ESTUDO DA CAPACIDADE PRODUTIVA DE UM FABRICANTE DE IMPLEMENTOS AGRÍCOLAS ATRAVÉS DA MODELAGEM E SIMULAÇÃO COMPUTACIONAL

Transcrição

1 ISSN ESTUDO DA CAPACIDADE PRODUTIVA DE UM FABRICANTE DE IMPLEMENTOS AGRÍCOLAS ATRAVÉS DA MODELAGEM E SIMULAÇÃO COMPUTACIONAL João Airton de Mattos (IFRS) Daniel Battaglia (IFRS) Tatiane Pellin Cislaghi (IFRS) Fabiane Cristina Brand (IFRS) Resumo: : A modelagem e a simulação computacional apresentam-se como importantes ferramentas gerenciais que auxiliam os gestores a melhorar a qualidade das decisões tomadas. A partir de uma revisão da literatura acerca dos temas de Modelagem e Simulação, o presente trabalho visa analisar a capacidade produtiva de uma empresa fabricante de equipamentos agrícolas. A decisão que envolve a análise apresentada diz respeito à possibilidade de inserção de um novo produto ao mix de produção. Para auxiliar nessa decisão, foi conduzido um estudo de caso de caráter exploratório e abordagem predominantemente quantitativa. A partir dos resultados obtidos, observou-se que a empresa possui capacidade ociosa para inserir o novo produto no seu mix de produção sem alteração no sistema da fábrica, além de não necessitar de novas contratações de funcionários e nem de criação de novos espaços e setores na fábrica. O estudo também contribui para a literatura sobre as técnicas de Modelagem e Simulação por apresentar e discutir uma aplicação em um segmento específico da economia brasileira (implementos agrícolas), sendo o tema ainda pouco explorado em estudos nesta área. Futuros estudos podem ser desenvolvidos para sugerir melhorias que busquem a redução dos erros de produção e melhoria da qualidade dos produtos fabricados. Palavras-chaves: Simulação; Sistemas; Capacidade Produtiva; Cenários

2 1. INTRODUÇÃO No atual cenário econômico, o desenvolvimento industrial atingiu níveis altamente qualificados, o que proporciona bens com maior qualidade, passíveis de personalização e baixo custo. Nesse contexto, a modelagem e simulação computacional apresentam-se como ferramentas para auxiliar na tomada de decisão, visto que podem ser utilizadas para simular diversos formatos de sistemas, tanto produtivo como de serviços e que possibilita analisar a capacidade produtiva das organizações (CHWIF, 2010). A modelagem e simulação abrange o desenvolvimento de modelos que representam o sistema real com o intuito de conduzir experimentos para a avaliação de estratégias para sua operação. Além disso, possibilita o teste de diversas hipóteses sem a necessidade de interferir no sistema real e permite economia de tempo e recursos financeiros no desenvolvimento de projetos (FREITAS, 2008). O presente estudo corrobora com elementos evidenciados por autores como Leal e Oliveira (2011), Iannoni e Morabito (2002) e Montevechi et al. (2003). Ademais, o uso da modelagem e simulação computacional permite verificar aspectos ainda não considerados pelos gestores para auxiliar no processo decisório e que reflita a realidade do sistema produtivo. Como oportunidade para a condução de estudos na área, verifica-se a necessidade das empresas em conhecerem melhor seus processos a fim de adequar sua capacidade produtiva, gerenciar projetos e verificar a disponibilidade de seus recursos e instalações (FREITAS, 2008; LEAL; OLIVEIRA, 2011). Em continuidade ao exposto, o artigo tem como objetivo principal analisar a capacidade produtiva de uma empresa do setor de máquinas agrícolas para subsidiar uma possível inserção de um novo produto ao mix de produção. Secundariamente, verificar o lead-time médio de fabricação. O estudo apresenta caráter exploratório, com a realização de um estudo de caso e adota a perspectiva predominantemente quantitativa. Adicionalmente, pondera-se que a pesquisa contribui para evidenciar a utilidade da modelagem e simulação em processos de manufatura, além de colaborar com a área gerencial através da apresentação de um modelo de simulação desenvolvido com a utilização do software ProModel. Para atingir os objetivos propostos, o trabalho encontra-se dividido em cinco seções. Na primeira seção é apresentada uma breve introdução ao tema e o objetivo do trabalho. Na segunda, é exposta uma revisão teórica sobre modelagem e simulação e sua relevância. Na seção três são descritos o método de pesquisa utilizado e os procedimentos adotados para a condução do estudo. 2

