Ivanov AL Book 2017.en - PT

Traduzido do Inglês para o Português - www.onlinedoctranslator.
com
Ivanov D. (2017) Simulação de operações e cadeia de suprimentos com AnyLogic 7.2
Operações e Cadeia de Suprimentos

Simulação com AnyLogic
Notas introdutórias orientadas para decisões para gestão

estudantes em programas de bacharelado e mestrado
Prof. Dr. Dmitry Ivanov

Escola de Economia e Direito de Berlim
Professor de Gestão da Cadeia de Suprimentos
Para ser citado como: Ivanov D. (2017). Simulação de operações e cadeia de suprimentos com AnyLogic: notas
introdutórias orientadas para decisões para alunos de mestrado. 2eEdição, E-Textbook, Escola de Economia e Direito
de Berlim (pré-impressão).
© Prof. Dmitry Ivanov, 2017. Todos os direitos reservados.
1
Contente
Introdução ................................................. .................................................. ................................ 5
Parte I Análise de capacidade de processo e balanceamento de carga de trabalho
1. Jogo de simulação de negócios “Análise de capacidade de processo e balanceamento de carga de trabalho

com AnyLogic” .................................... .................................................. .................................................. 7
1.1 Objetivos de aprendizagem ............................................. .................................................. .................. 7

1.2 Declaração do problema................................................. .................................................. .................... 7
2. Construção de modelo................................................. .................................................. ........................... 8
2.1 Etapa 1. Criar modelo de processo .......................................... .................................................. ....... 8

2.2 Passo 2. Definir regras para pedidos recebidos......................................... ........................................... 9
2.3 Etapa 3. Definir regras de fila......................................... .................................................. .......... 10
2.4 Passo 4. Definir regras de processamento ........................................... .................................................. .. 10
2.5 Etapa 5. Criar animação básica ........................................... .................................................. .. 11

2.6 Etapa 6. Experimento de simulação .......................................... .................................................. ... 12
2.7 Etapa 7. Coleta de estatísticas e design do painel de KPI .................................... ................. 13
2.7.1 Receitas, custos, lucro ........................................... .................................................. ........ 13
2.7.2 Utilização da capacidade ............................................. .................................................. ........ 15
2.7.3 Tempo de entrega e tempo de fluxo ........................................... .................................................. .... 17
2.7.4 Análise de backlog e filas ........................................... ................................................ 18

3. Experimentos e percepções gerenciais.......................................... ........................................ 21
3.1 Experimento 1 ................................................ .................................................. ........................... 21
3.2 Experimento 2 ............................................. .................................................. ........................... 22
3.3 Experimento 3 ............................................. .................................................. ........................... 25
4. Extensões ............................................. .................................................. ................................ 28
4.1 Como introduzir os limites de tempo de espera na fila ...................................... ................ 28
4.2 Criação de interface para jogar: visualizações, controles deslizantes, parâmetros, variáveis, funções e
eventos .............................. .................................................. .................................................. .... 29
4.2.1 Visualizações ............................................. .................................................. ............................ 29

4.2.2 Parâmetros ............................................. .................................................. .................... 30
4.2.3 Variáveis ............................................. .................................................. ........................ 30
4.2.4 Funções............................................. .................................................. ........................ 30
4.2.5 Eventos ............................................. .................................................. ............................ 31
4.2.6 Controles deslizantes............................................. .................................................. ............................ 32
4.2.7 Criação do painel de KPI......................................... .................................................. ..32

4.2.8 Recursos ............................................. .................................................. ...................... 33
2
5. Jogando o jogo............................................. .................................................. ....................... 34

5.1 Regras do jogo ............................................. .................................................. ............................ 34
5.2 Rodada #1 ............................................. .................................................. .................................. 34
5.3 Rodada #2 ............................................. .................................................. .................................. 35
5.4 Rodada 2: Experimento de otimização ........................................... ........................................... 37
5.5 Rodada 2: Experimento de simulação baseado em otimização: tomada de decisão com múltiplos objetivos. 39
5.6 Rodadas #3-#10 e avaliação do jogo ........................................ .............................................. 41
6. Outras extensões possíveis e outros jogos .......................................... ............................ 41
Parte II Simulação de flexibilidade de capacidade
7. Jogo de Simulação de Negócios “Simulação de flexibilidade de capacidade com AnyLogic”................... 44
7.1 Objetivos de aprendizagem ............................................. .................................................. ................ 44

7.2 Declaração do problema................................................. .................................................. .................. 44
8. Construção de modelo............................................. .................................................. ........................... 46
8.1 Etapa 1. Criar modelo de processo ........................................... .................................................. ..... 46

8.2 Etapa 2. Criar um agente personalizado e definir regras para chegada, espera e processamento de pedidos:
uso de funções de tempo e pools de recursos ........................ .................................................. ........ 47
8.3 Etapa 3. Coleta de estatísticas e design do painel de KPI ................................... ................. 50

8.3.1 Receitas, custos, lucro ........................................... .................................................. ............... 50
8.3.2 Utilização da capacidade do pool de recursos ........................................... ........................................... 50
8.3.3 Prazo de entrega com uso da função de tempo................................... ........................................... 51

8.3.4 Saída total, pedidos concluídos no prazo (OTD), pedidos atrasados e perdidos: uso de código Java para
condições ........................... .................................................. .................................................. ........ 51
9. Jogando o jogo............................................. .................................................. ........................ 53

9.1 Regras do jogo ............................................. .................................................. ............................ 53
9.2 Rodada #1 ............................................. .................................................. .................................. 54
9.3 Rodada #2 ............................................. .................................................. .................................. 55
9.4 Rodada 2: Experimento de otimização ........................................... ........................................... 57
9.5 Rodada 2: Experimento de simulação baseado em otimização ........................................ ................... 57
9.6 Rodadas #3 – #10 e avaliação do jogo ........................................ ........................................... 58

9.7. Análise de flexibilidade de capacidade ............................................. .................................................. .. 60
3
Parte III Coordenação da Cadeia de Abastecimento
10. Coordenação da Cadeia de Suprimentos com AnyLogic ........................................... ............................ 65
10.1 Objetivos de aprendizagem ............................................. .................................................. .............. 65

10.2 Declaração do problema................................................. .................................................. ................ 65
11 Construção de modelo................................................... .................................................. ....................... 66
11.1 Criar modelo de processo ............................................. .................................................. ............ 66

11.2 Montador ................................................ .................................................. ............................ 66
11.3 Transporte com ajuda de “Conveyor” e “MoveTo”.................................... .................. 67
11.4 Lote................................................... .................................................. .................................... 67
12. Experimentos e insights gerenciais......................................... .................................... 68
Parte IV Controle de Estoque

13. Modelagem de políticas de controle de estoque de revisão periódica e contínua com AnyLogic... 72
13.1 Objetivos de aprendizagem ............................................. .................................................. .............. 72

13.2 Declaração do problema................................................. .................................................. ................ 72
14. Construção de modelo............................................. .................................................. ....................... 73
14.1 Modelo EOQ: simulação baseada em eventos.................................... ........................................... 73

14.2 Modelagem de demanda estocástica: políticas de revisão periódica e contínua ............................ 75
14.3 Modelando demanda estocástica e lead time: ponto de reabastecimento usando Java................... 77
14.4 Custos de manutenção de estoque, pedidos e ruptura de estoque .......................................... ........................... 79
14.5 Ponto de reabastecimento e estoque de segurança.......................... .................................................. .81
15. Experimentos e percepções gerenciais.......................................... .................................... 84

15.1 Preparando o experimento: usando gráficos de ação ........................................... .............................. 84
15.2 Preparando o experimento: inventário de destino dinâmico ........................................... ...................... 86
15.3 Experimento 1 para óleo de motor: impacto da dinâmica da demanda................................... ............. 89
15.4 Experimento 2 para porcas e parafusos: impacto da dinâmica do lead time ..................................... ...... 92
15.5 Experimento 3 para porcas e parafusos: impacto da quantidade do pedido .................................... ............. 94
16. Extensões ............................................. .................................................. ............................ 96

16.1 Gestão de estoques em cadeias de suprimentos com considerações de produção e transporte:
dinâmica do sistema .................................... .................................................. ............ 96
16.2 Modelagem da demanda de mercado baseada em agentes .................................... ................................ 96
17. Literatura ................................................ .................................................. .............................. 97

18. Discussão................................................... .................................................. .............................. 97
4
Introdução
Esta nota introdutória foi criada para apoiar alunos de graduação e mestrado com especialização em cadeia de
suprimentos e gestão de operações, bem como instrutores que ministram aulas de cadeia de suprimentos e
simulação de operações para esses alunos. Sem depender muito de estatísticas e derivações matemáticas,
esta diretriz oferece modelos aplicados e um formato simples e previsível para facilitar o entendimento para
estudantes de administração sem formação em engenharia.
Ao ensinar estudantes de administração em aulas de simulação e otimização, é uma tarefa desafiadora

combinar visões de modelagem e tomada de decisões de gerenciamento. Por um lado, a aplicação de
software de otimização e simulação implica alguma experiência em programação. Por outro lado,
questões técnicas no desenvolvimento de modelos de otimização e simulação podem desviar a atenção e
o tempo do objetivo real, ou seja, a análise de decisões de gestão e o apoio à tomada de decisões com a
ajuda de software de simulação e otimização.
Nesta nota introdutória à simulação de operações e cadeia de suprimentos usando AnyLogic, o foco é
apresentar os princípios básicos do uso de simulação para tomada de decisões. Ao reduzir a
complexidade técnica ao mínimo necessário, a atenção principal é dada à análise de decisões de gestão e
à utilização de KPI de desempenho operacional, de clientes e financeiro para a tomada de decisões.
O material é agrupado em quatro partes que correspondem a três estruturas básicas de processo, bem como
políticas básicas de controle de estoque:
- Análise linear do sistema de fabricação

- Análise do sistema de fabricação de estágio único
- Análise do sistema de rede da cadeia de suprimentos
- Análise periódica e contínua do sistema de controle de estoque
Para essas estruturas de sistema são apresentados jogos de simulação. Primeiramente é descrito o desenvolvimento técnico
dos modelos. Passo a passo, a construção do modelo de processo e as técnicas de avaliação de KPI são apresentadas e
ilustradas. Em segundo lugar, os modelos desenvolvidos são utilizados para jogar os jogos e utilizar os resultados da
simulação para a tomada de decisões. Por fim, discutimos possíveis extensões que podem ser usadas para trabalhos de
alunos ou teses de mestrado.
Todos os modelos e seus arquivos de origem podem ser baixados em AnyLogic Cloud.
Os instrutores também podem baixar os modelos do site Companion para o livro “Global Supply
Chain and Operations Management”http://global-supply-chain-management.de
Estando focado nas questões de gestão, os desenvolvimentos do modelo são descritos da forma mais fácil possível.
Às vezes, os profissionais de simulação sugeriam formas mais elegantes, mas também mais complicadas, de modelar
a construção. Em qualquer caso, este livro deve fornecer noções básicas para o projeto de modelos de simulação e o
uso dos resultados da simulação para a tomada de decisões. O AnyLogic é uma ferramenta para esses objetivos, pois
utiliza três métodos de simulação (eventos discretos, dinâmica de sistemas e modelagem baseada em agentes)
juntamente com experimentos de simulação baseados em otimização.
Como este guia está apenas no início de seu desenvolvimento, desculpamos alguns possíveis erros nos textos
e na formatação. Consideramos este guia mais como um material de trabalho.
O autor deste guia também é coautor do livro “Global Supply Chain and Operations Management”
da Springer e de seu site complementar global-supply-chain-management.de, onde os modelos
AnyLogic e anyLogistix podem ser encontrados.
NOVO! anyLogistix livro didático disponível emhttps://www.anylogistix.com/resources/books/alx-
textbook/
O autor agradece profundamente à The AnyLogic Company pelos valiosos feedbacks e sugestões de
melhorias.
5
Parte I Análise da capacidade do processo e

balanceamento de carga de trabalho
6
1. Jogo de simulação de negócios “Análise de capacidade de processo e balanceamento de carga de trabalho com
AnyLogic”
1.1 Objetivos de aprendizagem
1) Desenvolver competências analíticas e de gestão na tomada de decisões de gestão da procura, capacidade e

carga de trabalho
2) Desenvolver habilidades interpessoais na tomada de decisão coordenada em equipe
3) Desenvolver competências técnicas na criação de modelos de simulação de processos de eventos discretos e
realizar análises de medição de desempenho no exemplo do software de simulação multimétodo AnyLogic
1.2 Declaração do problema
Consideramos um processo de fabricação linear que contém quatro máquinas (Fig. 1):
Figura 1.Linha de fabricação
Os pedidos dos clientes chegam a uma taxa parcialmente incerta e em um horário parcialmente incerto, por exemplo, a cada
3 a 5 horas, espera-se um intervalo de 20 a 30 pedidos. Os pedidos são diferentes quanto aos tempos de processamento nas
máquinas, mas são processados na mesma sequência (ou seja, no flow shop) em quatro máquinas subsequentes. Cada
pedido tem tempos de processamento parcialmente variáveis nas máquinas, ou seja, a máquina 1 pode precisar de 1,5; 2;
ou 4 minutos para processar o pedido. A conclusão do pedido na última máquina nos traz a receita X, mas também cria os
custos Y. Se um pedido recebido não puder ser processado devido à capacidade insuficiente da linha, ele precisará esperar.
Se o tempo de espera de um pedido ultrapassar algum limite de tempo, o cliente desiste desse pedido. Isto implica custos de
oportunidade O. As ordens de espera criam um backlog. Cada unidade de backlog não processada cria custos Z (estes custos
podem ser calculados no final do período de planejamento ou para alguns períodos de tempo, por exemplo, para cada
período de espera). Cada unidade parcialmente processada, mas não concluída, é chamada de WIP (trabalho em
andamento) e cria custos de estoque W a serem calculados com base em princípios semelhantes aos custos de backlog Z.
O objetivo da gestãoé equilibrar os pedidos recebidos dos clientes com a capacidade e a demanda, a fim
de alcançar o lucro máximo possível sob determinadas restrições.
Os alunos são divididos emequipescada um dos quais compreende o seguintejogadoras:
- Um chefe de divisão que se esforça para maximizar o lucro total da divisão e os lucros unitários dos pedidos
- Um gerente de vendas que se esforça para maximizar a receita, aceitar o maior número possível de pedidos
de clientes e concluir os pedidos o mais rápido possível, sujeito ao prazo de entrega.
- Um gerente de produção que busca os menores custos unitários, alta utilização da capacidade e baixo
tempo de fluxo
- Um balanceador de carga de trabalho que precisa equilibrar os objetivos do chefe de divisão, do
gerente de vendas e do gerente de produção para alcançar o lucro máximo possível sob determinadas
restrições.
As equipes obtêm do conjunto de dados de entrada do instrutor e competem entre si, sujeitas à
lucratividade total. Ao mesmo tempo, os gestores de cada equipe competem entre si para se
tornarem os melhores de todas as equipes em relação ao seu KPI individual.
7
2. Construção de modelo
Com a ajuda do software de simulação multimétodo AnyLogic, o problema de gestão será transferido
para um modelo de simulação que permitirá a realização de experimentos para compreender os trade-
offs e relações básicas na análise do fluxo de processos considerando KPIs (Key Performance Indicators)
financeiros e operacionais. .
Para construir modelos de simulação no AnyLogic, uma licença PLE (Personal Learning Edition) gratuita pode
ser baixada do sitewww.anylogic.com . Depois de instalado o software, o usuário tem acesso a um curso
introdutório (livro grátis: AnyLogic 7 em três dias) de construção de modelo em AnyLogic onde os
fundamentos técnicos são considerados detalhadamente. Referimo-nos a este livro e a extensas ajudas
adicionais no AnyLogic para aprender como construir modelos tecnicamente. É altamente recomendável
considerar modelos de exemplo disponíveis em cada pacote PLE na opção Ajuda. Em primeiro lugar, os
modelos “Análise de Custeio Baseada em Atividades”, “Call Center”, “Job Shop” precisam ser estudados para se
ter uma noção da construção de tipos básicos de fluxos de processos, animação e análise estatística.
Posteriormente, recomendamos considerar os modelos “Mercado AB e Cadeia de Suprimentos SD”, “Cadeia de
Suprimentos Adaptativa”, “Cadeia de Suprimentos”, “Centro de Distribuição” e Armazém Atacadista” para
entender a simulação baseada em agentes, simulação de dinâmica de sistemas e processos logísticos.
2.1 Etapa 1. Criar modelo de processo
Nesta etapa, criamos um modelo de processo para a definição do nosso problema (Fig. 2).
Figura 2.Modelo de processo
8
O modelo criado contém um nó de origem onde chegam os pedidos dos clientes, quatro máquinas (M1-M4), as
filas onde os pedidos aguardarão se a capacidade das respectivas etapas subsequentes for insuficiente e um
nó sink no final do processo. Também incluímos quatro pontos para medir os tempos. O ponto “início1” mede
o tempo de chegada do pedido do cliente, o ponto “Início2” mede o tempo de despacho do pedido do cliente
na linha de fabricação e os pontos “Fim1” e “Fim2” medem o tempo de conclusão do pedido. O período de
tempo “End1 – start1” é chamadotempo de esperae o período de tempo “End2 – Start2” é chamadoTempo
corrido.
2.2 Passo 2. Definir regras para pedidos recebidos
Nesta etapa definimos as regras de quantidade e frequência de entrada de pedidos (Fig. 3).
Figura 3.Definindo fluxo de entrada (entrada)
Nas propriedades de origem, a chegada pode ser definida por taxas, tempo entre chegadas, etc. No exemplo da Fig. 3, o
intervalo de 3 a 7 ordens chegará a uma taxa de chegada distribuída exponencialmente de 1 segundo. Podemos limitar as
nossas experiências, por exemplo, a 20 chegadas.
Próximo,empurrar versus puxara política para o processo pode ser selecionada nas propriedades de origem. Por
padrão, o campo “Forced Push” está habilitado e a fonte não permite que as ordens esperem em sua saída até que
possam ser consumidas pelo próximo objeto. Você pode alterar essa configuração desmarcando a opção
9
opção avançada “Push forçado” e escolha do comportamento desejado (destruir ou esperar na fila) da
lista “Agentes que não podem sair”. Isto implicará a política em que os pedidos não serão empurrados,
mas sim puxados na linha de produção, dependendo da capacidade disponível, em correspondência com
o fluxo de uma peça e com as técnicas de controle CONWIP.
2.3 Etapa 3. Definir regras de fila
Nesta etapa, definimos as regras para a transição dos pedidos dos clientes para a linha de fabricação, bem
como as transições internas na linha com a ajuda da configuração das propriedades da fila (Fig. 4).
Figura 4.Definindo regras de fila
Primeiro, a capacidade da fila pode ser limitada ou ilimitada (capacidade máxima). Em segundo lugar, as regras de
despacho podem ser configuradas como FIFO, com base em prioridade (ou seja, os pedidos dos clientes mais
importantes são despachados primeiro; isso precisa ser ativado por “habilitar preempção”), comparação de agentes
(ou seja, preferências para determinados pedidos ) e LIFO. Ao ativar “habilitar saída em tempo limite”, torna-se
possível descrever a situação em que o tempo de espera na fila é limitado e se uma encomenda não for expedida
durante esse tempo, esta desaparece. Por exemplo, se o pedido de um cliente não puder ser despachado dentro de
duas semanas, o cliente irá retirá-lo e colocá-lo no nosso concorrente. Tais pedidos criam custos de oportunidade
que podem ser calculados com base na comparação da Saída no modelo coletor, da Entrada no nó de origem e do
número de pedidos despachados no M1 (ou na saída da fila antes de M1).
2.4 Passo 4. Definir regras de processamento
Nesta etapa, definimos as regras para processamento de pedidos nas máquinas da linha de fabricação com o auxílio
da configuração das propriedades de atraso (Fig. 5).
10
Figura 5.Definindo regras de processamento
O tempo de processamento pode ser fixo ou parcialmente incerto. A capacidade da máquina de processamento
define o número máximo de pedidos que podem ser processados na máquina simultaneamente. Nos modelos
avançados, a etapa de processamento pode compreender não apenas máquinas, mas também diversos recursos
(por exemplo, uma empilhadeira). Essa descrição avançada pode ser implementada com a ajuda das funções
“Recurso”, “Apreender”, Liberar” ou “Serviço”.
2.5 Etapa 5. Crie animação básica

