Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO INSTITUTO COPPEAD DE ADMINISTRAÇÃO BRUNA POUGY FERREIRA DA CUNHA GESTÃO DE ESTOQUES SOB INCERTEZA: EXPLORANDO O USO DE SISTEMAS DE INFERÊNCIA FUZZY EM DECISÕES DE TAMANHO DE PEDIDO Rio de Janeiro 2015 i BRUNA POUGY FERREIRA DA CUNHA Dissertação de Mestrado apresentada ao Programa de Pós- Graduação em Administração, Instituto Coppead de Administração, Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Mestre em Administração (M.Sc.). Orientador: Peter Fernandes Wanke, Ph.D. Rio de Janeiro 2015 ii iii Bruna Pougy Ferreira da Cunha GESTÃO DE ESTOQUES SOB INCERTEZA: Explorando o uso de sistemas de inferência Fuzzy em decisões de tamanho de pedido Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Administração, Instituto COPPEAD de Administração, Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Mestre em Administração (M.Sc.) Aprovada por: __________________________________________________ Prof. Peter Fernandes Wanke, D.Sc. – Orientador (COPPEAD/UFRJ) __________________________________________________ Prof. Luis Antonio Dib, D.Sc. (COPPEAD/UFRJ) __________________________________________________ Prof. Carlos Alberto Cosenza, D.Sc. (COPPE/UFRJ) Rio de Janeiro 2015 iv AGRADECIMENTOS Agradeço a meu pai, Sergio Henrique, pelo intenso e carinhoso envolvimento em meus projetos de vida, pelas conversas diárias, pela insistência em me direcionar para as melhores escolhas e pela confiança depositada em mim. A minha mãe, Alice, agradeço pelos abraços apertados e pelo suporte em tudo que precisei, facilitando imensamente a árdua tarefa de escrever uma dissertação. Agradeço ao meu irmão, Roberto, por me motivar a seguir seus passos em busca da excelência. A meu avô, José, agradeço a disposição para me ouvir contar sobre novas descobertas. As minhas avós Teresa e Therezinha, agradeço os cafunés que sempre acalmam nas horas difíceis. Ao meu noivo Fernando, agradeço a paciência, as palavras de incentivo e principalmente as risadas que tornam todos os dias bem humorados. As minhas amigas Fernanda Fonseca, Claudia Sardinha, Paula Nunez, Paula Gomes e Maria Estephania, que souberam segurar minha angústia em um dia ruim e me abriram os olhos para a realidade. As parceiras Rachel Lino e Mariana Coelho, por terem me acompanhado, aconselhado e ajudado neste e em outros projetos. A amiga engenheira Vanessa Pinheiro, pelas conversas profundas sobre logística, trabalho e vida. As amigas companheiras de alegrias e de sufocos vividos ao longo do mestrado, Larissa Fernandes, Carla Reis, Paula Arantes e Barbara Calabria, agradeço pelas palavras motivacionais quando foram necessárias. Agradeço ao meu orientador Prof. Peter, por me apresentar aos assuntos mais novos na academia, por indicar leituras certas nos momentos certos e por contribuir para o meu crescimento intelectual. Agradeço aos colegas de trabalho, Letícia Gavazzi e Denis Dayan, pela disponibilidade de tempo e por terem compartilhado seu conhecimento e informação. Por fim, agradeço a Deus, por ter proporcionado tudo o que foi mencionado acima e por estar presente, me acompanhando diariamente. v RESUMO FERREIRA DA CUNHA, Bruna Pougy. Gestão De Estoques Sob Incerteza: Explorando O Uso De Sistemas De Inferência Fuzzy Em Decisões De Tamanho De Pedido, Orientador: Peter Wanke. Rio de Janeiro: UFRJ/COPPEAD, 2014. Dissertação (Mestrado em Administração) Uma vez que a raiz da problemática na gestão de estoques é a incerteza presente na demanda dos produtos, é necessário buscar a melhor forma de incluir a incerteza em modelos que sejam eficazes e, ao mesmo tempo, sejam aplicáveis no complexo dia-a-dia de gerentes. Neste trabalho foram apresentadas duas formas de incluir a incerteza no planejamento de estoques: a primeira contempla a incerteza estocástica, resolvida através de um modelo de Programação Dinâmica Estocástica (PDE); a segunda contempla a incerteza fuzzy, resolvida por um Sistema de Inferência Fuzzy (SIF). O foco de análise foi dado à exploração do uso de Sistemas de Inferência Fuzzy no problema clássico de planejamento de estoques: o problema da definição do tamanho de pedido. Este problema é bem representativo do que ocorre na realidade, pois apresenta uma solução de compromisso entre abrir pedidos frequentes ou manter estoque armazenado. Para que fosse possível uma comparação entre estes dois modelos, para um mesmo cenário de demanda, calculou-se o valor presente do custo total associado à decisão de pedidos tomada por cada modelo. A metodologia de teste foi a Simulação Monte Carlo Fuzzy em Duas Dimensões, na qual 10.540 cenários de demanda foram analisados. Os resultados do trabalho indicaram que a PDE modelada é robusta em relação à vagueza da demanda, resultando consistentemente em custos totais menores do que o modelo SIF. Por outro lado, os resultados apresentados pelo modelo SIF aproximaram-se bastante dos resultados otimizados da PDE. As distribuições das decisões foram semelhantes e os custos variam 40% do valor ótimo. Sendo assim, considerando uma situação em que não seja possível, ou viável, resolver o problema por um modelo PDE, recomenda-se o uso dos sistemas de inferência fuzzy. Por fim, apresenta-se um framework indicando as situações nas quais é recomendável usar o modelo SIF para o problema de definição do tamanho de pedido. Palavras Chave: Tamanho Econômico de Pedido; Sistema de Inferência Fuzzy; Programação Dinâmica Estocástica, Simulação Monte Carlo Fuzzy 2D vi ABSTRACT FERREIRA DA CUNHA, Bruna Pougy. Gestão De Estoques Sob Incerteza: Explorando O Uso De Sistemas De Inferência Fuzzy Em Decisões De Tamanho De Pedido, Orientador: Peter Wanke. Rio de Janeiro: UFRJ/COPPEAD, 2014. Dissertação (Mestrado em Administração) As the root of the problems in inventory management is the uncertain demand for products, it is necessary to seek ways to include this uncertainty in models which are both effective and applicable within manager’s complex daily routines. In this dissertation we present two ways to include uncertainty in inventory planning: the first considers stochastic uncertainty solved through a Stochastic Dynamic Programming Model (PDE); the second treats the fuzziness of the environment, designed through a Fuzzy Inference System (SIF). The focus was given to exploring the use of Fuzzy Inference Systems in the classic problem of inventory planning: the well-known Lot Size Problem. This problem is very representative of what happens in reality, as it deals with the trade-off between the price of ordering frequently and the price of keeping high inventory levels. To compare these two models, for the same demand scenario, we calculated the present value of the total cost associated with the decision by each model. The test methodology was the Two Dimensional Fuzzy Monte Carlo Simulation, in which 10,540 demand scenarios were tested. Our results indicate that the modeled PDE is robust with respect to vagueness in demand, considering it presents consistently lower total costs than SIF’s model. On the other hand, the results presented by SIF model approached quite similar results in relation to the PDE. Distributions of decisions were similar and costs vary mostly 40% of the optimal value proposed by PDE. Thus, considering a situation where it is not possible or feasible to solve the problem by stochastic dynamic programming, we recommendthe use of fuzzy inference systems. Finally, a framework is presented exposing the situations in which it is recommended to use the SIF model for to solve the Lot Size Problem. Key words: Lot Size Problem, Fuzzy Inference System, Stochastic Dynamic Programming, Two Dimensional Fuzzy Monte Carlo Analysis vii Índice de Figuras Figura 1- Possíveis elementos da política de estoques. Adaptado de Gupta et al. 2012 ...... 12 Figura 2 - Esquema ilustrativo de estágios e estados da PDE ............................................. 22 Figura 3 - Sistema de Inferência Fuzzy. ............................................................................... 29 Figura 4 - Esquema representativo dos Sistemas de Inferência Fuzzy Sequenciais ............ 32 Figura 5 – Médias mensais das distribuições de probabilidade da variável demanda .......... 34 Figura 6 - Funções de pertencimento dos parâmetros Mi e Sigma, em diferentes Alfacuts.. 36 Figura 7- Exemplos de funções densidade de probabilidade acumuladas com incerteza nos parâmetros da distribuição ................................................................................................... 37 viii Índice de Tabelas Tabela 1 - Resultado da PDE - Pedidos ótimos para cada estado e estágio ........................ 25 Tabela 2 - Resultado da PDE - custos futuros mínimos em cada estado e estágio .............. 26 Tabela 3 - Comparação entre resultados com base na tabela de pedidos ótimos ou na tabela de custos futuros mínimos ................................................................................................... 27 Tabela 4 - Dados iniciais referentes ao produto "SHF" cedido por gerentes da empresa .... 33 Tabela 5- Resultados mínimos médios e máximos obtidos em ambos os modelos após Simulação Monte Carlo Fuzzy 2D ........................................................................................ 39 Tabela 6 - Resultados divididos por alfacut obtidos em ambos os modelos após Simulação Monte Carlo Fuzzy 2D ......................................................................................................... 40 Tabela 7 - Resultado da regressão Tobit ............................................................................. 45 Tabela 8 - Framework indicativo de quando usar o modelo SIF e o modelo PDE ................ 