Como trazer previsibilidade a operações logísticas através de técnicas de simulação

Certamente, todos já nos deparamos com decisões a serem tomadas sem termos muitos dados para embasá-las, seja na vida pessoal ou profissional. Entretanto, estas “escolhas no escuro”, caso não sejam acertadas, podem incorrer em grandes prejuízos financeiros no ambiente corporativo e, a depender das alterações previstas na operação da companhia, podem trazer consigo uma grande inércia que acaba por dificultar a sua reversão no curto prazo. Logo, é fundamental que, mesmo em um cenário incerto, seja possível prever o desempenho do sistema a ser implementado ou modificado, com a estimativa de indicadores chave da operação e identificação dos seus principais gargalos.

Indo para o campo da logística, imagine que você acaba de receber a missão de dimensionar os recursos relacionados a todas as operações envolvidas no embarque e desembarque de passageiros de um novo aeroporto. O projeto inclui, por exemplo, o dimensionamento dos postos de check-in, revista/segurança, verificação de passaportes, saguão de espera para embarque, controle de imigração, alfândega e portões. É razoável prever que os investimentos necessários para esta obra de infraestrutura são elevados, de modo que é imprescindível que o seu dimensionamento seja o mais preciso possível. Em caso contrário, o sistema poderá operar de forma inadequada, com gargalos que podem prejudicar o serviço oferecido aos passageiros.

Você concorda que considerar apenas os números médios de tempos gastos em cada uma das etapas envolvidas em cada fluxo (embarque e desembarque) e produtividade de recursos empregados pode induzir o dimensionamento a erros? E o motivo disso é bem simples: praticamente toda operação possui uma incerteza associada, ou seja, a taxa de chegada dos passageiros, os tempos dispendidos para executar uma tarefa, bem como a produtividade dos recursos utilizados possuem uma variabilidade que pode ser traduzida por meio de parâmetros como desvio padrão, variabilidade e coeficiente de variação. Assim, tão importante quanto saber as medidas de posição que caracterizam a operação, como a média, é necessário ter em mãos as medidas de dispersão, como o desvio padrão, para que um sistema seja bem dimensionado e para que se possa fazer uma estimativa adequada de seus indicadores de desempenho.

Neste sentido, a simulação é uma ferramenta muito poderosa disponível no mercado através de diversos softwares como Simul8®, Arena®, Simio® e AnyLogic®. A seguir, um vídeo com uma simulação do problema que acabamos de discutir, um terminal aeroportuário, feita pela Vancouver Airport Services utilizando o software Simio®.

Vamos detalhar agora, de maneira simplificada, as principais etapas para a modelagem de um sistema utilizando simulação de eventos discretos:

Figura 1: Principais etapas para a construção de um modelo de simulação

 

  • Primeiramente, é necessário coletar uma amostra de dados suficientemente grande para se extrair os parâmetros estatísticos de interesse ao problema, como média, média aparada, moda, mediana, quartis e desvio padrão. Com base nestes parâmetros, é importante que se faça uma “limpeza” de dados discrepantes, chamados de outliers, os quais podem “poluir” a amostra caso não sejam removidos. Esta retirada de outliers deve ser criteriosa e sempre devidamente justificada.
  • Com os dados já tratados, a próxima etapa consiste em descobrir qual distribuição de probabilidade mais se adapta aos dados coletados. Dentre as distribuições mais conhecidas, temos a normal, uniforme, exponencial e triangular. Cada uma destas distribuições possui um conjunto de parâmetros que a caracteriza. Por exemplo, a normal é definida pela média e desvio padrão, enquanto que a exponencial é caracterizada apenas pela média. Existem softwares disponíveis no mercado especializados em ranquear as distribuições que melhor refletem a amostra coletada, dentre os quais podemos citar o StatFit® (complemento do Simul8 ®) e o Input Analyser (atrelado ao Arena®).