Uma das principais vantagens da simulação na visualização do processo. A visualização ajuda os gestores a
compreender melhor os resultados da simulação e torna os experimentos uma tarefa estimulante. A gama de
diferentes níveis de visualização é muito ampla, desde blocos básicos até animação 3D. Consideramos aqui um
procedimento muito simples (Fig. 6).
Figura 6.Visualização de processos
Usando a função de marcação de espaço, desenhamos nove nós retangulares (serão o nó de origem, quatro
áreas de espera e quatro máquinas), nomeamos-os e conectamos-os com a ajuda de caminhos.
Posteriormente, nas propriedades de cada elemento do diagrama de processo (ou seja, fonte, filas e atrasos),
atribuímos os blocos desenhados (Fig. 7).
11
Figura 7.Diagrama de processo e visualização correspondentes
Primeiro, o local de chegada é selecionado como “Rede / Nó GIS”. Segundo, o nó correspondente do

diagrama de marcação precisa ser selecionado.
2.6 Etapa 6. Experimento de simulação
Agora estamos prontos para executar o experimento acessando “Executar modelo” (Fig. 8).
Figura 8.Janela de experiência
No diagrama de processos e no campo de visualização é possível observar a dinâmica do processo operacional. Em

“Projetos – Simulação” podem ser configurados parâmetros de experimento, por exemplo, tempo máximo de
experimento de 100 segundos que corresponde a 100 dias ou horas de vida real (Fig. 9).
12
Figura 9.Configurações do experimento
A observação da dinâmica do processo é muito útil mas para os gestores é insuficiente. Um gerente precisa de
uma avaliação do desempenho financeiro (ou seja, receitas, custos, lucros) e operacional (ou seja, lead time,
tempo de fluxo, utilização da capacidade e backlog). Em outras palavras, na última etapa anterior ao início da
parte experimental,um cockpit ou painel de KPIprecisa ser criado.
2.7 Etapa 7. Coleta de estatísticas e design do painel de KPI

Nesta etapa, vamos criar diagramas para analisar os seguintes KPIs:
- Receita, custos, lucro
- Capacidade de utilização
- Lead time e fluxo de
- pendências
A análise estatística é desenhada em “Paleta - Análise” (Fig. 10)
Figura 10.Projeto de análise estatística
Dependendo do KPI, diferentes tipos de coleta e representação de estatísticas como gráfico de barras, gráfico de pilha,
gráfico, gráfico de tempo ou histograma podem ser usados.
2.7.1 Receita, custos, lucro

Para calcular o desempenho financeiro como receita, custos e lucro, precisamos definir alguns parâmetros e
variáveis na “Paleta - Agente” conforme mostrado na Figura 11:
13
Figura 11.Definição de parâmetros e variáveis
Nos parâmetros “Custos”, “Receitas” e “Backlog”, definimos as estimativas monetárias de custos de fabricação,
receitas e custos de backlog para cada pedido respectivamente. Em seguida selecionamos um gráfico de barras e
definimos os dados utilizando as variáveis C (custos), R (receita) e Z (backlog) conforme mostrado na Figura 12.
Figura 12.Definição de dados para análise de desempenho financeiro
14
Para atualizar as variáveis R, C e Z, precisamos definir alguns momentos no fluxograma do processo

para esta atualização. Por exemplo, podemos fazer isso da maneira mostrada na Fig.
Figura 13.Atualização de variáveis para análise de desempenho financeiro
Provavelmente esta forma de atualização não é das mais elegantes mas é bastante fácil de entender. A
funcionalidade AnyLogic oferece opções significativamente mais amplas para definir e retornar valores, eventos,
funções e estados usandográficos de eventos discretos, agentes e dinâmica do sistema.
2.7.2 Utilização da capacidade
Na função de atraso padrão, as estatísticas de utilização média da capacidade podem ser recuperadas usando a
funçãoatraso.statsUtilização.mean(). Selecionamos o gráfico de barras e criamos um diagrama para análise de
utilização da capacidade (Fig. 14).
15
Figura 14.Definição de dados para análise de utilização de capacidade
Para analisar a utilização da capacidade em dinâmica, criamos um gráfico temporal conforme mostrado na Fig.
Figura 15.Definição de valor para análise de utilização de capacidade no tempo
16
Para estimar a dependência da utilização da capacidade no número de ordens de espera, criamos um

gráfico conforme mostrado na Fig. 16. Na função de fila padrão, as estatísticas do comprimento médio
da fila podem ser recuperadas usando a funçãofila.statsSize.mean().
Figura 16.Definição de valor para análise de utilização média da capacidade em dependência do comprimento médio da
fila no tempo
2.7.3 Prazo de entrega e tempo de fluxo
No diagrama de fluxo do processo, incluímos quatro pontos para medir os tempos. Lembre-se de que o ponto
“início1” mede o tempo de chegada do pedido do cliente, o ponto “Início2” mede o tempo de despacho do pedido do
cliente na linha de produção e os pontos “Fim1” e “Fim2” medem o tempo de conclusão do pedido. O período de
tempo “End1 – start1” é chamadotempo de esperae o período de tempo “End2 – Start2” é chamadoTempo corrido.
Tempo de esperaaproximadamente igualtempo de fluxo + tempo de espera.Se um pedido passar do ponto End1, seu
lead time será gravado no conjunto de dados End1. Da mesma forma, se um pedido passar pelo ponto End2, seu
tempo de fluxo será gravado no conjunto de dados End2. Portanto, a tarefa de coletar estatísticas sobre lead times e
fluxos agora é reduzida à representação dos conjuntos de dados End1 e End 2 nos diagramas.
Observação:para usar estatísticas de conjunto de dados, você precisa criar um conjunto de dados. Basta arrastar o “Conjunto de
Dados” (no item “Análise” – “Dados” para a área de trabalho.
Selecionamos um gráfico de tempo e criamos o diagrama de tempo de fluxo conforme mostrado na Fig.
Figura 17.Análise do tempo de fluxo no tempo
Semelhante, o diagrama de análise de lead time é criado para o conjunto de dados End1. Para analisar a distribuição do tempo de
fluxo, um histograma pode ser criado conforme mostrado na Fig.
17
Figura 18.Análise de distribuição de tempo de fluxo no tempo
Um diagrama de análise de distribuição de lead time semelhante pode ser criado para o conjunto de dados End1.
2.7.4 Backlog e análise de filas

Primeiro, podemos analisar ordens e tempos de espera. Para análise das ordens em espera, criamos um gráfico de
barras (Fig. 19).
Figura 19.Análise de pedidos em espera
18
Claro, também podemos criar um gráfico de tempo (Fig. 20).
Figura 20.Análise de pedidos em espera no tempo
Para calcular o backlog, usamos a função (source.count() - sink.count()) (Fig. 21).
Figura 21.Análise de pendências
19
Agora criamos o cockpit de KPI (Fig. 22) e podemos iniciar a parte experimental.
Figura 22.Painel de KPI para análise de dinâmica de processos e tomada de decisões
Observação: para habilitar a representação estatística na visualização do experimento, a opção “Forçar coleta de
estatísticas” em cada respectivo bloco do fluxograma do processo precisa estar habilitada (Fig. 23).
Figura 23.Ativando a representação de estatísticas na visualização do experimento
20
3. Experimentos e insights gerenciais As seguintes
configurações são verdadeiras para todos os experimentos:
- Cada experimento conterá 100 segundos, pois 100 dias de vida real A
- regra de fila é FIFO
- As capacidades da fila são máximas
3.1 Experimento 1
Para o primeiro experimento, configuramos os seguintes dados:
Chegadas definidas por tarifa:1 por segundo
Agentes por chegada:disco_uniforme(3, 7)

Forçar empurrão -verdadeiro
Número máximo de chegadas:100 Tempos
de atraso:
M1 M2 M3 M4
triangular (1,2,3) triangular (0,5,1,1,5) triangular (2,3,4) triangular (0,5,1,1,5)
Os resultados da simulação estão representados na Figura 24.
Figura 24.Resultados simuladosExperiência 1
Podemos observar que 411 pedidos vieram de clientes enquanto só conseguimos atender 32 pedidos. Nosso
backlog ao final do período de planejamento (100 dias) é de 379 pedidos. Esse resultado nos proporciona uma
receita de US$ 480 e perdas de US$ -1.340. Estamos com resultado negativo sujeito a altas penalidades
21
para pedidos de clientes não atendidos. Nosso nível de serviço (medido como Saída/Entrada) é 32/411 = 7,8%, o que é
muito baixo.
A utilização média da capacidade está distribuída de forma desigual entre as máquinas e é de 99% em M1, 51%
em M2, 96% em M3 e 31% em M4. A utilização média da capacidade aumenta rapidamente no início e
permanece constante em cerca de 75% na segunda metade do período de planeamento. Observa-se também
que a utilização média da capacidade depende do número de ordens em espera (ver diagrama “Utilização
Média da Capacidade”). O mesmo vale para o fluxo e os prazos de entrega. Esses resultados estão alinhados
com os conceitos teóricos da teoria da fila de espera e da Lei de Little (ver também o Capítulo 9 “Planejamento
de Fábrica e Projeto de Processo” do livro). Na Fig. 25, essas dependências são representadas.
Utilização
Tempo corrido
Pedidos de espera
(uma teoria (b) Resultados experimentais
Figura 25.Resultados teóricos e de simulaçãoExperiência 1
Na Figura 24, pode-se observar ainda que o fluxo de entrada na forma de pedidos de clientes não está
equilibrado com a capacidade da linha. Isto é claramente indicado pela fila muito longa na M1. No processo,
também podemos observar capacidades desequilibradas entre diferentes máquinas. Isto é indicado pelas
diferentes utilizações de capacidade nas máquinas, bem como pela fila de pedidos WIP (trabalho em
andamento) em espera no M3.
Como podemos melhorar?
Com base na análise da primeira experiência, precisamos de nos esforçar por equilibrar o fluxo de entrada e a
capacidade de aumentar a produção da forma mais rentável, sujeita aos interesses de todos os intervenientes.
Nesta fase é necessária uma reunião com a participação dos gestores de vendas e produção. O gerente de
vendas precisa considerar a disponibilidade de capacidade antes de aceitar os pedidos. A fabricação precisa
melhorar a produção e a carga de trabalho na linha. Obviamente, também precisamos de um balanceador de
trabalho que equilibre o fluxo de entrada e a capacidade.
3.2 Experimento 2
Com base na análise do primeiro experimento, o gerente de produção aumentou a capacidade da máquina M1
adicionando um trabalhador adicional (agora esta máquina pode processar dois pedidos por vez). No M3, um
trabalhador com qualificação superior substituiu o trabalhador anterior que passou como segundo trabalhador para
M1. Isto permite reduzir o tempo de processamento em M3 para [1; 1,5; 2 segundos. No entanto, tais ações
aumentam os custos de fabricação de um pedido de US$ 10 para US$ 11.
O gerente de vendas usou a teoria sobre balanceamento de linha de montagem (§9.6 do livro) e estimou a
produção possível com base no tempo takt médio em máquinas de 1,3 dias. Para o período de 100 dias, isso
corresponde a 77 pedidos. Portanto, a decisão foi confirmar de 1 a 2 pedidos a cada dois dias.
Para o segundo experimento, configuramos os seguintes dados:
- Chegadas definidas por horário entre chegadas:a cada 2 segundos

- Agentes por chegada:disco_uniforme(1, 2)
- Forçar empurrão -verdadeiro
22
- Número máximo de chegadas:50

- Tempos de atraso:
M1 M2 M3 M4
triangular (1,2,3) triangular (0,5,1,1,5) triângulo triangular (0,5,1,1,5)
grande(1,1,5,2)
capacidade 2 capacidade 1 capacidade 1
capacidade 1
Os resultados da simulação estão representados na Figura 26.
Figura 26.Resultados simuladosExperimento 2
Na Tabela 1 são comparados os KPIs de desempenho financeiro e operacional.
23
Tabela 1 KPIs de desempenho financeiro e operacional

KPI Experiência 1 Experimento 2 Mudar
Receita, $ 480 945 +96%
Custos de fabricação, $ 320 693 +116%
Custos de pendências, $ 1.500 36 - 97,6%
Custos totais, $ 1.820 729 - 149%
Lucro, $ - 1.340 252 +$ 1.592
Pedidos de clientes 411 72 - 82%
Saída (pedidos) 32 63 +99%

Pendências (pedidos) 369 9 - 97,5%
Nível de serviço, % 7.1 87,5 +77,4%

Custos unitários, $ 59,9 11.6 - 80,6%
Lucro unitário, $ - 41,9 4,0 + $ 45,9
Utilização Média da Capacidade

ção,%: Média 69,25 61,25 - 8%
0,99 0,73
M1
M2 0,51 0,71
0,96 0,95
M3
M4 0,31 0,6
Média de espera 198,6 0,1
Pedidos de clientes
WIP médio Total 7.4 4.7 - 36,5%

0 0,2
M2
M3 7.3 4,5
M4
0 0
Prazo de entrega, dias
51,5 12,5 - 39 dias

Média
Mínimo 7.7 5.5
95,1 17.4
Máx.
Desvio 26.1 3.7
Tempo de fluxo, dias
21.2 12.3 - 8,9 dias