46 ix Índice de Gráficos Gráfico 1 - Boxplot dos resultados de Pedidos Anuais em cada modelo ............................................. 41 Gráfico 2 - Densidade de Probabilidade dos resultados de Pedido Anual em cada modelo ............... 42 Gráfico 3 - Comparativo para a relação entre pedido anial e custo total da decisão para cada modelo ............................................................................................................................................................... 42 Gráfico 4 - Boxplot dos resultados de Custos Totais em cada modelo ................................................ 43 Gráfico 5 - Histograma de frequência observada do erro percentual entre os custos totais dos dois modelos ................................................................................................................................................. 44 x Lista de Siglas e Abreviaturas ABIHPEC - Associação Brasileira da Indústria de Higiene Perfumaria e Cosméticos DRP - Distribution Requirements Planning EOQ - Economic Order Quantity ERP - Enterprise Resource Planning HPPC - Higiene Pessoal, Perfumaria e Cosméticos JIT - Just in Time MRP - Material Requirements Planning MRP II - Manufacturing Resource Planning PDE - Programação Dinâmica Estocástica SIF - Sistemas de Inferência Fuzzy SMCF2D - Simulação Monte Carlo Fuzzy em Duas Dimensões xi Sumário 1. INTRODUÇÃO .............................................................................................................. 1 1.1. Motivação para a pesquisa ........................................................................ 1 1.2. Estrutura de Pesquisa ............................................................................... 4 2 REVISÃO DE LITERATURA ......................................................................................... 5 2.1. Perspectiva histórica do problema ............................................................. 5 2.2. Breve resumo sobre Lógica Fuzzy ............................................................. 9 2.3. Fragmentação da literatura ...................................................................... 11 3. MODELAGEM ............................................................................................................. 14 3.1. Definição do problema ............................................................................. 14 3.2. Formulação ............................................................................................. 19 3.3. Primeiro Modelo: Programação Dinâmica Estocástica (PDE) .................. 21 3.3.1. Metodologia.......................................................................................... 21 3.3.2. Desenvolvimento do modelo ................................................................ 23 3.3.3. Tomada de decisão estocástica ........................................................... 24 3.4. Segundo Modelo: Sistema de Inferência Fuzzy (SIF) .............................. 28 3.4.1 Metodologia ........................................................................................... 28 3.4.2 Desenvolvimento do modelo ................................................................. 30 3.4.3 Tomada de decisão fuzzy ...................................................................... 31 4. MÉTODO DE AVALIAÇÃO DOS MODELOS ............................................................. 33 4.1. Dados de entrada .................................................................................... 33 4.2. Metodologia de Simulação....................................................................... 34 4.2.1. Sobre o método ....................................................................................... 34 4.2.2. Preparação para simulação ..................................................................... 35 4.2.3. Rodadas de Simulação ............................................................................ 38 5. DISCUSSÃO DE RESULTADOS ................................................................................ 41 5.1. Comparando decisões tomadas por cada modelo ................................... 41 5.2. Comparando o custo total em cada modelo ............................................. 43 6. CONCLUSÃO ............................................................................................................. 47 6.1. Limitações da pesquisa ........................................................................... 48 6.2. Recomendações para futuras pesquisas ................................................. 49 BIBLIOGRAFIA .....................................................................................................517 1 1. INTRODUÇÃO 1.1. Motivação para a pesquisa Considere o seguinte caso: o gerente de um departamento de planejamento de estoques de uma multinacional do ramo de cosméticos no Brasil está pressionado a propor uma solução rápida para redução do valor total empatado em seu armazém, sem diminuir de forma alguma o nível de serviço padrão objetivado pelos executivos da empresa. Após fazer uma análise dos itens em seu estoque, o gerente percebe que existem quantidades excessivas de itens que não são prioridade no momento e carência de itens muito importantes para garantir a meta de serviço. Ou seja, existe tanto o risco de perder produtos por validade ou obsolescência, quanto o risco de perder vendas por falta de presença no mercado. É o pior dos casos. O valor financeiro investidonaquele armazém não está gerando os benefícios que deveria. Seu estoque está desbalanceado, ainda que sua equipe tenha tido excelentes resultados de produtividade nos últimos meses. O gerente compreende que, em um ambiente cada vez mais difícil de prever e cujos consumidores são influenciados pela internet em uma velocidade nunca antes observada, o uso do sistema de gestão da operação como principal ferramenta para gerenciamento dos níveis de estoque não está sendo suficiente para garantir um armazém saudável e funcional. Ele, então, consulta sua equipe para verificar como está sendo feita a parametrização e o controle das ações deste sistema, e descobre que há mais de um ano não se fazia uma modificação nos parâmetros de entrada. O gerente conclui que sua operação não está configurada para contemplar a complexidade da conjuntura em que se encontram. Adicionalmente, a equipe explica que os parâmetros atualmente regentes do sistema foram calculados por um antigo diretor que estava há muitos anos na empresa e conhecia muito bem cada um dos produtos. No entanto, este diretor já havia se aposentado e ninguém conseguia reproduzir seus cálculos. O gerente resolve recorrer à literatura acadêmica em busca de soluções que o ajudem a controlar a situação e re-parametrizar o seu sistema. Entretanto, sua pesquisa retorna incontáveis modelos para calcular ‘quanto pedir’ e ‘quando pedir’, todos com premissas diferentes, muito complexos para aplicar na prática. O gerente precisa decidir rápido como agir para dar uma resposta aos seus superiores. 2 A situação descrita acima é muito comum no âmbito do planejamento de estoques e já foi citada por vários autores (PRASAD, 1994; MULA, POLER e GARCIA, 2006; BUSHUEV, GUIFFRIDA, JABER e KHAN, 2015). Logo de inicio, percebe-se que existe uma postura incorreta em relação ao papel do sistema de gestão da operação nas organizações. Estes sistemas, em geral, oferecem métodos padronizados e determinísticos, que são simplificados demais para ambientes sujeitos ao impacto significativo de incertezas. Posto isso, são necessários modelos de auxílio à tomada de decisão, que ajudem a criticar e adaptar propostas oferecidas pelo sistema de gestão da operação. Contudo, existe uma grande fragmentação da teoria do planejamento de estoques, dificultando a escolha do modelo adequado (GUPTA, GARG e TEWARI, 2012). Contornando este problema, na falta de análises mais profundas, usuários confiam cegamente nas opiniões de especialistas, que fazem uso de soluções intuitivas e ajustes manuais frequentes “por fora” do sistema (JONSSON; MATTSSON, 2002; TEMPELMEIER, 2013). Bushuev et al.(2015) concordam que a prática na área de planejamento de estoques não acompanhou a evolução da teoria: usuários ainda se baseiam em modelos impossíveis de serem observados na realidade. Mesmo que a prática tenha se adaptado ao longo dos anos, admitindo filosofias enxutas e processos que ajudam a manter reduzido o valor econômico do estoque, Andriolo et al.(2014) comentam que existe uma deficiência de modelos teóricos para auxiliar gerentes a atuar diante das incertezas. Isto se agrava com o aumento da complexidade imposta pela Era da Comunicação, na qual novos elementos, como velocidade, diferencial e proximidade com o público, são cruciais da dinâmica do Mercado. Neste sentido, na última década discute-se na academia um novo paradigma para o planejamento de estoques nas organizações modernas: encontra-se em Chikán (2011), por exemplo, a ideia de estoques não apenas como um infortúnio financeiro, mas também como uma forma de oferecer flexibilidade, de impulsionar a fidelização de clientes, além de proporcionar colaboração entre integrantes da cadeia de suprimentos. A proposta desta pesquisa se encaixa neste contexto: como inserir a problemática atual da gestão de estoques neste novo paradigma? Que propostas podem ser feitas para aproximar a teoria e a prática do planejamento de estoques? 