Escolar Documentos
Profissional Documentos
Cultura Documentos
Belém
Dezembro de 2019
PROPOSTA DE OTIMIZAÇÃO DO PROCESSO PRODUTIVO EM UMA
MICROEMPRESA DO SETOR TÊXTIL: APLICAÇÃO DO MÉTODO
SIMPLEX DE PROGRAMAÇÃO LINEAR
Examinada por:
_______________________________________________
Prof. Bruno Marques Viegas, Dr.
(PPGEP/ITEC/UFPA-Orientador)
________________________________________________
Prof. Emanuel Negrão Macêdo, Dr.
(PPGEP/ITEC/UFPA-Coorientador)
________________________________________________
Prof. Rui Nelson Otoni Magno, Dr.
(PPGEP/ITEC/UFPA-Membro)
_______________________________________________
Profª. Mariana Pereira Carneiro, Dra.
(UEPA-Membro)
BELÉM, PA - BRASIL
DEZEMBRO DE 2019
Dados Internacionais de Catalogação-na-Publicação (CIP)
Sistema de Bibliotecas da UFPA
iii
Dedico este trabalho aos meus pais, que
sempre tiveram como prioridade minha
educação e a minha querida avó “dona
Zezé” (in memorian), por todo exemplo
que foi em minha vida, contribuindo não
só para minha formação profissional,
mas sim para sempre ser uma pessoa
melhor.
iv
AGRADECIMENTOS
v
Resumo da Dissertação apresentada ao PPGEP/UFPA como parte dos requisitos
necessários para a obtenção do grau de Mestre em Engenharia de Processos (M. Eng.)
Dezembro/2019
Devido ao elevado nível de mortalidade das micro e pequenas empresas, bem como o
importante papel dessas empresas na economia, é necessário buscar melhorias nos
processos produtivos e na maximização dos resultados. Sendo assim, este trabalho
apresentou uma proposta de otimização do processo produtivo em uma microempresa
através da aplicação do método simplex de programação linear. Para análise desse
modelo, foram realizados levantamento de dados históricos, definição das funções
objetivo e restrições, bem como a projeção de quatro cenários, considerando projeções
otimistas, pessimistas e realistas para o futuro do negócio. Os resultados apresentados
mostraram que as ferramentas de otimização podem auxiliar nos resultados da empresa,
tais como na redução dos custos operacionais e no aumento da margem de lucro que
poderá chegar até 40,98% a mais do que o praticado no ano anterior, no entanto é
necessário que tais análises sejam transformadas em ações a partir do planejamento
estratégico organizacional, visto que os resultados encontrados nos cenários divergem
da realidade atual da empresa.
vi
Abstract of Dissertation presented to PPGEP/UFPA as a partial fulfillment of the
requirements for the degree of Master in Process Engineering (M. Eng.)
December/2019
Due to the high level of mortality of micro and small enterprises, as well as the
important role of these companies in the economy, it is necessary to seek improvements
in production processes and maximization of results. Therefore this work presented a
proposal of optimization of the productive process in a micro company by applying the
simplex method of linear programming. To analyze this model, historical data were
collected, objective functions and constraints were defined, as well as the projection of
four scenarios, considering optimistic, pessimistic and realistic projections for the future
of the business. The results presented showed that optimization tools can help to
improve business results, such as reduction operating costs and increase of profit
margin, which may reach 40.98% more than in the previous year. However such
analyzes should be transformed into actions based on strategic organizational planning,
since the results found in the scenarios differ from the current reality of the company.
vii
SUMÁRIO
CAPÍTULO 1 - INTRODUÇÃO.......................................................................... 1
1.1 - MOTIVAÇÃO................................................................................................ 2
1.2 - OBJETIVOS................................................................................................... 4
1.2.1 - Objetivo geral............................................................................................. 4
1.2.2 - Objetivos específicos.................................................................................. 4
1.3 - CONTRIBUIÇÕES DA DISSERTAÇÃO..................................................... 5
1.4 - ORGANIZAÇÃO DO TRABALHO.............................................................. 5
CAPÍTULO 2 - REVISÃO DA LITERATURA................................................. 7
2.1 - MAPEAMENTO DE PROCESSOS............................................................... 7
2.2 - PESQUISA OPERACIONAL........................................................................ 9
2.2.1 - Modelagem matemática............................................................................. 14
2.2.2 - Programação linear.................................................................................... 16
2.2.3 - O problema do mix de produção............................................................... 18
2.2.4 - O método simplex....................................................................................... 20
CAPÍTULO 3 - METODOLOGIA...................................................................... 24
3.1 - ANÁLISE DOS DADOS DA EMPRESA...................................................... 26
3.2 - FORMULAÇÃO DO PROBLEMA E CONSTRUÇÃO DO MODELO....... 26
CAPÍTULO 4 - RESULTADOS E DISCUSSÃO............................................... 28
4.1 - ANÁLISE DO PROCESSO PRODUTIVO.................................................... 28
4.2 - LEVANTAMENTO DO TEMPO DE PRODUÇÃO..................................... 39
4.3 - LEVANTAMENTO DO HISTÓRICO DE VENDAS, CUSTOS DE
PRODUÇÃO E LUCRO UNITÁRIO..................................................................... 43
4.4 - DELIMITAÇÃO DAS RESTRIÇÕES........................................................... 47
4.5 - RESOLUÇÃO DO MODELO PROPOSTO.................................................. 51
4.6 - ANÁLISE DOS RESULTADOS DOS CENÁRIOS E DO MIX DE
PRODUÇÃO........................................................................................................... 55
CAPÍTULO 5 - CONCLUSÕES E SUGESTÕES.............................................. 63
5.1 - CONCLUSÕES............................................................................................... 63
5.2 - SUGESTÕES.................................................................................................. 64
REFERÊNCIAS BIBLIOGRÁFICAS................................................................ 65
viii
LISTA DE FIGURAS
ix
LISTA DE TABELAS
x
NOMENCLATURA
xi
CAPÍTULO 1
INTRODUÇÃO
1
(2015a) ainda é elevado, principalmente na cidade de São Luís,cujas MPEs que
permaneceram abertas após dois anos representa 70,9% do total, ou seja, quase 30% das
empresas não sobrevivem ao final do segundo ano do negócio.
Nesse contexto, considerando a realidade das MPEs ludovicenses, o cenário
atual de recessão econômica do país, bem como as dificuldades financeiras e
operacionais internas.Considerando, ainda, que os processos produtivos na empresa
objeto de estudo possuem custos elevados, o que culmina na baixa lucratividade,
buscou-se reunir informações com o propósito de desenvolver e solucionar um modelo
matemático de um problema de pesquisa operacional aplicando o Microsoft Excel e o
software Mathematica,a fim de auxiliar a empresa objeto de estudo a melhorar seus
resultados.
1.1 - MOTIVAÇÃO
2
Conforme apontado pelo SEBRAE (2017), a partir da pesquisa “Sondagem
conjuntural dos Pequenos Negócios” as principais dificuldades encontradas pelas MPEs
foram aumentos nos custos (76,3%), pagamento de impostos / tributos (72%) e quedas
nas vendas (69,9%), conforme pode ser observado na Figura 1.1.
Uma das possíveis causas para a avaliação elevada do aumento dos custos nesta
pesquisa deve-se a conjuntura econômica no país, principalmente o aumento da inflação
(INPC) que entre o período de 2014/2016 foi de aproximadamente 25,98% (BCB,
2018). Por outro lado, segundo o IBGE (2019) o Produto Interno Bruto – PIB do Brasil
teve duas reduções consecutivas de 3,5% em 2015 e 2016, seguido por um crescimento
de 1,1% e 1,1% em 2017 e 2018, no entanto, este resultado retorna ao patamar histórico
do 1º semestre de 2012.
Sendo assim, em um ambiente altamente competitivo, aliado a um cenário de
crise econômica, observa-se que a análise do processo de produção é um dos fatores que
devem receber particular atenção por parte dos gestores da organização, posto que
influencia diretamente nos custos de fabricação dos seus produtos e, como
3
consequência, impactará no preço final repassado ao cliente e na margem de lucro da
empresa.
Nesse contexto, optou-se pela utilização da Pesquisa Operacional que é uma
ferramenta de otimização utilizada nas mais diversas áreas tais como manufatura,
automobilística, alimentícia, aviação, assistência médica, bancária, construção civil,
militar, naval, petrolífera, mineradoras, papel e celulose, supermercados, transportes,
telecomunicações, serviços públicos etc. COLIN (2011) evidencia que uma pesquisa
contemplando as empresas da Fortune 500 constatou-se que 85% delas usavam ou
haviam usado a Programação Linear (PL), ramo da PO. No Brasil, este mesmo autor
cita o uso da PL em empresas como Eletrobrás, Petrobrás, Correios e Sadia.
Outrossim, a Pesquisa Operacional utiliza métodos próprios capazes de solucionar
problemas e facilitar a tomada de decisão através de cálculos. Para tanto, são coletados
dados envolvendo custos, demanda, variáveis e restrições. Desse modo, a partir da sua
utilização, pode-se chegar a função objetivo, capaz de determinar a melhor maneira de
produzir, com o que se tem disponível, no caso, o mix de produção mais rentável que
cumprirá o principal objetivo de maximizar o lucro ou minimizar o custo (RODRIGUES,
2013).
1.2 - OBJETIVOS
4
Verificar quantitativamente os impactos da adoção do mix ideal nos diferentes
cenários;
Apresentar melhorias que corroborem com o alcance do mix projetado.
5
layout,pesquisa operacional e programação linear, tais como origem, conceituação e
utilização.
