cAPiPuLto Visao Geral da Abordagem de Modelagem da Pesquisa Operacional Goines pares dest vo ¢ dedcads aos métodos matemtcos da pesquisa operacional (PO). Isso é bastante apropriado jé que essas técnicas quantitativas formam a principal parte do que € conhecido como PO. Porém, isso néo implica que estudos priticos no campo da PO sejam basicamente exereicios matemiiticos. Na realidade, a anflise matemiitica nor- ‘malmente representa apenas uma parte relativamente pequena do esforgo total requerido. propésito deste capitulo é de oferecer uma melhor perspectiva descrevendo todas as prin- cipais fases de um estudo de PO tipico. Uma forma de se sintetizar as fases usuais (que se sobrepdem) de um estudo de PO € a seguinte: 1. Definir o problema de interesse e coletar dados. 2, Formular um modelo matemético para representar problema. 3. Desenvolver um procedimento computacional a fim de derivar solugdes para 0 proble- ma a partir do modelo. 4, Testar 0 modelo e aprimors-lo conforme neces S$. Preparar-se para a aplicagdo continua do modelo conforme prescrito pela geréncia. 6. Implementar. Cada uma dessas fases serd discutida nas segdes a seguir. A maioria dos estudos de PO consagrados introduzidos na Tabela 1.1 fornece exemplos de como executar adequadamente essas fases. Iremos intercalar pequenos trechos desses exemplos ao longo do capitulo, convidando-o para leitura adicional. E 2.1 DEFINI¢AO DO PROBLEMA E COLETA DE DADOS Em contraste com os exemplos do texto, a maioria dos problemas praticos enfrentados pelas equipes de PO é inicialmente descrita a eles de uma forma vaga e imprecisa. Conseqiientemente, a primeira ordem do dia é estudar o sistema relevante e desenvolver um enunciado bem-definido do problema a ser considerado. Isso abrange determinar coisas como os objetivos apropriados, restrigdes sobre o que pode ser feito, relagdo entre ser estudada ¢ outras reas da organizagdo, possiveis caminhos alternativos, limites de ‘tempo para tomada de decisdo ¢ assim por diante. Esse processo de definigao de problema € crucial, pois afeta enormemente quao relevantes serio as conclusdes do estudo. E dificil -sposta “correta” a partir de um problema “incorreto”! obter uma2.1_DEFINICAO DO PROBLEMA E COLETA DE DADOS _ 9 A primeira coisa a ser reconhecida € que uma equipe de PO normalmente trabalha na qualidade de consultores. Aos membros da equipe n3o somente € apresentado um problema ¢ solicitado a resolvé-lo conforme julguem apropriado. Em vez disso, eles aconselham a geréncia (geralmente um tomador de decisdes importante). A equipe realiza uma ani técnica detalhada do problema e a seguir apresenta recomendagées & geréncia, Freqiientemente, o relat6rio & geréncia identificard uma série de alternativas particularmente atrativas de acordo com diversas suposigdes ou segundo um intervalo de valores diferente de algum parmetro da politica adotada que pode ser avaliado somente pela geréncia (por exemplo, 0 conflito entre custo e beneficios). A geréncia avalia 0 estudo ¢ suas recomen- dagées, leva em consideragio uma série de fatores intangiveis ¢ toma a decisdo final baseada em seu melhor julgamento. Conseqiientemente, é vital para a equipe de PO sintonizar-se com a geréncia, inclusive identificando problema “correto” segundo o ponto de vista da geréncia e obter 0 seu apoio ao longo do projeto. Determinar os objetivos apropriados & um aspecto muito importante na definigio de um problema, Para tanto, & necessério, primeiramente, identificar 0 membro (ou membros) da geréncia que efetivamente decidird(do) no que se refere ao sistema em estudo e, depois, sondar 0 pensamento desse(s) individuo(s) no que tange aos objetivos pertinentes (envolver 0 tomador de decisdes desde o principio é essencial para obter seu apoio & implementagao do estudo). Em razdo de sua natureza, a PO se preocupa com o bem-estar de toda a organizago no apenas com aquele de certos membros da organizagao. Um estudo de PO busca solu- ges que so 6timas para a organizagdo como um todo em vez de solugdes subotimizadas que so boas apenas para um membro. Portanto, os objetivos que so formulados idealmen- te devem ser aqueles de toda a organizagao. Entretanto, isso nem sempre & conveniente. “Muitos problemas referem-se primariamente apenas a uma porgdo da organizagio, de forma que a andlise passaria a ser incontrolavel caso os objetivos declarados fossemn muito ger cos e se fosse dada considerago categérica a todos os efeitos colaterais no restante da orga- nizagao. Em vez disso, os objetivos usados no estudo devem ser os mais especificos poss veis e, ao mesmo tempo, englobar os principais objetivos do tomador de decisées e manter um grau de consisténcia razodvel com os objetivos mais altos da organizagao. Para organizagdes