Média
Mínimo 7.7 5.5
37,9 17.4
Máx.
Desvio 9.3 3.7
Dica:para ver os valores estatísticos (média, mínimo, máximo, etc.) basta clicar no elemento do diagrama de fluxo do
processo na visualização do experimento (Fig. 27).
24
Figura 27.Resultados estatísticos paraExperimento 2
Vamos comparar os resultados e analisar se as nossas sugestões de melhoria permitiriam melhorar o equilíbrio da
carga de trabalho. Primeiro, pode-se observar melhoria em todos os KPIs financeiros. Alcançamos uma redução de
custos em US$ 991 ou 149%, crescimento de lucro de -US$ 1.340 para +US$ 252, aumento de receita em 96%,
aumento de 99% na produção, redução de backlog em 97,5% e aumento no nível de serviço de 7,1% para 87,5%. Os
custos unitários foram reduzidos em 80,6% e o lucro unitário aumentou em US$ 45,9.
No site operacional, foi possível reduzir a média de pedidos em espera dos clientes de 198 pedidos para 0,1
pedidos, bem como o WIP médio foi reduzido em 36,5%. Poderíamos reduzir o prazo médio de entrega de 51,5
dias para 12,5 dias, bem como o tempo médio de fluxo de 21,2 dias para 12,3 dias. A utilização média da
capacidade foi reduzida de 69,25% para 61,25%, o que confirma o conhecido dilema do lead time e da
utilização da capacidade.
Em geral, pode-se concluir que melhoramos significativamente em quase todos os KPIs, tanto nos locais do cliente como nos
locais de produção. No entanto, ainda podemos observar alguns problemas, como a utilização média da capacidade
bastante baixa e a utilização da capacidade distribuída de forma desigual entre diferentes máquinas. Observe que M3 ainda
é umgargalo. Além disso, nosso departamento de vendas não está satisfeito com a produção, pois a demanda potencial é de
cerca de 90 unidades. Portanto, o balanceador de carga de trabalho agora tem a tarefa de simular o impacto das seguintes
alterações:
- Mudar deempurrar para puxarutilizando fluxo de peça única, CONWIP e princípio de despacho
Heijunka
- estandardizaçãoda tecnologia de fabricação para reduzir a variabilidade do tempo de processamento em
diferentes máquinas
- Melhorargerenciamento de pedidosno local de vendas para reduzir a variabilidade dos pedidos recebidos.
3.3 Experimento 3
Para o primeiro experimento, configuramos os seguintes dados:
- Chegadas definidas por horário entre chegadas:cada 2,5 segundos

- Forçar empurrão -Falso
- Tempos de atraso:
M1 M2 M3 M4
triângulo triangular (0,5,1,1,5) triângulo triangular (0,5,1,1,5)
larga(0,5,1,1,5) larga(0,5,1,1,5)
25
Os resultados da simulação estão representados na Fig.
Figura 28.Resultados simuladosExperimento 3
Na Tabela 2, os KPIs de desempenho financeiro e operacional são comparados com os experimentos 1

e 2.
Vamos comparar os resultados e analisar se as nossas sugestões de melhoria permitiriam melhorar o equilíbrio da
carga de trabalho. Primeiro, pode-se observar melhoria em quase todos os KPIs financeiros (exceto no lucro unitário).
Alcançamos um crescimento total do lucro em 28%, aumento de receita em 40%, aumento de 40% na produção,
redução de pedidos em atraso em 22,3% e aumento no nível de serviço em 4,8%. Os custos unitários foram reduzidos
em 2,6%.
No site operacional foi possível reduzir o WIP médio em 75%. Poderíamos reduzir o prazo médio de
entrega de 12,5 dias para 6,2 dias, bem como o tempo médio de fluxo de 12,3 dias para 5,2 dias. A
utilização média da capacidade passou de 61,25% para 89,8%. No entanto, a média de pedidos de
clientes em espera aumentou de 0,1 pedido para 1 pedido.
Em geral, pode-se concluir que melhoramos significativamente em quase todos os KPIs, tanto nos locais do cliente como nos
locais de produção. Outras melhorias neste cenário podem ser observadas na redução da variabilidade do lead time e do
tempo de fluxo, bem como na melhor utilização da capacidade. No entanto, também devemos ter em conta que alguma
capacidade ociosa pode potencialmente aumentar a flexibilidade da empresa relativamente a alterações na procura ou em
relação a encomendas especiais de clientes ou à luz de avarias imprevisíveis de máquinas ou interrupções de capacidade.
26

KPI Experiência 1 Experimento 2 Experimento 3 Alterar (com-
pareado Exr. 3
e Exp. 2)
Receita, $ 480 945 1.320 + 40%
Custos de fabricação, $ 320 693 968 + 40%
Custos de pendências, $ 1.500 36 28 - 22,3%
Custos totais, $ 1.820 729 996 +36,6%

Lucro total, $ - 1.340 252 324 +28,6%
Pedidos de clientes 411 72 95 +32%
Saída (pedidos) 32 63 88 + 40%
Pendências (pedidos) 369 9 7 - 22,3%
Nível de serviço, % 7.1 87,5 92,3 + 4,8%
Custos unitários, $ 59,9 11.6 11.3 - 2,6%
Lucro unitário, $ - 41,9 4,0 3.7 - 7,5%

Utilização Média da Capacidade
ção,% Média 69,25 61,25 89,8 +28,6%
99 73 92
M1
M2 51 71 91
96 95 88
M3
M4 31 60 88
Média de espera 198,6 0,1 1,0
Pedidos de clientes
WIP médio:Total 7.4 4.7 1.2 - 75%

0 0,2 0,3
M2
M3 7.3 4,5 0,4
M4
0 0 0,5
Prazo de entrega, dias
51,5 12,5 6.2 - 50%

Média
Mínimo 7.7 5.5 4.2
95,1 17.4 8.4
Máx.
Desvio 26.1 3.7 1.1
Tempo de fluxo, dias
21.2 12.3 5.2 - 57,7%

Média
Mínimo 7.7 5.5 4,0
37,9 17.4 6,9
Máx.
Desvio 9.3 3.7 0,8
27
4. Extensões
Nesta seção, aprenderemos como:
- criar interfaces para simulação e apresentação de resultados
- criar interfaces para controle de experimentos em tempo real e alteração manual de parâmetros, a fim de
observar o impacto no desempenho de diferentes decisões de gerenciamento
- usar parâmetros, variáveis, funções, eventos e conjuntos de dados para criar interfaces de controle de
experimentos em tempo real e coletar estatísticas para o painel de KPI
- introduzir os prazos de espera na fila (ou seja, uma encomenda do cliente pode esperar no máximo
14 dias e se a encomenda não for expedida após o termo deste prazo o cliente desiste desta
encomenda o que implica custos de oportunidade)
- usar blocos “recursos”, “apreender”, “liberar” e “serviço” em diagramas de fluxo de processo
- criar experimentos de otimização e usar a otimização para definir experimentos de simulação e
resolver compromissos de tomada de decisão multicritério.
4.1 Como introduzir os limites de tempo de espera na fila

Em muitos contextos práticos, torna-se necessário introduzir os limites de tempo de espera na fila (ou
seja, uma encomenda do cliente pode esperar 14 dias no máximo e se a encomenda não for expedida
após o termo deste período, o cliente retira esta encomenda, o que implica custos de oportunidade). Isso
pode ser feito facilmente nas propriedades “Fila” habilitando a opção “Habilitar saída no tempo limite”
definindo um valor neste campo. Além disso, precisamos conectar a porta “outTimeoutExit” da fila a um
nó externo, por exemplo, a um novo nó coletor (Fig. 29).
Figura 29.Habilitando a função “Sair no tempo limite”
Agora todos os pedidos que ultrapassarem o tempo de espera na fila desaparecerão. Ou seja, o
cliente desiste desta encomenda o que implica custos de oportunidade.
28
4.2 Criação de interface para jogar: visualizações, controles deslizantes, parâmetros, variáveis, funções e
eventos
Até agora alteramos os dados de entrada diretamente nos respectivos blocos do modelo. Agora
vamos criar interfaces para tornar o jogo mais conveniente. Além disso, aprenderemos alguns
novos métodos para coleta de estatísticas, análises de custos mais precisas e extensas e cálculo de
KPI.
4.2.1 Visualizações
Você já deve ter notado que consideramos duas grandes áreas: lógica do processo e resultados de saída na forma de
estatísticas e diagramas para análise de desempenho. Em muitos casos, pode ser conveniente separar estas
visualizações para reduzir a complexidade da apresentação e da interpretação dos resultados. Isso pode ser feito
facilmente. Em “Apresentação”, selecionamos “Visualizar” e posicionamos o ponteiro na área de trabalho desejada.
Em nosso exemplo, criamos duas visualizações: “Animação e Saída” e “Lógica de Processo” (Fig. 30).
Figura 30.Criação de diferentes visualizações no modelo
Para definir as ações de alternância entre as visualizações, precisamos definir a função

“ViewName.navigateTo();” no campo “ao clicar” do respectivo campo de texto. Na visualização “Lógica de
Processo” apresentaremos o diagrama de fluxo do processo, definiremos variáveis, parâmetros, funções,
eventos e conjuntos de dados, e criaremos gráficos de controle para alterações de parâmetros em tempo real
durante o experimento de simulação posteriormente. Na “visualização Animação e Saída”, será colocada a
visualização do processo e o painel de KPI.
29
4.2.2 Parâmetros
Começamos com a criação de cartas de controle para alterações de parâmetros em tempo real durante o
experimento de simulação. Para isso precisamos primeiro criar novos parâmetros (ver Fig. 30) além dos
parâmetros já criados “Custos”, “Receitas” e “Backlog”. Introduzimos quatro parâmetros para capacidades de
máquina (CapM1 – CapM4), dois parâmetros para quantidade mínima e máxima de chegada
(MaxArrivalQuantity, ArrivalQuantity), tempo de chegada (ArrivalTime), custos de manutenção de estoque WIP
(InventoryCosts), custos de oportunidade (OpportunityCosts), saída no tempo limite duração (TimeOut) e os
tempos de processamento nas máquinas (MeanProcessTimeM1 – MeanProcessTimeM2).
4.2.3 Variáveis
Na próxima etapa, as variáveis precisam ser definidas para atualizar os respectivos valores durante o
experimento. Definimos as seguintes variáveis:
C – Custos de fabricação
R – Receita
Z – Custos de backlog O –
Custos de oportunidade I –
Custos de estoque WIP –
Estoque WIP LO – Pedidos
perdidos
Q – Quantidade de saída
INPUT – o número de pedidos recebidos.
Cap – Utilização média da capacidade
Precisamos definir os locais no fluxograma onde as variáveis serão atualizadas, por exemplo, o
modo sink (Fig. 31).
Figura 31.Definição de atualização de variável
A variável LO é definida de forma semelhante no “sink1”, e a variável INPUT é definida no

elemento “Fonte”.
4.2.4 Funções
A seguir, apresentamos algumas funções que são necessárias para retornar valores para estatísticas e
painel de KPI (Fig. 32).
30
Figura 32.Definição de função
4.2.5 Eventos
Finalmente, gostaríamos de apresentar um novo método para coleta de estatísticas com a ajuda de eventos. Precisamos de
um diagrama que represente a dinâmica dos pedidos recebidos. Para fazer isso, precisamos de um evento (denominado
“evento”), um conjunto de dados (denominado “Conjunto de dados”) e uma variável (denominada “variável”) (ver Fig. 33). Na
Fig. 33, definimos a regra para o evento.
Figura 33.Definição de evento
Como o evento precisa ser repetido (ou seja, queremos saber quantos pedidos chegam por dia ou por semana),
definimos esse evento como um evento “Cíclico”. Definindo um valor no campo “Tempo de recorrência”, definimos a
duração do ciclo de atualização do conjunto de dados. Agora podemos criar facilmente um gráfico de tempo para
apresentação gráfica da dinâmica dos pedidos recebidos (Fig. 34).
31
Figura 34.Avaliação da dinâmica da ordem de entrada
4.2.6 Controles deslizantes
Os controles deslizantes são necessários para alteração manual dos parâmetros durante o experimento. Definimos os controles deslizantes
para todos os parâmetros (Fig. 35).
Figura 35.Definição do controle deslizante
Nas propriedades, precisamos vincular os controles deslizantes ao respectivo parâmetro, definir seus valores mínimo e máximo e
pressionar “Adicionar os rótulos” para adicionar os textos “min”, “valor” e “máx” no controle deslizante.
4.2.7 Criação do painel de KPI

Na visualização “Animação e Saída”, agora projetamos o painel de KPI. Utilizamos os diagramas já criados
e ampliamos a apresentação por alguns KPIs (Fig. 36).
32
Figura 36.Painel de indicadores de desempenho
Utilizamos amplamente funções e variáveis para definir os valores do KPI. Um exemplo de KPI “Lucro
Unitário” é mostrado na Fig.
4.2.8 Recursos
Em muitos ambientes práticos, o processamento de pedidos em máquinas requer alguns recursos. Pode ser
um trabalhador (recurso estático) ou uma empilhadeira (recurso móvel). Nestes casos, precisamos atribuir
recursos às máquinas com a ajuda dos blocos “Resource”, “Seize” e “Release” na Process Flow Library (Fig. 37).
Figura 37.Apresentação do processo com a ajuda do pool de recursos
Um pool de recursos define um conjunto de unidades de recursos que podem ser capturadas e liberadas por agentes
usando blocos de fluxograma Seize, Release, Assembler e Service. Qualquer unidade de recursos pode estar ociosa ou
ocupada. Este objeto coleta estatísticas de utilização, que são estatísticas de tempo contínuo sobre a porcentagem de
unidades ocupadas. Os objetos-unidades de recursos sempre coletam suas estatísticas de utilização individuais. Se um
recurso não precisa fazer nada além de executar um atraso entre a apreensão e a liberação, ele pode ser substituído pelo
bloco “Serviço” que apreende um determinado número de unidades de recurso, atrasa o agente e libera as unidades
apreendidas. É equivalente a uma sequência Seize, Delay, Release.
33
5. Jogando
5.1 Regras do jogo
Agora estamos prontos para jogar.Os jogadoressão:
- Um chefe de divisão que se esforça para maximizar o lucro total da divisão e os lucros unitários
- Um gerente de vendas que se esforça para maximizar a receita, para aceitar o maior número possível de pedidos de clientes.
possível e concluir os pedidos o mais rápido possível, sujeito ao prazo de entrega
-Um gerente de produção que busca os menores custos unitários, alta utilização da capacidade e baixo
tempo de fluxo
-Um balanceador de carga de trabalho que precisa equilibrar os objetivos do chefe de divisão, do
gerente de vendas e do gerente de produção para alcançar o lucro máximo possível sob determinadas
restrições.
Jogamos dez rodadas. As duas primeiras rodadas são jogadas em conjunto para compreender as regras do
jogo e as compensações básicas. Outras rodadas são disputadas em grupos. Em cada rodada, vence o grupo
que tiver o maior lucro total. Ao mesmo tempo, em cada rodada definiremos um vencedor em cada categoria
individual: melhor gerente de produção (KPI: menor custo unitário e menor tempo de fluxo), melhor
balanceador de carga de trabalho (KPI: maior nível de serviço), melhor gerente de vendas (KPI: maior produção
e menor lead time) e melhor chefe de divisão (KPI: maior lucro total). Os alunos são divididos em grupos, cada
um com quatro participantes.
As seguintes configurações são válidas para todas as rodadas:
- Cada experimento conterá 100 segundos, pois 100 dias de vida real A
- As capacidades da fila são máximas
- O aumento na capacidade está sujeito a custos de fabricação adicionais de US$ 1 para cada unidade de
capacidade adicional
- As capacidades podem ser aumentadas em cada máquina para apenas 1 unidade (de 1 unidade para 2 unidades). Um aumento
para 3 unidades significa que usamos a terceirização como a terceira unidade de capacidade, o que implica custos adicionais de
US$ 2 para a terceira unidade de capacidade
5.2 Rodada #1
Para a primeira rodada, podem ser sugeridos os seguintes dados de entrada:
- Chegadas definidas por horário entre chegadas:2 segundos

- Forçar empurrão -Verdadeiro

- Tempo esgotado:14 segundos
- Tempos de atraso:
M1 M2 M3 M4
triângulo triângulo triângulo triângulo
larga(0,7,1,1,3) larga(0,7,1,1,3) larga(1,4,2,2,6) larga(0,7,1,1,3)
capacidade 1 capacidade 1 capacidade 1 capacidade 1
-Receita e custos, $:
Receita Fabricação Inventário WIP Vendas perdidas Pendências
30 10 5 4 4
Os resultados da simulação ao longo de 100 segundos são mostrados na Fig.
34
Figura 38.Resultados da rodada #1
No cenário determinado, alcançamos lucro total de US$ 335, receita de US$ 1.410, lucro unitário de US$ 7 e custos unitários
de US$ 22. Concluímos 47 pedidos, perdemos 70 pedidos e temos uma carteira de pedidos de 240 pedidos. Isto implica um
nível de serviço muito baixo de 27%.
No site operacional, o estoque WIP médio é composto por 17 pedidos, a utilização média da capacidade é de
76%, o tempo médio de fluxo (lido no diagrama de fluxo do processo no bloco End2) é de 26,3 dias e o lead
time médio é de 36 dias. Podemos observar pela visualização que os pedidos aguardam muito em M1 e M3. As
razões são duplas. Primeiro, o fluxo de entrada é muito grande em comparação com as capacidades da
máquina. Em segundo lugar, o tempo de processamento em M3 é duas vezes maior do que em M1, M2 e M4.
O M3 é, portanto, umgargalo.
5.3 Rodada 2
O chefe de divisão quer dizer que os resultados da ronda #1 e a sua análise indicam a necessidade de reduzir
o número de encomendas recebidas e de aumentar a capacidade do M3. O gerente de vendas não pode
acreditar que a redução do fluxo de entrada (isto é, o número de pedidos aceitos dos clientes) resultará em
um aumento nas vendas (isto é, na produção). O gerente de produção também está preocupado com o
aumento nos custos totais de produção. No entanto, a equipe concorda em testar essas duas opções no
seguinte cenário: no período entre [30 – 55] segundos, a quantidade máxima de chegada será reduzida de 5
para 2 pedidos, e no período de [35-60] segundos a capacidade do M3 será aumentada de 1 unidade para 2
unidades, o que implica custos de fabricação de US$ 11 para este período. Os resultados da simulação são
apresentados na Figura 39.
35
Figura 39.Resultados da rodada #2_1
Pode-se observar que conseguimos melhorar o nível de serviço (36,6% em vez de 27%), reduzir o backlog de
240 para 192 pedidos e reduzir os pedidos perdidos (57 em vez de 70). Também melhoramos a produção (60
pedidos em vez de 47), o lucro total (US$ 700 em vez de US$ 335) e melhoramos em relação ao lucro unitário
(US$ 11 em vez de US$ 7) e aos custos unitários (US$ 18 em vez de US$ 22). Ao mesmo tempo, a capacidade
média de utilização aumentou para 78,9%, o estoque WIP médio foi reduzido de 17,9 para 10,5 pedidos, o lead
time médio foi reduzido de 36 dias para 29 dias e o tempo médio de fluxo foi reduzido de 26 dias para 18,3
dias.
No diagrama “Pedidos perdidos” podemos observar que a redução da quantidade máxima de chegada no
período entre [30 – 55] segundos afetou positivamente o número de pedidos perdidos. No período entre [45 –
65] segundos, a função é plana, o que indica que nenhum pedido foi perdido. Aqui também podemos observar
umaatraso de tempo (atraso)entre tomar uma decisão sobre a mudança de parâmetro e o impacto dessa
mudança no desempenho. Nos diagramas “Flow time” e “Lead time”, observamos também influência positiva
das decisões de alteração da taxa de entrada e da capacidade M3. Na Tabela 3, são comparados os KPIs de
todos os gestores nas rodadas 1 e 2.
Tabela 3 Comparação de KPI
Gerente KPI Rodada 1 Rodada 2_1
Chefe de divisão Lucro total, $ 335 700