3 Como ajudar o gerente a parametrizar e criticar os resultados propostos pelo seu sistema para incorporar a incerteza em suas análises? O trabalho está embasado em situações reais relatadas por gerentes e diretores da filial brasileira de uma multinacional francesa do ramo de cosméticos. Através de entrevistas e diversas interações com funcionários da empresa, foi traçado o diagnóstico descrito acima da problemática observada no dia-a-dia do departamento de planejamento de estoques. O ambiente de negócios da indústria de HPPC (Higiene Pessoal, Perfumaria e Cosméticos) no Brasil , assim como o setor da Moda, é muito influenciado por tendências de comportamento, características de gerações e pela força da troca de informações no domínio digital. Além disso, a inovação e o lançamento constante de novos produtos são tendências observadas nessa indústria, o que configura um ambiente de instabilidade alta (ABIHPEC, 2014). Segundo os relatos dos gerentes, é difícil manter análises consistentes de dados históricos uma vez que o ambiente é muito dinâmico e mudanças ocorrem a todo o momento. Uma proposta encontrada na literatura para lidar com as questões expostas acima é a Teoria Fuzzy, embasada nos conceitos propostos por Zadeh (1965). Esta teoria oferece ferramentas para lidar com dados incompletos e imprecisos, ajuda a traduzir o pensamento humano em uma linguagem computacional, além de permitir que situações não estáveis, como as observadas nos ambientes de negócios, sejam rapidamente incorporadas nos modelos através do raciocínio aproximado. Nesta pesquisa pretende-se, portanto, explorar a aplicação da Lógica Fuzzy no problema clássico do planejamento de estoques, que é o problema de definição do tamanho de pedido (Lot Size Problem). Este problema consiste na decisão antecipada de ‘quanto pedir’ e ‘quando pedir’ um item de estoque, considerando uma previsão de demanda e a relação entre os custos de abrir um pedido (fixo) e de carregar estoque de um período para o outro (variável). A decisão deve respeitar um critério de serviço que seja estratégico para a empresa. (GLOCK et al., 2014). Busca-se entender de que formas e em que situações esta abordagem pode ser aplicada para aproximar a problemática real do planejamento de estoques com a teoria acadêmica. 4 1.2. Estrutura de Pesquisa Este trabalho se estrutura da seguinte forma: no próximo capítulo faz-se uma breve revisão da perspectiva história do problema de definição do tamanho de pedido, buscando compreender todas as suas facetas. Revisam-se também os principais conceitos da Lógica Fuzzy, para que se possa compreender a metodologia utilizada. No capítulo três serão apresentados dois modelos, que representam duas abordagens para incorporar a incerteza no problema em questão. A primeira é a tradicional abordagem estocástica, concebida através da Programação Dinâmica Estocástica (PDE). A segunda abordagem consiste na aplicação da metodologia de Sistemas de Inferência Fuzzy (SIF). Para cada abordagem será desenvolvido um modelo que decide o tamanho do pedido a ser comprado em cada período, minimizando os custos e atendendo ao nível de serviço estipulado. Para garantir que ambos decidem sob as mesmas condições e que, portanto, seus resultados podem ser confrontados, os modelos serão desenvolvidos a partir das mesmas premissas, bem definidas por uma formulação matemática. Para observar o comportamento e testar o desempenho dos modelos, no capítulo quatro, será apresentado um método de avaliação adequado para incorporar a incerteza presente no ambiente de decisão. O método se chama Simulação Monte Carlo Fuzzy em Duas Dimensões (SMCF2D) e foi discutido por Arunraj, Mandal e Maiti (2013). Assim como uma simulação Monte Carlo normal, o método de avaliação submete os modelos PDE e SIF às mesmas séries de demanda aleatórias. As decisões são tomadas porcada modelo e o processo é repetido milhares de vezes até que se possa ter uma ideia de como cada modelo se comporta e quais são os resultados esperados na média. A grande diferença deste para o método de simulação tradicional é que a SMCF2D considera que existe incerteza nos parâmetros que definem as distribuições de probabilidade das demandas, modelando estes parâmetros com funções de pertencimento fuzzy. Sendo assim, no capítulo cinco apresenta-se uma análise exploratória dos dados obtidos após as rodadas de simulação em cada modelo. A conclusão é apresentada no capítulo 6. Sugestões para futuras pesquisas e limitações da pesquisa também são apresentadas no último capítulo. 5 2 REVISÃO DE LITERATURA 2.1. Perspectiva histórica do problema Em 2013 completou-se 100 anos desde que Harris (1913) publicou o primeiro modelo de decisão do tamanho de pedido ideal, o Economic Order Quantity (EOQ). O modelo EOQ calcula o tamanho de pedido ótimo de um produto a ser encomendado para atender a uma demanda constante, considerando um tempo de entrega de fornecedores (lead time) também constante e um consumo controlado do item durante o tempo de entrega. O modelo EOQ tem por variáveis de decisão o tamanho de pedido (Lot Size ou Order Quantity) e o ponto de pedido (Re-order Point) que são obtidas de forma a minimizar a função objetivo do custo total de estoques representado pela soma do custo fixo de abrir pedidos mais o custo mensal de armazenar o estoque durante o tempo que for necessário. O modelo EOQ, no entanto, é muito simplificado para ser verificado na prática e por isso inúmeras variantes e extensões do mesmo foram publicadas nos anos seguintes ( ANDRIOLO, BATTINI, GRUBBSTRÖM, PERSONA e SGARBOSSA, 2014). Wagner e Whitin (1958), por exemplo, descartaram a premissa de demanda constante e estacionária, ficando famosos por seu modelo dinâmico de decisão da quantidade econômica de pedido baseado no algoritmo do caminho mais curto (Shortest Path Algorithm). Entretanto, a maioria dos modelos que sucederam o EOQ parte da premissa de que os dados de entrada do problema são determinísticos e conhecidos. Esta premissa é cada vez mais infundada perante a velocidade com que mudanças acontecem no mundo atual. Uma primeira evolução deste problema no sentido de se aproximar da realidade e incorporar a existência da incerteza foi a consideração da premissa de que os dados de entrada podem ser descritos como variáveis aleatórias. Arrow, Harris & Marschak (1951), foram os pioneiros dessa evolução. Com eles teve início a conhecida “época de ouro” da literatura sobre o planejamento de estoques, que durou por várias décadas. (CHIKÁN, 2011; BUSHUEV et al., 2015). Os autores defenderam que, para traçar uma política racional de estoques era necessário “fixar condições controláveis de forma a minimizar o valor esperado da função objetivo, dado que são conhecidas as distribuições de probabilidade dos parâmetros não controláveis”. 6 A teoria estocástica do planejamento de estoques precisou incorporar novos elementos nos modelos, inserindo conceitos como o ‘custo da falta’, o ‘volume pendente’ de entrega (backorders), e a ‘penalidade’ incorrida pela ocasião de falta. Modelos estocásticos podem ser encontrados em Dvoretzky et Al. (1952); Bellman et Al. (1955); Karlin (1960); Bookbinder e Tan (1988); Tarim e Kingsman (2004), Tempelmeier (2007), Glock et Al. (2014). Karlin (1960) assim como Wagner e Whitin (1958), teve grande importância ao discutir a estacionariedade no ambiente estocástico, inserindo neste contexto o conceito de ‘rolamento’ do horizonte de decisão (rolling horizons). No horizonte de decisão com rolamento tomam-se apenas as decisões mais imediatas, repetindo o mesmo processo em cada período seguinte, quando ocorrer uma atualização da informação relevante. No entanto, este conceito, aliado à progressiva inserção de computadores na indústria que ocorria nos anos 50 e 60, originou grande mudança na prática da gestão de estoques (CHIKÁN, 2011; ANDRIOLO et al., 2014). O tema conhecido como ‘planejamento de pedidos defasado no tempo’ (time- phased requirements planning), foi muito adotado e suscitou significativa influencia na forma como a gestão de estoques foi e é regida até os dias atuais. O assunto foi amplamente explorado por Orlicky (1975), em seu livro Material Requirements Planning (MRP), no qual o autor coloca a lógica racional do sistema MRP como “a nova filosofia da gestão de produção e gestão de estoques”. O Método MRP para planejamento de estoques consiste na reunião de diversas informações sobre uma quantidade imensa de produtos em um mesmo banco de dados, permitindo que suas necessidades brutas e líquidas sejam calculadas conforme o período exato em que serão demandadas. Assim, desconta- se da data de real necessidade o tempo de entrega do pedido para que o estoque esteja disponível exatamente na data na qual será consumido. Uma das principais características do MRP, segundo Orlicky, é o fato de que o modelo garante produtividade na prática, já que permite que milhares de itens sejam tratados, analisados e planejados em poucos dias. A automatização do planejamento de estoques possibilitou o desenvolvimento da ferramenta MRP não só como software para gestão operacional, mas principalmente como lógica predominante para realizar sequenciamento de pedidos e planejamento de produção. O MRP para planejamento de materiais foi estendido para o planejamento de distribuição de produtos acabados, o DRP (Distribution 7 Requirements Planning), e também para o planejamento integrado de recursos de produção, MRP II (Manufacturing Resource Planning), que engloba diversas operações dentro da unidade industrial. Em seguida, evoluiu mais ainda para o sistema integrado de gestão empresarial, ERP (Enterprise Resource Planning) que passou a ser comercializado pela SAP e seus concorrentes, tornando-se uma referencia mundial em gestão e planejamento da operação. Mais detalhes sobre assa evolução podem ser encontrados em