O Capítulo 3 apresentará o método utilizado para a elaboração e
desenvolvimento do trabalho, as ferramentas aplicadas em sua fundamentação etc. Em
seguida, no Capítulo 4, serão apresentados os resultados e a discussão.
No Capítulo 5 são apresentadas as principais conclusões e recomendações
futuras para a continuação do trabalho posteriormente, de modo a para melhorar ainda
mais a produtividade da empresa.
6
CAPÍTULO 2
REVISÃO DA LITERATURA
7
Figura 2.1 - Símbolos básicos para fluxograma padrão ANSI.
Fonte: Adaptado de HARRINGTON (1991).
8
Figura 2.2 - Exemplo de carta multiprocesso.
Fonte: NEUMANN e SCALISE (2015).
PASCINI (2006) define que para a realização de uma carta de processos para
vários produtos deve-se realizar inicialmente a relação de todas as operações realizadas
em qualquer sequência. Em seguida, faz-se uma carta de processo para cada produto em
separado. Posteriormente, deve-se listar as operações e processos colocando-os lado a
lado, a fim de obter o fluxo ótimo de material a partir do rearranjando a lista de
operações, de modo a se conseguir uma maior linearização do fluxo geral.
9
O termo Pesquisa Operacional é relativamente novo e de origem militar, sendo
utilizado, pela primeira vez, na Grã-Bretanha, um pouco antes da Segunda Guerra
Mundial, em 1938, e relacionados à pesquisa associada a radar (BERNARDO et al.,
2018).
No entanto, alguns autores remetem a fatos anteriores, como relatos de que
desde o princípio da humanidade, as civilizações buscam formas de quantificar seus
processos e otimizar seus recursos. LOSS (1981), por exemplo, descreve em seu livro o
uso de ferramentas de PO desde o séc. III A.C. quando Hierão, tirano da Siracusa,
solicitou de Arquimedes que idealizasse a forma mais eficiente de utilizar as armas da
época, a fim de que obtivesse meios para acabar com o cerco naval dos romanos.
Neste mesmo sentido HENRIQUES et al. (2003) afirmam que dois mil anos
antes de Cristo exemplos especiais de equações lineares já tinham sido estudadas por
egípcios e babilônios. Ademais, Babilônios, gregos e chineses conheciam a ideia de
eliminação de variáveis para resolver equações lineares (ou quadráticas).
No mundo organizacional, a chegada da Revolução Industrial no século XVIII
permitiu um acelerado crescimento e aumento da complexidade das organizações, com
eles também evoluíram os problemas e a escassez de recursos. Um processo que antes
era feito apenas pelo artesão em sua oficina, a partir da revolução industrial passou a ser
feito por várias pessoas no processo que ficou conhecido como divisão do trabalho
(CHIAVENATO, 2013). Além da necessidade da busca pela solução dos problemas
organizacionais, há de se lembrar que os próprios recursos dessas novas fábricas eram
escassos, sendo assim, também seria necessário avaliar qual a melhor alternativa para
alocá-los de maneira eficaz.
O estudo da PO tal qual como é conhecida hoje remete ao período da Segunda
Guerra Mundial (1939-1945), como uma área em que a ciência foi aplicada e novas
pesquisas inspiradas nos desafios do mundo real, principalmente na análise militar e na
produção industrial (BELTON et al., 2018).
Nesse contexto, destaca-se o trabalho bem-sucedido da equipe liderada pelo
prof. PMS Blackett que influenciou estrategistas militares dos EUA durante a guerra,
desse modo, grupos semelhantes foram criados nos Estados Unidos sob o nome de
'análise de operações' (PAUCAR-CACERES e PAGANO, 2011).
Sendo assim, os governos americanos e britânicos demandaram a cientistas e
matemáticos que realizassem estudos sobre as operações militares e como otimizá-las.
REZENDE FILHO (2010) relata que, para apoiar os comandos operacionais na
10
resolução desses problemas, foram então organizados grupos multidisciplinares de
cientistas que continham matemáticos, físicos e engenheiros, a par de outros oriundos
das ciências sociais.
Tais cientistas apenas aplicaram o método científico aos problemas que lhes
foram sendo colocados. Desenvolveram então a ideia de criar modelos matemáticos,
apoiados em dados e fatos, que lhes permitissem perceber os problemas em estudo e
ensaiar e avaliar o resultado hipotético de estratégias ou decisões alternativas.
Alguns dos resultados destes estudos foram melhoria na eficiência dos ataques
aéreos aos submarinos, nova disposição dos comboios marítimos, de forma a minimizar
as perdas e organização dos bombardeamentos aéreos sobre a Alemanha. Segundo
HILLIER e LIEBERMAN (2013), como fruto desses estudos, asseguraram-se as
vitórias nas Batalhas Aéreas na Grã-Bretanha e no Atlântico Norte, igualmente
auxiliaram na Campanha Britânica no Pacífico.
Com o término da guerra e o crescimento econômico de diversos países,
cresceram também a complexidade dos problemas das organizações. Neste contexto,
observou-se, então, que os problemas estudados para as questões militares eram
semelhantes aos encontrados nas empresas, obviamente que dentro do seu devido
contexto (ARENALES et al., 2011).
CARDOSO (2011) evidencia que o sucesso e credibilidade de ganhos ao longo
da guerra foram tamanhos que, ao final do conflito, permitiu que esses grupos de
cientistas e a sua nova metodologia de abordagem dos problemas se transferiram para as
empresas. Neste cenário, é possível perceber que apenas no início da década de 50 que a
PO começou a ser aplicada nas organizações.
REZENDE FILHO (2010) identifica pelo menos dois fatores, que tiveram um
papel essencial no rápido crescimento da PO durante este período:
Substancial progresso das técnicas matemáticas disponíveis na PO: Depois
da guerra, vários cientistas sentiam-se motivados em procurar relevantes
investigações no campo, resultando daí a avanços importantes na área. O
primeiro caso é o método de Simplex para resolver problemas de programação
linear, desenvolvido por George Dantzig em 1947;
Evolução/revolução dos computadores. Normalmente é exigida uma grande
quantidade de cálculos para tratar, mais eficientemente, os problemas complexos
considerados típicos pela PO. Realizar tais cálculos a mão seria inviável. No
entanto, o desenvolvimento dos computadores com as suas capacidades para
11
realizar cálculos aritméticos de milhares ou mesmo milhões de vezes mais
rápido do que o homem e trabalhar enormes volumes dedados sobre as
atividades das empresas, foi uma tremenda vantagem para a PO.
HILLIER e LIEBERMAN (2013), por sua vez, frisam que outro estímulo veio
nos anos 1980 com o desenvolvimento de computadores pessoais cada vez mais
poderosos munidos de excelentes pacotes de software para emprego da PO. Isso
permitiu que o emprego da PO ficasse ao alcance de um número muito maior de
pessoas. Atualmente qualquer pessoa têm pronto acesso a software de PO como
LINDO, MATHEMATICA, ou mesmo o Microsoft Excel.
Na área acadêmica, os estudos iniciaram nos departamentos de Engenharia
Industrial, Engenharia de Produção e nas escolas de Administração das Universidades
norte-americanas. No Brasil, conforme LOSS (1981) o início ocorreu por volta de uma
década após a introdução na Grã-Bretanha e nos Estados Unidos.
No ano de 1957 a Escola Politécnica da Universidade de São Paulo (EPUSP)
concebeu curso de Engenharia de Produção, primeiro em nível de graduação no Brasil
que seguiu os moldes do curso de Engenharia Industrial dos EUA. Posteriormente, em
1958 iniciou-se o Curso de Graduação em Engenharia de Produção do Instituto
Tecnológico de Aeronáutica (ITA). Assim, foram concebidos os cursos de Programação
Linear, Teoria dos Jogos, Simulação, Teoria das Filas e Estatística que foram ofertados
aos alunos de Engenharia de Produção da USP e do ITA (ARENALES et al., 2011).
Já na década de 60, devido a atuação dos professores destes cursos no setor
privado, iniciou-se uma pequena interação entre a Universidade e a Empresa, o que
resultou nos primeiros empregos da aplicabilidade de PO a problemas reais.
(MARTINS, 2011)
Como principais características da PO, MOREIRA (2011) cita seu ponto de vista
abrangente, ou seja, através da PO é realizado uma análise a partir de uma visão
organizacional, sendo assim, ela tende a dirimir e solucionar conflitos de interesses
entre os departamentos e unidades das organizações, visto que sempre buscará a melhor
solução para a organização como um todo.
O estudo de PO não está limitado apenas a empresas, podendo ter grande valia
quando aplicado a serviços públicos e serviços de saúde. EPPRECHT et al. (2000)
propuseram um modelo de minimização de custos em diagnósticos com um caso de
aplicação em um banco de sangue obtendo como resultado redução de até 86% dos
custos, o que equivale a 7 vezes mais barato que o procedimento vigente a época.
12
FIGUEIREDO e NETTO (2001) desenvolveram um modelo de centralização de
estoques para a logística de suprimento da exploração e produção da Petrobras. Neste
estudo observou-se qual o melhor local para a instalação de uma central de
administração compartilhada para a distribuição de materiais e equipamentos para o
Nordeste.
HILLIER e LIEBERMAN (2013), por sua vez, destacam alguns estudos que
tiveram representatividade no mundo, conforme a Tabela 2.1.
13
2.2.1 - Modelagem matemática
14
Segundo PIDD (1998), modelo significa uma representação simplificada da
realidade. Sendo assim, a partir do problema real definido na etapa anterior, nesta etapa
deve-se elaborar um modelo, ou seja, uma representação do problema que se está
avaliando.