Gerente de Manufatura Custos unitários, $ 22 18
Tempo de fluxo, dias 26 18.3
Gerente de vendas Saída, unidades 47 60
Prazo de entrega, dias 36 29
Balanceador de carga de trabalho Nível de serviço,% 27 36,6
36
Os resultados indicam que estamos na feliz situação em que os KPIs de todos os gestores foram
melhorados. Não é difícil tomar a decisão de realizar um novo experimento totalmente com base na nova
quantidade máxima de chegada (2 pedidos) e na nova capacidade M3 (dois) com chegadas a cada dois dias.
Os resultados da simulação são apresentados na Figura 40.
Como esperado, poderíamos melhorar ainda mais todos os KPIs. Mas surge a nova questão: qual
é o lucro máximo possível? Quais valores de parâmetros devemos usar para obter o máximo lucro
possível? Em outras palavras, qual é osolução ideal? Para responder a esta pergunta, realizaremos
um experimento de otimização no AnyLogic.
5.4 Rodada 2: Experimento de otimização
Em “Projeto -> Novo - Experimento”, selecionamos “Otimização” e criamos um novo experimento de
otimização para os dados da rodada #2_2 (Fig. 41).
37
Figura 41.Projeto de experimento de otimização para os dados da rodada #2_2
A lista de parâmetros com os valores do “Experimento de Otimização” é criada automaticamente.

Para criar a lista de parâmetros e a representação gráfica no gráfico principal, clique em “Criar UI
padrão”. Depois precisamos definir a função objetivo (maximizar o lucro total) e as variáveis de
decisão (ou seja, os parâmetros cujos valores variarão em algum intervalo). Em nosso exemplo,
vamos variar as quantidades mínimas e máximas de chegada no intervalo de [1; 10] com a etapa de
mudança 1. Os resultados da otimização são apresentados na Fig.
Figura 42.Resultados de otimização (1) para os dados da rodada #2_2
38
Pode-se observar na Figura 42 que sujeito à configuração dos dados fornecida e à faixa de alteração das
variáveis considerada, a recomendação é aceitar entre um e dois pedidos de clientes a cada dois dias.
5.5 Rodada 2: Experimento de simulação baseado em otimização: tomada de decisão com múltiplos objetivos
Vamos realizar o experimento de simulação com base na nova quantidade máxima de chegada (3 pedidos) e
na nova capacidade M3 (dois) com chegadas a cada dois dias: (ver Fig. 43).
Figura 43.Resultados da simulação para os dados da rodada #2_Opt(1)
Tanto o chefe de divisão quanto o gerente de vendas não estão satisfeitos com os resultados devido à diminuição do
lucro total e das vendas totais e sugerem aumentar a faixa de aceitação de pedidos para [1; 3] ordena a cada dois
segundos. Os resultados são mostrados na Fig. 44 e comparados com as simulações anteriores #1, 2_1, 2_2 e
2_Opt(1).
39
Figura 44.Resultados da simulação para os dados da rodada #2_Opt(2)
Gerente KPI Rodada 1 Redondo Redondo Redondo Redondo

2_1 2_2 2_Opt(1) 2_Opt(2)
Chefe de divisão Lucro total, $ 335 700 1.409 1.172 1.631
Lucro unitário, $ 7 11 16 18 18
Fabricação- Custos unitários, $ 22 18 13 11 11
gerente
Tempo corrido, 26 18.3 26 5.2 8.7
dias
WIP médio 17 10,5 0,5 0,2 3.7
inventário
Gerente de vendas Vendas totais, $ 1.410 1.800 2.520 1.890 2.700
Saída, unidades 47 60 84 63 90
Pedidos perdidos, 70 57 22 24 0
unidades
Tempo de espera, 36 29 36 5.9 12.1

dias
Balanço de carga de trabalho Serviço 27 36,6 65,6 91,3 83,3
câncer Nível,%
Capacidade média 76 78,9 87 65 95
utilização da cidade,
%
Pendências, unidades 240 192 88 0 60
Vamos comparar os resultados e tomar a decisão final sobre quais parâmetros iremos operar nossa produção
nos próximos 100 dias. Primeiramente, pode-se observar que os melhores valores de KPI podem ser
alcançados nas opções #2_Opt(1) e #2_Opt(2). No entanto, eles estão distribuídos entre essas duas opções. Os
melhores valores para os KPIs do chefe de divisão e do gerente de vendas estão na opção #2_Opt(2).
40
Pelo contrário, os KPIs do gestor de produção e do balanceador de carga de trabalho (exceto para utilização
média da capacidade; no entanto, também pode ser uma vantagem em relação à flexibilidade ou interrupções
de capacidade) estão na opção #2_Opt(1). Aqui é necessário um compromisso e a naturezatomada de decisão
objetiva múltiplapode ser percebido melhor.
Tendo aplicado simulação e otimização, as vantagens e desvantagens da simulação e otimização para a

tomada de decisões em operações e cadeias de suprimentos podem ser melhor percebidas. Onde esses
métodos são diferentes e como eles podem enriquecer-se mutuamente? A otimização nos fornece os melhores
valores possíveis para algumas variáveis de decisão em relação a uma função objetivo selecionada. No
entanto, o experimento éestáticona sua natureza, uma vez que não alteramos os parâmetros durante o
experimento. A simulação pode ajudar a obter umadinâmicovisualizar o sistema e permitir observar o impacto
no desempenho dos desvios dos parâmetros em cada ponto do tempo. Também permite a visualização do
processo. Estes métodos não são contraditórios, mas devem ser usados em conjunto para enriquecer o poder
de decisão e tomar melhores decisões.
5.6 Rodadas #3 – #10 e avaliação do jogo

Nas rodadas seguintes, as equipes obtêm do instrutor diferentes conjuntos de dados de entrada e competem entre
si até obterem lucratividade total. Ao mesmo tempo, os gestores de cada equipe competem contra os gestores de
outras equipes individualmente para se tornarem os melhores em relação ao seu KPI individual. Obtendo os dados
de entrada, os alunos têm de 5 a 10 minutos para tomar decisões sobre como configurar os parâmetros. Durante
esse tempo eles também podem usar experimentos de otimização, mas não a simulação. Tendo configurado os
parâmetros, as equipes iniciam o experimento de simulação. Durante o experimento, eles podem pausar o
experimento quantas vezes quiserem, mas o tempo total para todos os grupos precisa ser limitado, digamos, de 5 a
10 minutos para uma rodada.
A avaliação do jogo pode ser realizada de diferentes maneiras. Um método de avaliação possível é avaliar cada
rodada de forma independente e atribuir em cada rodada algumas pontuações para cada equipe, por
exemplo, a equipe ou respectivo técnico com melhor resultado ganha 10 pontos, e a equipe com piores
resultados ganha 1 ponto. Outro método de avaliação é combinar os resultados de todas as rodadas e então
calcular os valores médios de cada KPI para determinar o vencedor.
6. Outras extensões possíveis e outros jogos

O jogo descrito em §1-5 pode ser estendido no cenário considerado com o sistema linear ou para um sistema de
cadeia de suprimentos em rede, linha de montagem, múltiplas máquinas paralelas, etc. As seguintes extensões
podem ser sugeridas, mas não estão limitadas a:
- Dois produtos concorrentes com prioridades diferentes
- Limitam a duração das filas
- Incluir datas de vencimento para pedidos (ou prazos de entrega)
- Inclui verificação de disponibilidade de material antes da confirmação do pedido do
- cliente Máquinas paralelas e múltiplos recursos para cada máquina
- Horários de trabalho com calendário
- Outras estruturas de fluxo de processo, como linha de montagem e/ou lotes
- Criar uma rede (cadeia de suprimentos) e incluir sincronização de fluxo entre diferentes empresas (por
exemplo, como sistema JIT)
- Inclui armazenamento intermediário (armazéns internos ou externos)
- Vincule o fluxo de entrada às previsões de demanda calculadas como resultado da simulação
multiagente
- Reduzir a receita se os tempos de espera ou de entrega
- aumentarem Incluir estoque de produtos brutos e finais
- Incluir diferentes opções de terceirização
41
- Incluir gargalos e restrições adicionais incorporando peças de fornecimento e distribuição para construir
uma cadeia de fornecimento integrada
- Usando simulação de Monte-Carlo, compare execuções e experimentos de sensibilidade (disponível
somente na Licença Profissional)
42
Parte II Simulação de flexibilidade de capacidade
43
7. Jogo de simulação de negócios “Simulação de flexibilidade de capacidade com AnyLogic”
- Desenvolver competências analíticas e de gestão no planeamento da procura de capacidade

- Desenvolver competências interpessoais na tomada de decisão coordenada em equipa
- Desenvolver competências técnicas na criação de modelos de simulação de processos de eventos discretos e
realizar análises de medição de desempenho no exemplo do software de simulação multimétodo AnyLogic
Este capítulo estuda um desafio operacional enfrentado recentemente por uma empresa de manufatura de alta tecnologia
especializada tanto na prototipagem rápida (ETO: engenheiro sob encomenda) quanto na fabricação em série (MTO:
fabricação sob encomenda) de dispositivos eletrônicos. O foco está no gerenciamento de capacidade em nível tático, que se
refere à determinação da capacidade de produção interna da força de trabalho de maneira ideal e com boa relação custo-
benefício. O modelo de simulação é utilizado para revelar o impacto da flexibilidade da força de trabalho e da capacidade no
desempenho operacional.
No estudo de caso considerado, a tarefa de um gestor de produção é determinar a capacidade de

produção sujeita a custos mínimos, incluindo produção (ou seja, eficiência interna) e custos de perda de
vendas/oportunidade (ou seja, perspectiva do cliente na forma de nível de serviço). O trade-off consiste
em ter capacidade ociosa ou pedidos perdidos.
Consideramos um processo de fabricação de estágio único (Fig. 45):
Figura 45.Sistema de fabricação de estágio único1
O sistema de produção de dispositivos eletrônicos pesquisado trata de uma produção híbrida ETO-MTO. Isto
significa que a construção de protótipos é a pré-condição para uma posterior produção em série (MTO). O
processo de fabricação de protótipos e a fabricação em série são quase idênticos. O primeiro passo é a
montagem dos dispositivos. Após a montagem, todos os dispositivos do lote são testados em estações de
trabalho de teste específicas. A principal diferença entre a fabricação em série e a prototipagem rápida é a
qualificação exigida dos trabalhadores e seus custos trabalhistas. Os trabalhadores do posto de trabalho para
prototipagem rápida possuem maior nível de qualificação e podem produzir os protótipos e também
1Zschorn L., Mueller S., Ivanov D. (2016) Análise de custos de flexibilidade de capacidade em um sistema híbrido de produção de
múltiplas linhas na Siemens AG. Anais da Conferência IFAC MIM, 28 a 30 de junho, Troyes, França (em breve).
44
os produtos seriados. Na estação de trabalho para fabricação em série somente os produtos em série podem ser
montados.
A capacidade disponível num posto de trabalho de montagem é determinada pelo número de

trabalhadores. Assumimos que não existem restrições ao espaço disponível nem outras limitações à
capacidade disponível. A capacidade é medida em unidades de tempo, ou seja, em horas. A demanda por
capacidade de prototipagem rápida é considerada esporádica. Para reagir mais rapidamente aos
mercados e gerar pedidos de clientes para fabricação em série é necessário cumprir os prazos
desejados. Esta é a exigência do cliente e da empresa e reflete o nível de serviço.
O atendimento da demanda sujeito ao prazo planejado gera um benefício que pode ser medido como receita. O
cumprimento depende da capacidade disponível de montagem do posto de trabalho para prototipagem rápida (RPT).
A capacidade disponível pode ser adaptada pelo número de trabalhadores no possível gargalo. Assim, a quantidade
de trabalhadores qualificados para a montagem do protótipo pode influenciar na receita e no lucro. Se o prazo de
entrega de um pedido RPT não exceder 120 unidades de tempo, obteremos receita total. Se o lead time exceder 120
unidades de tempo, a receita será reduzida em 20%.
O conjunto de trabalhadores qualificados acarreta custos constantes no período de tempo considerado. Os custos
trabalhistas dos trabalhadores da RPT são superiores aos custos trabalhistas da fabricação em série. Por outro lado,
um elevado nível de capacidade disponível pode levar a um menor grau de utilização da capacidade no período
considerado. Assim, os custos variáveis surgem se a dispendiosa estação de trabalho para a montagem do protótipo
for utilizada para produção em série. Isto representa os custos de oportunidade como a diferença entre os salários
por hora de um trabalhador RPT e de um trabalhador em série. Assumimos que a demanda por produtos em série é
permanentemente alta, o que implica que se a capacidade de protótipo rápido não for utilizada com um pedido
rápido de protótipo, ela será utilizada com um pedido em série.
Os pedidos dos clientes chegam a uma taxa parcialmente incerta e em um momento parcialmente incerto. Os
pedidos são diferentes quanto aos tempos de processamento. A conclusão do pedido nos traz receita, mas também
gera custos. Se um pedido recebido não puder ser processado devido à capacidade de montagem insuficiente, será
necessário aguardar. Se o tempo de espera de um pedido ultrapassar 80 unidades de tempo, o cliente desiste desse
pedido. Isto implica custos de oportunidade.
A duração total do período de planejamento é de 439 unidades de tempo.
O objetivo da gestãoé determinar a capacidade de produção para prototipagem rápida, equilibrando os

pedidos recebidos dos clientes com a capacidade e a demanda, a fim de alcançar o lucro máximo possível
sob determinadas restrições.
Os alunos são divididos emequipescada um dos quais compreende o seguintejogadoras:
- Um chefe de divisão que se esforça para maximizar o lucro total da divisão e os lucros unitários dos
pedidos
- Um gerente de vendas que se esforça para maximizar a receita, aceitar o maior número possível de
pedidos de clientes e concluir os pedidos o mais rápido possível, sujeito ao prazo de entrega.
- Um gerente de produção que busca os menores custos unitários e alta utilização da
capacidade,
- Um balanceador de carga de trabalho que precisa equilibrar os objetivos do chefe de divisão, do
gerente de vendas e do gerente de produção para alcançar o lucro máximo possível sob
determinadas restrições.
As equipes obtêm do conjunto de dados de entrada do instrutor e competem entre si, sujeitas à
lucratividade total. Ao mesmo tempo, os gestores de cada equipe competem entre si para se tornarem
os melhores de todas as equipes em relação ao seu KPI individual.
45
Dica dos profissionais de simulação: um bom modelador tenta usar modelos já existentes e adaptá-
los a novas declarações de problemas.
Tomamos o modelo “Call Center” de modelos de amostra no AnyLogic 7.2 PLE como base para o desenvolvimento de nosso
modelo. Nesta etapa, criamos um modelo de processo para a definição do nosso problema (Fig. 46).
O modelo criado contém um nó de origem onde chegam os pedidos dos clientes, a estação de
montagem de protótipos (“service1”), o recurso para a estação de montagem (“RPTworkers”) e dois nós
sink (“sink” como final do processo e “ sink1” para pedidos perdidos). Os seguintes parâmetros, variáveis,
eventos e funções são usados (Tabelas 5-8).
Tabela 5 Parâmetros
Parâmetro Significado
Taxa de chegada1 Taxa/quantidade mínima de chegada
Taxa de chegada máxima1 Taxa/quantidade máxima de chegada
Tempo de chegada Hora entre chegadas
ExitTimeout Tempo máximo de espera para um pedido RPT recebido que resulta em um pedido perdido
TempodeServiço1 Tempo de processamento de um pedido na estação de montagem
Taxa horáriaRPT Taxa salarial por hora para um trabalhador de protótipo rápido
Taxa horáriaSerial Taxa salarial por hora para um trabalhador de produto em série
NAgentes1 Número de trabalhadores de protótipos rápidos
Custos de oportunidade Custos de oportunidade
ReceitaRPT Receita para um pedido de protótipo
46
Tabela 6 Variáveis
Variável Significado
nãoOK1 Número de pedidos RPT entregues no prazo (OTD)
nTarde1 Número de pedidos RPT atrasados (ou seja, prazo de entrega > 3 semanas = 120 unidades de tempo)
Tempo de espera Prazo de entrega para um pedido RPT
ENTRADA Número de pedidos RPT recebidos

