Modelagem e Simulação Empresarial

Prévia do material em texto

Atividade Prática 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
De posse de dados adequados, a equipe de modelagem e simulação tem a capacidade de gerar 
resultados mais assertivos que contribuam com o processo de tomada de decisão gerencial. 
Existem muitas variáveis que precisam ser coletadas para construção de um modelo e para realização 
de testes nos sistemas diante de alterações nos cenários. Como é possível conseguir estes dados? 
RESPOSTA: 
Existem várias maneiras de obter os dados necessários para construir modelos e realizar simulações 
para apoiar o processo de tomada de decisão gerencial. Aqui estão algumas abordagens comuns: 
Coleta de dados internos: As organizações podem acessar dados que já possuem em seus sistemas 
internos, como registros de vendas, dados de produção, informações financeiras, registros de recursos 
humanos, entre outros. Esses dados podem ser extraídos de bancos de dados, planilhas eletrônicas ou 
sistemas de gestão empresarial (ERP). 
Pesquisas e questionários: Em alguns casos, pode ser necessário coletar dados diretamente dos 
funcionários, clientes ou outras partes interessadas por meio de pesquisas e questionários. Essas 
pesquisas podem ser realizadas pessoalmente, por telefone, por e-mail ou através de plataformas online. 
Parcerias e colaborações: As organizações podem estabelecer parcerias com outras empresas, 
instituições acadêmicas ou órgãos governamentais para acessar dados adicionais ou compartilhar 
recursos. Isso pode incluir a troca de informações sobre tendências de mercado, dados demográficos, 
informações setoriais, entre outros. 
Fontes de dados externas: Existem várias fontes de dados externas que podem ser utilizadas, como 
bancos de dados governamentais, relatórios setoriais, dados de mercado fornecidos por empresas 
especializadas, dados climáticos, entre outros. Esses dados podem ser acessados por meio de 
assinaturas, compras avulsas ou até mesmo gratuitamente em alguns casos. 
Sensores e dispositivos IoT: Em ambientes industriais ou comerciais, sensores e dispositivos IoT 
(Internet das Coisas) podem ser instalados para coletar dados em tempo real sobre processos de 
produção, condições ambientais, uso de recursos, entre outros. Esses dados podem ser integrados aos 
modelos de simulação para fornecer insights valiosos. 
Amostragem 
 
Aluno (a): Marcus Vinicius Barbosa de Oliveira Data: 05/03/2024 
Atividade Prática Final 
 
NOTA: 
INSTRUÇÕES: 
 
 Esta Avaliação contém 1 (uma) questão, totalizando 10 (dez) pontos. 
 Você deve preencher dos dados no Cabeçalho para sua identificação 
o Nome / Data de entrega 
 As respostas devem ser digitadas abaixo de cada pergunta. 
 Ao terminar, grave o arquivo com o nome Avaliação Pesquisa/Prática. 
 Envio o arquivo pelo sistema. 
 
 
 Atividade Prática 
 
Análise de dados históricos: Muitas vezes, os dados históricos podem fornecer insights valiosos para 
a construção de modelos e simulações. Ao analisar padrões passados e tendências, as organizações 
podem fazer projeções e previsões para o futuro. 
É importante que os dados coletados sejam relevantes, precisos, atualizados e confiáveis para garantir a 
eficácia e a precisão dos modelos e simulações gerados. Além disso, é essencial garantir a 
conformidade com as regulamentações de privacidade e segurança de dados ao lidar com informações 
sensíveis. 
 