Nesta etapa são formulados os objetivos, ou seja, quais problemas desejam ser
revolvidos. Este objetivo pode ser quantitativo (maximizar ou minimizar um resultado)
ou qualitativo (medir satisfação do cliente, por exemplo). Posterior a delimitação dos
objetivos, são analisadas as restrições do modelo, ou seja, os fatores que irão limitar as
soluções que poderão ser propostas, tais como tempo, orçamento, demanda, capacidade
(transporte, armazenamento, produção etc.).
Em seguida, as alternativas passam a ser estudadas, a fim de identificar qual a
melhor solução a ser aplicada para o modelo proposto, para tanto a equipe de PO deve
utilizar algum método, tal como procedimentos matemático, teste de hipóteses,
algoritmos etc.
Neste cenário, a avaliação representa a validação do modelo, ou seja, é nesta
fase que a equipe de PO deve trabalhar para garantir que o modelo proposto bem como
a solução apresentada na etapa anterior tenha representatividade e correspondam à
realidade, sendo assim, nesta fase ainda cabe a realização de ajuste. Por fim, caso o
modelo proposto e a solução encontrada não necessitem de qualquer outro ajuste, cabe
então a análise da viabilidade de implementação da solução.
RAGSDALE (2009), por sua vez, declara que a programação matemática é
composta de três itens:
Definição das decisões: os fatores decisórios de um modelo matemático são
representados por variáveis, que são capazes de descrever, por exemplo, o lucro
por unidade, o volume em estoque de determinado recursos etc.;
Identificação das restrições: constituem as funções que impõem uma limitação
aos recursos, tais utilização mínima, máxima ou exata de determinado elemento
do modelo;
Determinação do objetivo: a função objetivo do modelo pode ser de
maximização ou minimização das variáveis definidas na primeira etapa.
O proposto pelo autor poderia ser representado de maneira canônica conforme a
forma geral a seguir:
15
Função objetivo
Sujeita a:
...
𝑓𝑚(𝑋1, 𝑋2, … , 𝑋𝑛) = am1 x1 + am2 x2 + ... + amnxn = 𝑏𝑚 (2.4)
Em que:
x = representa a variável de decisão, ou seja, número de unidades do produto j
j
unidade xj
a = coeficiente de restrições, ou seja, quantidade do recurso i consumida na
ij
16
A programação linear pode ser vista como parte de um grande desenvolvimento
revolucionário, dando à humanidade a habilidade de estabelecer objetivos gerais e traçar
um caminho de decisões detalhadas a serem tomadas para alcançar seus objetivos da
melhor maneira diante de situações práticas de grande complexidade (DANTZIG,
2002).
Segundo COLIN (2011), dentro da PO a programação linear é uma das
principais descobertas da matemática aplicada, levando em considerações os benefícios
econômicos. Em termos econômicos, ela é compatível às maiores descobertas, como a
divisão do trabalho, o motor a vapor, a produção em massa e a tecnologia da
informação.
Isso se justifica devido à linearidade do modelo, o que explica sua a
aplicabilidade e simplicidade na busca pela melhor alocação de recursos, permitindo
que a organização tenha ganhos ao trabalhar a busca por minimizar os resultados,
alcançando melhorias em níveis de estoques, pessoas, mix de produtos, processos e,
consequentemente, custos, bem como através da maximização de resultados ou qualquer
outro processo de tomada de decisão gerencial, o que permite um crescimento no
resultado final da empresa.
Diversos autores listam requisitos para que um determinado modelo seja
considerado programação linear, dentre eles CARDOSO (2011) e ARENALES et al.
(2011). Neste contexto, segue os requisitos listados por estes autores:
Proporcionalidade: indica que a contribuição de cada variável de decisão, tanto
na função objetivo quanto nas restrições, devem ter seu peso diretamente
equivalente ao valor que podem assumir. Sendo assim, implica que o nível de
contribuição de cada variável será sempre proporcional ao seu valor;
Aditividade: implica na função objetivo e nas restrições, visto que pressupõe
que o todo é igual à soma das partes, ou seja, a contribuição total das variáveis é
a soma da contribuição individual das variáveis existentes na função objetivos e
nas restrições;
Certeza: menciona que todos os coeficientes da função objetivo e das restrições
do modelo são determinísticos, o que significa que são constantes conhecidas,
no qual se tem certeza dos valores assumidos por essas variáveis;
17
Divisibilidade: as variáveis podem assumir valores não inteiros. Segundo este
mesmo princípio alguns autores também listam os requisitos como hipótese de
proporcionalidade e hipótese de fracionamento.
Neste cenário, infere-se que para que um modelo matemático seja considerado
de programação linear é necessário que:
a) Tenha uma única função objetivo;
b) Todas as funções, seja ela objetivo ou de restrição, possuem expoente 1 e
possuem suas variáveis multiplicadas por constantes conhecidas;
c) Nenhum termo das funções, objetivo ou de restrição, pode conter produtos de
variáveis de decisão;
d) As variáveis de decisão podem ser divididas ou fracionadas, assumindo valores
reais ou inteiros.
A programação linear é um tipo de modelo matemático, sendo assim, para
montar o problema de programação linear deve-se primeiramente definir as variáveis do
problema, em seguida a função objetivo (maximizar ou minimizar) e, por fim, as
restrições do modelo, ou seja, fatores que limitam as variáveis disponíveis.
Nesse contexto, observa-se que o principal objetivo é fornecer um critério
holístico para avaliar a utilidade de uma ação ou escolha com base em vários critérios.
Ocorre que os problemas práticos e reais da tomada de decisões muitas vezes precisam
satisfazer vários objetivos que às vezes são conflitantes e inconsistentes (RAZAVI et
al., 2013).
Sendo assim, para resolver tais problemas pode-se utilizar a solução gráfica
(quando possui apenas 2 variáveis), assim como podem ser aplicados diversos tipos de
algoritmos, tais como branchandbound ou simplex. A partir da aplicação de algoritmos,
obtêm-se uma solução rápida e precisa, no entanto, para realizar esta análise são
necessários softwares tais como LINDO (Lindo Systems Inc); o Prolin (Escola Superior
de Tecnologia); e o Multisimplex (Gabritech Solutions), aplicativos que podem ser
utilizados sem custos para fins acadêmicos.
18
Pesquisa em Operações, cuja área estuda modelos matemáticos para a otimização
ajudando a tomada de decisão (RIBOLDI, 2017).
No início de sua história, o problema do mix de produtos foi formulado como um
problema de PL e aplicado em uma ampla variedade de configurações. Com o tempo,
surgiram inovações na formulação para abordar características especiais do ambiente de
tomada de decisão, desse modo, passou-se a integrar informações referentes a custos
(diretos e indiretos), volume de produção e capacidade de recursos (utilização e
expansão) na determinação do mix ideal (WELLINGTON et al. (2014).
Esse tipo de problema faz parte da Programação Linear, consistindo em
determinar o objetivo ótimo, tais como maximização do lucro ou da receita que se pode
alcançar com a produção de n unidade de determinado bem ou serviço, em situações nas
quais os recursos disponíveis – quantidade de dinheiro, mão de obra, matérias- primas,
máquinas de produção etc. – são limitados ou escassos (LONGARAY, 2013).
Sendo assim, o problema de decisão do mix de produtos pressupõe 'n' número de
produtos a serem fabricados, usando o número 'k' de diferentes técnicas de
processamento de fabricação, misturando 'm'número de matérias-primas em diferentes
proporções. Dentro das restrições, limitações dos recursos das matérias-primas podem
ser consideradas (SUSANTO e BHATTACHARYA, 2011). Nesse sentido, NOREEN et
al. (1996) elucidam que uma restrição pode ser entendida como algo que impeça o
sistema produtivo de alcançar seus objetivos.
Quanto a literatura, observa-se que já existem estudos de pesquisa operacional
de otimização de mix, tais como os apresentados a seguir:
SCHMIDT (2008) analisou a programação linear como uma ferramenta para
verificar a viabilidade econômico-financeira de um investimento, em uma
indústria de confecções de uniformes e roupas profissionais, ao final do estudo
pôde-se observar que a PL pode ser utilizada como uma alternativa aos métodos
tradicionais de análise de viabilidade econômico-financeiro;
DIAS (2014) propôs um modelo de otimização para o planejamento agregado da
produção de uma indústria Têxtil no estado de Minas Gerais, que confecciona
calças, bermudas e shorts, todos feitos com a mesma matéria prima, Jeans. A
pesquisa concluiu que através da PO é possível gerar ganhos financeiros para a
empresa, no entanto, não quantificou este valor, visto que não foram
apresentados dados anteriores a sugestão de mix de produção;
19
BOTELHO et al. (2017) realizaram pesquisas visando encontrar uma solução
rentável para o mix de produção de uma empresa especializada na confecção de
camisetas. Ao final do estudo, obteve-se um resultado 7% acima da meta
estipulada para o ano analisado, mesmo após um péssimo primeiro trimestre da
empresa.
Nesse contexto, WANG et al. (2009) mostraram que quando o sistema de
produção não possui elevada complexidade, os métodos tradicionais para resolução de
problemas de programação propostos na literatura são capazes de obter a solução ótima
em tempo razoável. Para fins de análise desse trabalho, utilizou-se o método Simplex.
20
Figura 2.4 - O método simplex.
Fonte: Adaptado de LACHTERMACHER (2007).
21
Nesse sentido, diversos autores apresentaram roteiros para solução de problemas
de PL através do Simplex, a seguir, pode-se observar o desenvolvido a partir da
adaptação de ANDRADE (2011)
1º Etapa: Transformação para a forma padrão ou aumentada a partir da
transformação em um sistema de equações em que são introduzidas as variáveis de
folga nas restrições do tipo (≤) ou (≥) e, se necessário, as variáveis artificiais para todas
as restrições do tipo (=) ou (≥).