Mabert (2007). Mesmo que outras filosofias como JIT (Just in Time) e Produção Enxuta (Lean Manufacturing) tenham sido amplamente discutidas e praticadas nos anos seguintes, Jonsson & Mattsson (2002) concluíram que o sistema MRP foi o método mais usado nas empresas para gestão de estoques até os tempos atuais. A eficiência e a performance do MRP, assim como a maioria dos sistemas, são extremamente dependentes de seus parâmetros de entrada. Murthy & Ma (1991) afirmam que o MRP tem potencial para oferecer resultados ótimos de estoque, no entanto, tudo depende de como serão calculados os parâmetros de entrada e como serão mantidos atualizados conforme a necessidade. Por outro lado, Al-Hakim & Jenney (1991), verificam que o sistema MRP não motiva os planejadores a praticarem a constante atualização dos parâmetros de entrada, sendo comum a consequência de que o planejamento de estoques acaba sendo conduzido por processos desalinhados com a realidade. Essencialmente, Jonsson & Mattsson (2002) constatam que, em geral, os parâmetros do MRP não são determinados por abordagens analíticas ou modelos matemáticos e sim por julgamento e experiência dos especialistas. Outra importante crítica ao MRP, que vem sendo discutida até hoje, é o fato de que o sistema trata seus parâmetros de entrada como sendo determinísticos. (LEE et al., 1991; DOLGUI; OULD-LOULY, 2002; MULA; POLER; GARCÍA- SABATER; et al., 2006; TEMPELMEIER, 2007). Por considerar uma versão determinística do problema de definição do tamanho de pedido, a solução proposta pelo MRP lida com a incerteza de uma forma rígida e pré-determinada. O sistema não incorpora a incerteza na decisão, mas sim ajusta sua decisão de forma a “driblar” a incerteza, o que é uma forma simplificada de atuar nesta questão. Grabot (2005) explica que existemduas soluções no sistema MRP para lidar com incerteza: o uso de estoques de segurança (Safety Stock) ou da antecipação de pedidos (Safety Time). O primeiro caso significa pedir uma quantidade fixa a mais, 8 que garanta o atendimento de uma demanda não prevista. Já o segundo caso constitui a formação de uma “cobertura de estoque” de acordo com as previsões de demanda observadas. O ponto de pedido é antecipado em uma quantidade fixa de tempo (por exemplo, 30 dias), para garantir que, caso haja uma diferença significativa na demanda, exista tempo suficiente de reação junto ao fornecedor para solucionar o problema. Ambas as soluções, no entanto, tem caráter reativo e não preventivo (WHYBARK & WILLIAMS, 1976; WIJNGAARD & WORTMANN, 1985; DOLGUI & OULD-LOULY, 2002). Não obstante, Srinidhi & Tayi (2004) defendem que a filosofia MRP ainda é mais adequada para lidar com a incerteza do que a filosofia JIT, já que a abordagem japonesa exige que se tenha alto controle sobre os processos e o ambiente de decisão. Tarim e Kingsman (2004), por sua vez, criticam alterações frequentes em prazos e volumes de pedido, ocorridas em situações nas quais pedidos são feitos antecipadamente em ambientes incertos. O autor explica que essas mudanças são a causa mais comum de “nervosismo” na cadeia de suprimentos. Este “nervosismo” tem sido foco de estudo na literatura do planejamento de estoques. É observado na ocasião de ajustes manuais, cancelamento de pedidos, mudanças nos volumes e valores, entre outros, implicando em instabilidade no planejamento dos diferentes estágios da cadeia de suprimentos. Seu efeito culmina em custos indesejados e desalinhamento (MURTHY; MA, 1991; TUNC et al., 2013) Constata-se que o planejamento de estoques através do MRP é inconsistente diante da dinamicidade e o aumento gradativo da incerteza do ambiente de decisão, uma vez que trata a incerteza de forma determinística. Callarman & Hamrin (1984) e Vargas (2009), corroboram esta visão ao criticar que a performance das soluções de segurança propostas pelo MRP diminuem drasticamente conforme a incerteza aumenta. Encontra-se em Wijngaard & Wortmann (1985) a opinião de que mesmo que o uso dessas “manobras de segurança” no MRP pareça eficiente, as mesmas não atuam em cima do verdadeiro problema da incerteza e acabam por gerar outros problemas indesejados como, por exemplo, o vencimento de estoques de segurança e a sobra de insumos obsoletos. Sendo assim, compreende-se que desde o surgimento do MRP e suas extensões como principais sistemas para planejamento de estoques, a modelagem teórica acabou ficando muito defasada da prática e consequentemente o estudo da incerteza não foi adequadamente inserido na rotina dos usuários. Chikán (2009) 9 concorda afirmando que, enquanto o MRP permanece como principal sistema de planejamento das empresas, a pesquisa continua evoluindo, mas a prática não acompanha. Nos anos 90 e 2000, autores começam a discutir casos em que dados ou séries históricas não conseguem explicar totalmente o comportamento futuro de variáveis aleatórias, impondo uma segunda evolução do problema de planejamento de estoques. (HANDFIELD et al., 2009; REZAEI, 2012). Kao & Hsu (2002), por exemplo, comentam que nem sempre existem dados suficientes para abastecer modelos probabilísticos, enquadrando o problema de estoques em um ambiente de decisão fuzzy (BELLMAN; ZADEH, 1970), no qual os fatores de decisão não são claros ou só podem ser descritos por aproximações. Adeptos da teoria da Lógica Fuzzy começaram a questionar se a natureza da incerteza do problema de definição do tamanho de pedido era mesmo estocástica, indicando que a modelagem fuzzy poderia ser mais adequada para problemas desta categoria. (LEE et al., 1991; KAO; HSU, WEN KAI, 2002; GUMUS; GUNERI, 2009; WONG; LAI, 2011). Grabot.(2005), por exemplo, defendeu que é mais fácil fazer uma análise subjetiva da incerteza em ambientes complexos do que usar cada vez mais manobras para tentar traduzi-la em um modelo matemático. Guiffrida (2009) e Wong e Lai (2011) fazem uma vasta revisão de literatura sobre as abordagens e o uso da teoria fuzzy na área de planejamento de estoques e administração das operações, alertando que a lógica fuzzy deve ser usada como uma abordagem alternativa para lidar com a incerteza no problema de definição do tamanho de pedido, uma vez que a teoria tem alta capacitação para lidar com a vagueza e a ambiguidade das situações reais. 2.2. Breve resumo sobre Lógica Fuzzy A Teoria Fuzzy é um dos componentes básicos da computação “Soft”, ramo de estudos reconhecido por sua habilidade de incorporar imprecisões, incertezas, vaguezas e ambiguidades existentes no processo decisório humano, em simulações computacionais. (KO et al., 2010). Em outras palavras, a Teoria Fuzzy é uma ferramenta que permite modelar o pensamento e as percepções humanas em linguagem computacional. A teoria tornou-se relevante conforme apareciam gaps entre modelos matemáticos e interpretações empíricas extraídas da realidade (ROSS, 2009). Ela 10 representa uma quebra de paradigma no que diz respeito à forma como a ciência é usada para modelar e explicar a realidade (SATYADAS; CHEN, 1992; MEYER et al., 1993; YUAN, 1995). Parte importante da Teoria Fuzzy, a Lógica Fuzzy é um sistema lógico multivariado que considera graus de veracidade intermediários, em contraste com a lógica aristotélica booleana do “verdadeiro ou falso” (ZADEH, 1975). Isto significa que pode haver “meias verdades”, que são afirmações que dependem de outros fatores para se tornarem concretas, ou seja, verdades imprecisas. Dois conceitos são fundamentais para a compreensão da lógica Fuzzy: • Variável linguística - é aquela que recebe valores linguísticos (palavras) ao invés de números. Por exemplo, a variável “Altura” recebe os valores “Alto”, “Baixo”, “Gigante” ao invés de receber “1,70m” e etc. • Função de pertencimento (Membership Function) - é a função que define a que grau um valor pertence à variável linguística que lhe é atribuída. Por exemplo: 1,70m de altura pertencem 70% à variável linguística “Altura Baixa”, mas pertencem também 10% à variável linguística “Altura Alta”, dependendo do contexto. No caso da Lógica Fuzzy, “verdade” se torna uma variável linguística, podendo assumir os valores “verdadeiro”, “falso”, “muito verdadeiro”, “levemente verdadeiro” e etc. de acordo com sua função de pertencimento. (YUAN, 1995; ZADEH, 2008). A Lógica Clássica configura artifícios para desenvolver modelos matemáticos a partir de raciocínios. Do mesmo modo, a Lógica Fuzzy permite que incertezas inerentes ao raciocínio humano sejam incorporadas nos modelos computacionais reduzindo o gap entre teoria e a prática. (ZADEH, 2008). Zadeh percebeu duas características singulares do raciocínio humano que não eram contempladas nos modelos tradicionais: i) as considerações do raciocínio humano são melhores definidas por palavras do que por expressões numéricas; ii) o cérebro humano só processa informações precisas em uma fração do tempo, em todo o restante ele trabalha em função de aproximações, ou conexões implícitas de conhecimento. (ZADEH, 1965, 1975, 1996, 2006, 2008). Por este motivo, a Lógica Fuzzy também é chamada de lógica do raciocínio aproximado (approximate reasoning) (ROSS, 2009; KO et al., 2010; AZADEGAN et al., 2011). Quando o comportamento de eventos é 11 pouco compreendido ou existem poucos dados disponíveis a seu respeito e quando uma solução aproximada, mas rápida, é suficiente, a Lógica Fuzzy tem sido constatada como a mais adequada para ser usada no processo de modelagem. (MUNAKATA; JANI, 1994; WONG; LAI, 2011). Por configurar uma linguagem que permite a modelagem computacional do raciocínio humano, uma importante aplicação da Lógica Fuzzy foram os sistemas especialistas, sistemascomputacionais que simulam o processo racional de um especialista em algum assunto específico. Seu objetivo é tornar a experiência e capacidade de solução de problemas de um especialista disponível para aqueles que não são tão experientes no assunto (MUNAKATA; JANI, 1994; KO et al., 2010). Através de variáveis linguísticas o conhecimento do especialista pode ser bem compreendido pelo sistema (ZADEH, 2006; ROSS, 2009). Um Sistema de Inferência Fuzzy (Fuzzy Inference System) é um tipo especial de sistema especialista, que parte de uma base de conhecimento adquirido para gerar uma conclusão. O sistema é composto por regras de inferência, que transformam os inputs em um único output. Este será “defuzzificado” para voltar a possui caráter preciso (crisp) (ZADEH, 1972). Sistemas de inferência são apropriados para o ambiente de negócios, finanças e administração como forma de traduzir instruções, conclusões, avaliações, previsões e até mesmo intuições em um sistema computacional. Neste caso, os sistemas de inferência Fuzzy buscam captar o que está presente na mente dos gerentes (especialistas) de forma a incluir em um processo o que antes apenas aqueles especialistas poderiam agregar. 