com fins lucrativos, uma abordagem possivel para contomar pro- blema de subotimizacao é usar a maximizacdo de lucros no longo prazo (levando-se em conta o valor do dinheiro no tempo) como o tinico objetivo. A qualificagio no longo prazo indica que esse objetivo fornece:a flexibilidade de considerar-se atividades que nio se tra- duzem imediatamente em lucros (por exemplo, projetos de pesquisa e desenvolvimento), ‘mas precisam fazé-lo com o tempo de modo a valer a pena. Essa abordagem tem seus méri- tos. Esse objetivo € suficientemente especffico para ser usado de forma conveniente ¢ ainda assim ser suficientemente abrangente para abarcar o objetivo basico das organizacées que vvisam ao lucro. De fato, algumas pessoas acreditam que todos os demais objetivos legitimos podem ser traduzidos nesse tinico. Entretanto, na pritica, muitas organizagdes com fins lucrativos nio adotam esse enfoque. ‘Uma série de estudos de corporagbes norte-americanas revela que a geréncia tende a adotar 0 objetivo de lucros satisfardrios, combinados com outros ohjetivos, em ver. de focalizar na maximizagao de lucros no longo prazo. Tipicamente, alguns desses outros objetivos podem ser © de manter lucros estaveis, aumentar (ou manter) a fatia de mercado, propiciar a diversifica- ‘¢do de produtos, manter pregos estaveis, levantar © moral dos trabalhadores, manter 0 contro- le familiar do negécio e aumentar o prestigio da companhia. Completando-se esses objetivos, pode ser que se aleance a maximizagio, porém o inter-relacionamento pode ser suficientemen- {e obscuro para nao ser conveniente incorporar todos eles nesse nico objetivo. ‘Além disso, hé consideragdes adicionais envolvendo responsabilidades sociais que sto distintas do motivo lucro. As cinco partes geralmente afetadas por uma empresa comercial localizada em um tinico pais s4o: (1) os proprietdrios (acionistas etc.) que desejam lucros (dividendos, valorizagio das agdes € assim por diante); (2) os empregados, que desejam emprego estével com salérios razodveis; (3) os clientes, que desejam um produto confidvel a pregos razoaveis; (4) os fornecedores, que desejam integridade e um prego de venda razoé-10 CAPITULO 2 _VISAO GERAL DA ABORDAGEM DE MODELAGEM DA PESQUISA... vel para suas mercadorias; e (5) 0 governo e, consequientemente, a nagdo, que desejam 0 pagamento de impostos razodveis € consideracao pelo interesse nacional. Todas as cinco partes dao contibuiges essenciais para a empresa ¢ esta nao deve scr vista como um servidor exclusivo de qualquer uma das partes para explorago das demais. Pelo mesmo critério, cor- porages internacionais assumem obrigagdes adicionais para seguirem préticas socialmente responsaveis. Portanto, mesmo que a principal responsabilidade da geréncia seja a de gerar lucros (0 que, em tiltima instancia, acabaré beneficiando as cinco partes envolvidas), percebe- ‘mos que suas responsabilidades sociais mais amplas também devam ser reconhecidas. As equipes de PO tipicamente investem uma quantidade de tempo surpreendente- mente grande coletando dados relevantes sobre 0 problema. Grande parte dos dados nor- malmente € necesséria tanto para se obter um entendimento preciso sobre © problema como também para fornecer a entrada necesséria para 0 modelo matemético que esté sendo formulado na préxima fase do estudo. Freqiientemente, grande parte dos dados necessirios nao estard disponivel quando se inicia 0 estudo, seja porque as informagoes jamais foram guardadas, seja pelo fato de 0 que foi registrado se encontrar desatualizado ou, entdo, na forma incorreta. Conseqiientemente, as vezes, normalmente € necessério instalar um sistema de informacoes gerenciais baseado em computadores para coletar regularmente os dados necessérios e no formato desejado. A equipe de PO, em geral, pre- cisa obter 0 apoio de diversos outros individuos-chave da organizagiio para conseguir todos os dados vitais. Mesmo com esse empenho, grande parte dos dados pode ser rela- tivamente “frdgil”, isto é, estimativas grosseiras baseadas apenas em conjeturas, Tipicamente, uma equipe de PO despenderd um tempo considerdvel tentando melhorar a precistio dos dados para depois se adequar e trabalhar com 0 que de melhor possivel possa ser obtido. ‘Com a ampla difusdo do emprego de bancos de dados ¢ o crescimento explosivo em seus tamanhos em anos recentes, as equipes de PO agora freqientemente acham que 0 maior problema relativo a dados nao sio aqueles poucos dispontveis, mas sim o fato de haver dados em demasia, Podem haver milhares de fontes de dados ¢ a quantidade total de dados pode ser ‘medida em gigabytes ou até mesmo em terabytes. Nessas condigdes, localizar os dados parti- cularmente relevantes e identificar os padres de interesse nesses