3 Na quarta, são apresentados os dados de campo e o modelo conceitual e, por fim, são apresentados os resultados obtidos e as considerações finais. 2. MODELAGEM E SIMULAÇÃO Administrar um sistema produtivo constitui-se na tomada de decisões referentes a quanto, o quê e como produzir (SIQUEIRA, 2009). A decisão quanto ao mix de produtos a serem fabricados passa pela análise da capacidade produtiva das instalações disponíveis. Para auxiliar nessa decisão, ferramentas de modelagem e simulação apresentam-se como opções viáveis aos gestores. Observado por Oliveira (2007), há uma diferenciação entre modelagem e simulação. A modelagem é entendida como uma técnica utilizada para criar um modelo cuja finalidade é entender e resolver determinado problema. Esse modelo pode ser (i) físico, com o uso de maquetes para a execução; (ii) abstrato, utilizando-se modelo matemático; e (iii) híbrido, abrangendo tanto o conceito físico como o abstrato. A simulação, por sua vez, utiliza um modelo para antecipar os possíveis resultados desse modelo e, assim, viabilizar alterações, visando a alcançar melhores resultados sem a necessidade de utilização de modelos reais. Por essa razão, Freitas (2008) expõe que o grande trunfo do uso de ferramentas computacionais para a modelagem e simulação é a possibilidade dada ao analista para realizar estudos sobre o sistema modelado, de modo a verificar as mais diversas opções existentes sem ter que interferir no sistema real, evitando perturbações, além de permitir ser praticado sobre sistemas que ainda não são reais. Ragsdale (2009) acrescenta que há pouco tempo atrás o campo de modelagem e simulação era altamente especializado e apenas quem possuía acesso a conhecimentos avançados de matemática e linguagens de programação poderia utilizar tais ferramentas. Ao longo do tempo, a simulação deixou de ser usada apenas como última opção e passou a ser empregada como uma técnica que permite a análise de soluções de problemas oriundos de diversos ramos de atividades. Ademais, os modelos de simulação apresentam dados de entrada ao qual é gerada uma resposta específica a eles, sendo diferente dos modelos de otimização que buscam uma solução ótima (FREITAS, 2008). Do ponto de vista empresarial, o uso de simuladores contribui para facilitar a tomada de decisões, tornando-as mais assertivas. Complementarmente, a principal vantagem da utilização de modelos de simulação está na possibilidade de analisar um sistema mesmo quando os dados de entrada ainda não estão totalmente consolidados, ou seja, quando o sistema está sendo formado e desenvolvido. Além dessa vantagem, há a possibilidade de utilizar um mesmo modelo 3

4 diversas vezes alterando-se suas opções para encontrar uma solução considerada satisfatória, além do grande nível de detalhamento permitido pela simulação, o controle do tempo e o aperfeiçoamento do processo estudado sem o uso dos sistemas reais (FREITAS, 2008; RAGSDALE, 2009; CHWIF, 2010). Por outro lado, existem desvantagens quanto ao uso de modelos de simulação. Uma delas é a necessidade de mão de obra especializada. Com os avanços nos simuladores, a tarefa de modelar se tornou mais ágil e prática, exigindo menos conhecimentos avançados, porém são necessários conhecimentos mínimos da ferramenta de simulação utilizada e do tratamento dos dados. Frequentemente, os resultados obtidos pela simulação também não são claros, o que exige certa habilidade para transformar os valores apresentados pelos programas em soluções efetivas aos problemas observados. O alto consumo de recursos para a sua execução, assim como o tempo de construção dos modelos, também é apontada na literatura como uma desvantagem (FREITAS, 2008). 2.1 Tipos de Simulação Uma primeira classificação da simulação computacional, sugerida por Chwif (2010), é composta por quatro categorias. A primeira categoria refere-se à Simulação de Monte Carlo que utiliza geradores de números aleatórios para solucionar problemas complexos de matemática. A segunda denomina-se Simulação contínua, utilizada para a simulação de sistemas cujo estado varia continuamente ao longo do tempo (ex.: desgaste do pneu de carro, esvaziamento de reservatório de água, crescimento de uma árvore). A terceira categoria, denominada Simulação de eventos discretos, é utilizada para a simulação de sistemas que mudam o seu estado em momentos discretos no tempo, ou seja, a partir da ocorrência de eventos. Por fim, a última categoria refere-se à necessidade de construção de um sistema hibrido, que mescla a simulação contínua e discreta. Outra forma de classificar os sistemas é observada por Freitas (2008) e é apresentada na Figura 1. 4