Figuras 2 :Exemplos de distribuições contínuas de probabilidade e parâmetros associados [2]

 

  • Antes de iniciar a modelagem computacional do problema, é importante que seja estruturada a modelagem conceitual. Nela, serão definidos os principais blocos do fluxograma de processos usado para a modelagem do problema, com sequenciamento de atividades, previsão de filas e decisões a serem tomadas durante a simulação.
  • A seguir, o modelo conceitual deverá ser traduzido em um modelo computacional utilizando algum software disponível no mercado. Simulações mais simples, de pequeno porte e com poucos recursos envolvidos até podem ser rodadas em Excel®, mas conforme o porte do problema vai crescendo, torna-se necessário o uso de um software especializado. De maneira simplificada, os modelos computacionais são constituídos por:
  1. Entidades – objetos que fluem no sistema, como os passageiros em um terminal aeroportuário;
  2. Atributos – características associadas a alguma entidade, como preferência no atendimento de algum passageiro;
  3. Processos – atividades a serem executadas no modelo, podendo estar associadas ou não a algum recurso, como o atendimento no balcão de check-in;
  4. Recursos – elementos que viabilizam o atendimento das entidades em um processo, como totens ou funcionários da companhia aérea realizando o check-in dos passageiros;
  5. Filas – formadas quando todos os recursos disponíveis para executar algum processo estão ocupados no momento da chegada de uma nova entidade para ser atendida, como as filas que se formam no balcão de check-in quando todos os funcionários ou totens estão ocupados.

Em geral, os softwares permitem simular particularidades da operação, como falhas aleatórias dos recursos, tempo máximo que as entidades estão dispostas a esperar em fila antes de desistirem do atendimento, chegadas programadas em janelas de horários, sincronização de atividades e sorteio baseado em regra de algum atributo para alguma entidade. É nesta etapa também que devemos inserir os inputs relativos a cada distribuição de probabilidade de cada atividade (como taxa de chegada de entidades ao sistema e tempos de atendimento), os custos associados a cada recurso (caso se queira gerar um relatório de custos ao final da simulação) e o tempo total que se deseja executar a simulação.

Figuras 3 :Exemplo de modelagem computacional em Simul8® do fluxo de um passageiro, incluindo embarque no aeroporto de origem, voo e desembarque no aeroporto de destino [3]

 

  • Ainda na modelagem computacional, devemos definir quais os indicadores de desempenho que desejamos ter conhecimento em relação ao sistema para formatar o relatório de resultados gerado pelo software. Dentre os indicadores que usualmente são acompanhados, temos o tempo médio em fila e a fila média formada em cada processo (para identificação de gargalos), a taxa de utilização de cada recurso empregado em cada atividade (para se identificar eventuais ociosidades e/ou equipes superdimensionadas), tempo médio total de permanência das entidades no sistema e número de entidades que desistiram do atendimento em razão de um tempo excessivo de espera em fila.
  • Após estas etapas, deve-se iniciar a simulação, que geralmente vem acompanhada por uma interface gráfica em que é possível acompanhar a chegada das entidades ao sistema, a execução das atividades e a formação de filas. Esta interface gráfica pode ser bastante simples ou mais detalhada e realista, como mostrado no vídeo anterior da Vancouver Airport Services. Para se evitar que algum dado aleatório muito discrepante gerado durante a simulação atrapalhe os resultados obtidos, pode ser interessante replicar a simulação por quantas vezes forem necessárias para se atingir um intervalo de confiança pré-estabelecido para os resultados.
  • Por fim, deve-se analisar o relatório de indicadores de performance do sistema gerado pelo software. Com estes dados em mãos, é possível avaliar se os recursos estão dimensionados adequadamente para o serviço que se planeja oferecer aos clientes, se existe algum gargalo no sistema e como as atividades interagem entre si.

A aplicação da simulação não se restringe apenas ao dimensionamento de sistemas de transporte, como aeroportos, portos, docas de um centro de distribuição, praças de pedágio ou estações de metrô. É possível, dentre tantas outras atividades, avaliar o desempenho de uma linha de produção ou até mesmo a operação de um armazém.

Seja para testar um novo modelo de operação, seja para dimensionar ou planejar um sistema “do zero”, a simulação é uma importante ferramenta para auxiliar os profissionais de logística na tomada de decisão em ambientes com incerteza associada.

Referências:

[1] https://www.youtube.com/watch?v=JuXwEbAvk2Q

[2] https://www.slideserve.com/brenna-hardin/continuous-probability-distributions

[3] https://blog.simul8.com/simul8-tip-label-based-batching-and-collecting/

[4] https://www.anylogic.com/

[5] https://www.simul8.com/

[6] https://www.arenasimulation.com/

[7] https://www.simio.com/index.php

[8] Botter, R. C. Notas de aula da disciplina PNV5005 – Modelagem e análise de sistemas intermodais de transporte utilizando técnicas de simulação. Programa de Mestrado em Engenharia de Sistemas Logísticos Poli-USP. 2019.