LO Número de pedidos RPT perdidos
Boné Utilização de trabalhadores RPT
CumLT Prazo de entrega cumulativo para um pedido RPT
R Rendimento total
P Número total de pedidos RPT concluídos
Ó Custos de oportunidade devido a pedidos perdidos
TA Hora de chegada de um novo pedido
variável Variável auxiliar para estatísticas de entrada de pedidos; usado em “evento”

variável1 Variável auxiliar para estatísticas de pedidos concluídos; usado em “evento1”
Tabela 7 Funções
Função Significado
Nível de serviço Retorna o valor do nível de serviço comoretornar(Q/ENTRADA);
totalUnitProfit Retorna o valor do lucro unitário comoretornar((R -(ManCosts() + SerOppCosts() +
O))/Q );
total de custos unitários Retorna o valor dos custos unitários comoretornar((ManCosts() + SerOppCosts() ) / Q);
Lucro total Retorna o valor do lucro total comoretornar(R-(ManCosts() + SerOppCosts() +
O));
RetornoF Retorna o valor da receita total comoretornar(R);
MédiaLT Retorna o valor médio do lead time comoretornarzidz (CumLT, Q);
Custos SerOpp Custos de oportunidade devido ao uso de trabalhadores RPT para pedidos em
série;retornar NAgents1*(HourlyRateRPT - HourlyRateSer) * (439 * (1 -
RPTworkers.utilization()));
Custos humanos Custos totais de fabricaçãoretornarNAgentes1*TaxaHoraRPT*439;
NSerialOrders Número de pedidos seriados concluídos na estação de trabalho RPT;retornar50 * (1
- RPTworkers.utilização());
;
Tabela 8 Eventos
Parâmetro Significado
Evento Colete estatísticas sobre pedidos recebidos
Evento1 Colete estatísticas sobre pedidos concluídos
Nota: redução de complexidade!Na definição do problema assumimos que “a demanda por produtos em série é
permanentemente alta, o que implica que se a capacidade de protótipo rápido não for utilizada com um pedido rápido de
protótipo, ela será utilizada com um pedido em série”. Para a construção de modelos, isso implica que não precisamos
representar a segunda linha de montagem para pedidos em série.
8.2 Etapa 2. Criar agente personalizado e definir regras para chegada, espera e processamento de pedidos: uso de
funções de tempo e pools de recursos
Nesta tarefa, aplicaremos novos métodos para cálculo de KPI. Em particular, em vez de aplicar
os blocos “timeMeasureStart” e “timeMeasureEnd”, mediremos o lead time usando
47
funções e parâmetros. É por isso que precisamos introduzir um novo agente personalizado no bloco “Fonte”
como um “Novo Agente” (Fig. 47). Para este novo agente, definimos um parâmetro “hora chegou”.
A seguir, definimos as regras para a quantidade e frequência de entrada de pedidos, espera e

processamento (Figs. 47-48).
Figura 47.Definindo fluxo de entrada (entrada)
A definição do fluxo de entrada é semelhante ao Jogo 1. Ao sair do bloco de origem, o parâmetro

“timeArrived” obtém o valor do tempo atual com a ajuda da função “time()” e o número de pedidos
recebidos é atualizado com a ajuda de variável ENTRADA.
48
Figura 48.Definindo regras de processamento nos blocos Serviço e Recursos
No bloco “Serviço”, definimos o conjunto de recursos, tempo de atraso e tempo de saída do tempo limite. A capacidade (ou
seja, o número de trabalhadores RPT) é definida nas propriedades do recurso.
8.3 Etapa 3. Coleta de estatísticas e design do painel de KPI

49
Nesta etapa, vamos criar diagramas para analisar os seguintes KPIs:

- Receita, custos, lucro
- Capacidade de utilização
- Tempo de espera
- Pedidos RPT concluídos, perdidos e atrasados
Na Figura 49 é apresentado o painel de KPI desenvolvido.
Figura 49.Painel de indicadores de desempenho
8.3.1 Receitas, custos, lucro

Para calcular o desempenho financeiro como receitas, custos e lucro, definimos as regras para coleta de
estatísticas de receitas em “Sink - Properties” como
R = (nOK1 * ReceitaRPT) + (nLate1 * 0,8 * ReceitaRPT);
Os custos totais compreendem a função de manufatura ManCosts()) + Custos de oportunidade devido ao uso de
trabalhadores RPT para pedidos em série, função SerOppCosts()) + Custos de oportunidade devido a pedidos
perdidos (variável LO que é atualizada em “Sink1”).
O lucro é calculado na função TotalProfit():

retornar(R-(ManCosts() + SerOppCosts() + O));
8.3.2 Utilização da capacidade do pool de recursos
Na função padrão “Pool de recursos”, as estatísticas de utilização média da capacidade podem ser
recuperadas usando a função [nomedorecurso].Utilização()(Figura 50).
50
Figura 50.Atualização de estatísticas sobre a utilização da capacidade do pool de recursos
8.3.3 Prazo de entrega com uso da função de tempo
No Jogo 1, no diagrama de fluxo do processo, incluímos quatro pontos para medir os lead times. Uma maneira mais
elegante de medir o lead time é usar parâmetros e funções de tempo. Na Figura 50, mostramos a maneira de medir
o lead time e atualizar as estatísticas nas propriedades do nó Sink da seguinte forma:
//a que horas o pedido foi concluído? dobroLeadTime =

time() – agente.timeArrived;
//atualiza as estatísticas do diagrama “Lead Time Distribution”

data.add(LeadTime);
//atualiza os dados da função MeanLT() para retornar o valor “Mean Lead Time” no painel de KPI
CumLT = CumLT + LeadTime;
Nota: o lead time médio também pode ser medido usando
dados.mean()
Para a função MeanLT(), consulte a Tabela 7.

8.3.4 Produção total, pedidos concluídos no prazo (OTD), pedidos atrasados e perdidos: uso de código Java para
condições
O número total de pedidos concluídos é atualizado nas propriedades “Sink” (Fig. 50) conforme
Q++;
De acordo com a declaração do problema, “se o prazo de entrega de um pedido RPT não exceder 120 unidades de tempo,
obteremos receita total. Se o lead time exceder 120 unidades de tempo, a receita será reduzida em 20%.” Definimos esta
condição nas propriedades “Sink” (Fig. 51) como um código Java simples:
se(Prazo de entrega <= 120)
nãoOK1++;
outro
nTarde1++;
51
Assim a variável “nOK1” acumula o número de pedidos OTD e a variável “nLate1” acumula o
número de pedidos atrasados.
Figura 51.Atualização de estatísticas no nó “sink”
As encomendas perdidas e os respetivos custos de oportunidade são medidos no “Sink1” por
LO++;
O = O + Custos de Oportunidade;
Finalmente, o número de pedidos seriados atendidos na estação de trabalho RPT pode ser medido na função
NSerialOrders:
retornar50 * (1 - RPTworkers.utilização());
Aqui assumimos que se nenhum pedido RPT chegasse, a estação de trabalho RPT seria capaz de concluir 50
pedidos em série.
9. Jogando
As seguintes configurações são válidas para todas as rodadas:
- Cada experimento conterá 439 segundos como 439 horas de trabalho na vida real (ou seja, aproximadamente 11
semanas com 40 horas de trabalho por semana)
- A regra de fila é FIFO As
- capacidades da fila são máximas O
- princípio Push é usado
9.1 Regras do jogo
Agora estamos prontos para jogar.Os jogadoressão:
- Um chefe de divisão que se esforça para maximizar o lucro total da divisão e os lucros unitários
- Um gerente de vendas que se esforça para maximizar a receita, para aceitar o maior número possível de pedidos de clientes.
possível e concluir os pedidos o mais rápido possível, sujeito ao prazo de entrega
52
- Um gerente de produção que busca os menores custos unitários e alta utilização da capacidade Um balanceador
- de carga de trabalho que precisa equilibrar os objetivos do chefe de divisão, o gerente de vendas
gerente e o gerente de produção, a fim de alcançar o lucro máximo possível sob determinadas
restrições.
Vence o grupo que tiver o maior lucro total. Ao mesmo tempo, em cada rodada definiremos um vencedor em
cada categoria individual: melhor gerente de produção (KPI: menor custo unitário e maior utilização de
capacidade), melhor balanceador de carga de trabalho (KPI: maior nível de serviço), melhor gerente de vendas
(KPI: maior produção e menor lead time) e melhor chefe de divisão (KPI: maior lucro total).
9.2 Rodada #1
Para a primeira rodada, podem ser sugeridos os seguintes dados de entrada (Tabela 9):
Tabela 9 Dados de entrada
Parâmetro Valor
Taxa de chegada1 3
Taxa de chegada máxima1 5
Tempo de chegada 40
ExitTimeout 80
TempodeServiço1 20
Tempo de atraso triangular(0,25*ServiceTime1, ServiceTime1, 2*ServiceTime1)
Agentes por Chegada uniform_discr (Taxa de chegada1, Taxa de chegada máxima1)
Taxa horáriaRPT 90
Taxa horáriaSerial 30
NAgentes1 3
Custos de oportunidade US$ 4.000
ReceitaRPT US$ 9.000
Nenhum parâmetro será alterado durante o experimento. Os resultados são apresentados na Figura 52 e Tabela
10.
53
Figura 52.Resultados da rodada #1
Tabela 10 KPI
KPI Valores
Nível de serviço, % 100

Pedidos OTD 37
Pedidos atrasados 0
Pedidos em série 20
RPT de saída total 37
RPT total de entrada 37
RPT de pedidos perdidos 0
Lucro unitário, $ 4.922
Custos unitários de fabricação, $ 4.077
Lucro total, $ 182.123
Receita, $ 333.000
Custos de fabricação, $ 118.530
Custos de oportunidade de pedido perdido, $ 0

Custos de oportunidade de pedido em série, $ 32.347
Custos totais, $ 150.878
Prazo médio de entrega, horas de trabalho 24,6

Utilização média da capacidade, % 59,1
54
9.3 Rodada 2
O chefe de divisão significa que os resultados da rodada 1 e sua análise indicam a necessidade de aumentar o
número de pedidos recebidos. Os gestores de vendas e produção apoiam esta sugestão com base nos seus
próprios KPIs. Novas quantidades mínimas e máximas de chegada são configuradas em 5 pedidos e 7 pedidos,
respectivamente. Os resultados da simulação são apresentados na Fig. 53 e comparados com a rodada #1 na
Tabela 11.
Figura 53.Resultados da rodada 2_1
Gerente KPI Rodada 1 Rodada 2_1
Chefe de divisão Lucro total, $ 182.123 126.374
Receita, $ 333.000 486.000
Homem de Manufatura- Custos unitários de fabricação, $ 4.077 2.340

idade
Utilização Média, % 59,1 90,1
Pedidos em série 20 5
Custos de oportunidade de pedido em série, $ 32.347 7.844
Gerente de vendas Entrada RPT, pedidos 37 59

Pedidos OTD RPT 37 54
Pedidos RPT atrasados 0 0
Custos de oportunidade de pedido perdido, $ 0 0
Prazo médio de entrega, dias 24,6 42,2
Balanceador de carga de trabalho Nível de serviço,% 100 91,5
55
O gerente de vendas indica que a demanda por pedidos RPT é ainda maior e está na faixa de [7 a 10]
pedidos por semana. Definindo estes novos valores de parâmetros o seguinte resultado foi obtido com a
ajuda do modelo de simulação (Fig. 54 e Tabela 12).
Gerente KPI Rodada 1 Rodada 2_1 Rodada 2_2
Chefe de divisão Lucro total, $ 182.123 359.627 303.270
Receita, $ 333.000 486.000 477.000
Fabricação Custos unitários de fabricação, $ 4.077 2.340 2.372

Gerente
Utilização Média, % 59,1 90,1 90,9
Pedidos em série 20 5 4.6
Custos de oportunidade de pedido 32.347 7.844 7.200
em série, $
Gerente de vendas Insira PRT, pedidos 37 60 80

Pedidos OTD RPT 37 54 53
Pedidos RPT atrasados 0 0 0
Pedidos RPT perdidos 0 0 12
Oportunidade de pedido perdido 0 0 48.000
Custos, $
Prazo médio de entrega, dias 23,5 42,2 75,1

Balanço de carga de trabalho Nível de serviço,% 100 91,5 66,3
câncer
56
Como seria de esperar, a capacidade de 3 trabalhadores da RPT não é suficiente para fazer face ao aumento da
procura. Como se sabe no Jogo 1, um aumento nas ordens de espera influencia negativamente o lead time (no nosso
exemplo, 75,1 dias em vez de 23,5 dias em média). Além disso, os pedidos perdidos resultantes aumentaram os
custos totais e diminuíram o lucro total. A utilização média da capacidade foi ligeiramente reduzida.
9.4 Rodada 2: Experimento de otimização

Em “Projeto - Novo - Experimento”, selecionamos “Otimização” e criamos um novo experimento de otimização para
os dados da rodada #2_2 e resolvemos de forma otimizada. A configuração e os resultados do experimento são
mostrados na Fig.
Figura 55.Resultado do experimento de otimização para os dados da rodada #2_2
57
Pode-se observar na Figura 55 que sujeito à configuração de dados fornecida e à faixa considerada de
alteração de variáveis, a recomendação é usar cinco trabalhadores RPT e podemos esperar um lucro total de $
471.360.
9.5 Rodada 2: Experimento de simulação baseado em otimização
Vamos realizar o experimento de simulação com base na nova capacidade = 6 trabalhadores RPT: (ver Fig. 56).
Figura 56.Resultados da simulação para os dados da rodada #2_Opt
Na verdade, melhoramos! O lucro total é agora de US$ 468.910, muito próximo do resultado da otimização. Outros
KPI são comparados na Tabela 13.
9.6 Rodadas #3 – #10 e avaliação do jogo

Os gestores estão agora prestes a simular três cenários de demanda considerados com diferentes
números de trabalhadores RPT na faixa [2-6].
Nas rodadas seguintes, as equipes competem entre si sujeitas à rentabilidade total. Ao mesmo tempo, os gestores de
cada equipe competem contra os gestores de outras equipes individualmente para se tornarem os melhores em
relação ao seu KPI individual. Obtendo os dados de entrada, os alunos têm de 5 a 10 minutos para tomar decisões
sobre como configurar os parâmetros. Durante esse tempo eles também podem usar experimentos de otimização,
mas não a simulação. Tendo configurado os parâmetros, as equipes iniciam o experimento de simulação. Durante o
experimento, eles podem pausar o experimento quantas vezes quiserem, mas o tempo total para todos os grupos
precisa ser limitado, digamos, de 5 a 10 minutos para uma rodada.
A avaliação do jogo pode ser realizada de diferentes maneiras. Um método de avaliação possível é avaliar cada
rodada de forma independente e atribuir em cada rodada algumas pontuações para cada equipe, por
exemplo, a equipe ou respectivo técnico com melhor resultado ganha 10 pontos, e a equipe com piores
resultados ganha 1 ponto. Outro método de avaliação é combinar os resultados de todas as rodadas e então
calcular os valores médios de cada KPI para determinar o vencedor.
58
Gerente KPI Rodada 1 Rodada 2_1 Redondo Redondo

2_2 2_Opt
Chefe de divisão Lucro total, $ 182.123 359.627 303.270 468.910
Receita, $ 333.000 486.000 477.000 693.000
Fabricação Fabricação de unidades 4.077 2.340 2.372 2.910
Gerente Custos, $
Utilização Média, % 59,1 90,1 90,9 79,8
Pedidos em série 20 5 4.6 10
Oportunidade de pedido em série 32.347 7.844 7.200 26.540
Custos de unidade, $
Gerente de vendas Insira PRT, pedidos 37 60 80 81