5 Figura 1: Classificação dos sistemas para fins de modelagem. Fonte: Adaptado de Freitas (2008, p. 44). O sistema estático é pouco utilizado em simulação, pois não considera a variável do tempo. As variáveis de estado que representam esse tipo de modelo não se modificam à medida que o tempo transcorre, o que torna os modelos mais simples e que podem ser solucionados por técnicas analíticas diretas. Em um modelo dinâmico, as variáveis de estado sofrem mudanças ao longo do tempo e por isso se torna o melhor tipo de modelo a ser aplicado na simulação. Os modelos determinísticos adotam variáveis com valores já determinados e não permitem que estas se alterem com o tempo (MELLO, 2007). Os modelos de simulação contínua, como evidenciado por Mello (2007) possuem variáveis que podem alterar-se continuamente ao longo do tempo. Modelos que adotam a simulação discreta apresentam variáveis que segundo Freitas (2008) não se alteram continuamente e uniformemente ao longo do tempo e somente apresentam alterações de estado em pontos determinados do sistema. Também ponderado pelo mesmo autor e comentado por Mello (2007) para esse tipo de simulação, a variável do tempo pode ser tanto discreta como contínua. Se assumir qualquer valor no tempo, a variação é considerada contínua, porém se assumir valores apenas determinados, é considerada discreta. A última forma comentada tanto por Chwif (2010) quanto por Mello (2007) e Freitas (2008) corresponde aos modelos combinados que mesclam os modelos contínuos e discretos. 2.2 Fases para um projeto de simulação O desenvolvimento de um modelo pode ser estruturado basicamente sobre quatro fases. Na primeira fase, denominada de planejamento, há a formulação e análise do problema, o planejamento do projeto, a formulação do modelo conceitual e a coleta de macro informações. A segunda fase é caracterizada pela modelagem, e consiste na coleta dos dados e seu tratamento, a tradução do 5

6 modelo, a sua validação e verificação. Na sequência, a terceira fase é denominada experimentação e consiste na execução do projeto experimental, análise e interpretação estatística dos resultados da simulação. Por último, a quarta fase é tratada como decisão e conclusão do projeto, com a comparação dos sistemas simulados, a identificação das melhores soluções, a documentação, apresentação e implementação dos resultados obtidos (FREITAS, 2008). É notório que o processo de validação e verificação de modelos de simulação seja fundamental para que um projeto de simulação seja bem sucedido, visto que permite a descoberta de erros relacionados a sintaxes, à lógica, além de possibilitar a análise quanto à adequação do modelo desenvolvido ao sistema real (CHWIF, 2010). 2.3 Aplicações da simulação Os modelos de simulação podem ser utilizados em uma vasta área de atuação (PRADO, 2010). Em aeroportos e portos é possível aplicá-los à simulação em diversos ramos de atividades, como a verificação do dimensionamento de sistema de transporte de bagagens em um aeroporto ou o cálculo da mão de obra e equipamentos necessários à carga e descarga de navios conforme o tempo desejado. Em bancos, a simulação é utilizada principalmente para definir o layout, o tempo de espera em fila e o número de caixas necessários ao atendimento dos clientes. Nas centrais de atendimento são empregados tanto para descobrir a melhor configuração das linhas de atendimento, como o número de atendentes e os equipamentos necessários. Em hospitais permite a definição desde o layout até o dimensionamento de ambulâncias. Adicionalmente, existem outros segmentos em que os modelos podem ser explorados como restaurantes, supermercados, parques de diversões e escritórios (CHWIF, 2010). 3. MÉTODOS E PROCEDIMENTOS Método pode ser descrito como o conjunto de atividades que permitem alcançar os objetivos propostos de forma mais confiável, evitando desperdícios e auxiliando na escolha das melhores decisões. É entendido também como um conjunto de procedimentos para a obtenção de conhecimentos (BARROS; LEHFELD, 2008; LAKATOS; MARCONI, 2010). Uma pesquisa pode ter caráter qualitativo ou quantitativo. O estudo apresentado caracteriza-se como quantitativo e 6