2.3. Fragmentação da literatura Um grande problema para a prática da gestão de estoques é a fragmentação da literatura nesta área de estudos: existem milhares de modelos para cálculo do tamanho de pedido, cada um considerando premissas e pressupostos diferentes. (GLOCK et al., 2014). Encontra-se em Bellman et al. (1955) uma possível explicação para este fenômeno. Os autores definem o problema geral de definição do tamanho de pedido como a união de vários elementos combinados, a saber: demanda, custos, tempos de resposta, restrições de produção, posição inicial, entre outros. Segundo os autores, cada problema é diferente, definido conforme a ocasião e o ambiente de decisão. Esta combinação de elementos é chamada de política de estoques. 12 Prasad (1994) explica a dificuldade para um gerente em escolher uma política adequada para seu contexto, uma vez que, para escolher, o mesmo precisa i) entender profundamente seu problema; ii) fazer uma extensiva pesquisa em uma literatura especializada; iii) adaptar cada premissa do modelo escolhido à sua realidade. Em acordo, Gupta et al.(2012) apontam para a necessidade de um framework que facilite a escolha do modelo adequado para cada situação. Os autores propõe um método de classificação de modelos de estoque de acordo com elementos que podem ser considerados na sua formulação. A figura 1 ilustra alguns destes elementos básicos: Figura 1- Possíveis elementos da política de estoques. Adaptado de Gupta et al. 2012 A escolha incorreta de políticas de estoque implica em custos desnecessários, faltas de estoque indesejadas e maiores tempos logísticos na cadeia de suprimentos. Tunc et al., (2011), por exemplo, alertam para custos indiretos incorridos pela má escolha de parâmetros de demanda. Os mesmos autores publicam em 2013 sobre os custos extras gerados por nervosismo na cadeia de suprimentos, que ocorrem devido a mudanças constantes nos parâmetros que regem o planejamento de estoques. (TUNC et al., 2013). 13 Neste contexto, observa-se que existe uma necessidade na área de gestão de estoques por modelos de fácil implementação prática, que possam ser combinados com os processos vigentes nas empresas, sem comprometer os níveis de produtividade alcançados com a utilização dos sistemas de gestão da operação. Principalmente em produtos cujo ambiente de decisão seja mais desconhecido. Segundo Mula; Poler e García-Sabater; et al(2006) a lógica fuzzy e os sistemas especialistas tem potencial para suprir essa necessidade, pois ainda que ofereçam soluções aproximadas, são modelos de fácil modelagem e rápida implementação. Sendo assim, nos próximos capítulos o Sistema de Inferência Fuzzy será testado como forma de resolver o problema clássico da definição do tamanho de pedido, tendo seus resultados confrontados com o referencial proveniente da abordagem tradicional estocástica. 14 3. MODELAGEM 3.1. Definição do problema Para a etapa de definição do problema foram realizadas entrevistas na multinacional francesa com representantes de departamentos chave na cadeia de suprimentos. Assim foi possível mapear o processo de planejamento de estoques vigente na empresa, que é realizado inteiramente pelo sistema operacional SAP. SAP é uma marca de sistema de gestão da operação do tipo ERP (Enterprise Resource Planning). Como visto na revisão de literatura, o ERP foi desenvolvido dentro da lógica de planejamento de materiais MRP. Segundo Orlicky (1975), a definição de tamanho de pedido no sistema MRP pode ser programada usando como base diversos métodos. Verificou-se que o método embutido no sistema de gestão da operação da empresa estudada corresponde ao procedimento dinâmico determinístico proposto por Wagner e Whitin (1958). No entanto, foi diagnosticado que esta maneira de planejar estoques não é satisfatória no ambiente de incertezas da indústria de cosméticos, o que é confirmado pelo fato de que os níveis de estoque estarem desbalanceados. O objetivo desta sessão, portanto, é modelar da melhor forma possível a situação observada durante as interações com a firma. Os gerentes disponibilizaram dados reais de um produto específico para ser estudado, que serão detalhados posteriormente. Assim, serão discutidos a seguir os elementos básicos que compõe o problema clássico de definição do tamanho do pedido, que já foi abordado de diversas maneiras na literatura. Para começar, é necessário entender do que se trata este problema. Glock et al.(2014) expõem a finalidade do planejamento de estoques: assegurar o nível de estoque econômico que balanceie adversidades e benefícios de manter estoques de um determinado produto. Por um lado, são necessárias despesas significativas para se manter estoques; por outro, a falta de estoques afeta o atendimento à demanda e a satisfação do cliente, impondo riscos à posição relativa de organizações perante a concorrência. O problema da definição do tamanho de pedido é construído para calcular ‘quanto pedir’ e ‘quando pedir’ de forma a encontrar um equilíbrio entre os gastos e as receitas que o estoque proporciona. Este problema é relativamente trivial de ser resolvido quando os dados de entrada são determinísticos, no entanto, torna-se extremamente complexo conforme são incorporadas incertezas atreladas aos seus elementos. Mula et al (2006) 15 analisam que a incerteza pode ser definida como a “diferença entre a quantidade de informação necessária para executar uma tarefa e a quantidade de informação disponível”. Quanto menos informação se conhece sobre um problema, mais formas de incluir a incerteza devem ser consideradas em sua modelagem. Além disso, os mesmos autores ressaltam que existem diferentes categorias de incerteza. A incerteza de caráter estocástico (aleatório), relativa à frequência com que acontecimentos são observados, é bastante abordada na literatura. Já a incerteza de caráter epistêmico, (ou fuzzy, imprecisa, vaga, difusa), relativa aos atributos dos acontecimentos observados, vem progressivamente sendo explorada por pesquisadores desde os anos 90. Para o caso da modelagem da incerteza de caráter estocástico, Bookbinder e Tan, (1988) chama a atenção para o momento da tomada de decisão: quanto maior o tempo entre ocasião da decisão e a ação referente à decisão em si, menos certeza se tem de que os resultados do modelo serão coerentes com a realidade. Os autores destacam três estratégias para lidar com a falta de informação: 1. Estratégia Estática – apenas uma decisão fixa é tomada, no inicio do primeiro período, para cada um dos períodos pertencentes ao horizonte de planejamento. Define-se de uma só vez todas as datase quantidades dos pedidos a serem efetuadas naquele horizonte. 2. Estratégia Dinâmica – apesar de haver um plano inicial para as datas e quantidades de pedido dentro do horizonte de planejamento, este plano é revisado a cada período, podendo tanto a quantidade quanto a data dos pedidos sofrer alterações a qualquer momento. 3. Estratégia Estático-Dinâmica – decide-se um plano inicial fixo para as datas de pedidos enquanto as quantidades podem sofrer ajustes a cada período dentro do horizonte de planejamento. Isto é, ficam previamente definidos os períodos em que haverão pedidos, mas as quantidades só são definidas no próprio período. Cada uma destas estratégias gera modelagens diferentes. Tarim e Kingsman (2004) comentam, por exemplo, que o uso da estratégia estática pode levar à decisões arriscadas já que a modelagem se baseia plenamente em previsões e estimativas para todo o horizonte de planejamento. A distância entre o momento da tomada de decisão e a ação referente à decisão é grande. Por outro lado, na prática, 16 essa estratégia permite coerência entre o planejamento de diferentes integrantes da cadeia de suprimentos, resultando em maior rapidez e flexibilidade nas transações entre eles. A estratégia dinâmica, em contrapartida, gera instabilidade e nervosismo na cadeia de suprimentos apesar de ser mais reativa quanto à incerteza. No caso da estratégia estático-dinâmica a desvantagem é que as alterações nas quantidades de pedidos não permitem um bom dimensionamento dos recursos e da capacidade necessários para atender aos objetivos do que estiver sendo planejado com a estratégia. Uma vez que este trabalho pretende explorar diferentes abordagens de solução para um problema, a estratégia Estática é ideal para a modelagem, pois apresenta uma perspectiva completa do custo total envolvido na tomada de decisão. O problema de definição do tamanho de pedido possui uma estrutura básica de