dados toma-se uma tarefa assustadora, Uma das ferramentas mais novas para as equipes de PO é uma técnica chamada data mining que atende a essa tarefa. Os métodos de data mining pesquisam grandes bancos de dados na busca de padraes de interesse que possam levar a decisées titeis. A Referéncia | selecionada no final do capitulo fornece mais informagies sobre data mining. Exemplos. Um estudo de PO realizado para o Departamento de Policia de Sio Francisco’ resultou no desenvolvimento de um sistema computadorizado para escala € emprego de patrulheiros. O novo sistema gerou uma economia anual de USS 11 milhdes um aumento de US$ 3 milhdes em receitas por multas de transito e melhoria de 20% em tempos de resposta. Ao avaliar os objetivos apropriados para esse estudo, trés objetivos foram idemtificados: 1. Manter alto nfvel de seguranga para 0 cidaddo. 2. Manter 0 moral da tropa elevado. 3. Minimizar 0 custo de operagé Para satisfazer o primeiro objetivo, o Departamento de Policia e 0 governo municipal esta- beleceram conjuntamente um nivel de protegdo desejado. O modelo matemético impos enldo a necessidade de que esse nivel de protecio fosse atingido. De forma semelhante, 0 ‘modelo impos a exigéncia de equilibrar a carga de trabalho entre os policiais de modo a tra- balhar rumo ao segundo objetivo. Finalmente, o terceito objetivo foi incorporado adotando © objetivo de longo prazo de minimizar 0 niimero de policiais necessérios para atender a esses dois primeiros objetivos. TAYLOR, PE; HUXLEY, S.J. A Break from Tradition forthe San Francisco Police: Patrol Officer Sche- duling Using an Opkimization-Based Decision Support System, Interfaces, v.19, n.1, p. 4-24, jan fe. 1989, Leia especialmente as piginas 4 112.2_ FORMULANDO UM MODELO MATEMATICO - u © Departamento de Saide de New Haven, Connecticut, usou uma equipe de PO para desenvolver um programa de troca de agulhas eficiente para combater o alastramento do virus que provoca a Aids (HIV) sendo bem-sucedido ao reduzir em 33% a taxa de infec- gio por HIV em clientes do programa. A parte fundamental desse estudo foi um programa de coleta de dados inovador para obter a entrada necesséria para 0s modelos matemiticos de transmissao por HIV. Esse programa envolveu 0 acompanhamento completo de cada agulha (e seringa), incluindo a identidade, o local e a data para cada uma das pessoas que recebeu a agulha ¢ cada pessoa que devolvia uma agulha durante uma troca, bem como teste para verificar se a agulha devolvida era soropositiva ou nao. No final dos anos 90, empresas de servigos financeiros com atendimento completo sofreram uma investida vigorosa por parte de empresas de corretagem eletrOnicas oferecendo custos de operagdio extremamente baixos. A Merrill Lynch’ respondeu por meio da condugio de um importante estudo de PO que levou a uma completa revisdo de como ela cobrava seus servigos, desde uma opgio de servigos completos baseados em ativos (cobrando uma por- centagem fixa do valor dos ativos em carteira em ver de operagées individuais) até uma opgiio de baixo custo para clientes que desejavam investir diretamente on-line. A coleta e 0 processamento de dados desempenharam papel fundamental no estudo. Para analisar 0 impacto do comportamento individual dos clientes em resposta a diferentes opgdes, a equi- pe precisou montar um banco de dados cliente de 200 gigabytes envolvendo 5 milhoes de clientes, 10 milhdes de contas, 100 milhdes de registros de operagées ¢ 250 milhées de registros de langamentos contabeis. Isso exigiu a fusio, reconciliagao, filtragem e limpeza de dados de intimeros bancos de dados de produgio. A adogao das recomendagdes do estu- do levou a um aumento anual de aproximadamente USS 50 bilhdes em ativos de clientes em carteira e aproximadamente US$ 80 milhdes adicionais em termos de receitas. Um estudo de PO realizado pela Citgo Petroleum Corporation’ otimizou tanto as operagdes da refinaria quanto 0 fornecimento, a distribuigio ¢ a comercializagio de seus produtos, alcangando, portanto, um aumento de lucros de aproximadamente US$ 70 milhoes porano. A coleta de dados também desempenhou papel-chave nesse estudo. A equipe de PO realizou reuniées com a cGpula da Citgo para discutir exigéncias em relagdo aos dados cole- tados a fim de garantir a qualidade continua e final dos dados. Um sistema de gerenciamento de bancos de dados de ponta foi desenvolvido e instalado em um mainframe. Nos casos em {que nio existiam os dados necessérios, foram criadas telas no Lotus 1-2-3, para auxiliar 0 pessoal de operacées na introdugio de dados e, a seguir, foi feito 0 upload de dados de PCs (Personal Computers) para 0 mainframe. Antes de 0s dados serem alimentados no modelo ‘matemético, um programa pré-carregador foi usado para verificar possiveis etros ¢ inconsis- téncias nos dados. Inicialmente, o pré-carregador gerava um numeroso log de mensagens de erro! Finalmente, o niimero de mensagens de ertos e de alerta (indicando niimeros ruins ou questionveis) foi reduzido para menos de 10 para cada novo processamento. Descreveremos 0 estudo completo da Citgo com muito mais detalhes na Segdo 35. E 2.2 FORMULANDO UM MODELO MATEMATICO Apés a questo do tomador de decisdes estar resolvida, a préxima fase é reformular esse problema em uma forma que seja conveniente para andlise. 