Tradicionalmente, em indústrias de produção de peças discretas, no nÃvel
tático do planejamento da produção, é calculado o plano mestre de produção
(Master Production Scheduling – MPS), que estabelece a quantidade de cada
bem a ser produzida por perÃodo. Com o MPS em mãos, a necessidade de
matéria-prima é levantada e o requerimento de material é realizado levandose
em consideração o lead time de chegada das peças, que está relacionado
com o modal de transporte previamente definido pela empresa. Mais próximo
da operação, o sequenciamento dos jobs é feito com o objetivo de atender
ao planejamento do MPS. Normalmente, esses quatro problemas - definição
do modal de transporte, elaboração do plano mestre de produção, definição
do momento de compra de materiais e sequenciamento da produção - são
tratados em momentos diferentes e, muitas vezes, de forma determinÃstica.
Neste trabalho é avaliado o impacto financeiro e operacional de realizar o
planejamento de forma determinÃstica e segregada. Em particular, avaliase:
(i) o impacto da estocasticidade e co-otimização do planejamento da
produção e das decisões de compra e (ii) a viabilidade do sequenciamento.
Para (i) é proposto um modelo de otimização estocástica de dois estágios
que co-otimiza as decisões de volume de produção, momentos de compra
e modal de transporte. Para (ii) restrições de sequenciamento de jobs são
adicionadas através de uma heurÃstica e de um modelo de programação
matemática. Avaliações empÃricas são feitas por meio de dois experimentos
numéricos com dados realistas de uma empresa do setor automobilÃstico. Para
(i) observamos uma redução de custo de 7 por cento na operação para o ano de 2018
(ano do planejamento) e cerca de 3,5 por cento para 5000 cenários simulados (out-ofsample),
comparando o modelo de dois estágios proposto com o procedimento
normalmente adotado na indústria. Para (ii) também observamos uma redução
de 8 por cento no custo de operação de 2018, e de 9,6 por cento para 50 cenários simulados (outof-
sample), em relação ao modelo proposto em (i) e 13 por cento no custo de operação
de 2018 e 15,6 por cento para 50 cenários simulados (out-of-sample), em comparação
com o modelo tÃpico da indústria.
|