Pedidos OTD RPT 37 54 53 77
Pedidos RPT atrasados 0 0 0 0
Pedidos RPT perdidos 0 0 12 0
Oportunidade de pedido perdido 0 0 48.000 0
Custos, $
Prazo médio de entrega, dias 23,5 42,2 75,1 32.1
Balanço de carga de trabalho Nível de serviço,% 100 91,5 66,3 95,1
câncer
Podemos observar algumas compensações. Embora os KPI do chefe de divisão e do gerente de vendas tenham
melhorado, os KPI do gerente de produção diminuíram.
Tabela 14 KPI
Demanda [3-5]
KPI n=2 n=3 n=4 n=5 n=6
Nível de serviço, % 94,7 100 97,8 97,7 97,7
Pedidos OTD 36 37 44 43 42
Pedidos atrasados 0 0 0 0 0
Pedidos em série 5 20 23 29 33
RPT de saída total 36 37 44 43 42
RPT total de entrada 38 37 45 44 43
RPT de pedidos perdidos 0 0 0 0 0
Lucro unitário, $ 6.638 4.922 4.266 2.595 852
Custos unitários de fabricação, $ 2.361 4.077 4.733 6.404 8.147
Lucro total, $ 238.995 182.123 187.712 111.619 35.793
Receita, $ 324.000 333.000 396.000 387.000 378.000
Custos de fabricação, $ 79.020 118.530 158.040 197.500 237.060
Custos de oportunidade de pedido perdido, $ 0 0 0 0 0
Custos de oportunidade de pedido em série, $ 5.985 32.347 50.248 77.831 105.146
Custos totais, $ 85.005 150.878 208.288 275.381 342.207
Prazo médio de entrega, horas de 53,0 24,6 21,5 20,0 20.1
trabalho
Utilização média da capacidade, % 88,6 59,1 52,3 40,9 33,5
59
Tabela 15 KPI
Demanda [5-7]
KPI n=2 n=3 n=4 n=5 n=6
Nível de serviço, % 63,3 91,5 96,5 96,4 100
Pedidos OTD 38 54 55 54 61
Lucro unitário, $ 5.846 6.659 5.546 4.264 3.823
Lucro total, $ 222.180 359.626 305.055 230.274 223.226
Receita, $ 342.000 486.000 495.000 486.000 549.000
Custos de oportunidade de pedido perdido, $ 36.000 0 0 0 0
Custos totais, $ 119.820 126.374 189.934 255.726 315.774
Prazo médio de entrega, horas de 72,7 42,2 27.3 23.1 22,5
trabalho
Tabela 16 KPI
Demanda [7-10]
KPI n=2 n=3 n=4 n=5 n=6
Nível de serviço, % 45,2 66,3 83,5 95,1 98,8
Pedidos OTD 38 53 71 77 79
Lucro unitário, $ 2.952 5.722 6.638 6.089 5.337
Lucro total, $ 150.180 303.270 471.360 468.910 421.636
Receita, $ 342.000 477.000 639.000 693.000 711.000
Custos de oportunidade de pedido perdido, $ 108.000 48.000 0 0 0
Custos totais, $ 191.820 173.730 167.640 224.091 289.364
Prazo médio de entrega, horas de 74,8 75,2 55.1 32.1 27.1
trabalho
9.7. Análise de flexibilidade de capacidade
A flexibilidade de capacidade, no nosso exemplo, é medida como a capacidade de um sistema de produção lidar
com mudanças na demanda. Em outras palavras, a flexibilidade pode ser medida como nível de serviço. Vamos
representar as compensações entre o número de trabalhadores RPT e o KPI (Fig. 57-60).
60
Tempo Médio de Liderança

Demanda = [3;5]
80
120
70
100 60
50
80
40
60 30
20
40
10
20 0
2 3 4 5 6
0
2 3 4 5 6 Prazo médio de entrega (d=[3;5] Prazo médio de entrega (d=[5;7]
Utilização média da capacidade, % Nível de serviço, % Prazo médio de entrega (d=[7;10]
120
Demanda = [7;10]
100 120
80 100
80
60
60
40
40
20 20
0 0
2 3 4 5 6 2 3 4 5 6
Utilização média da capacidade, % Nível de serviço, % Utilização média da capacidade, % Nível de serviço, %
Figura 57.Análise de KPI Operacional
Pode-se observar na Figura 57 que tanto o nível de serviço (ou seja, flexibilidade), o lead time e a utilização da
capacidade dependem do número de trabalhadores (cf. Figura 25).
61
Demanda = [3;5]
180
160
140
120
100
80
60
40
20
0
n=2 n=3 n=4 n=5 n=6
Pedidos OTD Pedidos atrasados Pedidos em série
RPT de saída total RPT total de entrada RPT de pedidos perdidos
Demanda = [5;7]
250
200
150
100
50
0
n=2 n=3 n=4 n=5 n=6
Demanda = [7;10]
300
250
200
150
100
50
0
n=2 n=3 n=4 n=5 n=6
Figura 58.Análise de KPI do cliente
A Figura 58 mostra os principais impactos do número de trabalhadores RPT no desempenho do cliente.
62
Demanda = [3;5]
450.000
400.000
350.000
300.000
250.000
200.000
150.000
100.000
50.000
0
n=2 n=3 n=4 n=5 n=6
Lucro unitário, $ Custos unitários de fabricação, $ Lucro total, $ Receita, $
Custos de fabricação, $ Custos de oportunidade de pedido perdido, $ Custos de oportunidade de pedido em série, $ Custos totais, $
Demanda = [5;7]
600.000
500.000
400.000
300.000
200.000
100.000
0
n=2 n=3 n=4 n=5 n=6
Demanda = [7;10]
800.000
700.000
600.000
500.000
400.000
300.000
200.000
100.000
0
n=2 n=3 n=4 n=5 n=6
Figura 59.Análise de KPI do cliente
A Figura 59 mostra os principais impactos do número de trabalhadores RPT no desempenho financeiro. Pode-se
observar que os lucros máximos são alcançados no caso de 2 trabalhadores para baixa demanda, 3 trabalhadores
para média demanda e 4 trabalhadores para alta demanda.
63
Análise de Flexibilidade e Eficiência

120
100 98,8
95,1
90,9 90,9 90,9
83,5
80 79,8
74,8 75,2
66,3 66,9
60
55,1
45,2 47 46
40 42
30 32,1 30
27,1
20 22
19 17 17
15
0
2 3 4 5 6
Custos totais Lucro total Tempo Médio de Liderança Flexibilidade Utilização média da capacidade
Figura 60.Flexibilidade vs análise: dados empíricos
As principais implicações do número de trabalhadores RPT, flexibilidade e eficiência podem ser observadas na
Figura 60 com base nos dados de alta demanda. Embora os custos totais e o lucro atinjam os seus melhores valores
no caso de 4 trabalhadores, o nível de serviço e o prazo de entrega podem ser melhorados se aumentar o número
de trabalhadores RPT. Na Fig. 61, resumimos nossas descobertas.
Flexibilidade
Custos
Capacidade
Figura: 61.Flexibilidade vs análise: generalização
A decisão final sobre o planeamento da capacidade (ou seja, quantos trabalhadores da RPT são necessários) implica uma
reunião executiva com todos os gestores. Provavelmente serão sugeridos três ou quatro trabalhadores, dependendo de
outros fatores como qualidade da previsão de demanda, opções de troca de trabalhadores com outras linhas, etc.
64
Parte III Coordenação da Cadeia de Abastecimento
65
10. Coordenação da cadeia de suprimentos com AnyLogic
- Desenvolver competências analíticas e de gestão na coordenação da cadeia de abastecimento

- Desenvolver competências interpessoais na tomada de decisão coordenada em equipa
- Desenvolver competências técnicas na criação de modelos de simulação de processos de eventos discretos para
redes e realizar análises de medição de desempenho no exemplo do software de simulação multimétodo
AnyLogic
Este exemplo também pode ser usado como um jogo com princípios semelhantes aos dois exemplos anteriores
(Parte I e Parte II).
Consideramos uma rede de cadeia de suprimentos na fabricação de automóveis que compreende uma fábrica de
montagem, dois fornecedores e transporte até os clientes. No fabricante temos um processo de fabricação linear
que contém quatro estações de trabalho (M1-M4). M1 produz carrocerias de automóveis. O fornecedor nº 1 (S1)
entrega portas montadas em M2. O fornecedor nº 2 (S2) fornece motores montados em M3. M4 é a estação de
montagem final. Em seguida, os carros vão para a estação de embalagem. Eles são entregues aos clientes em lotes
de 10 carros. (Fig. 62).
M1 M2 M3 M4 Pacote Lote
S1 S2 envio
Clientes
Figura 62.Declaração do problema
Os pedidos dos clientes chegam a uma taxa parcialmente incerta e em um momento parcialmente incerto. Os pedidos são
diferentes quanto aos tempos de processamento nas máquinas, mas são processados na mesma sequência (ou seja, no
flow shop) em quatro máquinas subsequentes. Cada pedido possui tempos de processamento parcialmente variáveis nas
máquinas (M1-M4). M1 processa carrocerias de automóveis. M2 é a estação de montagem de portas provenientes do
fornecedor nº 1. M3 é uma estação de montagem de motores provenientes do fornecedor nº 2. M4 é a estação de
montagem final. Posteriormente, os carros são embalados e criados os lotes para entrega. Por fim, os carros são enviados
aos clientes.
A entrega do pedido ao cliente nos traz a receita X, mas também gera os custos Y que implicam custos de
fabricação, transporte e estoque. Se um pedido recebido não puder ser processado devido à capacidade
insuficiente da linha, ele precisará aguardar. Se o pedido de um cliente esperar mais de dias D, ele será
removido pelo cliente. Isso causa perda de pedidos e custos de oportunidade.
O objetivo da gestão é equilibrar a entrada de pedidos de clientes, entregas de fornecedores e remessas

para clientes com capacidade e demanda, a fim de alcançar o lucro máximo possível sob determinadas
restrições.
Use o painel de KPI para analisar os resultados e as compensações básicas entre o tempo takt na linha de montagem
JIT (justin-time), quantidades de produção e frequências de entrega nos fornecedores, tempo de transporte,
tamanhos de lote e utilização da capacidade para tomar melhores decisões sobre o fornecimento coordenação da
cadeia na presença de gargalos e incertezas na demanda e no prazo de entrega.
A duração total do período de planejamento é de 450 unidades de tempo.
66
offs e relações básicas na análise do fluxo de processos considerando KPIs financeiros e operacionais.
Dica dos profissionais de simulação: um bom modelador tenta usar modelos já existentes e adaptá-
los a novas declarações de problemas.
Tomamos o modelo da Parte I como base para o desenvolvimento do nosso modelo. Nesta etapa, criamos um modelo
de processo para a definição do nosso problema (Fig. 63).
A estrutura da cadeia de suprimentos em rede é criada com base em três blocos de origem para carrocerias, portas e
motores, respectivamente. No modelo de processo representado na Fig. 63, foram utilizados alguns novos elementos que
precisam ser explicados mais detalhadamente.
11.2 Montador
O objeto “Assembler” da Process Modeling Library permite que determinado número de agentes de
diversas fontes (cinco ou menos) sejam unidos em um único agente. O tipo do novo agente, bem como a
sua inicialização, é especificado pelo usuário. O número de agentes para cada entrada necessária para
produzir um novo agente também é especificado através dos parâmetros do objeto (Quantidade 1,
Quantidade 2, etc.). Todos os agentes que chegam esperam dentro do objeto até que todos os agentes
necessários cheguem. Assim que o novo agente puder ser construído, a operação de montagem será iniciada. Esta
operação leva o tempo especificado no parâmetro Tempo de atraso. A montagem pode envolver o uso de recursos -
neste caso você deve especificar quais recursos são necessários para executar a montagem.
Em nosso modelo, “Assembler” é utilizado para as estações M2 e M3. A definição do assembler para M2 é mostrada
na Fig.
67
Figura 64.Definição de montador para M2
Para a estação M2, definimos que são necessários 1 corpo e 4 portas para esta etapa de montagem. Além
disso, definimos o recurso “M2Res” para M2 e o tempo de atraso baseado no parâmetro “MeanProcess-
TimeM2”.
11.3 Transporte com ajuda de “Conveyor” ou “MoveTo”

O transporte interno e externo pode ser representado usando os blocos
“Conveyor” ou “MoveTo” da Process Modeling Library. Um exemplo de definição
de transporte de portas de S1 até a montadora é mostrado na Fig.
Figura 65.Definição de transporte de portas de S1 até a montadora
Ao definir os valores de comprimento e velocidade do transportador, definimos o tempo de transporte.

Supondo que 1 segundo de tempo de modelagem corresponde a 1 hora de vida real, conforme Fig. 65,
o tempo de transporte de S1 até a montadora será de 5 horas.
11.4 Lote
O bloco de lote é usado para acumular um certo número de unidades antes de encaminhá-las
para o próximo bloco. No nosso caso, loteamos 10 carros para transporte até os clientes (Fig.
66).
68
Figura 66.Definição de lote
12. Experimentos e insights gerenciais As seguintes
configurações são válidas para todas as rodadas:
- Cada experimento conterá 450 segundos, pois 450 dias úteis de vida real. A
- As capacidades da fila são máximas.
- O princípio Push é usado
Os seguintes dados de entrada foram usados para experimento:
- os tempos entre chegadas de carrocerias, portas e motores são sincronizados e equivalem a 2 segundos
- os tempos de processamento de M1-M4 são sincronizados e distribuídos como triangulares (0,7 *
MeanProcessTimeM1, 1,3 * MeanProcessTimeM1, MeanProcessTimeM1)
- capacidades em M1-M4 iguais a 1
- Os tempos de transporte externo são configurados em 5 dias
- Os tempos de transporte interno são configurados em 1 dia
- A receita é de $ 30 para cada carro, os custos de fabricação são de $ 10 para cada carro, os custos de transporte são de $
30 para cada entrega da fábrica de montagem ao cliente, os custos de estoque para WIP na fábrica de montagem são
de $ 5 para cada unidade de WIP no final do experimento, os custos de oportunidade são de US$ 4 para cada pedido
perdido do cliente.
- O cálculo do KPI é baseado nos mesmos princípios dos exemplos da Parte I e Parte II, exceto
o “Nível de Serviço” que é calculado aqui como
SL =100 * (Pedidos Perdidos na Saída)/Saída
O resultado da simulação é apresentado na Figura 67.
69
Figura 67.Resultados simulados
Pode-se observar na Figura 67 que o principal problema na situação atual são os tempos de produção e transporte
desequilibrados. Mesmo que os tempos de produção sejam sincronizados na linha de montagem e com os
fornecedores (novas chegadas a cada 2 segundos), tempos de transporte mais longos resultam em estoques
elevados e filas para carrocerias, portas e motores.
Desenvolva sugestões de melhoria!
70
Parte IV Controle de Estoque
71
13. Modelagem de políticas de controle de estoque de revisão periódica e contínua com AnyLogic
1) Desenvolver competências analíticas e de gestão na tomada de decisões no que diz respeito à escolha de políticas
adequadas de controlo de inventário para produtos com diferentes padrões de procura e inventário
2) Desenvolver competências técnicas na criação de modelos de simulação para políticas de controle de
estoque de revisão periódica e contínua e na análise de medição de desempenho dessas políticas no
exemplo do software de simulação multimétodo AnyLogic
Consideramos um varejista de peças de reposição automotivas que oferece cinco produtos: parafusos de porca, velas de ignição,
disco de embreagem, óleo e líquido refrigerante. Dois tipos de sistemas de revisão de inventário e quatro tipos de políticas de
controle de inventário estão envolvidos (ver Fig. 68):
- Sistemas de Revisão Contínua (s,q; s,S) e

- Sistemas de Revisão Periódica (t,q; t,S)
a) Revisão periódica (t,q) c) Revisão contínua (s,q)
b) Revisão periódica (t,S) d) Revisão contínua(s,S)

Notações:
q – Quantidade do pedido s
– Ponto de reabastecimento
S – Estoque alvo
t – Tempo entre dois pedidos
lt – Lead Time
I – Nível de Estoque
Figura 68.Políticas de controle de estoque (Ivanov et al. 2016)
72
Cinco produtos têm diferentes padrões de demanda e estoque (Tabela 17 e Figura 69).
Tabela 17 Produtos para análise
Tipo de Produto Demanda Nível de inventário Unid

A Alto Alto Óleo de motor
B Médio Médio Porcas e parafusos
C Baixo Alto Velas de ignição
D Baixo Baixo Disco de embreagem e pastilhas de freio
E Alto Baixo Refrigerante
Inventário
C A
B Demanda
D E
Figura: 69.Produtos para análise
O objetivo da gestão é realizar análises de diferentes políticas de controle para cinco produtos e
identificar a política mais eficiente para cada produto sujeito a requisitos de nível de serviço.
14.1 Modelo EOQ: simulação baseada em eventos
Na primeira etapa, aprendemos como criar um modelo de simulação para problemas bem conhecidos de EOQ
usando eventos (Rozhkov 2011). Para modelar o problema EOQ, criamos um evento “Ordering” para programar
reabastecimentos, dois parâmetros (demanda e quantidade do pedido), uma variável “InventoryLevel” bem como um
gráfico de tempo (Fig. 70).
73
Figura 70Modelo EOQ
No evento “Ordenação”, descrevemos a lógica do modelo EOQ (Fig. 71).
Figura 71Descrição do Evento
O evento “Ordenação” é um evento cíclico com tempo de recorrência de 1 segundo (por exemplo, um dia da vida
real). De acordo com o modelo EOQ, o consumo de estoque é uma função linear da demanda, por isso
descrevemos a dinâmica do estoque como:
InventoryLevel-= Demanda;
74
De acordo com o EOQ, se o nível de estoque for zero, um novo pedido da mesma quantidade (q) chega imediatamente. É
por isso que descrevemos a regra de reabastecimento usando Java da seguinte forma:
se(InventoryLevel==0)
{ InventoryLevel+=OrderQuantity; }
Definindo “Demand” = 80 e “OrderQuantity” = 400, executamos o experimento e observamos a

dinâmica do estoque (Fig. 72).
Figura 72Dinâmica de estoque EOQ
Pode-se observar na Figura 72 que a cada dia o nível de estoque é reduzido pela demanda.
No quinto dia o nível de estoque é zero e a reposição imediata é gerada. É por isso que falta o
passo de 80 a 0 no diagrama da Fig.
14.2 Modelagem da demanda estocástica: políticas de revisão periódica e contínua
Suponha que a demanda diária e/ou o lead time sejam normalmente distribuídos. Precisamos definir
parâmetros adicionais para lead time, demanda média, lead time médio, desvio padrão da demanda e desvio
padrão do lead time. No evento “Ordering” adicionamos (Fig. 73):
Demanda = round( max (normal(DevDemand,MeanDemand),0));