7 conduzido através de Estudo de Caso. O método quantitativo difere do qualitativo por utilizar amostras amplas de dados, enquanto no qualitativo as amostras são mais profundas e tendem a ser em menor quantidade. Suplementarmente, o método quantitativo também se caracteriza por sofrer tratamento por meio de técnicas estatísticas para apresentação e análise dos dados (HAIR et. al., 2005). Como os dados do estudo foram coletados no local em que o fenômeno ocorreu, a pesquisa apresentada classifica-se, quanto ao seu meio de investigação, como um estudo de campo e consiste em observar os fatos exatamente da forma que ocorreram, permitindo o registro das variáveis à análise (LAKATOS; MARCONI, 2010). Para a condução da pesquisa, optou-se por um Estudo de Caso único com o intuito de analisar e descrever um sistema real de forma que se passe a entendêlo. Essa escolha ocorreu, sobretudo, pelo fato da simulação se basear principalmente em sistemas reais. O Estudo de Caso pode ser utilizado em uma pesquisa em que há questões predominantes do tipo como e por que e o pesquisador possui pouco controle sobre os eventos (YIN, 2010). Geralmente esse tipo de pesquisa é mais flexível e na medida em que é desenvolvida, podem surgir alterações nas etapas seguintes (GIL, 2010). O caso escolhido deve ser representativo e permitir futuras comparações com outros casos semelhantes. Os dados utilizados, também devem ser coletados e registrados com o rigor necessário a uma pesquisa bem fundamentada (SEVERINO, 2007). O Estudo de Caso único, por sua vez, permite o aprofundamento e o detalhamento da unidade de análise de forma mais apurada (YIN, 2010). Para a coleta dos dados utilizou-se um sistema de fichas de pedidos para a inserção dos tempos de processamento do produto manufaturado em cada equipamento. Essa coleta ocorreu entre 11 de fevereiro e 24 de julho de 2013, totalizando 38 máquinas produzidas referentes aos modelos fabricados. Cada pedido foi anotado com seu respectivo tempo de processo, em minutos, e em tabela específica. Na sequência, os dados coletados foram lançados em planilha do MS Excel, para serem tratados e utilizados no modelo de simulação desenvolvido. Foram realizadas análises estatísticas com o amparo do software StatFit versão 2.0 para organizar o conjunto de dados e realizar as inferências das distribuições de frequências, e identificar de padrões de comportamento dos dados. O modelo foi construído utilizando-se o software ProModel versão 8.5. Foram conduzidas também entrevistas não-estruturadas com os diretores e funcionários da empresa para melhor compreensão dos processos de fabricação na empresa investigada. 7

8 4. APRESENTAÇÃO DO CASO O Estudo de Caso foi realizado em um fabricante de implementos agrícolas especiais voltados ao mercado de viticultura e fruticultura e está localizado no estado do Rio Grande do Sul. Atualmente, a empresa atende ao mercado nacional, com maior ênfase ao mercado da Região Sul. A empresa é classificada como de pequeno porte, segundo a classificação do SEBRAE (2013) e não conta com concorrente nacional expressivo. No ano de 2013, houve uma redução nas vendas da empresa entre o período considerado de alta demanda (de Julho a Dezembro) e praticamente não apresentou venda expressiva entre os meses de Janeiro a Junho do mesmo ano. Esse comportamento induziu os gestores a tomarem decisões importantes. Na busca por alternativas ao negócio, a nova estratégia passou a ser a diversificação do portfólio de produtos da empresa, avançando para outros segmentos que não estão sujeitos fortemente à sazonalidade, a exemplo da construção civil. O sistema produtivo da empresa é caracterizado como produção puxada em que há a produção de itens conforme as ordens de fabricação iniciadas a partir das demandas dos clientes ou para atender os processos de manufatura seguintes (OHNO, 1997; MOREIRA, 2011; KRAJEWSKI; RITZMAN; MALHOTRA, 2009). Assim, quando um pedido de venda é formalizado, o setor de compras fica responsável pela análise dos componentes em estoque, além de emitir ordens de compra para o material faltante. A principal razão para a aplicação desse tipo de produção é o extenso portfólio de produtos da empresa, aliado à baixa previsibilidade de demanda, que dificulta a geração de estoques de produtos acabados. Além de adotar este modelo de produção, há alta taxa de terceirização dos processos. Dessa forma, um parceiro com know-how em determinado processo pode oferecer um produto com menor custo e melhor qualidade. A empresa realiza, basicamente, três processos internos: solda, pintura e montagem. A Figura 2 apresenta o fluxo produtivo da empresa analisada. 8

9 Figura 2: Fluxo do sistema produtivo da empresa. Fonte: Elaborado pelos autores (2013). A empresa analisada não utiliza nenhum indicador de lead-time produtivo para auxiliar na melhor projeção dos prazos de entrega, indicando uma oportunidade para melhor mensuração e dimensionamento de pedidos em curto e longo prazo. A utilização da modelagem e simulação pode suportar o processo de tomada de decisão dos gestores da empresa. 5. APLICAÇÃO DA MODELAGEM E SIMULAÇÃO etapas. Para a condução da pesquisa, a aplicação da modelagem e simulação foi segmentada em três 5.1 Etapa 1: planejamento O desenvolvimento de um modelo inicia com o seu planejamento em que o sistema deve ser compreendido claramente assim como são definidos os objetivos (CHWIF, 2010). O sistema apresentado engloba todos os processos produtivos internos da empresa (preparação do material, solda, pintura e montagem dos conjuntos). Não foram considerados os processos externos, como serviços terceirizados. Adicionalmente, foram utilizados os tempos individuais coletados de cada etapa produtiva e alocados com auxílio de tabelas, incluindo as paradas e retrabalhos. Para a fase detalhada de construção do modelo, identificaram-se as atividades principais do processo produtivo para evitar a coleta de dados sobrepostos e que não teriam utilidade à execução do modelo. Após, 9