formulação. Segundo Andriolo et al. (2014), o problema pode ser caracterizado por três elementos principais: i) a taxa de demanda � - que pode ter diferentes naturezas, padrões e características; ii) o custo de carregar estoques � – proporcional ao preço do item, representando o custo de “capital empatado” por aquela decisão; e iii) o custo de abrir um pedido �, também conhecido como custo fixo operacional (set-up cost) – relativo à todos os custos embutidos no ato de se abrir um pedido com um fornecedor, sejam custos funcionais, administrativos, de transporte e movimentação de material. A partir desta estrutura podem-se adicionar outros elementos como, por exemplo, o tempo de entrega do fornecedor (lead time), o rendimento por qualidade na entrega, descontos por quantidade, entre outros. Neste trabalho serão abordados apenas os elementos básicos, mas encontra-se em Wirth (1989), Dolgui e Ould-Louly (2000), Schmitt e Snyder, (2012), Noblesse et Al. (2014) discussões sobre estes outros elementos. Na modelagem clássica do problema de definição do tamanho do pedido, a taxa de demanda (doravante chamada apenas de “demanda”) pode ser considerada por diferentes abordagens. Como visto no capítulo anterior, a maioria dos pesquisadores toma por principio que a demanda é determinística. Grande enfoque também já foi dado à demanda estocástica, podendo ser estacionária ou dinâmica (com distribuição de probabilidade variante no tempo). Nas últimas décadas tem crescido a modelagem de problemas com demanda fuzzy. A demanda fuzzy é ideal para modelar problemas complexos, para os quais não existam (ou não sejam conhecidos) dados suficientes para permitir que a variável seja descrita por uma 17 distribuição estatística. Neste trabalho serão exploradas as formas de modelagem da demanda estocástica não-estacionária (dinâmica) e fuzzy. No caso dos custos que compõe a função objetivo, outros elementos além dos básicos são foco de discussões na literatura. Buckley et al. (2002), por exemplo, defendem que o preço de compra do produto deve ser considerado como um elemento da função objetivo do problema, principalmente se o mesmo receber descontos por quantidade. No entanto, este preço de compra normalmente está embutido no preço de venda, sendo compensado pelo giro do estoque. Desta forma, não é relevante para o objeto de estudo deste trabalho. Outro custo muito discutido que precisa ser considerado na etapa de modelagem é o ‘custo da falta’, que funciona como uma penalidade na função objetivo para balancear a equação quando o estoque não atende à demanda. No entanto, autores contestam que este custo seja muito difícil de ser estimado uma vez que seu valor está relacionado a avaliações subjetivas inerentes ao contexto em que o problema se insere (HOUTUM, VAN; ZIJM, 2000; TEMPELMEIER, 2013). O uso de um valor estimado incorretamente pode afetar de forma significativa o resultado do modelo. Para contornar essa dificuldade, autores propõe que a penalização da falta seja dada através de uma restrição que represente o atendimento a um nível de serviço estipulado. Encontra-se em Tarim e Kingsman (2004); Özen et Al.(2012); Tunc et Al. (2014) modelos que formulam o problema de definição do tamanho de pedido restrito à indicadores de serviço. Tempelmeier, (2013) resume possíveis critérios indicadores do nível de serviço para balizar a restrição do problema: • Nível de serviço Alfa – probabilidade de o estoque disponível atender à totalidade da demanda no período, isto é, o complemento da probabilidade de faltar produto para atender a demanda. • Nível de serviço Beta – também conhecido como “Fill Rate”, corresponde à taxa de atendimento da demanda em relação à demanda total de cada ciclo de pedido. Ou seja, refere-se ao complemento da razão entre a quantidade exata de demanda não atendida e a quantidade total demandada. • Nível de serviço Gama – refere-se ao tempo que um cliente precisa esperar para receber um pedido em atraso, ou seja, dado que houve a 18 falta, o nível de serviço Gama mede a gravidade desta falta através do tempo necessário para entregar uma ordem em atraso. • Nível de serviço Sigma – recentemente proposto e parecido com o nível de serviço Gama, este indicador pretende entender a gravidade da falta em relação a uma ‘gravidade máxima’ que seria o caso de nenhuma parte da demanda ser atendida. Neste sentido, o indicador Sigma mede a razão entre o tempo de reposição do atraso e o tempo máximo de reposição caso a ordem completa não tivesse sido entregue. Percebe-se que o indicador Alfa é limitado por não representar a dimensão da falta, indicando apenas a probabilidade de que uma falta possa ocorrer. Além disso, os indicadores Gama e Sigma são bastante específicos e pouco explorados na literatura. Na multinacional estudada é utilizado o indicador Fill Rate e por isso o mesmo foi o escolhido para ser utilizado neste trabalho. Outra discussão importante para a modelagem do problema diz respeito à forma como será tratada a situação de não atendimento de demanda (Falta). Existem duas formas de modelar esta questão: a Falta pode ser convertida em pedidos pendentes que devem ser atendidos em períodos seguintes (ordens em atraso - backorders); ou a Falta pode ser considerada como venda perdida (rupturas de estoque – shortages). No primeiro caso, o volume em atraso é incorporado à demanda do período seguinte, aumentando a necessidade de estoque naquele período. No segundo caso, a quantidade faltante não será atendida e o estoque inicial do período seguinte será zero. (FISCHER et al., 2008; BIJVANK; VIS, 2011). Para o caso do produto específico indicado pelos gerentes da companhia, por ser sazonal e estar inserido em ambiente muito dinâmico, pedidos em atraso não são admitidos pelos clientes. Sendo assim, neste trabalho a quantidade faltante será considerada perdida. A partir dos elementos acima descritos, pode-seformular o problema a ser explorado neste trabalho. Neste momento, nota-se a modelagem proposta por Tempelmeier e Herpers (2011): o autor sugere minimizar uma função objetivo contendo apenas os custos básicos de abrir pedido e de carregar estoque, sujeita à restrição do nível de serviço Fill Rate, considerando a ocorrência de pedidos em atraso. Pode-se perceber que, a não ser pela premissa de pedidos em atraso, todas as outras são similares às que foram destacadas acima como adequadas para 19 modelar o problema observado na empresa. Além disso, o método de solução usado pelo autor é uma extensão, para o caso de demanda estocástica, do método proposto por Wagner e Whitin (1958) que, por sua vez, é o método vigente na companhia. Sendo assim, a formulação do problema objeto deste trabalho é uma adaptação da formulação proposta por Tempelmeier e Herpers (2011). A maior diferença é que este trabalho considera a modelagem de vendas perdidas, na tentativa de se ajustar ao caso do produto acabado de alto volume e alto giro proposto pelos gerentes da empresa. Outra diferença é que na empresa a quantidade pedida precisa ser arredondada por um lote mínimo de compra. Tanto no artigo do autor quanto neste trabalho, o problema é modelado segundo a estratégia Estática (BOOKBINDER; TAN, 1988). 3.2. Formulação Como mencionado anteriormente, o produto objeto desta pesquisa está inserido na indústria de cosméticos, que é um ambiente de alta instabilidade e concorrência. Sua presença na estante dos supermercados é um dos maiores critérios de escolha dos consumidores finais e, portanto, a falta deste produto tem significativa influência na fatia de mercado de sua marca. Por ser um produto sazonal inserido em ambiente muito dinâmico, pedidos em atraso não são aceitos pelos clientes, logo, a exigência dos executivos com relação ao nível de serviço deste produto é elevada. Ao mesmo tempo, o custo da falta é praticamente impossível de ser estimado uma vez que depende de fatores subjetivos atrelados ao comportamento do consumidor. Em paralelo, por ser um produto de alto giro e significativa importância para a empresa, considera-se que o tempo de entrega do fornecedor é curto. Uma vez encomendado em um período �, o pedido está disponível no armazém no mesmo período, a tempo de atender à demanda do próprio mês. Cada encomenda incorre em um custo de abrir pedido �� relativo ao período da encomenda. Se o estoque no final do período for positivo, incorre-se em um custo de armazenagem ℎ�, também relativo ao período em questão. As demandas para este produto são mutuamente independentes e não estacionárias. Considera-se que podem ser representadas por distribuições Normais �, �� , com os parâmetros mensais também conhecidos. A partir desta premissa, 20 pretende-se calcular as decisões de pedidos por período para um horizonte de planejamento de � = 12 �����. Sendo assim, a formulação do problema se dá como segue: ��� � = � � ∗ �� � ��� + ℎ ∗ �{!�} Sujeito à: !� = !�#� + $� − &� � = 1,2, … , � !� = (!�, !� ≥ 00, !� < 0, � = 1,2, … , � -� = (0, !� ≥ 0−!�, !� < 0 � = 1,2, … , � 1 − � .� -/�#�/�0 1 � .� &/�#�/�0 1 ≥ 2 � = 1,2, … , � $� − � ∗ �� ≤ 0 � = 1,2, … , � $� = 4 ∗ 5 � = 1,2, … , �, 4 = 1,2,3, … $� ≥ 0 � = 1,2, … , � �� ∈ {0,1} � = 1,2, … , � Onde: � Período em análise 8 Período em que há abertura do pedido !