Observação: Caso a função seja de minimizar é necessário multiplicá-la por (-1)
para resolução do problema;
2º Etapa: Se necessário, cria-se uma nova função objetivo artificial (w),
formada da seguinte maneira:
a) Para todas as variáveis reais e de folga, o coeficiente da função artificial será
a soma dos coeficientes dessas variáveis, ou seja: di = −(a1j + a2j +...+ am j)
Observação: Somente são incluídos os coeficientes das linhas com variáveis
artificiais.
b) Zero para as variáveis artificiais;
c) O valor inicial da função objetivo artificial é a soma dos termos independentes
das restrições.
3º Etapa: Montar um quadro para os cálculos, colocando na primeira linha os
coeficientes da função objetivo transformada e, em seguida, os coeficientes de todas as
variáveis com os respectivos sinais, por fim, coloca-se a função objetivo artificial na
última linha.
4º Etapa: Aplica-se o método Simplex, tomando como função objetivo a última
linha. Sendo assim, deve-se identificar na tabela qual a variável não básica que oferece,
na última linha, a maior contribuição para o aumento da função objetivo (ou seja, tem o
maior valor negativo). Caso todas as variáveis que estão fora da base tiverem
coeficientes nulos ou positivos nesta linha, a solução atual é ótima. Se alguma dessas
variáveis tiver coeficiente nulo, isto significa que ela pode ser introduzida na base sem
aumentar o valor da função objetivo. Isso quer dizer que temos uma solução ótima, com
o mesmo valor da função objetivo.
Quando a solução ótima for atingida, dois casos podem ocorrer:
a) Za = 0: neste caso foi obtida uma solução básica do problema original e o
processo de solução deve continuar desprezando-se as variáveis artificiais e
os elementos da última linha. É o início da 2 etapa do processo;
22
b) Za ≠ 0: neste caso, o problema original não tem solução viável, o que
significa que as restrições devem ser inconsistentes.
5º Etapa: Identificar qual a variável deve sair da base, a partir da seguinte
análise:
a) Dividir os elementos da última coluna pelos correspondentes elementos
positivos da coluna da variável que vai entrar na base. Caso não haja elemento algum
positivo nesta coluna, o processo deve parar, já que a solução é ilimitada.
b) O menor quociente indica a equação cuja respectiva variável básica deverá ser
anulada, tornando-se variável não básica.
6º Etapa: Usando operações válidas com as linhas da matriz, transformar o
quadro de cálculos de forma a encontrar a nova solução básica. A coluna da nova
variável básica deverá se tornar um vetor identidade, onde o elemento 1 aparece na
linha correspondente à variável que está sendo anulada.
7º Etapa: Retornar a etapa 6 para iniciar outra iteração.
8º Etapa: Exclusão das colunas auxiliares e função w
Caso o resultado ainda não fosse o resultado ótimo, deveria iniciar outro
processo de pivoteamento até que seja possível localizar o valor que torne o resultado da
função ótimo.
Uma limitação é a impossibilidade de trabalhar com variáveis qualitativas. No
entanto, dependendo das características dos sistemas a serem otimizados, o método
simplex são escolhidos porque são simples e rápidos (BEZERRA et al., 2016)
23
CAPÍTULO 3
METODOLOGIA
24
A empresa objeto de estudo desta pesquisa é uma malharia. Trata-se de uma
microempresa que opera na indústria e comércio da cidade de São Luís-MA, uma vez
que fabrica e comercializa seus produtos, atuando principalmente no mercado de
confecção de uniforme, jalecos e camisas.
Sua localização é o centro da cidade de São Luís – MA, em um prédio cuja
estrutura é tombada pelo patrimônio histórico, desse modo, para que seja feita algumas
alterações em sua estrutura é necessária a solicitação de autorização junto aos órgãos
competentes. A Figura 3.2 apresenta o layout da empresa analisada.
LOJA
CORTE
18
ESCRITÓRIO
5 5 2 1
2
4
10
3 4 2 4 3 17
13
7 6
PINTURA 12 11
3 3 3 3 16
5 15 14 LAVAGEM
3
COSTURA
3 WC WC
8
9
8
5 3
ESTOQUE
COPA
LEGENDA:
1 -MÁQUINA DE PINTAR 6 – CASADEIRA 11 – SECADOR DE 15 – ESTOQUE DE
PAPEL 7 – ELASTIQUEIRA PAPEL TINTAS
2 – OVERLOCK 8 - PESPONTADEIRA 12 – MESA TÉRMICA 16 – ESTOQUE DE TELAS
3 - MÁQUINA RETA 9 - MÁQUINA DE 13 – TRANSFER A4 17 – ESTOQUE DE
4 – GALONEIRA BRAÇO 14 - MÁQUINA DE PRODUTOS EM
5 – INTERLOCK 10 – ESTOQUE DE PLASTISOL PROCESSO
MATERIAIS DIRETOS 18 – MESA DE CORTE
25
3.1 - ANÁLISE DOS DADOS DA EMPRESA
26
maior confiabilidade no cumprimento de prazos de entrega, no entanto compromete a
otimização de recursos e tempos.
Nesse cenário, tendo em vista que os recursos organizacionais são escassos e que
precisam ser maximizados, buscou-se elaborar um modelo matemático que assegurasse
um maior lucro para a empresa. Por conseguinte, determinou-se que as variáveis do
modelo seriam:
X1: quantidade de camisas produzidas mensalmente;
X2: quantidade de calças produzidas mensalmente;
X3: quantidade de bermudas produzidas mensalmente;
X4: quantidade de casacos produzidos mensalmente;
X5: quantidade de jalecos produzidos mensalmente.
Onde L1, L2, L3, L4 e L5 são os lucros unitários da camisa, calça, bermuda,
casaco e jaleco, respectivamente.
Além disso, a fim de contemplar a análise da minimização dos custos, foi
proposto o seguinte o modelo da Eq. (3.2).
Onde C1, C2, C3, C4 e C5 são os custos unitários da camisa, calça, bermuda,
casaco e jaleco, respectivamente.
Para a delimitação das restrições das funções objetivos, foram consideradas
informações referente a demanda, capacidade de produção, média de vendas,
disponibilidade de materiais, receita máxima e tempo disponível em cada etapa do
processo produtivo, sendo que o tempo apresentado como o tempo limite da restrição
foi obtido baseados em dados determinados pela empresa, que avaliou a disponibilidade
máxima de cada etapa do processo produtivo, a fim de que a etapa se torne
economicamente viável.
27
CAPÍTULO 4
RESULTADOS E DISCUSSÃO
Para essa etapa foi feita observação direta do processo produtivo de camisetas,
calças, bermudas, casacos e jalecos. Todos os processos produtivos possuem suas fases
de Planejamento e Controle de Produção (PCP), corte e finalização semelhantes, visto
que são compostos pelas seguintes etapas: inicialmente os pedidos de produção são
emitidos, em seguida é realizada uma verificação de disponibilidade de matéria-prima
(MP) no estoque, caso haja disponibilidade imediata o pedido é encaminhado para
produção. Desse modo, o colaborador da área de corte transporta o tecido do estoque
para a mesa de corte e realiza o processo de enfestar o tecido, que consiste em estender
os tecidos em camadas planas e alinhadas de modo que sejam cortadas em pilhas.
Posteriormente é realizado o corte do tecido através da utilização de tesoura
elétrica. Ao final do processo de corte, as peças são separadas por tamanhos e em lotes
de pelo menos 10 unidades, em seguida esses lotes são encaminhados para as fases de
costura e pintura, como poderá ser observado no fluxograma do processo apresentado
na Figura 4.1.
28
Figura 4.1 - Fluxograma do processo de produção de camisas.
29
Figura 4.2 - Fluxograma do processo de produção de calças e bermudas.
30
Com relação aos casacos de brim, observa-se que esse não é parte tão significativa da produção atual da empresa, o que pode ser
explicado pela sua localização em uma cidade de temperaturas quentes durante todo o ano. No entanto, trata-se de um item que sempre é
demandado por escolas e empresas que trabalham em área industrial. A Figura 4.3 apresenta o fluxograma do processo.
31
Observou-se o processo produtivo dos jalecos, itens que são confeccionados com tecido de microfibra, desse modo, delimitou-se o
processo conforme fluxograma apresentado a seguir na Figura 4.4.
32
Considerando que boa parte dos equipamentos de costura não são únicos, o fluxo
apresentado na Figura 4.5 representa uma das possibilidades de processo de produção,
quando da ocorrência de produção simultânea de todo o mix de produção da empresa.
CORTE
18
19
ESCRITÓRIO
ETAPA
COMUM A
5 5 2 2 1 TODOS OS
4 PRODUTOS
10
CAMISAS
3 4 2 4 3 17
CALÇAS
13
7 6 BERMUDAS
11
PINTURA 12 JALECOS
3 3 3 3 16
CASACOS
5 15 14 LAVAGEM
3
COSTURA
3 WC WC
8
9
8
5 3
ESTOQUE
COPA
33
feitas considerando as divisões de espaços já existentes no prédio, haja vista o fato de
ser tombado pelo patrimônio histórico, o que faz com que qualquer alteração em sua
estrutura necessite de aprovação do Instituto do Patrimônio Histórico e Artístico
Nacional (IPHAN) e demais órgãos cabíveis.
Do exposto, considerando tal limitação, sugere-se que seja criada uma parede de
gesso acartonado, a fim de que seja feita a divisão da loja em dois espaços, com isso, o
processo a ser gerado no órgão competente tende a ser menos burocrático, uma vez que
a qualquer tempo pode ser feita a reversibilidade para retornar as condições anteriores
do imóvel.