10 conduziu-se à construção do modelo conceitual com a aplicação do ACD (Activity Cicle Diagram). O ACD é uma das formas para modelar as interações entre os objetos de um sistema (CHWIF, 2010). 5.2 Etapa 2: modelagem Para a construção do modelo no ProModel, considerou-se o pedido completo em que todos os componentes necessários à fabricação da máquina estão disponíveis. O modelo tratou uma entidade para a simulação, denominada produto e seu respectivo atributo. Foram também considerados para o modelo, os três responsáveis pelo setor produtivo da empresa, além de um auxiliar responsável pela operação de compras e separação/preparação dos materiais. Após o material passar pela recepção segue ao setor de preparação que possui capacidade para seis pallets. Cada um dos pallets é considerado como um pedido que contém o conjunto completo de peças para a produção de um equipamento. Do setor de preparação, os pedidos seguem ao buffer solda que é utilizado para armazená-los enquanto espera a disponibilidade do soldador, que possui capacidade para atender quatro pedidos. Quando o soldador torna-se disponível, um dos pedidos que se encontra no buffer solda é retirado pela ordem FIFO (First In, First Out), levando-o ao setor solda. Nesse setor são realizadas duas operações: a montagem solda e a solda final. Finalizado esse processo, o pedido é encaminhado pelo soldador até o local buffer pintura, que possui capacidade para quatro pallets e sua utilização é a mesma do buffer solda. Quando processadas no setor da pintura, os pedidos seguem ao buffer montagem, que possui capacidade para dez pallets e é utilizado para armazenar os pedidos enquanto o montador está indisponível. Quando um pedido é resgatado pelo montador é levado ao local de inspeção, em que é realizada uma pré-montagem dos conjuntos para a verificação das especificações. Quando rejeitado, o pedido é destinado ao local parada solda que aguarda o reparo do soldador. Em seguida, é conduzido à pintura e, então, à parada montagem aguardando o montador ficar disponível para o processo de montagem. No momento em que o pedido da inspeção é aprovado, segue à montagem onde ocorre o último processo de produção. Para designar quais pedidos sofrem ou não parada foi utilizada uma distribuição de usuários com base nos pedidos reais que sofreram parada por erros de produção. Quando finalizada a montagem, o pedido é encaminhado à expedição, em que, geralmente, aguarda dois dias para ser recolhido. Para complementar a qualidade do objeto simulado, os turnos de trabalho foram 10

11 estabelecidos, conforme o sistema real. Assim, o modelo respeitou o período estipulado de simulação, permitindo apenas que ocorresse processamento do sistema nos horários e dias definidos. A Figura 3, representa o modelo do processo produtivo da empresa, construído no ambiente de trabalho do software ProModel. Figura 3: Planta baixa da empresa e seus fluxos produtivos. Fonte: Elaborado pelos autores (2013). Com o modelo definido, foi possível coletar as informações necessárias para a modelagem do sistema. Os dados estatísticos foram obtidos através das fichas de pedidos nos setores correspondentes. Antes de transpor os dados obtidos para o modelo, foram realizadas as inferência estatística para verificar a aderência dos dados a modelos probabilísticos, pois segundo Chwif (2010) isso determina se os dados possuem boa aderência a um modelo probabilístico ou não. Tal inferência se faz necessária para permitir que o modelo represente corretamente o comportamento das variáveis de interesse. As distribuições de frequências relativas aos tempos de operação (em minutos) de cada setor foram obtidas com o uso do módulo StatFit e são apresentadas na Figura 4. Preparação Distribuição com melhor ajuste: Exponencial. Montagem Solda Distribuição com melhor ajuste: Exponecial. 11