� Estoque no início do período � $� Quantidade de pedido a ser recebida no período � &� Demanda no período � -� Falta de estoque ou quantidade de demanda não atendida no período � �� Variável binária para decisão de abrir de pedido 2 Fill Rate meta estipulado pela empresa � Número grande 4 Constante crescente 5 Lote mínimo de compra � Custo de abrir um pedido no período � ℎ Custo de carregar estoque no final do período � 21 O problema formulado acima será resolvido a seguir por dois modelos distintos: um modelo estocástico e um modelo fuzzy. Como as demandas podem ser descritas por uma distribuição de probabilidade, este problema pode ser resolvido por Programação Dinâmica Estocástica (PDE) para oferecer resultados ótimos em média, para qualquer cenário de demanda, sendo, portanto, o modelo de referência. No caso do modelo Fuzzy, as decisões são tomadas por um Sistema de Inferência Fuzzy (SIF) baseado nos atributos das variáveis deste problema. Pretende-se explorar em que situações este outro tipo de análise pode ser interessante. 3.3. Primeiro Modelo: Programação Dinâmica Estocástica (PDE) 3.3.1. Metodologia O método de programação dinâmica estocástica para solução de problemas de otimização trata-se de uma abordagem para lidar com casos em que ocorrem decisões sequenciais (HILLIER, 1995). Este método determina o conjunto de decisões que gera o menor custo total, fazendo uma varredura de todos os cenários e decisões prováveis. O problema é composto por estágios de decisão nos quais existe uma quantidade finita de estados. A transição de um estado em um determinado estágio para um estado no próximo estágio ocorre através de uma equação de transição (balanço). Cada decisão tem gastos associados a ela. A programação dinâmica percorre todas as decisões para todos os estados em todos os estágios, calculando os custos envolvidos com cada uma delas. No final, guarda as decisões que geram custo mínimo em cada estado e estágio. A figura 2 ilustra um esquema de como funciona o relacionamento entre estágios, estados e as decisões. No caso do problema de definição do tamanho de pedido, os estágios representam os períodos de decisão �, os estados representam os níveis de estoque do produto observados no início de cada período !�. As decisões são os pedidos a serem feitos em cada período $�, considerando a previsão de demanda futura &�, e os gastos são representados pela soma dos custos de pedir e de armazenar em cada período. 22 Figura 2 - Esquema ilustrativo de estágios e estados da PDE As principais características que definem um problema adequado para ser resolvido por essa metodologia são: 1. As decisões de cada período são independentes das decisões tomadas nos períodos anteriores. Este é conhecido como o ‘princípio da otimalidade’ da programação dinâmica estocástica: a decisão ótima de um estágio não depende do caminho de decisões tomadas até chegar naquele estágio. Assim, o procedimento de solução por este método anda de trás para frente, sempre encontrando o resultado ótimo esperado de cada estado em cada estágio. 2. O valor ótimo de um estado em um estágio é o valor da decisão $�:;� que, para aquele par estado/estágio, minimiza o custo de transferência entre um estado em � e o estado consequente em � + 1, conforme a equação: <� !� = min@ABC $� + <�D�∗ !�D� E Onde <� !� é o custo de transferência, ABC $� é o custo de tomar a decisão $� no estado !� e <�D�∗ !�D� é o custo futuro mínimo atrelado àquela tomada de decisão. A solução proposta por Tempelmeier (2011, 2013) consiste em uma programação dinâmica estocástica (PDE) com recursão para frente, que parte de um estado inicial conhecido. Neste trabalho, propõe-se uma PDE com recursão para trás, para que se obtenha uma política ótima completa para todos os estados em cada estágio. Um ponto muito interessante da solução proposta pelo autor é a análise dos ciclos de pedido, realizada com base no algoritmo do caminho mais curto: sendo 8 o 23 período de abertura de um pedido e � o período até o qual as demandas são cobertas pelo pedido aberto em 8, tem-se que o ciclo de pedido ou o tempo de cobertura é definido por AFG = � − 1 − 8 Wagner e Whitin (1958) assumem a premissa de que tempos decobertura maiores do que 4 períodos raramente apresentam custos menores do que as outras opções e consequentemente são irrelevantes para a otimização. Para testar esta hipótese, tempos de cobertura de até oito períodos foram levados em consideração. Como era de se esperar, em nenhum dos casos coberturas maiores do que quatro períodos foram determinadas pelo modelo, portanto a premissa dos autores foi adotada. Conforme 8 aproxima-se do fim do horizonte de planejamento, as possibilidades de cobertura testadas vão reduzindo até que no último período �, a única possibilidade de cobertura é de um único mês (o próprio). Assim, considerando o custo de transferência para cada situação de cobertura A0�, em que � = 1…� � 8 = 1…4, pode-se calcular, através da PDE, o conjunto de pedidos e coberturas que gera custo total mínimo de estoque. 3.3.2. Desenvolvimento do modelo Inicia-se a programação do modelo discretizando as distribuições de probabilidade das demandas em 10 quantias de mesma probabilidade (10% cada uma). Em seguida, a partir da discretização do estoque no início do período !� em 30 estados possíveis (nos quais a quantidade em estoque equivale ao índice do estado vezes 10), constrói-se a função de custos futuros <� !� calculando a equação de custo de transferência para cada um desses estados. A opção de cobertura que gera custo mínimo é escolhida, definindo o pedido ótimo para cada caso. A escolha do pedido ótimo se dá através de iteração, na qual a quantidade a ser pedida vai sendo acrescida de um lote mínimo de compra até que o nível de serviço seja atendido. Sendo assim: $� = 4 ∗ 5F�� �����F AF�IJK k = 1,2,3… O algoritmo da PDE foi programado em linguagem VBA e é descrito pelos seguintes passos: 24 Inicializa-se a função de custo futuro no último período <�D� = 0 Para todo � = �, � − 1, . . . , 1 Para todo estado !M� � = 0,… , 30 Para cada período de início de cobertura 8 = 1,2,3,4 Para cada cenário de demanda &0� Para uma proposta de decisão $� Calcula-se o balanço de estoque Calcula-se o custo presente da operação Calcula-se a interpolação do estado final Se $� não atender o serviço, volta para proposta de decisão Calcula-se o valor esperado do custo de operação Verifica-se a opção de cobertura com custo esperado mínimo Constrói a função de custo futuro mínimo para todos os estados Constrói a política ótima para a decisão em cada período É importante frisar que os custos futuros mínimos por estado são acessados de acordo com uma interpolação de valores, conforme pode ser visto na figura 2. 3.3.3. Tomada de decisão estocástica O algoritmo retorna uma tabela estado/estágio com todas as decisões ótimas calculadas. A tabela de custos futuros mínimos em cada par estado/estágio também é um resultado da PDE. A partir destas tabelas e do estado inicial, pode-se deduzir uma política de decisões ótimas para qualquer cenário aleatório dentro dos parâmetros conhecidos das distribuições mensais de demanda. As tabelas são apresentadas a seguir. A primeira coluna da tabela apresenta o estado inicial, no qual se encontra o tomador de decisão no início de cada estágio. Os valores da tabela representam os pedidos ótimos esperados em média, propostos pela PDE para todas as possibilidades de demanda prováveis dentro das distribuições consideradas para cada mês. Por exemplo, se no período 4 (supondo que corresponda ao mês de abril) o estoque inicial for de 100.000 unidades (equivalente ao estado número 10), a decisão de custo esperado mínimo seria pedir 300.000 unidades. É interessante notar que conforme o índice do estado aumenta, representando níveis de estoque mais altos no inicio do estágio, a decisão passa a ser não abrir pedido algum, 25 indicando que o estoque inicial já é suficiente para cobrir as possíveis demandas para aquele estágio. Tabela 1 - Resultado da PDE - Pedidos ótimos para cada estado e estágio Como o nome já diz, a tabela de pedidos ótimos representa os pedidos ótimos esperados considerando uma vasta varredura de situações que podem ocorrer na realidade. No entanto, este resultado é ótimo apenas na média de todas essas situações. Enquanto isso, uma outra forma de decidir baseia-se na tabela de custos futuros mínimos, ao invés da tabela de pedidos ótimos. O custo futuro mínimo pode ser interpretado como o valor esperado de se ter estoques suficientes para atender às demandas futuras, no estágio final do ciclo de pedido. Uma vez que a PDE foi executada com recursão para trás, o valor de estoque necessário para atender às Estado Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez 0 350 300 300 150 200 400 400 250 300 350 450 250 1 200 300 150 350 450 400 400 350 250 350 200 250 2 350 300 300 350 450 400 150 350 250 350 450 250 3 300 250 300 350 400 200 250 200 100 300 400 200 4 300 250 300 350 400 400 250 200 250 300 400 200 5 300 250 250 100 150 350 350 200 250 300 400 200 6 150 250 100 300 400 350 350 300 200 300 150 200 7 300 250 250 300 400 350 100 300 200 300 400 200 8 250 200 250 300 350 150 200 150 50 250 350 150 9 250 200 250 300 350 350 200 150 200 250 350 150 10 250 200 200 50 100 300 300 150 200 250 350 150 11 100 200 50 250 350 300 300 0 150 250 100 150 12 250 200 200 250 350 300 50 0 150 250 350 150 13 200 0 200 250 300 100 150 0 0 0 300 100 14 200 0 200 250 300 300 150 0 0 0 300 100 15 200 0 150 0 50 250 250 0 0 0 300 100 16 50 0 0 0 300 250 250 0 0 0 50 100 17 200 0 0 0 300 250 0 0 0 0 300 100 18 150 0 0 0 250 50 0 0 0 0 250 50 19 150 0 0 0 250 250 0 0 0 0 250 50 20 150 0 0 0 0 200 0 0 0 0 250 50 21 0 0 0 0 0 200 0 0 0 0 0 50 22 0 0 0 0 0 200 0 0 0 0 0 50 23 0 0 0 0 0 0 0 0 0 0 0 0 24 0 0 0 0 0 0 0 0 0 0 0 0 25 0 0 0 0 0 0 0 0 0 0 0 0 26 0 0 0 0 0 0 0 0 0 0 0 0 27 0 0 0 0 0 0 0 0 0 0 0 0 28 0 0 0 0 0 0 0 0 0 0 0 0 29 0 0 0 0 0 0 0 0 0 0 0 0 30 0 0 0 0 0 0 0 0 0 0 0 0 Tabela de Pedidos ótimos (Valores em KR$) 26 demandas foi calculado para cada