0 método de PO convencional para fazer isso € o de construir-se um modelo matemstico que represente a esséneia do pro- KAPLAN, E. H. O'KEEFE, E, Let the Needles Do the Talking! Evaluating the New Haven Needle Exchange. Interfaces, v. 3,0. 1, p. 7-26, jan.fex. 1993. Leia especialmente as paginas 12 a 14, ALTSCHULFR, S. et al. Pricing Analysis for Mervill Lynch Integrated Choice. Interfaces, v.32, n. 1, p. 5 19, jandfeb, 2002. Leia especialmente a pagina 10. 4 KLINGMAN, D. etal. The Challenges and Success Factors in Implementing and Integrated Products Plan ing System for Citgo, Interfaces, v.16, 9,13, p. 1-19, maiojun, 1986, Leia especialmente as péginas 11 a 14, Ner também KLINGMAN, D. etal. The Successful Deployment of Management Science Throught Citgo Petroleum Corporation, Interfaces, v.17, n. 1, p. 4-25, jan-fev. 1987. Leia especialmente as pginas de 13 a 15, Essa aplicagio ser deserta na Sega0 3.5,12 CAPITULO 2 _VISAO GERAL DA ABORDAGEM DE MODELAGEM DA PESQUISA... blema. Antes de discutirmos como formular tal modelo, exploraremos primeiramente a natu- reza dos modelos em geral e dos modelos matemiticos em particular. Os modelos, ou representagdes ideais, so partes integrantes da vida do dia-a-dia. Exemplos comuns sio os modelos de avides, os retratos, os globos e assim por diante. Similarmente, os modelos desempenham importante papel nas ciéncias e no mundo dos neg6- cios, conforme ilustrado pelos modelos do étomo, modelos da estrutura genética, equagdes ‘matemiticas descrevendo leis fisicas de movimentos ou reagdes quimicas, eréficos, organo- ‘gramas e sistemas contabeis industriais. Esses modelos sao inestimaveis na abstrago da essé cia da matéria da investigago, mostrando inter-relacionamentos e facilitando a analise. ‘Os modelos matemiéticos também sao representagdes idealizadas, porém sio expressos em termos de simbolos ¢ expresses matemiticas. Leis da Fisica como F = mae E = mc* sio exemplos familiares. De forma similar, o modelo matemético de um problema de nego- cios € 0 sistema de equagdes e de expresses matemiéticas relativas que descrevem a essén- cia do problema, Portanto, se houver n decisdes quantificaveis relacionadas a serem feitas, elas serio representadas na forma de varidveis de decisio (digamos 21, %2, ... %,) Cujos valores respectivos devem ser determinados. A medida de desempenho apropriada (por cexemplo, lucro) & eno expressa como uma fungio matemética dessas varidveis de decisio (como, P = 3x; + 2x + ... + 5x,). Essa fungaio é chamada fungdo objetivo. Quaisquer re trigdes nos valores que podem ser atribuidos a essas varidveis de decistio também so expressas de forma matemética, tipicamente por meio de desigualdades ou equacdes (por exemplo, x; + 3xy%p + 2xp = 10). Essas expresses matemiéticas para limitagoes sto nor- malmente denominadas restrigdes. As constantes (a saber, 05 coeficientes e os lados dir tos) nas restrigées e na fungao objetivo so denominadas pardimetros do modelo. O mode- o matematico poderia ento nos dizer que o problema é escolher os valores das varidveis de decisio de forma a maximizar a fungio objetivo sujeita as restrigdes especificadas. Um modelo desse tipo, e pequenas variagdes dele, tipifica os modelos usados em PO. Determinar os valores apropriados a serem atribufdos aos parmetros do modelo (um valor por parmetro) €, a0 mesmo tempo, uma parte critica e desafiadora do processo de construc do modelo. Em contraste com os problemas do texto, nos quais os ntimeros sio fornecidos,esta- belecer valores de parimetros para problemas reais requer a coleta de dados relevantes. Conforme discutido na seco anterior, coletar dados precisos normalmente é dificil. Portanto, 0 valor atribufdo a um parimetro geralmente é, forgosamente, apenas uma estimativa grosseira, Em razo da incerteza sobre o valor real do pardimetro, é importante analisar como a solugo derivada do modelo eventualmente modificaria se 0 valor atribuido ao parametro fosse modifi cado para outros valores plausiveis. Esse processo € conhecido como analise de sensibilidade, conforme serd discutido na préxima seco (e em grande parte do Capitulo 6). Embora nos refiramos “ao” modelo matemético de um problema de