12 p-value > 0,927 p-value > 0,385 Solda final Distribuição com melhor ajuste: Lognormal. p-value > 0,420 Pintura Distribuição com melhor ajuste: Lognormal. p-value > Montagem Distribuição com melhor ajuste: Lognormal. p-value > 0,54 0,69 Tempo de parada Distribuição com melhor ajuste: Exponencial. p-value > 0,779 Figura 4: Distribuições de frequências dos setores e dos tempos de parada. Fonte: Elaborado pelos autores (2013). 5.3 Etapa 3: validação e experimentação Como forma de validação do modelo, foi realizada uma simulação com os tempos coletados do sistema real para verificar a acurácia do modelo em relação à realidade. O número total de equipamentos fabricados entre os meses de Fevereiro a Julho obtidos com o modelo de simulação foi semelhante ao obtido pela empresa no mesmo período de tempo. Essa experimentação inicial permitiu considerar o modelo como válido para o estudo. A Tabela 1 exibe os resultados do comparativo entre o modelo de simulação e o real. 12

13 Tabela 1: Relação entre a produção real de equipamentos e do sistema simulado. Produção total entre os meses fevereiro a julho Modelo Real Modelo Virtual 38 equipamentos 38 equipamentos Fonte: Elaborado pelos autores (2013). 6. APRESENTAÇÃO DOS RESULTADOS Nessa seção, apresentam-se os principais resultados obtidos no presente Estudo de Caso. 6.1 Cenário 1: modelo real No primeiro cenário simulado, a análise estatística obtida com o modelo permitiu verificar, de acordo com o sistema real, o comportamento das principais variáveis da simulação. A Figura 5 apresenta os resultados obtidos do primeiro cenário simulado em relação à utilização dos recursos e dos locais. Para o cenário um, o número de pedidos concluídos ficou em conformidade com o número de pedidos concluídos no sistema real. O lead-time médio do tempo de parada por erros de produção foi de 642 minutos para cada pedido, ou seja, esse foi o tempo médio que um pedido que apresentou defeito levou a mais para ser produzido em virtude dos reprocessos que sofreu. O lead time médio do tempo de produção foi de minutos por pedido. Com base na Figura 5, nota-se que os recursos apresentaram reduzido nível de utilização, sendo o soldador o colaborador que apresentou o maior índice de utilização no processo produtivo. O local de montagem apresenta maior ocupação e aproveita apenas 51,17% de sua capacidade. Tal aspecto apresenta como indicativo a possibilidade de ampliação no número de pedidos que passem pelos locais. A Tabela 2 apresenta os resultados obtidos com o primeiro cenário. 13

14 Figura 5: Resultados das variáveis referentes à utilização dos locais e dos recursos (em %). Fonte: Módulo Estatístico do software ProModel. Tabela 2: Estatísticas referentes ao Cenário 1. 11/02/ /07/2013 Pedidos concluídos 38 equipamentos Pedidos no sistema 1 equipamento Pedidos com parada 31 equipamentos Pedidos semanais finalizados 1,65 equipamentos Pedidos mensais finalizados 7 equipamentos Fonte: Elaborado pelos autores (2013). Os dados da Tabela 2 mostram que no período estipulado para a simulação foram entregues 38 pedidos, restando no final da simulação um pedido em aberto no sistema. Os pedidos com parada representaram 31 pedidos defeituosos que necessitaram de reprocesso. A média de máquinas produzidas mensalmente pela empresa, nesse período, foi de sete máquinas, menos de duas por semana. 14

15 6.2 Cenário 2: modelo com incremento no mix produtivo Ao ser realizada a simulação do modelo com os parâmetros do sistema real, foi possível perceber a ociosidade de recursos no sistema. Para o segundo cenário, foi considerado um aumento de pedidos, reduzindo-se os tempos entre chegadas para permitir analisar um possível incremento do mix de produtos com maior número de equipamentos fabricados no mesmo período da simulação. A Figura 6 mostra os resultados obtidos em relação à utilização dos locais e dos recursos para o novo cenário. O lead-time médio dos tempos de parada para esse cenário foi de minutos devido ao maior número de pedidos e da menor disponibilidade do soldador para resolver o defeito encontrado no pedido anterior. O lead-time do tempo de produção médio de cada pedido passou a ser de minutos. Neste cenário maximizado, o número de pedidos totais concluídos foi de 84 máquinas, no mesmo período de simulação do cenário um. O aumento da produção refletiu, portanto, na taxa de utilização dos recursos do sistema. A taxa de utilização do setor de montagem, por exemplo, passou de 51,17% para 83,36% de utilização, atingindo o maior índice. O segundo cenário possibilitou a produção de 84 máquinas no período simulado, respeitando os limites da capacidade da empresa. Com o término da simulação, permaneceram três pedidos em aberto no sistema. Do total de pedidos realizados, 66 tiveram a necessidade de sofrer reparos por erros de produção. Com o aumento da produção da empresa, os resultados apontaram que o número de pedidos mensais passou para pouco mais de 15 máquinas, o que qualifica a empresa a atender mais de três pedidos semanais, conforme Tabela 3. 15

