Técnica de simulação para SCM: Critérios de seleção para analistas de SCM

A simulação está se tornando cada vez mais popular para planejamento de fábrica, planejamento de processos, otimização da cadeia de suprimentos e gerenciamento da cadeia de suprimentos. Neste artigo, forneço uma visão geral básica e introdução de técnicas de simulação relevantes. É importante ressaltar que ao escolher um pipeline de simulação para o seu projeto você não precisa fazer uma seleção ou decisão exclusiva. A escolha deles não é exclusiva. Com isso quero dizer ser possível combinar várias técnicas de simulação em um modelo. Refiro-me a esses modelos como modelos de simulação híbridos. No entanto, os analistas da cadeia de suprimentos devem estar cientes do fato de que um erro comum em estudos de simulação é que o desenvolvedor do modelo escolheu a técnica com a qual estava confortável em vez da mais adequada para o problema a ser resolvido.

No artigo em questão, apresento três principais técnicas de simulação usadas no contexto de otimização da cadeia de suprimentos e projeto de fábrica. Como engenheiro industrial, acho importante ter conhecimento completo das ferramentas e métodos disponíveis para resolver um problema. E, como demonstrarei neste artigo, cada técnica de simulação tem suas próprias vantagens e desvantagens.

As principais técnicas de simulação encontradas no domínio da otimização da cadeia de suprimentos são:

Além dessas principais técnicas de simulação, também apresentarei alguns outros métodos que também podem ser classificados como simulações relacionadas à cadeia de suprimentos:

Todos esses métodos de simulação podem ser classificados com base em seu nível de detalhamento e em seu horizonte de planejamento.

Eu resumi algumas aplicações exemplares de técnicas de modelagem e simulação na tabela abaixo.

Simulação de eventos discretos como uma técnica de simulação

Acho que a maioria dos modelos de simulação de eventos discretos são usados para investigar sequências de eventos, ou seja, processos. Em outras palavras, uma simulação de eventos discretos é frequentemente usada para investigar interdependências de sistemas em trabalhos de montagem, sistemas de manuseio de materiais, centros de trabalho, call centers, armazéns, sistemas de transporte, operações de mineração, hospitais e muito mais.

Em um modelo de simulação de eventos discretos, um sistema e suas operações são modelados como sequências de eventos no tempo. Uma simulação de evento discreto salta de evento para evento, e cada evento é marcado por mudanças em pelo menos um estado do sistema. Nenhuma mudança de estado deve ocorrer entre dois eventos consecutivos.

Vantagens dos modelos de simulação de eventos discretos

  • Técnica de simulação amplamente conhecida
  • Ganhos de eficiência computacional simplesmente considerando mudanças no sistema baseadas em eventos
  • Abordagem de simulação apropriada para qualquer sistema descrito por sequências detalhadas de entidades
  • Boa abordagem para analisar o comportamento estocástico
  • Pode levar em conta distâncias espaciais e movimentos de entidades relevantes do sistema
  • Em geral, a simulação de eventos discretos é uma abordagem microscópica (ou seja, uma abordagem adequada para modelagem de processos em um nível de modelagem bastante granular com um nível de abstração relativamente baixo a médio)
  • Em geral, usado para analisar sistemas determinísticos

Desvantagens dos modelos de simulação de eventos discretos

  • Não é adequado para análise de políticas
  • Não é adequado para analisar objetivos estratégicos de pesquisa de alto nível

Aplicações bem conhecidas de simulação de eventos discretos são, por exemplo, as seguintes (além disso, veja a tabela acima):

  • Simulação do processo de produção
  • Simulação do processo de transporte
  • Simulação do processo de armazenamento
  • Simulação do sistema de equipamentos de manuseio de materiais
  • Simulação do processo de tratamento do paciente

Simulação baseada em agente como técnica de simulação

A modelagem baseada em agentes e os estudos de simulação baseados em agentes concentram-se nas interações entre agentes individuais. Estudos de simulação usando essa abordagem se concentrarão em entender como certos comportamentos macroscópicos (por exemplo, mudança de temperatura, receita total de vendas gerada, quantidade total de comércio ocorrendo em uma sociedade – etc.) de um sistema emergem de interações microscópicas de agentes individuais. Isso pode ser relevante para os objetivos especialmente estratégicos da gestão da cadeia de suprimentos.

Quando desenvolvo um modelo baseado em agente, o desenvolvo conceitualmente definindo primeiro os grupos de agentes. Em seguida, defino seus estados, transições de estado, propriedades e comportamentos. Como desenvolvedor de modelos, também posso adicionar processos a agentes. Em outras palavras, um agente pode conter uma simulação de eventos discretos.

Pode-se, por exemplo, pensar em populações de agentes para compradores e vendedores em um mercado. Um modelo baseado em agente irá modelar esses tipos de agentes, definindo suas propriedades e interações. Por exemplo, um agente de compras pode ter uma propriedade descrevendo sua necessidade de comprar um bem. Um vendedor pode, por outro lado, incluir uma propriedade descrevendo sua disposição de vender e o preço mínimo pelo qual o agente está disposto a vender. Essas propriedades podem ser dinâmicas e podem mudar ao longo de uma simulação. Interações e regras de interação entre vendedores e compradores podem então descrever o processo de negociação. Por exemplo, um agente de compras pode procurar vários vendedores e os pedir o preço de venda. O agente de compras poderia então fazer um pedido de venda a um dos vendedores.