negécios, os pro- blemas reais nfio possuem apenas um nico modelo “correto”. A Seco 2.4 vai descrever como o processo de teste de um modelo tipicamente induz.a uma sucesstio de modelos que fornecem representagdes cada vez melhores do problema. E possivel até mesmo que dois ou mais tipos completamente diferentes de modelos possam ser desenvolvidos para ajudar na anilise do mesmo problema. ‘Veremos intimeros exemplos de modelos mateméticos a0 longo do restante deste livro. Um tipo particularmente importante a ser estudado nos capitulos seguintes € o modelo de pro- gramagiio linear, em que as fungdes matematicas que aparecem tanto na fungo objetivo quan- to nas restrigdes so fungSes lineares. No Capitulo 3, so construidos modelos de programago linear especificos para atender a problemas bem diversos como: (1) 0 mix de produtos que maxi- miza o lucro, (2) 0 planejamento de sessdes de radioterapia que ataquem efetivamente um tumor ¢, 20 mesmo tempo, minimizem os danos causados a tecidos sos vizinhos ao tumor, (3) a alo- cago de terras para plantagdes que maximize 0 retomo liquido total e (4) a combinagio de métodos de combate & poluigo que atendan a padiGes de qualidade do ar a um custo minimo. ‘Os modelos matemiticos apresentam muitas vantagens em relagio a uma descrigio verbal do problema. Uma delas € que modelo matemtico descreve um problema de forma muito mais concisa, Isso tende a tornar mais compreensivel a estrutura geral do problema e ajuda a revelar importantes relacionamentos causa-efeito, Desse modo, ele indica mais cla- ramente quais dados adicionais sao relevantes para a andlise. Também facilita o tratamento2.2 _FORMULANDO UM MODELO MATEMATICO 13 do problema como um todo, considerando todos os seus inter-relacionamentos de forma simultanea. Finalmente, um modelo matemético forma uma ponte para o emprego de t ‘cas matemiticas ¢ computadores potentes para analisar 0 problema. De fato, pacotes de soft- ware tanto para PCs como para mainframes podem ser encontrados em abundancia para solucionar muitos modelos mateméticos. Entretanto, hé dificuldades a serem evitadas ao usar-se modelos mateméticos. Um modelo desse tipo é, necessariamente, uma idealizagdo abstrata do problema, de forma que geralmente se requet aproximagdes e suposigdes simplificadas caso queira que 0 modelo seja tratdvel (capaz de ser resolvido). Portanto, deve-se tomar cuidado para garantir que 0 modelo permaneca uma representagao valida do problema. O proprio critério para julgar a validade de um modelo € se 0 modelo prevé ou nao 0s efeitos relativos dos caminhos alter- nativos com preciséo suficiente para permitir uma decisio sensata. Consequentemente, ndo 6 necessério incluir detalhes sem importincia ou fatores que tém praticamente 0 mesmo efeito para todas as alternativas consideradas. Nao é nem mesmo necessério que a magni- tude absoluta da medida de desempenho seja aproximadamente correta para as diversas alternativas desde que seus valores relativos (isto €, as diferengas entre eles) sejam suficien- temente precisos. Assim, & necessério haver alta correlacdo entre a previsio feita pelo ‘modelo e 0 que realmente acontece no mundo real. Para determinar se essa exigéncia seré atendida, ¢ importante realizar uma bateria de testes considerdvel e consequente modificagao do modelo, 0 que sera tema da Segdo 2.4. Embora essa fase de testes seja posicionada posteriormente no capitulo, grande parte deste trabalho de validagdo do modelo € efetiva- mente realizada durante a fase de construgo do modelo para ajudar a orientar a construgio do modelo matemético. Ao desenvolver 0 modelo, um método eficiente é iniciar com uma verso bem simples ¢, progressivamente, ir avangando para modelos mais elaborados que reflitam de forma mais proxima a complexidade do problema na realidade. Esse processo de enriquecimento do ‘modelo continua apenas enquanto 0 modelo permanecer tratavel. O equilfbrio basico a ser sempre considerado é entre a precisdo e a tratabilidade do modelo (ver a Referéncia 8 para uma descricao detalhada desse processo). Uma etapa crucial na formulagao de um modelo de PO é a construgdo da fungdo objeti- ‘Vo. Ela requer desenvolvimento de uma medida quantitativa de desempenho para cada um dos objetivos finais do tomador de decisdes que so identificados enquanto o problema esta sendo definido, Se houver miltiplos objetivos, suas respectivas medidas serio comumente transformadas e combinadas em uma medida composta denominada medida de desempe- rho global. Essa medida global pode ser algo tangtvel (por exemplo, lucro) comrespondente a. um objetivo primordial da organizagdo, ou ento pode ser abstrato (como, utilidade). No Ultimo caso, a tarefa de desenvolver-se essa medida tende a ser complexa exigindo