Com o novo espaço devidamente dividido, pode-se realizar a transferência do
escritório para esse novo espaço. Com isso, a área do escritório passará a ser o novo
estoque de matéria-prima: um local mais próximo a entrada de materiais e do setor de
corte, o que irá permitir um menor deslocamento tanto no recebimento de mercadorias
quanto no momento de retirada da matéria-prima do estoque e transporte para o setor de
corte.
Com essas mudanças, o espaço do estoque anterior ficará vago para que a
empresa analise qual a melhor opção de utilização. Sugere-se pela utilização de espaço
reserva para estoque que será utilizado apenas quando o novo estoque estiver lotado, o
que só ocorre no período de pico de produção de uniformes escolares, visto que no mês
de janeiro as fábricas de tecidos entram em férias coletivas, sendo assim, a malharia
realiza o pedido de MP em 2,5 vezes da sua necessidade para o mês de dezembro.
Diante do exposto, apresenta-se na Figura 4.6 o comparativo entre a sugestão de
mudança do layout e o layout atual da empresa.
34
Figura 4.6 - Comparativo do layout atual X layout sugerido.
Futuramente, esse novo espaço poderá ser utilizado como espaço para ampliação do parque de máquinas da empresa, quando as
vendas atingirem a capacidade de produção mensal de 1.400 peças.
35
Por outro lado, se a empresa optar por uma solução conservadora e não realizar
qualquer mudança que implique em solicitação de autorização para os órgãos
competentes sugere-se a permuta entre o local que hoje abriga o escritório e o estoque.
Cabe ressaltar que tal alteração implicará numa maior distância entre o escritório e a
loja, o que é uma desvantagem, pois poderia prejudicar no acompanhamento do
atendimento aos clientes.
Após a mudança do layout setorial, observou-se a necessidade de adequação da
localização das máquinas, visto que os processos produtivos não estão devidamente
setorizados por tipo de processos de produção. Sendo assim, considerando os processos
produtivos aqui apresentados, percebeu-se que seria adequada a organização de uma
área de preparos iniciais com máquinas de costura overloque e reta, haja vista se
tratarem de etapas rápidas (com duração média inferior a 2 min nas etapas iniciais) e
que tais máquinas são utilizadas por todos os processos produtivos. Desse modo, as
partes iniciais poderiam fluir pela linha de produção de cada item, o que resultará na
alteração do layout restante dos produtos.
Nesse sentido, optou-se por deixar a área de costura entre o novo estoque de MP
e o setor de pintura para as máquinas galoneiras, uma vez que elas só são utilizadas na
linha de produção de camisas, ficando então determinado que o fluxo da linha de
produção de camisas na etapa costura seria concentrado apenas nessa área.
Com relação ao layout dos demais processos, observou-se que o processo
produtivo das calças possui várias etapas que utilizam as máquinas interloque,
pespontadeira, reta e caseadeira, resultando na concentração desses equipamentos a fim
de otimizar o processo.
Em seguida, determinou-se a linha de produção de jaleco próximo a de produção
das calças, uma vez que ambas compartilham a máquina caseadeira em seu processo
produtivo. Ademais, considerando que é um produto que se pretende aumentar a
produção, essa linha foi posicionada mais próximo da área de preparo iniciais com as
máquinas interloque, reta e caseadeira, sendo esta última comum as duas linhas.
Por outro lado, as bermudas possuem a preparação do cós na máquina
elastiqueira como uma etapa inicial diferente do processo das calças, assim como
também não utiliza a máquina caseadeira.Desse modo, concentraram-se as máquinas
interloque, pespontadeira e reta. Observou-se também que a bermuda é um produto que
possui uma demanda menor que as demais, o que justificou a organização da linha de
produção mais distante.
36
Por motivo análogo ao das bermudas, optou-se por instalar a linha de produção
dos casacos mais distante. Para esse tipo de produto foram concentradas próximas as
máquinas reta e interloque, visto que a etapa de preparação de cós e punhos, assim
como as bermudas, ocorrem no início do processo produtivo e seguiriam para utilização
desses dois equipamentos.
Sendo assim, a partir da Figura 4.7 é possível observar a carta multiprocesso dos
processos produtivos da empresa.
37
LOJA
ESCRITÓRIO
CORTE
18
ESTOQUE
ETAPA
COMUM A
2 2 4 1 TODOS OS
4
2 PRODUTOS
10
CAMISAS
3 3 3 4 3 17
CALÇAS
13
5 5 BERMUDAS
PINTURA 12 11 JALECOS
8 6 3 7 16
CASACOS
3 15 14 LAVAGEM
5
COSTURA
3 WC WC
3 8
5
ESTOQUE
3 9 RESERVA
COPA
LEGENDA:
1 -MÁQUINA DE PINTAR 6 – CASADEIRA 11 – SECADOR DE 15 – ESTOQUE DE
PAPEL 7 – ELASTIQUEIRA PAPEL TINTAS
2 – OVERLOCK 8 - PESPONTADEIRA 12 – MESA TÉRMICA 16 – ESTOQUE DE TELAS
3 - MÁQUINA RETA 9 - MÁQUINA DE 13 – TRANSFER A4 17 – ESTOQUE DE
4 – GALONEIRA BRAÇO 14 - MÁQUINA DE PRODUTOS EM
5 – INTERLOCK 10 – ESTOQUE DE PLASTISOL PROCESSO
MATERIAIS DIRETOS 18 – MESA DE CORTE
38
Ademais, ressalta-se que a partir da análise do processo produtivo da empresa é
possível otimizar seus processos e, com isso, contribuir com a maximização dos
resultados, o que é o objetivo proposto através da utilização do método simplex. Nesse
sentido, observa-se que tal análise serve como complemento para que a empresa venha a
ter o melhor resultado possível.
39
Já na produção de calças, o tempo médio de produção foi de 38,22 min,
subdivididos em 0,67 min para elaborar pedido de produção, 2,16 min em etapas de
transporte, 2,08 min nas etapas de corte, 0,9 min na máquina overloque, 7,18 min na
máquina reta, 9,75 min na máquina interloque, 3,35 min na pespontadeira, 0,98 min na
caseadeira, 5,5 min nas etapas de pintura e 5,65 min em controle de qualidade.
Na observação desse processo houve três paradas: duas devido à troca de linha,
cujo rolo havia acabado e outra devido a defeito que a máquina apresentou, sendo
necessária a parada para limpeza e reiniciar o processo. Ressalta-se que tais outliers
foram considerados para fins de cálculos do tempo médio de produção, pois são paradas
que ocorrem naturalmente ao longo do processo produtivo. Os tempos de cada etapa do
processo produtivo estão apresentados na Figura 4.10.
40
longo do processo produtivo. Sendo assim, os tempos levantados podem ser observados
na Figura 4.11.
41
O processo de produção dos jalecos cuja duração média foi de 33,67 min que
estão divididos em: 0,67 min para elaborar pedido de produção, 2,34 min de transporte,
1,66 min nas etapas de corte, 0,89min na overloque, 11,47 min na reta, 3,57 na
caseadeira, 3,81min na interloque, 5,32min nas etapas de pintura e 3,94min em controle
de qualidade. Na observação desse processo houve três paradas: duas devido à término
da linha e uma devido à quebra da agulha, ressalta-se que tais outliers foram
considerados para fins de cálculos do tempo médio de produção, pois são paradas que
ocorrem naturalmente ao longo do processo produtivo. O levantamento dos referidos
tempos poderá ser observado na Figura 4.13.
15
10
Desse modo, a Tabela 4.1 apresenta o tempo de produção por cada tipo de
equipamento ou fase do processo.
42
Pintura 4,79 5,5 5,53 5,13 5,32
Controle de Qualidade 2,19 5,65 5,17 3,1 3,94
Total 19,05 38,22 30,9 30,64 33,67
A partir dos dados coletados nessa etapa, foi possível realizar a elaboração de
cálculos futuros referentes a composição dos custos.
TOTAL
CAMISA CALÇA BERM. CAS. JALECO
MENSAL
JANEIRO 720 260 80 30 20 1110
FEVEREIRO 600 250 80 30 50 1010
MARÇO 850 100 30 20 25 1025
ABRIL 670 220 70 20 40 1020
MAIO 650 120 40 25 70 905
JUNHO 900 80 20 15 28 1043
JULHO 658 300 72 20 35 1085
AGOSTO 780 240 20 15 20 1075
SETEMBRO 830 70 20 18 20 958
OUTUBRO 920 120 15 25 100 1180
NOVEMBRO 835 220 90 15 30 1190
DEZEMBRO 780 220 70 20 100 1190
MÁXIMO 920 300 90 30 100 1190
MÍNIMO 600 70 15 15 20 905
MÉDIA DE
766 183 51 21 45 1066
PEDIDOS
43
Tabela 4.3 - Levantamento do custo da mão-de-obra de produção com encargos.
Tabela 4.4 - Cálculo do custo unitário com mão-de-obra por tipo de produto.
Para a composição dos custos com materiais diretos (MD), foi considerado o
custo no mês de fevereiro de 2019. Desse modo, utilizou-se os valores atuais para
compor os custos dos referidos produtos. Os principais MD são: tecidos brim, algodão e
microfibra, elástico, linha e outros materiais diretos (compostos por etiqueta, botão e
zíper).
Para avaliar o consumo de MD por tipo de produto, foi feito o acompanhamento
do processo produtivo com uma amostra de 10 unidades de cada tipo de peça, onde
constataram-se os seguintes custos com tecido por tipo de produto, conforme apresenta
a Tabela 4.5.