Além disso, fica claro a partir disso que todos os agentes em um modelo precisam de algum tipo de ambiente para interagir. As interações são baseadas em regras, ou seja, um modelo baseado em agentes incluirá algum tipo de governança de interação.

Vantagens dos modelos de simulação baseados em agentes

  • Pode considerar interações e propriedades detalhadas do agente
  • Pode considerar propriedades espaciais da interação do agente
  • Permite que os modelos incorporem o comportamento responsivo, bem como outros tipos de comportamento interativo, como proatividade, autonomia, habilidade social, aprendizado etc.
  • Permite uma abordagem de modelagem de baixo para cima, para estudar o surgimento do comportamento de nível superior como resultado de interações microscópicas de baixo nível
  • Muitas vezes visto como a técnica de simulação mais avançada, permitindo modelos muito detalhados
  • Abordagem de modelagem muito flexível
  • Estocástico por natureza; considera eventos estocásticos, bem como a influência de comportamentos do sistema estocástico
  • Muitas vezes percebido como uma forma natural de modelar especialmente sistemas sociais (como, por exemplo, cadeias de suprimentos)

Desvantagens dos modelos de simulação baseados em agentes

  • Muito provavelmente menos adequado para sistemas com altos níveis de atributos homogêneos
  • Computacionalmente caro
  • Pode ser uma abordagem exagerada
  • Abordagem de modelagem desafiadora, especialmente em termos de implementação de modelo
  • A abordagem tende a resultar em modelos ricos em parâmetros; mas modelos com muitos parâmetros tendem a dar pouca visão científica
  • Não suporta filas no modelo (em oposição à simulação de eventos discretos)
  • Não é realmente adequado para modelar qualquer tipo de processo sequencial, como por exemplo, processos de montagem em uma fábrica
  • Técnica de simulação menos estabelecida e, portanto, menos popular entre os praticantes de cirurgia e engenheiros industriais

Algumas aplicações típicas de modelos de simulação baseados em agentes são, por exemplo:

  • Modelos de congestionamento de tráfego
  • Roteamento de robô autônomo (por exemplo, modelos de caminho de formigas)
  • Interações microeconômicas, por exemplo, formação de preços em uma economia de mercado competitiva

Sistemas Dinâmicos como uma abordagem de simulação

Sistemas Dinâmicos é uma abordagem de modelagem que eu e outros analistas da cadeia de suprimentos usamos para modelar sistemas complexos com base em uma estrutura de modelagem composta de estoques, fluxos, variáveis e ciclos de feedback. O objetivo principal é entender o comportamento macro do sistema a partir de loops de feedback antecipados ou conhecidos em um sistema. Essa abordagem é adequada quando, por exemplo, se procura investigar os níveis de estoque em uma cadeia de suprimentos, deseja entender como os ciclos de feedback e os atrasos de feedback afetam os níveis de estoque, as disponibilidades e a escassez de suprimentos.

Vantagens dos modelos de dinâmica de sistemas

  • Adequado para modelar o comportamento do sistema macroscópico
  • Adequado para abordar questões abstratas e considerações políticas

Desvantagens dos modelos de dinâmica de sistemas

  • Provavelmente não é adequado para investigar a influência do comportamento e dependências do sistema microscópico
  • Não é bom para aspectos detalhados de um sistema, como, por exemplo, enfileiramento, agendamento de tarefas, sequências de processos

Algumas aplicações exemplares de modelagem de dinâmica de sistemas são:

  • Investigação de dependências de alto nível da cadeia de suprimentos (tempos de entrega, tempos de anúncio de pedidos, estoques etc.)
  • Efeitos do chicote
  • Interações de tempo de ciclo de alto nível
  • Ciclo de vida da demanda do produto

Simulação de Monte-carlo como uma abordagem de simulação

A simulação de Monte-Carlo é uma técnica de simulação que faz uso de amostragem aleatória. Eu uso essa técnica para problemas que não posso resolver ou modelar com esforço razoável usando outras técnicas. Também uso simulação de Monte-Carlo para avaliação de risco. Este é de fato o uso mais comum da simulação de Monte-Carlo. Por exemplo, pode-se usar a simulação de Monte-Carlo para avaliar o risco da evolução dos preços das commodities (com base puramente em dados históricos de preços).

A simulação de Monte-Carlo sempre aplica amostragem aleatória, mesmo quando o problema ou característica subjacente é determinístico. Voltando ao meu ponto de simulação de Monte-Carlo sendo uma abordagem popular para avaliação de risco de formação de preços (mercados de ações, commodities, etc.), posso, por exemplo, usar esta técnica de simulação para prever o desenvolvimento de preços de commodities e ações. Eu também posso usar uma abordagem analítica para isso, no entanto, com maior esforço e custo.

