (DEA). International Journal of
Production Economics, v. 222, p. 107500, 2020.

TELLES, E. S. et al. Drum-Buffer-Rope in an engineering-to-order productive system: a case

study in a Brazilian aerospace company. Journal of Manufacturing Technology
Management, n. ahead-of-print, 2022.

14