LeadTime = round( max (normal(DevLT,MeanLT),0));
Figura 73Simulação estocástica de gerenciamento de estoque

75
Primeiro, considere o caso sem prazo. O resultado da simulação para demanda média = 80 unidades e desvio
padrão da demanda = 16 é apresentado na Figura 74.
Figura 74Resultados da simulação estocástica de gerenciamento de estoque
Pode-se observar na Figura 74 que nenhuma ação de reabastecimento é realizada e o modelo funciona
incorretamente. O motivo é a condição para novo reabastecimento definida no evento “Pedido”:
//Definir regra de reabastecimento

Devido a desvios de demanda, a condição InventoryLevel = 0 não será atendida. É por isso que temos
que modificar esta condição.
Parasistema de revisão periódica, esta condição não é necessária, pois reabastecemos em datas fixas. Assim
apenas modificamos o tempo de recorrência do evento “Ordenação” definindo-o através do parâmetro
“t_Period” (Fig. 75).
Figura 75Política de revisão periódicat, q
A Fig. 75 descreve a política de revisão periódicat, q. Parat, S-política, a linha
Nível de estoque+=Quantidade do pedido;
76
precisa ser reescrito como
InventoryLevel+=TargetInventory;
onde TargetInventory é o novo parâmetro para definirS. O valor deste parâmetro pode ser fixado por um número
ou definido dinamicamente por uma condição (veja mais adiante neste capítulo).
Parasistema de revisão contínua, a regra de reabastecimento pode ser definida com a ajuda do ponto de pedido
(ROP). Assim modificamos a condição
como nova condição usando o novo parâmetro “ROP”
//Definir regra de reabastecimento se(

Nível de inventário <= ROP){ Nível de
inventário+=Quantidade do pedido; }
Como tal,s, q-a política está definida. Os resultados da simulação para ROP = 120 unidades, demanda média = 80
unidades e desvio padrão da demanda = 16 são apresentados na Fig.
Figura 76Política de revisão contínuas,

q Para definir oe,S-política, a linha
Nível de estoque+=Quantidade do pedido;
precisa ser reescrito como
InventoryLevel+=TargetInventory;
onde TargetInventory é o parâmetro a ser definidoS. O valor deste parâmetro pode ser fixado por um número
ou definido dinamicamente por uma condição dependente do ROP sujeita a alterações na demanda e no lead
time (veja mais neste capítulo).
14.3 Modelagem de demanda estocástica e lead time: ponto de pedido usando Java
O verdadeiro significado do ponto de novo pedido torna-se óbvio se estendermos nossos modelos pelo prazo de entrega. Além
disso, incluiremos estoque de segurança em nosso modelo.
Para modelar o lead time, definimos o novo evento “NewOrder” e a nova variável “OrderReceived” do tipo
“Boolean” (com valor inicial “false”) e reescrevemos a regra de reabastecimento no evento “Ordering” como
segue (Fig. 77) :
77

se(InventoryLevel<=ROP && !OrderReceived)
{NewOrder.restart( LeadTime );
Pedido Recebido =verdadeiro;
}
Figura 77Política de revisão contínuas, qcom lead time
Em “Pedidos”, definimos que

Aqui usamos dois novos operadores
Java: «&&» -“e” lógico «!» -“não” lógico
Se o nível de estoque atingir o ponto de novo pedido, um novo pedido de reabastecimento será gerado e o
novo pedido chegará em X dias definidos no parâmetro LeadTime. Por isso deixamos o evento “NewOrder”
iniciar em X dias definidos no parâmetro LeadTime. No momento da entrada do pedido e aumento do nível de
estoque, a variável lógica “OrderReceived” recebe o valor “false”. Isso significa que nenhum outro pedido é
78
recebido pelo nosso fornecedor. O próximo pedido será gerado quando o nível de estoque atingir o ponto de
novo pedido novamente. Precisamos do componente“!Pedido Recebido”na condiçãose(Nível de estoque<=ROP && !
Pedido recebido),uma vez que um novo pedido é gerado se ambos os pontos de novo pedido forem atingidos e
não houver outros pedidos em trânsito.
O resultado da simulação para ponto de novo pedido = 240 unidades e LT médio = 3 dias (sem desvio) é
apresentado na Fig.
Figura 78Simulação de política de revisão contínuas, qcom prazo de entrega
14.4 Custos de manutenção de estoque, pedidos e ruptura de estoque
Para estimar a eficiência de diferentes políticas de pedidos, precisamos estimar os custos de manutenção de estoque,
pedidos e falta de estoque. Primeiro, são necessários novos parâmetros e variáveis para estes três tipos de custos. Em
segundo lugar, os diagramas precisam ser construídos como gráficos de barras e gráficos de tempo.
Definimos três novos parâmetros “HoldingCost”, “OrderingCost” e “StockoutCosts” e três novas

variáveis “HoldingCosts”, “OrderingCosts” e “StockoutCosts”. Mais três novas variáveis
“ServiceLevel”, “TotalSales” e “RetailShortage” precisam ser definidas.
No evento “Ordering”, adicionamos nova condição:
//Calcular vendas
se(InventoryLevel > 0)
TotalSales+= Demanda;
Em seguida, criamos um novo evento “CostUpdate” conforme mostrado na Fig.
79
Figura 79Evento de atualização de custos, escassez e nível de serviço
Custos, escassez e nível de serviço são atualizados no evento “CostsUpdate”. Os custos de manutenção são
medidos para o estoque médio disponível (InventoryLevel/2).
A seguir, criamos o evento “Roupa de Estoque” onde os custos de ruptura serão calculados no final do horizonte
de planejamento (no nosso caso serão 30 dias, então atualizamos no momento = 29 seg) (Fig. 80).
Figura 80Evento de atualização de custos de ruptura de estoque
Por fim, criamos dois gráficos de tempo para as variáveis “ServiceLevel” e “RetailShortage” e um gráfico de pilha
para custos de manutenção, pedidos e falta de estoque.
80
Os resultados da simulação para ROP = 120 unidades, custos de manutenção = $ 0,1 por dia por unidade, custos de ruptura de
estoque = $ 0,2 por dia por unidade e custos de pedido = $ 10 por pedido são apresentados na Figura 81.
Figura 81Análise de eficiência paras, q-política
Pode-se observar que o custo total é igual a $ 584,8, o nível de serviço diminui durante o experimento
e é de 59,4% no final do mês, a ruptura de estoque aumenta durante o experimento e é de 838
unidades no final do mês.
14.5 Ponto de reabastecimento e estoque de segurança
Vamos aprimorar a análise da Fig. 81 calculando o ponto de pedido com o uso do estoque de segurança. Por
exemplo, uma probabilidade de 0,05 de ruptura de stock corresponde a um nível de serviço de 95%. Em uma situação
de incerteza de demanda e/ou lead time,inventário de segurançaé introduzido. Para calcular o nível de serviço, a Eq.
(1) é usado:
ss-z--dLT, (1)
ondessé estoque de segurança,-dLTé o desvio padrão da demanda durante o lead time ezé o
número de desvios padrão.
O desvio da procura pode ser obtido, por exemplo, a partir da análise das previsões de procura e das vendas reais no
passado. Por exemplo,--1,25LOUCOé um valor típico. O valor Z pode ser facilmente determinado (ver Tabela 18).
81
Tabela 18. Tabela de distribuição normal
Por exemplo, z=1,65 para nível de serviço 95%, z=2,33 para nível de serviço 99% e z=1,28 para nível de serviço 90%.
Se o desvio padrão da demanda durante o lead time (L) for 10, então os estoques de segurança serão iguais a 1,65 x
10 = 16,5; 2,33 x 10 = 23,3; 1,28 x 10 = 12,8. Podemos observar que o aumento do nível de serviço de 90% para 99%
resulta na duplicação do estoque de segurança.
A inclusão do estoque de segurança altera o cálculo do ROP (ver Eq. 2):

ROP-d*eu-ss (2)
No cálculo do ROP, três situações são possíveis:
-a distribuição diária da demanda é dada (ou seja, a demanda é variável) e o lead time é constante (Eq. 3)
-a demanda diária é constante e o lead time é variável (Eq. 4),
-tanto a demanda quanto o lead time são variáveis (Eq. 5).
ROP-d-eu-z--d-eu (3)
ROP-d-eu-z-d--eu (4)
ROP-d-eu-z eu--2-d2 d --eu 2
(5)
Vamos calcular o ROP para o caso da Fig. 81 sujeito ao nível de serviço de 95% usando a Eq. (3):
82
ROP = 80 * 3 + 1,65 * 18 *√3 =240 + 52 = 292 unidades, onde 52 unidades é estoque de segurança. Para calcular a
quantidade do pedido, usamos a fórmula EOQ:
= √2×2400×10=127 unidades * 3 dias = 381 unidades

3
Os resultados da simulação com as novas unidades s =292 e q=381 unidades são apresentados na Fig.
Figura 82Análise de eficiência para otimizaçãos, q-política
Pode-se observar na Figura 82 que os custos totais equivalem a $ 431,3 (em comparação com $ 584,8 na situação
inicial), o nível de serviço aumentou de 59,4% para 95% no final do mês, a ruptura de estoque diminui de 838
unidades para 103 unidades no total . Para evitar rupturas de estoque, precisamos aumentar a quantidade do
pedido. Uma opção é considerar noqcálculo não da demanda média, mas, por exemplo, d = dsignificar+ σd) = 80 + 18
= 98 unidades * 30 dias = 2.940 unidades:
= √2×2940×10=140 unidades * 3 dias = 420 unidades

3
Os resultados são apresentados na Fig.
83
Figura 83Análise de eficiência para otimizaçãos, q-política
Pode-se observar na Figura 83 que os custos totais são iguais a US$ 420,8 (em vez de US$ 431,3 após a primeira
otimização), o nível de serviço aumentou de 95% para 100% no final do mês, a falta de estoque diminui de 103
unidades no total para zero.
15. Experimentos e insights gerenciais

15.1 Preparando experimento: usando gráficos de ação
Para dissociar a lógica de reposição de estoque para diferentes políticas de controle, introduzimos gráficos de
ação para políticas de revisão contínua em vez de colocar todos os códigos no evento “Encomenda”.
Os gráficos de ações são criados em “Palette - Actioncharts” (Fig. 84).
84
Figura 84Gráfico de ação paras, q-política
No gráfico de ações, podemos definir uma condição para ativação do gráfico de ações e o código (ação) a ser
executado caso a condição seja verdadeira ou falsa. No nosso caso, definimos uma condição “O pedido chegou?”
como
Nível de inventário <= ROP &&! Pedido recebido
e o código a ser executado para “Atualizar Inventário” caso a condição “Pedido chegou?” é verdade como
NewOrder.restart(LeadTime);
Anteriormente tínhamos esta definição de regra de reabastecimento diretamente no evento “Encomenda” (cf. Fig.
77):

}
A utilização de gráficos de ações permite descentralizar diferentes ações de reposição e, portanto, desacoplar
a dinâmica de estoque em diferentes políticas de controle. Os gráficos de ação podem ter uma estrutura muito
mais complexa, com inúmeras condições, ramificações e ações.
Para o nosso caso, criamos dois gráficos de ação paras, q- ee,S-políticas que chamam o evento já existente
“NewOrder” paras, q-política e novo evento “NewOrder1” parae,S-política. O evento “NewOrder1” é descrito
como:
InventoryLevel1+=s_TargetInventory + InventoryLevel1;
OrderingCosts1 = OrderingCosts1 + OrderingCost; Pedido
Recebido1 =falso;
85
Parat, q- et, S-políticas não são necessários gráficos de ação. Acabamos de criar um novo
evento com o seguinte código:
// Revisão Periódica - Modelo de Quantidade Fixa Nível de

estoque2+=Quantidade do pedido; OrderingCosts2 =
OrderingCosts2 + OrderingCost;
// Revisão Periódica - Modelo de Inventário Alvo

InventoryLevel3+=(t_TargetInventory - InventoryLevel3);
OrderingCosts3 = OrderingCosts3 + OrderingCost;
15.2 Preparando o experimento: inventário de destino dinâmico
Na §15.1, introduzimos novos parâmetros s_TargetInventory e t_TargetInventory para definir o

inventário alvo. O estoque alvo pode ser fixo ou dinâmico. Se fixarmos o valor do inventário desejado,
esse valor será usado durante todo o experimento. Do ponto de vista gerencial, tal política pode ser
bastante eficiente no que diz respeito à área fixa de armazém e ao planejamento de transporte. Porém,
se a demanda mudar acima do desvio padrão considerado, poderá ocorrer escassez. O mesmo vale para
o ponto de novo pedido.
É por isso que pode ser sensato alterar dinamicamente o ponto de reabastecimento e o estoque
alvo. Uma opção possível é estabelecer uma relação entre o ponto de pedido e o estoque alvo.
Como temos dinâmicas de estoque diferentes ems, q- ee,S-policies, introduzimos o parâmetro
adicional ROP1 parae,S-policy enquanto ROP será usado paras, q-política.
Também introduzimos novos parâmetros s_S_inventory que manterão o nível de estoque atual (variável
InventoryLevel1) no momento do lançamento de um novo pedido.
Agora atualizamos o código “UpdateInventory” no gráfico de ação InvControl_s_S da seguinte forma:
s_S_Inventory = InventárioLevel1;
s_TargetInventory = (ROP1-s_S_Inventory) + ((MeanDemand + DevDemand)*LeadTime);
NewOrder1.restart(LeadTime);
Pedido Recebido1 =verdadeiro;
A regra
s_TargetInventory = (ROP1-s_S_Inventory) + ((MeanDemand + DevDemand)*LeadTime);
para definir o inventário desejado eme,S-política é nossa estimativa subjetiva. Pode ser ajustado durante
experimentos. Para a teoria sobre a definição analitica deste parâmetro, recomendamos literatura sobre
controle de estoque (Zipkin 2000, Axsaeter 2010).
Observe que também adicionamos uma nova variável lógica OrderReceived1 parae,S-política de dissociaçãos, q- e
e,S-políticas.
O evento “Ordenação” passou a ter a seguinte forma (Fig. 85).
86
Figura 85“Encomenda” do Evento
Para atualizações dinâmicas de ROPs, usamos a Eq. (3). Para os demais casos, essas linhas precisam ser alteradas
conforme Eqs (4) ou (5). Devido a quatro políticas, precisamos separar as visualizações de análise lógica e de
saída (Figs. 86 e 87).
Figura 86Visualização lógica

87
Figura 87Visualização de análise
Lembre-se do estudo de caso de §14.1. Vamos especificar os dados (Tabela
19). Tabela 19 Produtos para análise
Tipo de Produto Demanda Diária Nível de inventário Unid

A 200 1000 Óleo de motor
B 120 1000 Porcas e parafusos
C 80 1000 Velas de ignição
Vamos comparar quatro políticas de controle de estoque para cada produto. Iremos comparar todos os
produtos:
- t, q-política com prazo e quantidade fixos

- t, S-política com período fixo e estoque alvo
- s, q-política com ponto de pedido dinâmico e quantidade de pedido fixa
- e,S-política com ponto de pedido dinâmico e estoque alvo
Em todos os experimentos, a demanda será considerada variável e o lead time será considerado constante. o valor z será
1,65 (de acordo com o nível de serviço = 95%). Os custos de manutenção são de $ 0,1 por unidade por dia, os custos de
pedido são de $ 10 por pedido e os custos de falta de estoque são de $ 0,2 por dia por unidade.
88
15.3 Experimento 1 para óleo de motor: impacto da dinâmica da demanda Os
seguintes dados de entrada são usados (Tabela 20). Tabela 20 Dados de entrada
para o experimento 1
Parâmetro Valor
Demanda média diária, unidades 200
Desvio padrão da demanda por dia, unidades 40
Prazo de entrega, dias 3
Período de reposição fixo, dias 5
Quantidade do pedido, unidades 1.000
t_Inventário alvo 1.000
s_Inventário alvo (ROP1-s_S_Inventory) + ((MédiaDemanda +
DevDemand)*LeadTime)
Nível de estoque inicial 1.200
Os resultados da simulação são apresentados nas Figuras 88 e 89.
Figura 88Experimento nº 1: visualização de análise
89
Figura 89Experimento nº 1: visualização lógica
Pode-se observar nas Figuras 88 e 89 quee,Sé a política mais eficiente, com custos de US$ 990,8, enquanto a política
de revisão periódicat, qfornece nível de serviço de 100%, mas ao mesmo tempo tem os custos mais altos de US$
1.374.
Agora suponhamos uma mudança imprevisível na demanda: após 10 dias a demanda média aumenta de 200
para 250 unidades, já que nosso concorrente no bairro está fechado pelo resto do mês devido a problemas
técnicos imprevistos.
Os resultados da simulação são apresentados na Fig. 90.
90
Figura 90Experiência nº 1 com demanda alterada
Pode-se observar na Figura 90 que diferentes políticas tiveram desempenho diferente em relação à mudança de
demanda considerada. A Tabela 21 compara os resultados.
Tabela 21 Comparação dos resultados do experimento 1 com e sem alteração de demanda
Política Custos Nível de serviço

