Stimulated Recall -intervju

Na prática industrial, o planejamento da produção é utilizado para gerar políticas de produção, estoque, distribuição e vendas, com base nas informações de mercado e nos pe- didos dos clientes, e ainda respeitando todas as restrições relevantes. Em geral, assume-se o conhecimento completo sobre tais informações para simplificar a modelagem do pro- blema. Entretanto, na realidade, muitas informações futuras e dados importantes para o planejamento da produção estão sujeitos às incertezas por várias razões, dentre as quais se destacam (Ben-Tal e Nemirovski, 2000; Beyer e Sendhoff, 2007):

(i) Alguns dados (demandas futuras, custos, retornos, etc.) podem não existir no mo- mento em que os problemas são resolvidos, fazendo com que seja necessário utilizar métodos de previsão, que estão sujeitos a erros.

(ii) Alguns dados não podem ser medidos exatamente, como parâmetros físicos e técnicos que são conhecidos apenas dentro de um intervalo de confiança ou dado um certo grau de acurácia, como tempos de processamento e de preparação.

Para corroborar com a hipótese (i), toma-se o exemplo de uma empresa moveleira de pequeno porte típica do setor, que foi estudada neste trabalho. A empresa não possui um histórico organizado dos pedidos dos clientes e nem das ordens de produção efetivadas. Desta maneira, utilizar métodos de previsão para estimar as demandas futuras, em geral, não é possível. Na prática, o planejamento da produção baseia-se num “pot-pourri” de informações referentes a pedidos de clientes, vendas e nível de estoque para estimar as demandas e gerar o planejamento para um horizonte de planejamento de quatro semanas, que é reavaliado ao final de cada semana. O estoque tem um papel fundamental nesse processo, pois ele é usado para atender pedidos urgentes e/ou ordens que surgem ao longo do horizonte de produção e que não conseguem ser encaixadas com os demais pedidos (ou mesmo pela falta de capacidade da empresa em produzi-los). Essas estratégias, em geral, geram problemas de atrasos na entrega dos produtos, assim como uma dificuldade grande em gerir pedidos não previstos, especialmente quando esses pedidos vêm de clientes especiais (em geral, grandes atacadistas do setor moveleiro). Além disso, produzir para

estocar como estratégia contra a flutuação da demanda pode gerar um estoque custoso e indesejável de produtos que podem não ter mais procura, acarretando custos significativos de oportunidade, re-trabalho, entre outros.

Considerando a hipótese (ii), considera-se o exemplo da mesma empresa moveleira de pequeno porte em que a rotatividade dos funcionários é relativamente alta. Como o tempo de execução de várias operações (inclusive a operação de corte de peças) depende muito da habilidade do funcionário - principalmente em operações menos mecanizadas - então, é de se esperar que exista uma flutuação no tempo total de alguns estágios do processo produtivo. Dependendo da magnitude dessa flutuação, é possível que o planeja- mento da produção, baseado num tempo de produção médio ou otimista, gere uma ordem de produção que certamente não poderá ser cumprida em um determinado período com a capacidade regular. Nesse caso, a empresa pode ter que contratar turnos extras de produção, ou ter que retardar a ordem de produção e incorrer em eventuais atrasos na entrega dos pedidos.

Analisando as questões anteriores, a presente tese propõe estudar problemas com- binados de dimensionamento de lotes e corte de estoque típicos de empresas moveleiras brasileiras inseridas num ambiente incerto. Do ponto de vista teórico, o tema dessa tese envolve desafios por adotar dois métodos de otimização sob incertezas − a programação estocástica e a otimização robusta − como arcabouços teóricos para lidar com o problema combinado sob incertezas. Embora os dois métodos sejam utilizados em contextos simi- lares, têm filosofias muito distintas. Do ponto de vista prático, uma contribuição desse estudo é discutir vários resultados que podem auxiliar o tomador de decisões a lidar com as incertezas no seu dia a dia, tornando as suas estratégias de produção mais competitivas no mercado.

Além da programação estocástica e da otimização robusta, existem outras metodo- logias já consolidadas na literatura de pesquisa operacional, com promissores resultados teóricos e algoritmos. Nesse ponto, vale destacar os trabalhos pioneiros de Dantzig (1955), Bellman (1957) e Charnes e Cooper (1959). Em Dantzig (2004), o autor comenta que a programação linear sob incertezas é um campo de estudo em crescimento. Dentre as várias metodologias existentes para lidar com problemas de otimização sob incertezas, destacam-se:

• Análise de sensibilidade: é um estudo de pós-otimalidade para determinar o impacto que as perturbações causam no problema nominal. Mulvey et al. (1995) considera esses estudos reativos, uma vez que não são concebidos para sugerir ações frente a uma situação de variação dos dados.

buição de probabilidade dos parâmetros incertos (estocásticos) é conhecida ou pode ser estimada. O objetivo é determinar alguma política factível para todos (ou quase todos) possíveis valores para os dados de entrada, de forma a minimizar alguma função que depende das variáveis aleatórias. Uma importante restrição dessa meto- dologia é a suposição de que a distribuição de probabilidade dos dados é conhecida e não depende da decisão tomada. Vale destacar que existem várias formulações possí- veis dentro da programação estocástica, como modelos de dois estágios com recurso, modelos multiestágios, modelos com restrições probabilísticas (chance constraints) e modelos estocásticos robustos.

• Programação dinâmica: Essa metodologia também modela os parâmetros incer- tos como variáveis aleatórias e requer o conhecimento sobre as suas distribuições de probabilidade. A vantagem dessa metodologia é a facilidade com que é implemen- tada. Uma desvantagem da programação dinâmica é a sua aplicação em problemas de grande porte, uma vez que tal técnica sofre do conhecido problema da dimensio- nalidade (Bellman, 1957).

• Programação Fuzzy: A principal diferença entre a programação estocástica e a programação fuzzy é a maneira como a incerteza é modelada. Na programação fuzzy, os parâmetros aleatórios são considerados números fuzzy e as restrições são tratadas como conjuntos fuzzy. Assim, funções de pertinência são definidas para indicar o grau de satisfação com que as variáveis pertencem aos conjuntos fuzzy (Zimmermann, 1976; Bellman e Zadeh, 1970).

• Otimização robusta: A otimização robusta preocupa-se em desenvolver modelos e métodos para que as soluções sejam factíveis para quaisquer realizações das variáveis aleatórias dentro de um conjunto convexo dado a priori e violações das restrições não são toleradas. Essa metodologia, assim como a programação estocástica, é denominada proativa. Uma diferença bastante evidenciada entre essa metodologia e a programação estocástica é que a primeira não necessita do conhecimento da distribuição de probabilidade do parâmetro incerto, enquanto a segunda precisa.