 
 Atividade Prática 
 
Considerando as informações citadas, responda: 
1- Como diretor da empresa, pela sua formação e experiência, você sabe da dificuldade de 
trabalhar com um número muito grande de elementos. O que você pode fazer para trabalhar 
com um número menor de dados sem perder a representatividade? 
RESPOSTA: Como diretor da empresa, diante da dificuldade de lidar com um grande volume 
de dados, é importante adotar uma abordagem estratégica para reduzir a complexidade do 
problema e trabalhar com um número menor de elementos sem perder a representatividade. 
Aqui estão algumas sugestões para lidar com essa situação: 
Identificação de variáveis-chave: Em vez de tentar considerar todas as variáveis possíveis, 
concentre-se nas variáveis que têm o maior impacto na capacidade produtiva da empresa. Isso 
pode incluir fatores como o tempo de ciclo da máquina, taxa de falhas, tempo de setup, 
demanda dos clientes, entre outros. 
Análise de dados históricos: Utilize os dados históricos disponíveis para identificar padrões e 
tendências relevantes para a capacidade produtiva. Isso pode ajudar a identificar quais variáveis 
têm maior influência no desempenho da máquina de overlock e na produção geral da empresa. 
 
 
 Atividade Prática 
 
Simplificação do modelo: Desenvolva um modelo de simulação que simplifique o sistema de 
produção da empresa, focando nas interações entre as variáveis-chave identificadas. Isso pode 
envolver a criação de um modelo de simulação de eventos discretos ou de simulação de Monte 
Carlo, por exemplo, que capture os principais aspectos do processo produtivo. 
Teste de cenários críticos: Em vez de considerar todos os cenários possíveis, concentre-se nos 
cenários mais críticos e relevantes para a capacidade produtiva da empresa. Isso pode incluir 
cenários de aumento da demanda, redução do tempo de ciclo da máquina, mudanças na taxa de 
falhas, entre outros. 
Validação do modelo: Após desenvolver o modelo de simulação, valide-o utilizando dados 
reais da empresa sempre que possível. Isso ajudará a garantir que o modelo seja representativo 
do sistema real e capaz de fornecer insights úteis para a tomada de decisão. 
Ao adotar essas estratégias, é possível reduzir a complexidade do problema e trabalhar com um 
número menor de dados sem comprometer a representatividade do modelo de simulação. Isso 
permitirá que a empresa tome decisões mais informadas e eficazes para melhorar sua 
capacidade produtiva e atender às demandas dos clientes. 
2- Quais são as vantagens de trabalhar com um número menor de elementos sem perder a 
representatividade? 
Trabalhar com um número menor de elementos sem perder a representatividade tem várias 
vantagens, incluindo: 
Simplicidade e facilidade de interpretação: Com menos elementos, o modelo se torna mais 
simples e fácil de entender, o que facilita a interpretação dos resultados e a comunicação com 
outras partes interessadas na empresa. 
Redução do tempo e custo de coleta de dados: Menos elementos significam menos dados a 
serem coletados, processados e analisados, o que pode resultar em uma redução no tempo e 
custo associados ao desenvolvimento do modelo de simulação. 
Foco nas variáveis mais importantes: Ao identificar e priorizar as variáveis mais importantes, 
o modelo pode se concentrar nos aspectos críticos do processo produtivo, ajudando a empresa a 
tomar decisões mais rápidas e eficazes. 
Maior precisão e confiabilidade: Trabalhar com um número menor de elementos pode 
permitir uma modelagem mais precisa e confiável, uma vez que os recursos podem ser alocados 
para a análise e validação das variáveis-chave, garantindo que o modelo represente 
adequadamente o sistema real. 
Facilidade de experimentação e teste de cenários: Com um modelo mais simples, é mais fácil 
realizar experimentações e testar diferentes cenários para avaliar o impacto de diferentes 
decisões e estratégias na capacidade produtiva da empresa. 
Resumindo, trabalhar com um número menor de elementos permite que a empresa desenvolva 
modelos de simulação mais eficientes, precisos e relevantes para apoiar o processo de tomada 
de decisão gerencial, ajudando-a a resolver problemas relacionados à capacidade produtiva e 
melhorar seu desempenho no mercado. 
 