16 Figura 6: Resultados das principais variáveis mensuradas e o % de utilização dos locais no segundo cenário. Fonte: Módulo Estatístico do software ProModel. A Tabela 3 apresenta os resultados obtidos com o segundo cenário. Tabela 3: Estatísticas produtivas referentes ao Cenário 2. 11/02/ /07/2013 Pedidos concluídos 84 equipamentos Pedidos no sistema 3 equipamentos Pedidos com parada 66 equipamentos Pedidos Semanais 3,60 equipamentos Pedidos Mensais 15,46 equipamentos Fonte: elaborado pelos autores (2013). 6.3 Comparativo entre os dois cenários e oportunidades identificadas Ao comparar os dois cenários construídos, foi possível analisar a capacidade ociosa da fábrica devido a menor demanda que os produtos apresentaram. Os achados obtidos com a comparação dos dois cenários possibilitou subsidiar o incremento produtivo com a possibilidade de inserção de novo produto ao mix de fabricação. A Tabela 4 exibe o comparativo entre os dois cenários simulados. Tabela 4: Comparativo entre os cenários simulados. Resultados Cenário 1 Cenário 2 Diferença Pedidos concluídos ,05% Pedidos no sistema ,00% Pedidos com parada ,90% Pedidos Semanais 1,65 3,6 118,18% Pedidos Mensais 7 15,46 120,86% 16

17 Fonte: Elaborado pelos autores (2013). Observa-se que o aumento na produção pode representar uma diferença de 121% em relação ao que foi produzido no período analisado, o que permite considerar que a produção atual está aquém do potencial da empresa. A Tabela 5 apresenta um resumo das principais oportunidades identificadas entre os cenários simulados. 38 pedidos concluídos no período Lead-Time médio de produção de minutos Tabela 5: Oportunidades identificadas entre os cenários simulados. Cenário 1 Cenário 2 Oportunidades identificadas 84 pedidos Possível incremento em 121% na produção de concluídos no equipamentos ao longo do período de simulação. período 31 Pedidos com parada (81%) Taxa de ocupação da mão-de-obra do soldador em 60% Lead-Time médio de produção de minutos 66 Pedidos com parada (78%) Fonte: Elaborado pelos autores (2013). Taxa de ocupação da mão-de-obra do soldador em 90,49% Regularizar a produção, o que reduz o tempo de produção médio e permite aperfeiçoar o tempo de entrega dos pedidos. Possibilidade de redução na quantidade de erros para minimizar lead time de produção e melhorias na qualidade dos produtos. Melhor utilização da capacidade produtiva da empresa com base nos cenários simulados. A partir das evidências observadas, a empresa apresenta capacidade produtiva disponível para incrementar sua produção sem alteração no sistema da fábrica. Se for estimado que a inserção do novo produto ao mix produtivo necessite aproximadamente do mesmo lead-time das máquinas agrícolas para sua produção e sendo mantida, nos próximos períodos, a mesma demanda no setor agrícola, seria possível considerar a fabricação de aproximadamente oito unidades mensais de um novo equipamento, além da produção dos equipamentos agrícolas já comercializados, sem a necessidade de novas contratações de mão-de-obra ou criação de novos espaços e setores na fábrica. Observou-se que o valor mais significativo no modelo foi a quantidade de paradas devido a erros de produção, que atingiu cerca de 80% dos pedidos. Com isso, o lead-time de parada que varia entre 642 minutos (cenário 1) e minutos (cenário 2) pode influenciar a capacidade produtiva em função dos tempos de paradas relativos aos processos de solda e pintura. 7. CONSIDERAÇÕES FINAIS Com base nos resultados do modelo e de seus cenários simulados, é possível evidenciar alguns aspectos quanto à melhoria do sistema produtivo da empresa. Considerando-se os dois 17