44
Tabela 4.5 - Custo unitário com tecido por tipo de produto.
JALEC
CAMISA CALÇA BERM. CASACO
O
METRAGEM UTILIZADA - BRIM 0 1,2 0,8 1,1 0
PREÇO DO METRO R$ 13,30 R$13,30 R$ 13,30 R$ 13,30 R$ 13,30
GASTO COM BRIM R$ - R$15,96 R$ 10,64 R$ 14,63 R$ -
METRAGEM UTILIZADA - MALHA PV 0,95 0 0 1,1 0
PREÇO DO METRO R$ 5,12 R$ 5,12 R$ 5,12 R$ 5,12 R$ 5,12
GASTO COM MALHA PV R$ 4,86 R$ - R$ - R$ 5,63 R$ -
METRAGEM UTILIZADA - MICROFIBRA 0 0 0 0 1,5
PREÇO DO METRO R$ 7,60 R$ 7,60 R$ 7,60 R$ 7,60 R$ 7,60
CUSTO MICROFIBRA R$ - R$ - R$ - R$ - R$ 11,40
CUSTO UNIT. TECIDO R$ 4,86 R$15,96 R$ 10,64 R$ 20,26 R$ 11,40
A partir dos dados do custo unitário com tecido, calculou-se o custo total com
MD, considerando os custos com elástico, linha, tecido e outros MD, conforme a Tabela
4.6.
Tabela 4.6 - Custos total com materiais diretos por tipo de produto.
45
Tabela 4.7 - Custos indiretos totais dos últimos 12 meses.
46
Tabela 4.9 - Cálculo do lucro mensal.
QUANTIDADE
MÉDIA
PRODUZIDA CUSTO PREÇO DE LUCRO LUCRO
MENSAL UNITÁRIO VENDA UNITÁRIO TOTAL
CAMISA 766 R$ 12,76 R$ 16,00 R$ 3,24 R$ 2.485,43
CALÇA 183 R$ 26,80 R$ 33,00 R$ 6,20 R$ 1.136,98
BERMUDA 51 R$ 20,65 R$ 25,00 R$ 4,35 R$ 220,24
CASACO 21 R$ 30,94 R$ 35,00 R$ 4,06 R$ 85,68
JALECO 45 R$ 21,27 R$ 30,00 R$ 8,73 R$ 391,24
TOTAL DE VENDAS MENSAL R$ 21.654,83 R$ 4.319,56
Onde:
Max Z: Função objetivo de maximização do lucro da empresa;
MinZ: Função objetivo de minimização dos custos da empresa;
X1: quantidade de camisas produzidas mensalmente;
X2: quantidade de calças produzidas mensalmente;
X3: quantidade de bermudas produzidas mensalmente;
X4: quantidade de casacos produzidos mensalmente;
X5: quantidade de jalecos produzidos mensalmente.
47
A princípio foram analisados os tempos em min de cada etapa do processo
produtivo como restrição. Desse modo, foram desenvolvidas as Eqs. (4.3 - 3.13).
a) Disponibilidade de corte:
1,17 X1 + 2,08 X2 + 1,73X3 + 2,04 X4 + 1,66 X5 ≤ 2.430 (4.3)
i) Disponibilidade de pintura:
4,79 X1 + 5,5 X2 + 5,53 X3 + 5,13 X4 + 5,32 X5 ≤ 10.692 (4.11)
k) Disponibilidade de transporte:
2,18 X1 + 2,16X2 + 2,20X3 + 3,15 X4 + 2,34 X5 ≤ 3.402 (4.13)
48
a) Disponibilidade de brim:
1,2X2 + 0,8X3 + 1,1X4 ≤ 700 (4.14)
c) Disponibilidade de Microfibra:
1,5 X5 ≤ 300 (4.16)
d) Disponibilidade de elástico:
0, 5X3 + 0,3X4 ≤ 400 (4.17)
e) Disponibilidade de linha:
0,05X1 + 0,13X2 + 0,08X3 + 0,13X4 + 0,13X5 ≤ 180 (4.18)
h) Disponibilidade de botão:
X2 + X5 ≤ 1.000 (4.21)
49
20 ≤ X5 ≤ 100 (4.26)
c) Capacidade de produção
X1 + X2 + X3 + X4 + X5 ≤ 1.400 (4.29)
Para a função objetivo minimização dos custos, Eq. (4.2), utilizou-se a restrição
média de vendas de 2018 como restrição mensal, conforme a Eq. (4.30).
X1 + X2 + X3 + X4 + X5 = 1. 066 (4.30)
Tendo em vista que a empresa não deseja alterar sua natureza de ME,
considerou-se a receita mensal como restrição, a fim de atender essa demanda
específica. Desse modo, sua receita anual não deve ultrapassar R$360.000,00 (trezentos
e sessenta mil reais), logo, a receita mensal não deve ultrapassar a média de R$30.000
(trinta mil reais).
50
4.5 - RESOLUÇÃO DO MODELO PROPOSTO
RESTR.
NOME DA
BERMUD
CASACO
JALECO
CALÇA
RESTR.
RESTR.
SINAL
RES.
A
51
Linha 0,05 0,13 0,08 0,13 0,13 <= 180 R. Linha 105,9
Zíper 15cm 1 <= 450 R. Z. 15cm 300
Zíper 50 cm 1 <= 150 R. Z. 50cm 15
Botão 1 7 <= 1000 R. Botão 900
Demanda máxima 920 300 90 30 100 R. D. camisa 895
Demanda mínima 600 70 15 15 20 R. D. calça 300
R. D. berm. 90
Função Objetivo R$ 6.085,20 R. D. casaco 15
X1 - camisas 895 R. D. Jaleco 100
X2 - calças 300
X3 - bermudas 90
X4 - casacos 15
X5 - jalecos 100
Este cenário apresenta uma concepção mais realista da empresa, visto que
entende que a média de vendas do ano anterior irá se repetir no ano corrente, desse
modo, a restrição capacidade de produção foi substituída pela restrição de média de
vendas de 2018 que foi de 1.066 peças. Desse modo, a Tabela 4.11 apresenta os
resultados do cenário proposto.
JALECO
BERMU
CALÇA
RESTR.
RESTR.
SINAL
RES.
DA
52
Malha PV 0,95 1,1 <= 1200 R. Malha PV 586,50
Microfibra 1,5 <= 300 R. Micr. 150
Cap. De prod. 1 1 1 1 1 <= 1400 R. C.P. 1066
Elástico 0,5 0,3 <= 400 R. Elást. 30
Linha 0,05 0,13 0,08 0,13 0,13 <= 180 R. Linha 88,03
Zíper 15cm 1 <= 450 R. Z. 15cm 300
Zíper 50 cm 1 <= 150 R. Z. 50cm 15
Botão 1 7 <= 1000 R. Botão 900
Demanda máxima 920 300 90 30 100 R. d. camisa 600
Demanda mínima 600 70 15 15 20 R. d. calça 300
R. d. berm. 51
Função Objetivo R$ 4.959,75 r. d. casaco 15
x1 – camisas 600 r. d. jaleco 100
x2 – calças 300
x3 – bermudas 51
x4 – casacos 15
x5 – jalecos 100
Trata-se do cenário mais conservador, uma vez que considera que no ano
corrente haverá uma redução de 10% das vendas em comparação ao ano anterior, tendo
em vista o cenário de instabilidade econômica do país. Nesse contexto, entende-se que a
restrição média de vendas será de 959 peças. A Tabela 4.12 apresenta a resolução do
modelo proposto no Excel.
Tabela 4.12 - Resolução excel - Redução de 10% na média de vendas de 2018 como
restrição.
BERMUD
CASACO
CAMISA
JALECO
CALÇA
RESTR.
RESTR.
RESTR.
NOME
SINAL
RES.
DA
A
53
Disp. Cont. de qual. 2,19 5,65 5,17 3,1 3,94 <= 4.860 R. C.q. 3125,9
Disp. Transp. 2,18 2,16 2,20 3,15 2,34 <= 3.402 R. Transp. 2115,67
R. Mensal R$ 16 R$33 R$25 R$35 R$30 <= R$30.000 R. Rec. R$ 21.057
-10% M. vend. 1 1 1 1 1 <= 959 R. -10% 959
Brim 1,2 0,8 1,1 <= 700 R. Brim 303,3
Malha pv 0,95 1,1 <= 1200 R. Malha pv 586,5
Microfibra 1,5 <= 300 R. Micr. 150
Cap. De prod. 1 1 1 1 1 <= 1400 R. C.P. 959
Elástico 0,5 0,3 <= 400 R. Elást. 12
Linha 0,05 0,13 0,08 0,13 0,13 <= 180 R. Linha 75,92
Zíper 15cm 1 <= 450 R. Z. 15cm 229
Zíper 50 cm 1 <= 150 R. Z. 50cm 15
Botão 1 7 <= 1000 R. Botão 829
Demanda máxima 920 300 90 30 100 R. d. camisa 600
Demanda mínima 600 70 15 15 20 R. d. calça 229
R. d. berm. 15
Função Objetivo R$ 4.362,95 r. d. casaco 15
x1 - camisas 600 r. d. jaleco 100
x2 – calças 229
x3 - bermudas 15
x4 - casacos 15
x5 - jalecos 100
. Desse modo, para tal cenário foi encontrado um lucro mensal de R$4.365,71 e
um mix de produção de 600 camisas, 229 calças, 15 bermudas, 15 casacos e 100 jalecos,
totalizando 959 peças produzidas. Ademais,tal resolução foi validada a partir da
utilização do Mathematica.
RESTR.
DA
NOME
BERMUD
CAMISA
JALECO
CALÇA
RESTR.