uma com- paragio cuidadosa dos objetivos e da importincia relativa destes. Apés ser definida a medida de desempenho global, obtém-se a funcdo objetivo expressando essa medida na forma de uma fungio matematica das varidveis de decisio. De maneira alternativa, hé também métodos para, de maneira explicita, levar em considerago vérios objetivos simultaneamente € um deles (programagao por objetivos) € discutido no suplemento do Capitulo 7. Exemplos. Um estudo de PO realizado pela Monsanto Corp.” destinava-se a otimizar operagdes de produgdo nas fabricas industriais quimicas da Monsanto para minimizar 0 custo de atender a quantidade de certo produto quimico (anidrido maléico) a ser produzido em determinado més. As decisdes a serem tomadas so os ajustes para cada um dos reato- res cataliticos usados para dar origem a esse produto, no qual 0 ajuste estabelece tanto a uantidade produzida quanto o custo operacional do reator. A forma do modelo matemético resultante € a seguinte: Escolhet os valores dus varidveis de devisiio Ry = Low I= LQ ¥~ BOYKIN, R. F Optimizing Chemical Production at Monsanto, Interfaces . 15, . 1, p. 88-95, andev, 1985 Leia especialmente as piginas 92 a 93,CAPITULO 2_VISAO GERAL DA ABORDAGEM DE MODELAGEM DA PESQUISA. de forma que sujeito a oul, onde Ry = { 1 se o reator i estiver operando no ajuste j 0 caso contrério cy = custo para o reator i no ajuste j i = produgao do reator i no ajuste j T = meta de produgdo r= ntimero de reatores ‘5 = mimero de ajustes (inclusive a posigao desligado) A fungao objetivo para este modelo é ¥. & cyy. As restrigdes sto dadas nas trés linhas abaixo da fungdo objetivo. Os pardmetros sio Cy, Py € T. Para a aplicagdo da Monsanto, esse modelo tem mais de 1.000 varidveis de decisao Ry (isto é, rs > 1.000). Seu emprego gera uma economia anual de aproximadamente US$ 2 milhdes. Um dos problemas mais desafiantes enfrentados pelas companhias aéreas € como rapi- damente realocar tripulagdes quando ocorrem atrasos ou cancelamento de vos em razio da falta de condigdes de v6o por fatores climsticos. problemas mecdinicos nas aeronaves ou falta de tripulago. Uma equipe de PO trabalhando na Continental Airlines® desenvolveu um modelo matemético detalhado para realocagao imediata de tripulagdes em vGos assim que ocorram emergéncias. Pelo fato de a companhia aérea ter alguns milhares de tripulan- tes e vOos didrios, © modelo necessério precisava ser imenso para poder considerar todas as possiveis associagdes tripulantes versus vOos. Por conseguinte, o modelo tinha mithdes de varidveis de decisio e varios milhares de restrigGes. No seu primeiro ano de uso (gran- de parte em 2001), © modelo foi aplicado quatro vezes para recuperar transtornos de horé- rio importantes (duas tempestades de neve, uma enchente e os ataques terroristas de 11 de setembro). Isso levou a uma economia de aproximadamente US$ 40 milhdes. O sistema foi empregado subseqientemente também em outros transtornos didrios menores, ‘A agéncia governamental holandesa responsével pelo controle de recursos hidricos € por obras piiblicas, a Rijkswaterstaat, encomendou um estudo de PO” para orientar 0 desenvolvimento de nova politica nacional de gestio de recursos hfdricos. A nova politica poupou centenas de milhdes de délares em gastos com investimentos € possibilitou meno- res prejuizos & agricultura com uma economia anual de US$ 15 milhdes por ano ¢ reduzin- do, ao mesmo tempo, a poluigdo térmica e aquela gerada por algas. Em vez de formular um Jinico modelo matematico, esse estudo de PO desenvolveu um abrangente sistema integra- do de 50 modelos! Além disso, para alguns desses modelos foram desenvolvidas tanto as verses simples quanto as complexas. A versio simples era usada para se adquirir insights basicos, incluindo anélises de compromisso. A versio complexa era entdo utilizada para as rodadas finais da andlise ou sempre que fossem necessérias maior preciso ou safdas mais detalhadas. © estudo de PO como um todo envolveu diretamente mais de 125 pessoas/ano de empenho (mais de um tergo com a coleta de dados), gerou varias dezenas de programas de computador e estruturou uma quantidade de dados enorme. © YU, G.et al. A New Era for Crew Recovery at Continental Airlines. Interfaces, v. 33, n. 1, p. 5-22, janJfev 2003. Leia especialmente as piginas 18 a 19. 7 GOELLER, B. F; Equipe PAWN, Planning the Netherlands’ Water Resources. Interfaces, v.15, 0. 1, p. 3:33, JanJfew. 