18 cenários, observou-se que o índice de erros de produção pode ser refletido em quase 80% dos pedidos, o que gera reprocesso e aumento do lead-time de produção e impacta em um menor número de pedidos concluídos por período. Assim, uma melhoria na política de qualidade da empresa poderia estimular a redução dos erros de fabricação. Uma realocação do setor de inspeção também poderia contribuir para gerar efeitos positivos para a empresa. Observa-se que há somente um ponto físico de inspeção no sistema produtivo (setor de montagem), o que acarreta um aumento no lead-time da montagem solda até a inspeção, pois quando reprovado o produto retorna ao setor da solda. Se a inspeção ocorrer logo após a finalização da solda, evita-se o reprocesso da pintura e contribui para reduzir parcialmente o lead-time de parada, quando o pedido apresenta defeito. Nesse sentido, o estudo explorou a modelagem e simulação computacional como ferramenta útil a ser utilizada em empresas, independente do porte. Foi possível verificar com o estudo, que o uso da simulação permite que sejam conduzidas análises detalhadas de sistemas complexos, auxiliando os gestores na tomada de decisões com maior confiabilidade. O alcance do objetivo da pesquisa tornou-se viável devido ao desenvolvimento de cenários para simular um possível incremento produtivo e, assim, gerar dados que pudessem servir como base para a tomada de decisão. Os cenários simulados possibilitaram a realização de análises em relação ao quadro atual do sistema produtivo da empresa. Observou-se que o lead-time de produção médio é de minutos e que a capacidade produtiva estipulada pelo modelo construído foi de 84 pedidos por período (15 mensais). Comparando a produção atual da empresa (sete pedidos mensais) e o resultado obtido, cogitou-se a possibilidade de aceitar a inserção de um novo produto no mix da empresa, utilizando-se, para isso, a capacidade ociosa verificada. O estudo limita-se em considerar o lead-time de processamento total de produção e não dos setores individualmente, além disso, não foram abordados elementos de estratégia de produção e qualidade quanto à fabricação dos produtos. Também não foram considerados aspectos vinculados ao sequenciamento de produção e ao balanceamento das operações da fábrica. Como sugestão para estudos futuros, recomenda-se o refinamento do modelo de simulação com a construção de outros cenários para verificar uma possível redução dos erros de fabricação, a diminuição do retrabalho e aperfeiçoamento do lead-time em processo. 18

19 REFERÊNCIAS BARROS, A. S.; LEHFELD, N. A. S. Fundamentos de metodologia cientifica. 3. ed. São Paulo: Pearson Prentice Hall, 2007, 158p. CHWIF, L.; MEDINA, A. C. Modelagem e simulação de eventos discretos: teoria e aplicações. 3. ed. São Paulo: Editora Do Autor, 2010, 309p. FREITAS, P. J. Introdução à modelagem e simulação de sistemas com aplicações em arena. 2. ed. Florianópolis: Visual Books, 2008, 384p. GIL, A. C. Como elaborar projetos de pesquisa. 5. ed. São Paulo: Atlas, 2010, 238p. HAIR, J. F.; BABIN, B.; MONEY, A. H.; SAMOUEL, P. Fundamentos de métodos de pesquisa em administração. Porto Alegre: Bookman, IANNONI, A. P.; MORABITO, R. Análise do sistema logístico de recepção de cana-de-açúcar: um estudo de caso utilizando simulação discreta. Gestão & Produção, v. 9, n. 2, p , KRAJEWSKI, L.; RITZMAN, L.; MALHOTRA, M. Administração de produção e operações. São Paulo: Pearson Prentice Hall, LEAL, L. R.; OLIVEIRA, M. J. F. Simulação aplicada ao gerenciamento de projetos: uma revisão. Revista Produção Online. Florianópolis, v.11, n. 2, p , abr./jun., LAKATOS, E.M.; MARCONI, M.A. Metodologia científica. 5. ed. São Paulo: Atlas, MELLO, B. A. Modelagem e simulação de sistemas. Santo Ângelo: URI, 2007, 69f. MONTEVECHI, J. A. B.; DUARTE, R.; NILSSON, G. V. O uso da simulação para análise do layout de uma célula de manufatura. Revista Pesquisa e Desenvolvimento Engenharia de Produção, n.1, p , dez MOREIRA, D. A.. Administração da produção e operações. 2. ed. São Paulo: Cengage Learning, 2011, 624p. OHNO, T. O Sistema Toyota de Produção: além da produção em larga escala. Porto Alegre: Bookman, 1997, 155p. OLIVEIRA, J. B. Simulação computacional: análise de um sistema de manufatura em fase de desenvolvimento. Itajubá: UFI, 2007, 156f. Dissertação do Programa de Pós-Graduação em Engenharia de Produção. PRADO, D. S. Usando o arena em simulação. Belo Horizonte: INDG Tecnologia e serviços Ltda., 2010, 306p. RAGSDALE, C. T. Modelagem e análise de decisão. São Paulo: Cengage Learning, 2009, 608p. 19

20 SEVERINO, A. J. Metodologia do trabalho científico. 23. ed. São Paulo: Cortez, 2007, 304p. SIQUEIRA, J. P. L. Gestão de produção e operações. Curitiba: IESDE Brasil S.A., 2009, 124p. YIN, R. K. Estudo de caso: planejamento e métodos. 4. ed. Porto Alegre: Bookman,