Vantagens dos modelos de simulação Monte-Carlo

  • Pode analisar sistemas que não são determísticos
  • Pode investigar o comportamento estocástico do sistema
  • Abordagem flexível (simulação de Monte-Carlo é um conceito e pode ser aplicado de várias maneiras)
  • Abordagem adequada quando as abordagens analíticas são inviáveis ou só podem ser realizadas com alto esforço e/ou custo
  • Por exemplo, a simulação de Monte-Carlo pode prever preços de commodities ou ações, enquanto uma abordagem analítica determinística seria viável, mas mais difícil de implementar e entender

Desvantagens dos modelos de simulação de Monte-Carlo

  • A qualidade dos resultados da simulação depende muito da qualidade dos dados de entrada
  • Nenhuma consideração específica de filas de tarefas e sequenciamento
  • Ignora dependências estatísticas entre variáveis
  • Abordagem de modelagem não natural, requer alto nível de abstração pelo desenvolvedor do modelo

O jogo como uma técnica de simulação

O jogo é uma técnica de simulação que é amplamente utilizada na gestão da cadeia de fornecimento. O termo “jogos” pode, por exemplo, se referir à preparação e execução de workshops nos quais os participantes assumem papéis relevantes e simulam a execução de processos e procedimentos. Um exemplo disto é um roleplay que simula a execução de um processo de produção simples. Eu uso jogos para investigar estratégias de controle de produção concorrentes/alternativas em workshops com vários participantes de diferentes papéis. Também usei simulações de jogos nas quais tive planejadores de produção falando através de suas etapas diárias de planejamento na forma de uma oficina para entender suas rotinas, preocupações e lógica de tomada de decisão.

Ao longo do workshop, por exemplo, apresentarei aos planejadores de produção uma situação relevante (por exemplo, uma demanda definida, estoque, backlog ou cenário de disponibilidade) e, na forma de discussões interativas, usarei flipcharts, fluxogramas, papéis pardos e mapas mentais para “executar” todas as etapas de tomada de decisão que os planejadores de produção participantes podem pensar.

É através dessas discussões que novas ideias, por exemplo, para controlar tamanhos de lotes, MOQs ou similares, podem ser introduzidas de forma eficaz em qualquer tipo de organização. Uma das principais razões para isso é que um “jogo” desse tipo permite que todos estejam na mesma página em relação a processos e procedimentos. Isso evita mal-entendidos e aumenta a aceitação entre a equipe operacional (neste caso, os planejadores de produção). Em suma, a simulação de “jogos” pode resultar em maior transparência do processo, verificações de cenários e, portanto, menores riscos, coleta de feedback antecipado, revisão por pares pelas partes interessadas e teste rápido de novas ideias e conceitos. Além disso, é uma abordagem que não requer fortes habilidades quantitativas.

Vantagens do jogo como técnica de simulação

  • Permite roleplay e análise de cenários, por exemplo, treinar pessoal, aumentar a conscientização ou testar estratégias, processos e procedimentos
  • Pode ser uma boa abordagem para análise conceitual, por exemplo, para comparar diferentes lógicas de controle (por exemplo, push vs. pull)
  • Muitas vezes assume a forma de um workshop inclusivo, que é uma ótima maneira de comunicar ideias e conceitos

Desvantagens do jogo como técnica de simulação

  • Tende a simplificar demais (por exemplo, não é realmente uma abordagem orientada a dados)
  • Não é uma abordagem adequada para a maioria dos casos, além de treinamento, teste de processo e procedimento ou avaliação de estratégia e conceito

Ferramentas de simulação baseadas em planilhas

As planilhas são amplamente utilizadas na indústria. Algumas planilhas implementam o que pode ser chamado de simulações. Exemplos disso são planilhas que, por exemplo, calculam os níveis de estoque com base nos padrões de pedidos e prazos de entrega esperados, ou que estimam os custos de transporte para diferentes locais de armazenamento. Muitos outros exemplos poderiam ser listados aqui.

Vantagens dos modelos de simulação baseados em planilhas

  • Abordagem muito flexível
  • Intercambiável e interativo (pelo menos se o desenvolvedor de planilhas quiser)
  • Boa abordagem para problemas que podem ser descritos com somas e acréscimos, por exemplo, evolução de estoque, evolução de vendas, previsões de pendências, etc.

Desvantagens dos modelos de simulação baseados em planilhas

  • Modelos mais complexos rapidamente se tornarão confusos para outros analistas, ou seja, difíceis de seguir (por exemplo, uma simulação de Monte-Carlo pode ser mais fácil de interpretar e entender no código-fonte Python em comparação com uma planilha do Excel)
  • Não é adequado para modelos baseados em agentes, eventos discretos ou dinâmica de sistemas – mesmo que se possa tentar, por exemplo, implementar um modelo baseado em agente no Excel, ele rapidamente se tornará confuso

Leave a Reply

Deixe um comentário

O seu endereço de e-mail não será publicado.

Esse site utiliza o Akismet para reduzir spam. Aprenda como seus dados de comentários são processados.

Close

Meta