estágio, portanto o custo futuro mínimo de um par estado/estágio contempla todas as possibilidades de cenários que possam ocorrer nos meses subsequentes àquele. Tabela 2 - Resultado da PDE - custos futuros mínimos em cada estado e estágio Para entender qual a melhor forma de tomar decisões, dois simuladores de teste foram gerados: o simulador 1 considera as decisões ótimas propostas pela Tabela de pedidos ótimos. O simulador 2, por sua vez, é mais flexível e portanto, mais reativo à incerteza. Este algoritmo calcula para cada período, quatro opções diferentes de cobertura (Cob=1,2,3 e 4), decidindo qual deve ser escolhida através da relação entre o custo presente da decisão e o custo futuro associado a ela. Os resultados encontrados são resumidos na tabela abaixo. Estado Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez 0 2.627 2.419 2.068 1.826 1.583 1.433 1.244 1.071 876 682 458 257 1 2.461 2.432 2.033 1.936 1.759 1.451 1.261 1.012 822 692 464 262 2 2.637 2.437 2.184 1.950 1.758 1.461 1.199 1.033 841 704 482 267 3 2.574 2.371 2.203 1.964 1.712 1.409 1.234 1.018 852 648 437 226 4 2.613 2.388 2.209 1.978 1.736 1.459 1.256 1.049 863 671 448 252 5 2.627 2.419 2.068 1.826 1.583 1.433 1.244 1.071 876 682 458 257 6 2.461 2.432 2.033 1.936 1.759 1.451 1.261 1.012 822 692 464 262 7 2.637 2.437 2.184 1.950 1.758 1.461 1.199 1.033 841 704 482 267 8 2.574 2.371 2.203 1.964 1.712 1.409 1.234 1.018 852 648 437 226 9 2.613 2.388 2.209 1.978 1.736 1.459 1.256 1.049 863 671 448 252 10 2.627 2.419 2.068 1.826 1.583 1.433 1.244 1.071 876 682 458 257 11 2.461 2.432 2.033 1.936 1.759 1.451 1.261 859 822 692 464 262 12 2.637 2.437 2.184 1.950 1.758 1.461 1.199 869 841 704 482 267 13 2.574 2.171 2.203 1.964 1.712 1.409 1.234 879 626 471 437 226 14 2.613 2.199 2.209 1.978 1.736 1.459 1.256 882 699 476 448 252 15 2.627 2.183 2.068 1.564 1.583 1.433 1.244 886 712 481 458257 16 2.461 2.157 1.768 1.720 1.759 1.451 1.261 889 716 487 464 262 17 2.637 2.168 1.948 1.742 1.758 1.461 956 900 716 495 482 267 18 2.574 2.206 1.963 1.741 1.712 1.409 1.067 910 723 499 437 226 19 2.613 2.234 1.975 1.750 1.736 1.459 1.053 912 714 503 448 252 20 2.627 2.218 1.994 1.768 1.326 1.433 1.060 886 722 509 458 257 21 2.191 2.192 1.995 1.754 1.477 1.451 1.062 842 709 515 259 262 22 2.440 2.179 1.982 1.776 1.484 1.461 1.052 815 664 523 294 267 23 2.456 2.191 1.975 1.775 1.485 1.159 1.044 765 628 527 302 32 24 2.471 2.205 1.988 1.784 1.493 1.287 1.029 790 613 531 307 36 25 2.465 2.162 2.001 1.802 1.503 1.284 1.007 810 608 537 309 41 26 2.427 2.080 1.961 1.788 1.510 1.280 1.009 820 574 543 310 46 27 2.418 2.062 1.893 1.810 1.517 1.292 1.003 827 590 551 321 51 28 2.410 2.075 1.901 1.809 1.518 1.296 967 833 601 554 329 56 29 2.402 2.092 1.868 1.818 1.526 1.294 981 831 612 547 334 61 30 2.371 2.121 1.784 1.821 1.536 1.254 989 819 625 520 326 66 Tabela de Custo Futuro Mínimo (Valores em KR$) 27 Tabela 3 - Comparação entre resultados com base na tabela de pedidos ótimos ou na tabela de custos futuros mínimos Como era de se esperar, a performance do simulador 2 é melhor, pois sendo mais reativo à variabilidade da demanda, provê políticas anuais com menores custos esperados. Por esta razão, foi escolhida como referencia para este trabalho a tomada de decisão baseada nos custos futuros mínimos. Deste ponto em diante o simulador 2 será simplesmente chamado de simulador. O simulador de tomada de decisão criado para testar a robustez do modelo estocástico, portanto, se baseia na tabela de custos futuros mínimos. A opção de cobertura que apresentar menor custo total será escolhida conforme visto na figura 2. Assim, uma proposta de política de estoques ótima anual é calculada para cada realização de demanda, com base na otimização inicial. Simulador 1 Simulador 2 Min R$ 2.134 R$ 1.677 Méd R$ 2.755 R$ 2.072 Máx R$ 3.266 R$ 2.366 Min 1200 1000 Méd 1560 1441 Máx 1950 1750 Min 0 0 Méd 1 20 Máx 46 57 Min 96,66% 95,78% Méd 99,93% 98,57% Máx 100,00% 100,00% Min 1035 937 Méd 1762 1532 Máx 2633 2315 Min 4 3 Méd 6 4 Máx 8 5 Qtd Pedidos por Ano Indicadores Função Objetivo Pedido anual Falta Anual Fill Rate Anual Estoque Anual 28 3.4. Segundo Modelo: Sistema de Inferência Fuzzy (SIF) 3.4.1 Metodologia Inferência fuzzy é um processo de decisão que se baseia no mapeamento das relações entre dados de entrada (inputs) e dados de saída (outputs) de um sistema, utilizando a Lógica Fuzzy. O processo de inferência fuzzy envolve funções de pertencimento e variáveis linguísticas que “fuzzyficam” os dados de entrada, juntamente com um conjunto de Regras “Se-Então” que traduzem o relacionamento entre inputs e outputs. Nakandala et al (2013) apresentam uma visão geral de como funcionam sistemas de inferência Fuzzy no ambiente da cadeia de suprimentos, mencionando seis etapas: 1. Análise da situação - mapeamento do problema e principais variáveis envolvidas; 2. Coleta de dados – ocorre através de questionários com especialistas ou procedimentos de análise de dados históricos e modelos matemáticos; 3. Aquisição de conhecimento – etapa conhecida como “criação da base de conhecimento”, consiste na criação de regras Se-Então que vão reger o sistema de inferência; 4. Fuzzyficação - transformação dos dados (inputs) em conjuntos Fuzzy, através das funções de pertencimento; 5. Engrenagem de Inferência – inputs são submetidos às regras até que seja encontrada uma região de solução; 6. “Defuzzyficação” – a região de solução é novamente transformada em um resultado preciso (crisp) através de métodos matemáticos específicos. Nesta pesquisa, para a etapa de defuzzyficação foi utilizado o método do centro de área, que é o mais utilizado nos artigos estudados. A figura 5 pretende ilustrar estas etapas e o funcionamento de um sistema de inferência fuzzy. 29 Figura 3 - Sistema de Inferência Fuzzy. Percebe-se pela formulação do problema que as únicas variáveis que podem possuir incertezas são a demanda mensal &� e o estoque inicial de cada mês !�, sendo estes, portanto os inputs do sistema de inferência. Por outro lado, como os pedidos são decididos para cada período, o único output necessário é a quantidade de pedido $� pois, no final do horizonte de planejamento estarão indicados os meses em que há compra ou não (pedido = 0). Existem diversas abordagens na literatura para a criação da base de conhecimento. Petrovic e Sweeney (1994) e Nakandala et al (2013) defendem que as funções de pertencimento e as regras podem ser obtidas através de questionários com especialistas da organização. Yadav (2015), no entanto, alerta para a dificuldade de se chegar a um consenso a respeito da definição e da interpretação das regras sugeridas por cada especialista. Os autores reforçam que as regras são as únicas responsáveis pelo sucesso de um sistema de inferência e, portanto não podem ser mal definidas. Neste sentido o autor defende o uso de técnicas que sejam responsáveis por explicar e comprovar como são derivados os parâmetros inseridos em um sistema de inferência fuzzy. Felizmente já foram desenvolvidos algoritmos e softwares programados para auxiliar o desenvolvimento dos sistemas Fuzzy. O modelo proposto neste trabalho 30 foi programado e desenvolvido em linguagem R com auxílio dos pacotes disponíveis na internet: FuzzyToolkitUon e Fuzzy Numbers. 3.4.2 Desenvolvimento do modelo A principal fonte de inteligência do sistema de inferência fuzzy é o conjunto de regras. Sendo assim, a principal função no desenvolvimento de um modelo SIF consiste em criar funções de pertencimento e parametrizar/calibrar regras, de forma que traduzam a maneira correta de tomar uma decisão. As funções de pertencimento podem ser definidas por observação de dados históricos das variáveis. Para definir um número fuzzy trapezoidal, relativo a um determinado atributo de uma variável, são necessárias apenas quatro valores: o valor mínimo observado daquela variável enquanto considerada como aquele atributo, o valor máximo nas mesmas condições; e um intervalo, definido por mais dois valores, que representem as situações em que o atributo é definitivamente observado (pertencimento = 1). No caso de números triangulares procede o mesmo raciocínio, mas apenas três números são necessários: um número que definitivamente represente o atributo em discussão, o mínimo e o máximo observados. Assim, através de dados históricos da demanda e do estoque inicial foi possível traçar as funções de pertencimento de cada atributo relativo às variáveis. Nota-se que a variável Estoque foi divida em quatro atributos, pois é necessário considerar o estoque nulo. Já a variável Demanda foi divida em apenas três. Cada atributo é definido por um número trapezoidal. Para o output, as funções de pertencimento dos atributos foram desenvolvidas de acordo com o julgamento dos planejadores da empresa e suas experiências. Primeiro verificou-se que seria interessante dividir a variável Pedido em seis atributos para considerar todos os casos observados. Cada atributo foi modelado por um número trapezoidal. Para criar a base de conhecimento é necessário mapear o relacionamento entre os atributos das variáveis de input e output. Devido à falta de dados históricos suficientes na realidade, propõe-se que a criação das regras se baseie na tomada de decisão ocorrida durante o processo de otimização da PDE. Sendo assim, usou- se o algoritmo proposto por de Wang & Mendel (1992) para criar a base de conhecimento a partir de observação dos dados fornecidos em uma primeira 31 simulação efetuada no modelo estocástico. Foram geradas 1080 rodadas com sorteios de 120 séries de 12 meses de demanda cada, aplicadas a 9 estados de estoque inicial. Cada decisão
Compartilhar