RESTR.
SINAL
RES.
A
54
Disp. Casadeira 0,98 3,57 <= 1.215,00 R. Casea. 139,65
Disp. Pintura 4,79 5,5 5,53 5,13 5,32 <= 10.692 R. Pint. 5.201,88
Disp. Cont. de qual. 2,19 5,65 5,17 3,1 3,94 <= 4.860,00 R. C.q. 2747,57
Disp. Transp. 2,18 2,16 2,20 3,15 2,34 <= 3.402,00 R. Transp. 2.340,63
R. Mensal R$ 16 R$ 33 R$ 25 R$ 35 R$ 30 <= R$30.000 R. Rec. R$ 19.180
M. vend. 2018 1 1 1 1 1 = 1066 R. m.v. 1066
Brim 1,2 0,8 1,1 <= 700 R. Brim 133,3
Malha pv 0,95 1,1 <= 1200 R. M.pv 890,50
Microfibra 1,5 <= 300 R. Micr. 30
Cap. De prod. 1 1 1 1 1 <= 1400 R. C.P. 1066
Elástico 0,5 0,3 <= 400 R. Elást. 25
Linha 0,05 0,13 0,08 0,13 0,13 <= 180 R. Linha 62,93
Zíper 15cm 1 <= 450 R. Z. 15cm 70
Zíper 50 cm 1 <= 150 R. Z. 50cm 15
Botão 1 7 <= 1000 R. Botão 190
R. d.
Demanda máxima 920 300 90 30 100 camisa 920
Demanda mínima 600 70 15 15 20 R. d. calça 70
R. d. berm. 41
Função Objetivo R$ 15.351,35 r. d. casaco 15
x1 - camisas 920 r. d. jaleco 20
x2 – calças 70
x3 - bermudas 41
x4 - casacos 15
x5 - jalecos 20
Diferente dos cenários anteriores, nesse levantamento avaliou-se qual seria o mix
de produção que minimizasse os custos da empresa. Sendo assim, a função objetivo
trabalhada é diferente das anteriores, visto que anteriormente foi avaliado o mix ideal
para maximizar os custos. Desse modo, foi encontrado um custo mensal de
R$15.351,35 e um mix de produção de 920 camisas, 70 calças, 41 bermudas, 15 casacos
e 20 jalecos, totalizando 1.066 peças. Ademais, tal método foi validado através da
utilização do software Mathematica.
55
Observa-se que com a adequação do mix de produção a empresa poderá gerar
um aumento na sua receita de até 40,98%, caso trabalhe na sua capacidade máxima de
produção atual que é de 1.400 peças, conforme poderá ser observado na Tabela 4.14
2018 -
ANTES DA PROJEÇÃO PO - SEM MÉDIA DE
PO VENDAS COMO RESTRIÇÃO
QTE.
MÉDIA
CUSTO PV L. UNIT. MENSAL LUCRO QUANT. LUCRO
R$
CAMISA 12,76 16,00 3,24 766 R$ 2.485,43 895 2.903,68
CALÇA 26,80 33,00 6,20 183 R$ 1.136,98 300 R$ 1.860,52
BERM. 20,65 25,00 4,35 51 R$ 220,24 90 R$ 391,85
CAS. 30,94 35,00 4,06 21 R$ 85,68 15 R$ 60,96
JALECO 21,27 30,00 8,73 45 R$ 391,24 100 R$ 872,65
MENSAL R$ 4.319,56 MENSAL R$ 6.089,66
ANUAL $ 51.834,77 ANUAL R$ 73.075,89
Desse modo, verifica-se que caso a emprese opera com sua capacidade máxima,
deverá ocorrer um aumento de vendas mensal de em média 334 peças, haja vista que em
2018 a média de vendas mensal foi de 1.066.
Por outro lado, ao se projetar um cenário em que a empresa busca a minimização
dos seus custos, o que foi simulado no cenário 4, é possível obter uma redução de
aproximadamente 11% dos custos praticados em 2018 para um mesmo volume de
produção de 1.066 peças. Ocorre que o lucro da empresa também reduziu na mesma
proporção, o que pode ser apreciado na Tabela 4.15.
PROJEÇÃO PO - MINIMIZAÇÃO
2018 - ANTES DA PO DOS CUSTOS
L.
CUST UNI QTE QTE
O PV T . CUSTO LUCRO . CUSTO LUCRO
CAMIS
A 12,76 16 3,24 766 R$ 9.771,91 R$2.485,43 920 R$ 11.735,22 R$2.984,78
CALÇA 26,80 33 6,20 183 R$ 4.913,02 R$1.136,98 70 R$1.875,88 R$434,12
56
BERM. 20,65 25 4,35 51 R$1.044,35 R$220,24 41 R$ 846,49 R$178,51
CAS. 30,94 35 4,06 21 R$ 652,24 R$85,68 15 R$ 464,04 R$60,96
JALEC
O 21,27 30 8,73 45 R$ 953,76 R$ 391,24 20 R$ 425,47 R$174,53
MENSAL R$ 17.335,27 R$ 4.319,56 R$ 15.347,10 R$ 3.832,90
ANUAL R$208.023,23 R$51.834,77 R$184.165,17 R$ 45.994,83
(R$ (R$
Redução 23.858,06) 5.839,94)
Sendo assim, nota-se que a mudança do mix de produção para reduzir seus
custos não é uma estratégia interessante, haja vista a queda também no lucro da
empresa. Nesse interim, entende-se que é mais saudável para a empresa buscar a
redução dos custos a partir de outras estratégias, como a melhor alocação dos
excedentes de recursos não utilizados nos demais cenários aqui propostos.
No cenário 2, onde foi considerada a média de vendas de 2018 como
restrição,verificou-seque apenas com a devida adequação no mix de produção é possível
gerar um aumento no lucro da empresa de quase 15%. Para isso, deve-se diminuir
consideravelmente a confecção de camisas e aumentar o volume de vendas de calças e
jalecos, visto que tais itens geram maior retorno financeiro que as camisas.
Para o cenário 3, ainda que houvesse redução de 10% da demanda quando
comparada a 2018, ou seja, a empresa decairia em volume de vendas de 1.066 para 959
peças mensais.Nota-se nesse cenário que a empresa conseguiria um aumento no lucro
de 1,07%, de modo a praticamente se igualar em lucro quando comparado ao ano de
2018. Assim como no cenário 2, seria necessário a redução do volume de vendas de
camisas e aumento na projeção de vendas de jalecos e calças. Os resultados dos cenários
2 e 3 poderão ser analisados na Tabela 4.16.
PROJEÇÃO PO - PROJEÇÃO PO -
COM MÉDIA DE REDUÇÃO DE
2018 - ANTES DA VENDAS COMO 10% NA
PO RESTRIÇÃO DEMANDA
L.
CUS UNI LUCRO QTE
TO PV T QTE. LUCRO QTE. TOTAL . LUCRO
CAMISA 12,76 16 3,24 766 R$ 2.485,43 600 R$ 1.946,60 600 R$ 1.946,60
CALÇA 26,80 33 6,20 183 R$ 1.136,98 300 R$ 1.860,52 229 R$ 1.420,20
BERM. 20,65 25 4,35 51 R$ 220,24 51 R$ 222,05 15 R$ 65,31
CAS. 30,94 35 4,06 21 R$ 85,68 15 R$ 60,96 15 R$ 60,96
57
JALECO 21,27 30 8,73 45 R$ 391,24 100 R$ 872,65 100 R$ 872,65
MENSAL R$4.319,56 R$ 4.962,78 R$ 4.365,71
ANUAL R$51.834,77 R$ 59.553,32 R$52.388,55
PROJEÇÃO PO -
COM MÉDIA DE PROJEÇÃO PO -
2018 - ANTES DA VENDAS COMO REDUÇÃO DE 10%
PO RESTRIÇÃO NA DEMANDA
QUANT.
RESTRIÇÃO DISP. CONSUMO FOLGA CONSUMO FOLGA CONSUMO FOLGA
R. PINTURA 10.692 5.304,27 5.387,73 5.414,98 5.277,02 4.825,40 5.866,60
R. CORTE 2.430 1.482,59 947,41 1.610,83 819,17 1.400,87 1.029,13
R. OVERLOCK 4252,5 3.215,11 1.037,39 2.725,91 1.526,59 2.629,25 1.623,25
R. RETA 5467,5 3.218,30 2.249,20 4.410,61 1.056,90 3.797,50 1.670,00
R. GALONEIRA 3037,5 2.099,07 938,43 1.644,00 1.393,50 1.644,00 1.393,50
R. INTERLOCK 4.860 2.495,64 2.364,36 3.808,46 1.051,55 2.828,03 2.031,98
R. PESPONT. 3.645 747,71 2.897,29 1.139,64 2.505,36 806,75 2.838,25
R. ELAST. 1.215 135,63 1.079,37 113,91 1.101,09 72,15 1.142,85
58
R. CASEADEIRA 1.215 338,81 876,20 649,50 565,50 580,28 634,73
R. LIMP. E ARMAZ. 4.860 5.304,27 5.387,73 5.414,98 5.277,02 4.825,40 5.866,60
R. TRANSPORTE 3.402 3.217,07 1.642,93 3.713,17 1.146,83 3.125,90 1.734,10
R. BRIM 700 283,66 416,34 417,30 282,70 303,30 396,70
R. MALHA PV 1000 750,97 249,03 586,50 613,50 586,50 613,50
R. MICROFIBRA 300 67,25 232,75 150,00 150,00 150,00 150,00
R. ELÁSTICO 400 31,62 368,38 30,00 370,00 12,00 388,00
R. LINHA 180 74,75 105,25 88,03 91,97 75,92 104,08
R. ZÍPER 15CM 450 183 267 300 150 229 221
R. ZÍPER 50CM 150 21 129 15 135 15 135
R. BOTÃO 1000 452 548 900 100 829 171
59
Considerando que um trabalhador com disponibilidade de 8,8h diárias represente
uma disponibilidade de 10.692 min, enquanto que o de 5,2h diárias representa uma
disponibilidade de 6.318 min, a alteração de carga horária década colaborador resultará
em uma redução de 4.374 min. Como sugeriu-se pela redução horário de 2
colaboradores, será obtida uma redução total de 8.748 min na folga mensal.