Sem alterações em Mudança na Sem mudanças na Mudança na
demanda mando demanda mando
t, q 1.374 1.165 100 86,2
t, S 1.110 1.630 96,6 85,7
s, q 1.031 1.067 99,7 92,9
e,S 991 1.212 97,9 90,1
Pode-se observar na Figura 90 e na Tabela 21 que as políticas de revisão contínua com mudanças dinâmicas no ponto
de pedido e no estoque alvo permitem reagir mais rapidamente às flutuações da demanda.
91
15.4 Experimento 2 para detalhes práticos: impacto da dinâmica do lead time Os
seguintes dados de entrada são usados (Tabela 22). Tabela 22 Dados de entrada para
o experimento 2
Parâmetro Valor
Quantidade do pedido, unidades 900
t_Inventário alvo 1.000
Nível de estoque inicial 1.000
Os resultados da simulação são apresentados na Fig.
Figura 91Experimento nº 2
Pode-se observar na Fig. 91 quee,Sé a política mais eficiente, com custos de US$ 782,2, enquanto a política de
revisão periódicat, qfornece 100% de nível de serviço, mas ao mesmo tempo tem os custos mais altos de US$
1.314.
Agora suponha uma mudança imprevisível no prazo de entrega: após 10 dias, o prazo médio de entrega
aumenta de três dias para seis dias devido a um desastre natural que interrompeu a rota de transporte pelo
resto do mês. Isso afeta as políticas de revisão contínua apenas porque o fornecedor nas políticas de revisão
periódica tem um período de sete dias entre duas entregas.
92
Os resultados da simulação são apresentados na Figura 92.
Figura 92Experiência nº 2 com mudança de prazo de entrega
Pode-se observar na Figura 92 que diferentes políticas tiveram desempenho diferente em relação à mudança de
lead time considerada. A Tabela 23 compara os resultados.
Tabela 23 Comparação de resultados do experimento 2 com e sem alterações no lead time

Sem alterações em Mudança na liderança Sem alterações em Mudança na liderança
tempo de espera tempo tempo de espera tempo
t, q 1.314 1.314 100 100

t, S 968 968 99,2 99,2
s, q 952 1.261 96,1 89,7
e,S 782 904 98,5 100
Pode-se observar na Figura 92 e na Tabela 23 que as políticas de estoque alvo são mais robustas em relação às flutuações do
prazo de entrega em comparação com as políticas baseadas na quantidade do pedido.
Considere os resultados do primeiro experimento neste grupo (sem alterações no prazo de entrega, Fig. 91). O que pode
ser melhorado nas diferentes políticas?
93
15.5 Experimento 3 para porcas e parafusos: impacto da quantidade do pedido Os
seguintes dados de entrada são usados (Tabela 24). Tabela 24 Dados de entrada
para o experimento 3
Parâmetro Valor
Quantidade do pedido, unidades 900
t_Inventário alvo 800
Nível de estoque inicial 800
Os resultados da simulação são apresentados na Fig.
Figura 93Experiência nº 3
Pode-se observar na Fig. 93 quee,Sé a apólice mais eficiente, com custos de US$ 691,2, enquanto todas as outras
apólices oferecem 100% de nível de serviço (e,S-a política funciona com nível de serviço de 95,9%).
Analisemos as possíveis razões para a eficiência e o nível de serviço das diferentes políticas. As seguintes alterações
podem ser sugeridas:
- t, q-a política tem um estoque médio elevado disponível - reduzir a quantidade do pedido ou aumentar o período
de novo pedido; reduziremos a quantidade do pedido de 900 para 700 unidades.
- t, S-a política tem um bom desempenho - sem alterações
94
- s, q-a política tem que ter estoque médio elevado disponível - reduzir a quantidade do pedido ou aumentar o lead
time; reduziremos a quantidade do pedido de 900 para 700 unidades.
- e,S-a política funciona com escassez - aumenta o ponto de pedido ou o estoque alvo; vamos
aumente o estoque alvo da seguinte maneira:s_TargetInventory = (ROP1-s_S_Inventory) + (
1,5*(MeanDemand + DevDemand)*LeadTime) ;
Os resultados da simulação para os parâmetros alterados são apresentados na Fig 94.
Figura 94Experiência nº 3 com ajustes de parâmetros
Pode-se observar na Figura 94 que diferentes políticas tiveram desempenho diferente na situação inicial e
após alterações de parâmetros. A Tabela 25 compara os resultados.
Tabela 25Comparação de resultados do experimento 3 com e sem ajuste de parâmetros

Sem alterações Mudanças Sem alterações Mudanças
t, q 1.255 923 100 100
t, S 819 819 100 100
s, q 840 750 100 100
e,S 691 723 95,6 100
Pode-se observar na Figura 94 e na Tabela 25 que um aumento no estoque alvo influenciou positivamente oe,S
-política em relação ao nível de serviço, enquanto a eficiência diminuiu ligeiramente (723 dólares em vez de 691
dólares). Aqui, um equilíbrio entre “nível de serviço versus eficiência” pode ser claramente observado. No entanto,e,S-
a política continua a ser a mais eficiente. Mudanças na quantidade do pedido também influenciaram positivamente a
eficiência dot, q- es, q-políticas.
Realize análises de simulação para dois outros produtos do nosso estudo de caso. Esses produtos são caracterizados
por baixo estoque alvo. Isso implicará maior frequência de entrega. Analise o impacto das mudanças na demanda,
prazo de entrega e quantidade do pedido semelhante aos experimentos 1-3. Você consegue observar alguma
diferença em comparação aos produtos A, B e C com estoque alvo alto?
95
É claro que aqui é necessária uma análise de sensibilidade em relação aos diferentes valores dos parâmetros em todas as
políticas de controlo e aos custos, a fim de fazer recomendações generalizadas. Além disso, precisamos de ter em conta que
as políticas periódicas exigem menos flexibilidade dos fornecedores e, portanto, podem permitir a negociação de preços
unitários mais baixos. Isto resultaria em custos mais baixos de manutenção de inventário em comparação com a política de
revisão contínua que exige maior flexibilidade. As políticas de revisão contínua também são mais complexas e exigem
softwares sofisticados para monitorar todos os SKU (unidades de manutenção de estoque), cujo número pode chegar a
milhões de itens nos centros de distribuição. A literatura fornece uma série de técnicas úteis para determinar analiticamente
os parâmetros básicos das políticas de controle de estoque (Zipkin 2000, Axsater 2010)
16. Extensões
Nos §14-15, consideramos políticas básicas de controle de estoque. Assumimos que não existem restrições do lado da oferta
e que a procura pode ser estimada de forma justa com a ajuda de métodos estatísticos. Na realidade, não podemos
encomendar mais do que os fornecedores conseguem produzir ou do que os distribuidores têm em stock. A evolução do
mercado nem sempre pode ser estimada de forma justa com a ajuda de métodos estatísticos. Neste parágrafo final,
apresentamos dois novos métodos de simulação: dinâmica de sistemas e modelagem baseada em agentes. Este é um
recurso exclusivo do AnyLogic que permite a criação de modelos de simulação usando todos os três métodos de simulação
(eventos discretos, agentes e dinâmica de sistema) em conjunto.
16.1 Gestão de estoques em cadeias de suprimentos com considerações de produção e transporte: dinâmica
do sistema
Nas cadeias de abastecimento, o comportamento dos produtores, distribuidores, retalhistas e fornecedores depende
uns dos outros. Isto implica que o planejamento da produção, do estoque e do transporte precisa ser integrado. Essa
integração é conhecida como problemas de produção-estoque, roteamento de estoque e roteamento de estoque-
produção. A ideia principal de tais problemas integrados é encontrarestados equilibradosem relação às quantidades
de produção e fornecimento. Como tal, a dinâmica de sistemas (Sterman 2000) é um método popular para simular
problemas integrados.
“A metodologia System Dynamics (SD) é normalmente usada em modelos estratégicos de longo prazo e pressupõe
um alto nível de agregação dos objetos que estão sendo modelados. Pessoas, produtos, eventos e outros itens
discretos são representados nos modelos SD por suas quantidades, de modo que perdem quaisquer propriedades,
histórias ou dinâmicas individuais. Se esse nível de abstração for apropriado para o seu problema, o SD pode ser o
método correto a ser usado. No entanto, se os detalhes individuais forem importantes, você sempre poderá
reconceitualizar todo ou parte do seu modelo usando métodos baseados em agentes ou eventos discretos
(centrados no processo) sem nunca sair do ambiente AnyLogic.” (AnyLogic. com).
16.2 Modelagem baseada em agentes da demanda do mercado
“AnyLogic é a única ferramenta que permite combinar componentes do modelo SD com componentes desenvolvidos
usando métodos de eventos discretos ou baseados em agentes. Isso pode ser feito de várias maneiras diferentes.
Por exemplo, você pode modelar o mercado consumidor usando SD e a cadeia de suprimentos usando a abordagem
AB. É possível modelar a população de uma cidade de forma desagregada (como agentes) e o contexto económico ou
infraestrutural subjacente num estilo SD. Você pode até colocar diagramas SD dentro dos agentes. Por exemplo, SD
pode modelar os processos de produção dentro de uma empresa, enquanto a empresa pode ser um agente de nível
superior. Tecnicamente, as interfaces e feedbacks entre SD e AB ou DE são muito fáceis. Algumas variáveis SD
podem ser utilizadas na lógica de decisão dos agentes ou ser parâmetros de fluxogramas de processos, e estes por
sua vez podem modificar outras variáveis SD.” (AnyLogic. com).
Recomendamos considerar os modelos de exemplo no software AnyLogic PLE “AB Market and
SD Supply Chain”, “Adaptive Supply Chain”, “Supply Chain”, “Two Stocks Problem” e “Stock
96
Management” para compreender a simulação baseada em agentes, a dinâmica do sistema e as políticas avançadas de
controle de estoque.
17. Literatura
AnyLogic. com
Axsater S (2010) Controle de estoque. 2ª ed. Springer, Nova York
Borshchev A. (2013). O grande livro de modelagem de simulação: modelagem multimétodos com
Anylogic 6. AnyLogic North America
Grigoriev I. (2015). AnyLogic 7 em três dias: um curso rápido em modelagem de simulação. Plataforma
de publicação independente CreateSpace, 2eEd.
Ivanov D., Tsipoulanidis A., Schönberger J. (2016). Cadeia de suprimentos global e gerenciamento de
operações. Springer, 1stedição.
Rozhkov M. (2011). Projetando modelos de simulação para análise de gerenciamento de estoque em cadeias de
suprimentos. Disponível emwww.anylogic.com (em russo)
Runthemodel. com
Sterman J. (2000). Dinâmica de Negócios: Pensamento sistêmico e modelagem para um mundo complexo.
McGraw Hill.
Zipkin PH (2000) Fundamentos da Gestão de Estoques. McGraw-Hill, Boston et al.
18. Discussão
- Que papéis desempenham os blocos “Aguardar”, “Atrasar”, “Recurso”, “Aproveitar”, “Liberar” e “Serviço” na
Biblioteca de Modelagem de Processos em relação a este estudo de caso? Que outros blocos da Biblioteca
de Modelagem de Processos você conhece? Pense em outras possíveis aplicações desses blocos no
planejamento e controle de manufatura ou logística!
- Explique as compensações básicas entre utilização da capacidade, prazo de entrega e número de pedidos em
espera!
- Explicar os compromissos básicos na tomada de decisão coordenada para equilibrar os objectivos do chefe
de divisão, do gestor de vendas e do gestor de produção, a fim de alcançar o lucro máximo possível sob
determinadas restrições.
- Quais KPIs são importantes para um painel de controle de um workload balancer?
- Discuta a diferença entre os princípios de despacho push e pull!
- O que você pode dizer sobre gargalos?
- Discutir sobre a importância do plano de vendas e alinhamento de disponibilidade de capacidade!
- Qual é o objetivo do balanceamento de carga de trabalho?
- Quais KPI são normalmente usados para medição de desempenho financeiro, de clientes e
operacional? Como calculá-los no AnyLogic?
- Que elementos são necessários para construir uma estrutura de rede como a cadeia de abastecimento?
- O que é importante para a implementação do JIT na cadeia de abastecimento?
- Em qual sistema de revisão de inventário é necessário maior estoque de segurança?
- Que tipos de produtos podem ser encomendados em sistemas de revisão contínua e periódica?
- Qual sistema de revisão apresenta maior incerteza?
- Em qual política de controle de estoque você pode observar maiores rupturas de estoque?
- Discutir sobre vantagens e desvantagens da simulação e otimização para tomada de decisões em
operações e cadeias de suprimentos! Onde esses métodos são diferentes e como eles podem
enriquecer-se mutuamente?
97

Ivanov AL Book 2017.en - PT

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ivanov AL Book 2017.en - PT

Enviado por

Direitos autorais:

Formatos disponíveis

Traduzido do Inglês para o Português - www.onlinedoctranslator.

Ivanov D. (2017) Simulação de operações e cadeia de suprimentos com AnyLogic 7.2

Operações e Cadeia de Suprimentos

Notas introdutórias orientadas para decisões para gestão

Prof. Dr. Dmitry Ivanov

© Prof. Dmitry Ivanov, 2017. Todos os direitos reservados.

Introdução ................................................. .................................................. ................................ 5

Parte I Análise de capacidade de processo e balanceamento de carga de trabalho

1. Jogo de simulação de negócios “Análise de capacidade de processo e balanceamento de carga de trabalho

1.1 Objetivos de aprendizagem ............................................. .................................................. .................. 7

2. Construção de modelo................................................. .................................................. ........................... 8

2.1 Etapa 1. Criar modelo de processo .......................................... .................................................. ....... 8

2.5 Etapa 5. Criar animação básica ........................................... .................................................. .. 11

2.7.4 Análise de backlog e filas ........................................... ................................................ 18

4.2.1 Visualizações ............................................. .................................................. ............................ 29

4.2.7 Criação do painel de KPI......................................... .................................................. ..32

5. Jogando o jogo............................................. .................................................. ....................... 34

5.6 Rodadas #3-#10 e avaliação do jogo ........................................ .............................................. 41

6. Outras extensões possíveis e outros jogos .......................................... ............................ 41

Parte II Simulação de flexibilidade de capacidade

7. Jogo de Simulação de Negócios “Simulação de flexibilidade de capacidade com AnyLogic”................... 44

7.1 Objetivos de aprendizagem ............................................. .................................................. ................ 44

8. Construção de modelo............................................. .................................................. ........................... 46

8.1 Etapa 1. Criar modelo de processo ........................................... .................................................. ..... 46

8.3 Etapa 3. Coleta de estatísticas e design do painel de KPI ................................... ................. 50

8.3.3 Prazo de entrega com uso da função de tempo................................... ........................................... 51

9. Jogando o jogo............................................. .................................................. ........................ 53

9.6 Rodadas #3 – #10 e avaliação do jogo ........................................ ........................................... 58

Parte III Coordenação da Cadeia de Abastecimento

10. Coordenação da Cadeia de Suprimentos com AnyLogic ........................................... ............................ 65

10.1 Objetivos de aprendizagem ............................................. .................................................. .............. 65

11 Construção de modelo................................................... .................................................. ....................... 66

11.1 Criar modelo de processo ............................................. .................................................. ............ 66

Parte IV Controle de Estoque

13.1 Objetivos de aprendizagem ............................................. .................................................. .............. 72

14. Construção de modelo............................................. .................................................. ....................... 73

14.1 Modelo EOQ: simulação baseada em eventos.................................... ........................................... 73

14.4 Custos de manutenção de estoque, pedidos e ruptura de estoque .......................................... ........................... 79

14.5 Ponto de reabastecimento e estoque de segurança.......................... .................................................. .81

15. Experimentos e percepções gerenciais.......................................... .................................... 84

15.2 Preparando o experimento: inventário de destino dinâmico ........................................... ...................... 86

15.3 Experimento 1 para óleo de motor: impacto da dinâmica da demanda................................... ............. 89

16. Extensões ............................................. .................................................. ............................ 96

17. Literatura ................................................ .................................................. .............................. 97

Ao ensinar estudantes de administração em aulas de simulação e otimização, é uma tarefa desafiadora

- Análise linear do sistema de fabricação

Parte I Análise da capacidade do processo e

1.1 Objetivos de aprendizagem

1) Desenvolver competências analíticas e de gestão na tomada de decisões de gestão da procura, capacidade e

1.2 Declaração do problema

Figura 1.Linha de fabricação

Os alunos são divididos emequipescada um dos quais compreende o seguintejogadoras:

2.1 Etapa 1. Criar modelo de processo

Figura 2.Modelo de processo

2.2 Passo 2. Definir regras para pedidos recebidos

Figura 3.Definindo fluxo de entrada (entrada)

2.3 Etapa 3. Definir regras de fila

Figura 4.Definindo regras de fila

2.4 Passo 4. Definir regras de processamento

Figura 5.Definindo regras de processamento

2.5 Etapa 5. Crie animação básica

Figura 6.Visualização de processos