1985, Leia especialmente as péginas 7 a 18.2.3 DERIVANDO SOLUCOES A PARTIR DO MODELO 5 DERIVANDO SOLUGOES A PARTIR DO MODELO ‘Apés a formulago de um modelo matematico para 0 problema em questio, a préxima fase em um estudo de PO € desenvolver um procedimento (normalmente baseado em computa- dor) para derivar solugdes para o problema desse modelo. Vocé pode estar pensando que esta deve ser uma parte principal do estudo, porém, na realidade, nao 0 € na maioria dos casos. Algumas vezes, de fato, € uma etapa relativamente simples em que um dos algoritmos- padrao (procedimentos de soluco sistematicos) da PO é aplicado em um computador usan- do-se um dos pacotes de software disponiveis no mercado, Para profissionais experientes no campo da PO, encontrar uma solugdo é ivertida, ao passo que 0 verdadeiro trabalho comega nas fases precedentes e seguintes, incluindo-se a andlise de pés-otimalidade discu- tida posteriormente nesta segdo. J4 que grande parte deste livro é dedicada ao tema de como obter solugdes para diver- sos tipos importantes de modelos mateméticos, pouco deve ser falado a esse respeito neste momento. Porém, precisamos discutir a natureza de tais solugdes. ‘Um tema comum na PO é a busca de uma solugo dtima ou da melhor solugio possi vel. De fato, muitos procedimentos foram desenvolvidos e so apresentados neste livro para descobrir essas solugdes para certos tipos de problema. Entretanto, precisamos reconhecer que essas solugdes so dtimas apenas em relacdo ao modelo que esté sendo usado. Visto que © modelo necessariamente & um modelo idealizado e ndo uma representacao exata do pro- blema real, nao pode existir nenhuma garantia ut6pica de que a solucao étima para 0 mode- Io se comprovaré como a melhor solugo possivel que poderia ter sido implementada para © problema real. Simplesmente ha muitos fatores imponderdveis e incertezas associadas aos problemas priticos. Porém, se 0 modelo for bem-formulado ¢ testado, as solugdes resultan- tes tendem a ser uma boa aproximacao para um caminho a ser adotado para 0 caso real. Portanto, em vez. de se enganar pedindo o impossfvel, vocé deve testar 0 sucesso pritico de tum estudo de PO que dependerd se ele fomece uma altemativa melhor do que aquela obti- da por outros meios. O eminente cientista e ganhador do Prémio Nobel em econo imon, indi- ca que, na pritica, satisficing é muito mais prevalente que otimizagdo. Ao instituir o termo satisficing como uma combinagio das palavras em inglés satisfactory € optimizing (satisfa- t6rio ¢ otimizagao), Simon esté descrevendo a tendéncia dos gerentes de procurarem uma solugo que seja “‘suficientemente boa” para um problema em questio. Em vez de tentar criar uma medida de desempenho global para conciliar de forma étima conflitos entre varios objetivos desejaveis (inclusive critérios consolidados para julgar o desempenho dos diferen- tes segmentos da organizago), uma abordagem mais pragmética pode ser usada. Podem ser estabelecidos objetivos para se atingir niveis minimos de desempenho satisfat6rios em diversas dreas, baseados talvez em niveis de desempenho passados ou naqueles que estio sendo alcangados pela concorréncia. Se for encontrada uma solucao que se permita atingir todos esses objetivos, € provavel que ela seja adotada sem mais discussGes. Assim € a natu- reza do satisficing. A distincao entre otimizagio e satisficing reflete a diferenca entre a teoria ¢ as realida- des freqiientemente enfrentadas 20 tentar-se implementar tal teoria na pritica. Nas palavras de um dos lideres no campo da PO da Inglaterra, Samuel Eilon, “Otimizar é a ciéncia do ideal; satisficing € a arte do factivel.”* Equipes de PO tentam trazer no maior grau possivel a “ciéncia do ideal” para o proces- so de tomada de decisio. Entretanto, a equipe bem-sucedida age assim pelo total reconheci- mento da necessidade prioritéria do tomador de decisio para obter uma diretriz. de aco satisfat6ria em um periodo de tempo razodvel. Portanto, 0 objetivo de um estudo de PO deveria ser 0 de conduzir 0 estudo de maneira otimizada, independentemente se isso envol- ve ou no descobrir uma soluco étima para modelo. Desse modo, além de perseguir a cigncia do ideal, a equipe também deve considerar 0 custo do estudo e as desvantagens de ION, S. Goals and Constraints in Decision-making. Operational Research Quarterly, v.23, p15, 1972 —plesraproferida na conferéneia anual de 1971 na Canadian Operational Research Society16 CAPITULO 2_VISAO GERAL DA ABORDAGEM DE MODELAGEM DA PESQUISA... se postergar sua finalizagio e depois tentar maximizar os ganhos liquidos resultantes do estudo. Ao reconhecerem esse conceito, as equipes de PO usam ocasionalmente apenas pro- cedimentos heuristicos (isto 6, procedimentos desenvolvidos intuitivamente que nao garan- tem uma solugio étima) para encontrar uma solugo subétima. Normalmente esse é 0 caso quando o tempo ou o custo necessérios para se encontrar uma solugo para um modelo ade- quado do problema atingissem dimensdes muito grandes. Tém sido feitos grandes progres- sos no desenvolvimento