Considerando que a folga total era de 12.220,61 min, após a redução, essas
etapas ainda terá uma folga de 3.472,21min, o que suprirá um futuro aumento das
vendas e, quando houver necessidade, a empresa poderá demandar até 6 horas extras
semanais de cada um desses colaboradores.
Assim como a adequação da carga horária da etapa pintura, espera-se que essa
medida gere uma redução no custo operacional, evitando a ociosidade dos seus recursos.
Nesse contexto, observou-se a possibilidade de redução total de 12.150 min nas etapas
de produção, o que representa R$1.458,00 a menos no gasto com mão-de-obra.
Na Tabela 4.17 também é possível identificar as folgas de materiais diretos,
desse modo observou-se que a folga mensal de tecido brim foi de pelo menos 282,70
metros, enquanto que para a Malha PV, a folga foi de 613,50 metros. Sendo assim,
considerando que tanto na produção de camisas quanto na produção de calças e
bermudas existe a necessidade de adequação do pedido a cor demandada pelo cliente,
sugere-se que seja feito um estudo específico sobre o consumo de cada tecido por cor,
de modo que seja possível avaliar se há a necessidade de redução desse nível de
estoque.
Por outro lado, observou-se que o consumo máximo de microfibra, matéria-
prima utilizada na confecção de jalecos, foi de 150 metros mensais, enquanto que o
estoque médio é de 300 metros, o que gera uma folga mensal de 150 metros.
Considerando que tal item só é confeccionado na cor branca, sugere-se pela redução no
nível de estoque para 200 metros mensais, o que supriria a demanda do mês, possíveis
falhas no processo produtivo, bem como possíveis flutuações em até 33 unidades a mais
no pedido mensal. Tal redução diminuirá o nível de estoque em 100metros, o que
representa um montante de R$760 reais que pode ser investido em outros processos da
empresa.
A demanda máxima de elástico foi de 30 metros, enquanto que o estoque mensal
é de 400 metros. Para esse caso, sugere-se pela redução do nível de estoque para 60
metros, visto que, apesar de ter o mesmo custo, a empresa utiliza 2 tipos de elásticos em
60
seu processo produtivo, tal redução representaria um montante de R$51,00 no nível de
estoque mensal.
Quanto ao nível de estoque de linhas, ainda que haja uma sobra nas restrições de
pelo menos 74 rolos, optou-se por não alterar o nível de estoque, uma vez que a
organização necessita de um estoque com uma diversidade de cores para atender em
tempo hábil os diversos tipos de pedidos dos clientes. Também se optou por manter o
nível de estoque de botões, mesmo que haja uma folga de pelo menos 100 unidades,
pois considerou-se que poderá ocorrer avarias, bem como variações na demanda.
Na análise do item zíper de 15 cm, observou-se uma folga de pelo menos 150
unidades. Sendo assim, sugere-se alteração do estoque médio para 350 unidades, o que
resultará em uma folga dessa restrição para 50 unidades, quantidade suficiente para
atender a demanda mensal, possíveis avarias ou aumentos eventuais de demanda.
Mesmo com essa alteração, haverá uma redução no custo de estoque no valor mensal de
R$30,00.
A folga mensal do zíper de 50 cm foi de pelo menos 135 unidades. Desse modo,
para manter um estoque de 150 unidades por mês, mostra-se desnecessária,
principalmente pelo fato de que trata-se de um item utilizado na produção que resulta
em um lucro unitário baixo (R$4,06). Sendo assim, sugere-se a alteração do nível de
estoque mensal para 50 unidades, gerando uma economia mensal de R$130,00.
Já, ao analisar a restrição interposta pela empresa no que diz respeito a receita
mensal que não poderia ultrapassar R$30.000, pois implicaria na mudança da sua
situação de ME para se tornar uma EPP. Observou-se que, mesmo que haja a mudança
devido ao aumento da receita anual, a malharia continuará como optante do Simples,
porém sua alíquota de imposto deixará de ser 7,8% e passará para 10%, o que
contempla a primeira faixa de alíquota de EPP, significando que a receita anual poderá
ser de até R$720.000,00, ou seja, mensalmente a empresa poder vender até
R$60.000,00.
Considerando que a nível de imposto representa-se um aumento de 2,2%,
percebe-se que não é uma justificativa plausível para a manutenção de tal restrição.
Caso a própria empresa não tivesse essa restrição, seria possível a projeção de cenários
factíveis a nível de volume de produção e de itens vendidos, pois, no cenário 2 – em que
se manteve a média de itens vendidos em 2018 –foi possível obter um nível de vendas
de R$29.995,00.
Desse modo, apresentou-se o plano de melhorias descrito na Tabela 4.18.
61
Tabela 4.18 - Plano de melhorias para a empresa.
62
CAPÍTULO 5
CONCLUSÕES E SUGESTÕES
5.1 - CONCLUSÕES
63
Nesse contexto, é fundamental que o gestor amplie seus horizontes e trabalhe no
sentido de planejar o futuro da empresa, a fim de não apenas garantir sua sobrevivência
como também melhorar os resultados e até mesmo ser instrumento de transformação e
crescimento do negócio. Sendo assim, infere-se que a otimização de processos tem
papel importante nas organizações, no entanto, é necessário que sempre haja uma
interação entre a avaliação do cenário atual, análise de resultados e aplicação prática a
partir do planejamento estratégico.
5.2 - SUGESTÕES
64
REFERÊNCIAS BIBLIOGRÁFICAS
BEZERRA, M.; SANTOS, Q.; SANTOS, A.; NOVAES, C.; FERREIRA, S.; SOUZA,
V. (2016). Simplex optimization: A tutorial approach and recent applications in
analytical chemistry. In: Microchemical Journal. v. 124. 45-54. Disponível em:
<10.1016/j.microc.2015.07.023>. Acesso em: 23 de março de 2019, 14h15min.
65
CARVALHO, J. M. S. Introdução à Investigação Operacional. ed. 1. S.L: Bubok
Publishing, 2014.
66
HENRIQUES, C. S. M. F; LOPES, D. J. N; JESUS, M. N. L.; SANTOS, S. P. G.
Programação Linear. Faculdade de Ciências e Tecnologia da Universidade de
Coimbra: Departamento de Matemática, 2000. Disponível em: <http://www.mat.uc.pt/
~mcag/FEA2003/Programacao%20linear.pdf>. Acesso em: 04 de março de 2019.
IBGE. PIB cresce 1,1% em 2018 e fecha ano em R$ 6,8 trilhões. [S. l.], 28 fev 2019.
Disponível em: <https://agenciadenoticias.ibge.gov.br/agencia-sala-de-imprensa/2013-
agencia-de-noticias/releases/23886-pib-cresce-1-1-em-2018-e-fecha-ano-em-r-6-8-
trilhoes>. Acesso em: 28 de fevereiro de 2019, 14h44min.
NOREEN, E.; SMITH, D.; MACKEY, J. A Teoria das Restrições e suas Implicações
na Contabilidade Gerencial. São Paulo, 1996.
67
OLAFSSON, S. Teaching mathematical modeling to business students. In: Annals of
Operations Research - Annals OR. 1998, Vol.82, pp.49-58
68
(Mestrado) - Universidade de Caxias do Sul, Programa de Pós-Graduação em
Administração.
SEBRAE. Causa Mortis: o sucesso e o fracasso das empresas nos primeiros cinco
anos de vida. São Paulo, 2015a. Disponível em: <http://www.sebrae.com.br/Sebrae/
Portal%20Sebrae/UFs/SP/Anexos/causa_mortis_2014.pdf>. Acesso em: 23 de janeiro
de 2019, 21h41min.
________. Análise do CAGED – Dezembro/ 2018. Brasília, DF, 2019. Disponível em:
<https://datasebrae.com.br/wp-content/uploads/2019/02/2019-01-29-Relatorio-Sebrae-
Caged.pdf>. Acesso em: 10 de fevereiro de 2019, 15h14min.
69
SUSANTO, S.; ARIJIT, B. (2011) Compromise Fuzzy Multi-Objective Linear
Programming (CFMOLP) heuristic for product-mix determination. In: Computers &
Industrial Engineering, 61 (3). pp. 582-590. ISSN 0360-8352
VITOR, F.; EASTON, T. (2018). The Double Pivot Simplex Method. Mathematical
Methods of Operational Research. 87. 109-137. 10.1007/s00186-017-0610-4.
WANG, J.-Q.; CUI, F.-D.; ZHANG, C.-W.; SUN, S.D. Capacity partition method of
machines in cloud manufacturing-oriented job shops. In: Jisuan jiJich eng Zhizao
Xitong/Computer Integrated Manufacturing Systems, CIMS. Vol. 20, Issue 9, p.2146-
2163, 2014.
WELLINGTON, J.; GUIFFRIDA, A.; LEWIS, S. Interior analysis of the green product
mix solution. In: European Journal Of Operational Research, 237, 966-974, 2014.
Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S037722171400
1623>. Acesso em: 03 de fevereiro de 2019, 19h40min.
70