.
As redes da cadeia de suprimentos podem ser incrivelmente complexas, com vários pontos de fabricação e distribuição – e a localização de cada nó nessas redes tem um efeito significativo em tudo, desde a lucratividade até o custo do produto e o impacto ambiental. Uma nova pesquisa da North Carolina State University mostra que ferramentas matemáticas eficientes servem quase tão bem quanto modelos de otimização mais exigentes computacionalmente para determinar os melhores lugares para localizar elementos em uma cadeia de suprimentos e podem fornecer às empresas as informações relevantes com muito mais rapidez.
“Nosso trabalho se concentra em cadeias de suprimentos que melhoram o desempenho econômico e ambiental ao adotar a sustentabilidade”, diz Amir Sadeghi, primeiro autor do estudo e Ph.D. aluno do Departamento de Engenharia Industrial e de Sistemas Edward P. Fitts da Carolina do Norte. “Observamos as cadeias de suprimentos onde os elementos de seus produtos podem ser reutilizados – como tecnologias de impressão que reutilizam cartuchos de impressora. Essas cadeias de suprimentos envolvem várias instalações de fabricação, bem como muitos outros locais de distribuição onde os consumidores podem comprar os produtos e devolvê-los para reciclagem ou reutilização.Essas cadeias de suprimentos de vários níveis são extremamente complexas e a localização de cada ponto na cadeia de suprimentos tem ramificações significativas em termos de custo, tempo de transporte e assim por diante.
“Embora existam modelos que nos permitem identificar a solução ideal exata para onde cada ponto da cadeia de suprimentos deve ser localizado, esses modelos são computacionalmente exigentes. Portanto, queríamos ver o desempenho de ferramentas computacionalmente mais eficientes e se elas poderiam ser um substituto adequado para uso na tomada de decisões de gerenciamento da cadeia de suprimentos.”
Especificamente, os pesquisadores queriam testar o desempenho de duas heurísticas bem estabelecidas, que são “atalhos” de algoritmos capazes de fornecer uma boa – mas não necessariamente ótima – resposta para um problema complexo rapidamente. Eles compararam essas duas heurísticas, chamadas de Grey Wolf Optimizer (GWO) e Whale Optimization Algorithm (WOA), contra um modelo computacional capaz de encontrar a solução ótima exata. Os pesquisadores testaram a heurística contra o modelo exato de otimização para 15 problemas diferentes, refletindo uma série de desafios multiníveis da cadeia de suprimentos.
A heurística e o modelo exato de otimização foram todos projetados para encontrar os melhores locais para cada ponto de uma cadeia de suprimentos e, em seguida, determinar o custo de colocar essa cadeia de suprimentos no lugar. Todas as três ferramentas respondem por muitas variáveis que influenciam o custo, como distância de transporte e custos imobiliários e de construção.
Os pesquisadores ficaram surpresos com o quão bem a heurística funcionou. Houve alguma variabilidade no desempenho das heurísticas, dependendo do desafio específico da cadeia de suprimentos usado em cada teste. No entanto, na melhor das hipóteses, o GWO foi capaz de estabelecer locais da cadeia de suprimentos com custos dentro de 0,01% do modelo exato de otimização, enquanto os custos do WOA estavam dentro de 0,07% do modelo exato de otimização. E, em média, as heurísticas foram capazes de fornecer suas soluções em cerca de metade do tempo do modelo de otimização exato.
“Se você tem uma cadeia de suprimentos estabelecida e um de seus nós cai inesperadamente – uma loja fecha, um local de fabricação é fechado por inundação, etc. – você precisa agir rapidamente para restabelecer a cadeia de suprimentos”, diz Sadeghi . “Se é uma cadeia de suprimentos complexa – e você não tem acesso a um supercomputador – pode haver uma vantagem significativa em usar uma heurística que pode lhe dar uma resposta muito boa sobre onde substituir um elo perdido dentro de horas, em vez de do que esperar dias para executar um modelo de otimização exato.”
Os pesquisadores também encontraram uma vantagem inesperada nas heurísticas – elas eram mais robustas do que o modelo exato de otimização. Em termos práticos, isso significa que as respostas fornecidas pelas heurísticas eram mais prováveis de se sustentar quando algumas das variáveis mudavam. Por exemplo, se houver uma pequena mudança na localização de um nó em uma rede de cadeia de suprimentos criada por uma heurística, haverá uma pequena mudança no custo relacionado. No entanto, mudanças semelhantes nas redes da cadeia de suprimentos desenvolvidas pelo modelo de otimização exata eram mais propensas a causar mudanças significativas no custo.
“No total, nossas descobertas aqui sugerem que pode haver vantagens significativas para os gerentes da cadeia de suprimentos ao adotar o uso da heurística”, diz Rob Handfield, co-autor do estudo.
“Não esperamos que ninguém abandone o uso de modelos de otimização exatos para planejamento de longo prazo, mas pelo menos a heurística pode ser uma maneira útil de testar a robustez de redes ‘ótimas’”, diz Handfield, que é o Banco of America University Distinguished Professor de Operações e Gerenciamento da Cadeia de Suprimentos no Poole College of Management da Carolina do Norte. “E a heurística pode ser particularmente valiosa para os gerentes da cadeia de suprimentos que são forçados a responder rapidamente a interrupções inesperadas em suas redes.”
.