 
 Atividade Prática 
 
3- Qual técnica pode ser utilizada para auxiliar na seleção desses elementos? 
Uma técnica que pode ser utilizada para auxiliar na seleção dos elementos necessários para 
desenvolver o projeto de modelagem e simulação é a análise de sensibilidade. 
Aanálise de sensibilidade é uma abordagem que permite identificar quais variáveis têm maior 
impacto nos resultados do modelo. Isso é feito ao variar uma única variável de cada vez 
enquanto mantém todas as outras constantes, e observar como essa variação afeta os resultados 
do modelo. 
Para aplicar a análise de sensibilidade, o analista de simulação pode seguir estes passos: 
Identificação de variáveis-chave: Inicialmente, é necessário identificar as variáveis que podem 
influenciar a capacidade produtiva da empresa. Isso pode incluir fatores como tempo de ciclo da 
máquina, taxa de falhas, tempo de setup, demanda dos clientes, entre outros. 
Definição de faixas de variação: Para cada variável identificada, é necessário definir faixas de 
variação que representem os diferentes cenários possíveis. Por exemplo, para a variável "tempo 
de ciclo da máquina", podem ser consideradas variações de tempo de ciclo mais curtos e mais 
longos. 
Execução de simulações: O analista realiza simulações do modelo variando uma única variável 
de cada vez dentro das faixas definidas. Isso é feito para observar como as mudanças nessas 
variáveis afetam os resultados do modelo, como a capacidade produtiva da empresa. 
Análise dos resultados: Com base nas simulações realizadas, o analista analisa como as 
diferentes variáveis afetam os resultados do modelo. Isso permite identificar quais variáveis têm 
maior impacto na capacidade produtiva e, portanto, devem ser incluídas no modelo final. 
Ao utilizar a análise de sensibilidade, o analista pode concentrar seus esforços nas variáveis 
mais importantes e relevantes para o problema em questão, reduzindo assim a complexidade do 
modelo e garantindo que ele capture os aspectos mais críticos do sistema produtivo da empresa. 
4- Para não perder a representatividade, que tipo de técnica a empresa deve adotar ao selecionar os 
dados? 
Para não perder a representatividade ao selecionar os dados para o projeto de modelagem e 
simulação, a empresa deve adotar a técnica de amostragem estratificada. 
A amostragem estratificada é uma técnica estatística que envolve dividir a população em 
subgrupos, ou estratos, com características semelhantes e, em seguida, selecionar uma amostra 
de cada estrato de forma proporcional à sua representatividade na população total. Isso permite 
garantir que cada segmento da população seja adequadamente representado na amostra, 
evitando distorções e garantindo a validade dos resultados. 
No contexto da capacidade produtiva da empresa de confecção de sapatos, a amostragem 
estratificada pode ser aplicada da seguinte maneira: 
Identificação de fatores relevantes: Identificar os fatores-chave que podem influenciar a 
capacidade produtiva da empresa, como tempo de ciclo da máquina, taxa de falhas, tempo de 
setup, entre outros. 
 
 Atividade Prática 
 
Divisão em estratos: Dividir a população de dados em diferentes estratos com base nos fatores 
identificados. Por exemplo, podem ser criados estratos para diferentes turnos de trabalho, 
diferentes tipos de produtos, diferentes operadores de máquinas, etc. 
Seleção da amostra: Selecionar uma amostra representativa de cada estrato, garantindo que a 
proporção de dados em cada estrato na amostra seja proporcional à sua representatividade na 
população total. 
Análise dos resultados: Analisar os dados da amostra para entender como os diferentes fatores 
afetam a capacidade produtiva da empresa e, assim, avaliar o impacto potencial da aquisição de 
novo equipamento, como uma máquina de overlock com maior capacidade. 
Ao adotar a técnica de amostragem estratificada, a empresa pode garantir que os dados 
selecionados para o projeto de modelagem e simulação sejam representativos da população 
total, permitindo uma análise precisa e confiável dos diferentes cenários e possíveis soluções 
para o problema de capacidade produtiva.