eficiente e efetivo de meta-heuristicas que fomecem tanto uma estrutura geral como diretrizes estratégicas para desenvolver um procedimento heuristico especifico visando atender a determinado tipo particular de problema. O emprego da meta- heuristica (0 tema do Capitulo 13) continua crescendo, ‘A discussio até entio implicava que determinado estudo de PO procura encontrar apenas ‘uma solugdo onde se pode ou nao exigir que seja 6tima, De fato, esse normalmente nio é 0 caso. Uma solugo étima para 0 modelo original pode estar longe do ideal para o problema real, de forma que se faz necesséria andlise adicional. Dessa maneira, a anélise de pés-otima- lidade (andlise feita apés encontrar-se uma solugdo étima) & uma parte muito importante da maioria dos estudos de PO. Essa andlise também é, algumas vezes, denominada anélise ‘o-que-se, pois ela envolve responder a algumas perguntas sobre o que aconteceria & solucdo 6tima se fossem feitas diferentes suposigdes sobre condigdes futuras. Essas questées geral- mente sio levantadas pelos gerentes que tomario as decisoes finais e nao pela equipe de PO. advento de softwares de planilha poderosos freqiientemente tem dado as planilhas ‘um papel central na conducao da anzlise de pés-otimalidade. Um dos grandes pontos fortes das planilhas é a facilidade com a qual elas podem ser usadas interativamente por qualquer um, inclusive pelos gerentes, para ver 0 que acontece & solugio étima quando sio feitas ‘mudangas no modelo. Esse processo de experimentago com mudangas no modelo também pode ser muito ttl para se compreender o comportamento do modelo e aumentar a confian- aem sua validade. Em parte, a andlise de pos-otimalidade envolve conduzir uma andlise de sensibilida- de para estabelecer quais parametros do modelo so mais criticos (os “pardimetros sensi- veis") na determinago do problema. Uma definigo comum de pardmetro sensivel (usada a0 longo do livro) & a seguinte: Para um modelo matemitico com valores especificados para todos seus parémetros, os parii- ‘metros sensiveis do modelo sio os parimetros cujos valores no podem ser modificados sem se alterar a solugdo 6tima. £ importante identificar os parimetros sensiveis, pois isso determina os pardmetros ccujos valores tém de ser atribufdos com cuidado especial para evitar a distorgao do modelo. valor atribuido a um parimetro comumente € apenas uma estimariva de alguma quantidade (por exemplo, lucro unitério) cujo valor exato ser conhecido apés a solugio ter sido implementada. Portanto, apés os parametros sensfveis serem identificados, é dado aten- ‘gio especial para se estimar cada um deles mais de perto ou, pelo menos, seu intervalo de valores provéveis. Depois se procura uma solugao que permanega particularmente boa para todas as diversas combinagdes de valores provveis dos pardmetros sensiveis. Se a solugao for implementada de forma continua, qualquer alteragio posterior no valor de um parametro sensfvel sinaliza imediatamente a necessidade de se alterar a solugao. Em alguns casos, certos pardmetros do modelo representam decis6es de politicas (por cexemplo, alocago de recursos). Se isso acontecer, normalmente hé certa flexibilidade nos valores atribuidos a esses pardmetros. Talvez alguns possam ser aumentados diminuindo-se outros. A anilise de pés-otimalidade inclui a investigacao de tais compensagées. Em conjunto com a fase de estudo discutida na Seedo 2.4 (testando 0 modelo), a and- lise de p6s-otimalidade também envolve a obtengo de uma seqiiéncia de solugées que com- preendam uma série de aproximagées cada vez melhores e préximas do caminho ideal a ser adotado. Assim, os aparentes pontos fracos da solugao inicial séo usados para sugerir aper- feigoamentos no modelo, em seus dados de entrada e, talvez, no procedimento de solugio. Obtém-se entio uma nova solugio ¢ 0 ciclo € repetido. Esse processo continua até as melho- rias nas solugdes sucessivas tomarem-se muito pequenas para garantir a continuagio do pro-2.4 _TESTANDO 0 MODELO Ww cesso. Mesmo assim, uma série de solugdes alternativas (talvez. solugdes que si étimas para uma de varias versdes plausiveis do modelo e seus dados de entrada) pode ser apresentada a geréncia para a selegao final. Conforme sugerido na Segao 2.1, essa apresentagio de solu- ‘90es alternativas seria normalmente feita toda vez que a escolha final entre essas alternati- vas devesse basear-se em consideragdes que so deixadas para julgamento pela geréncia Exemplo. Consideremos novamente o estudo de PO da Rijkswaterstaat sobre politica nacional de gestdo de recursos hidricos para a Holanda, introduzido no final da Seco 2.2. Esse estudo concluiu nao recomendar apenas uma solugio, Em vez disso, uma série de alternativas atrativas foram identificadas, analisadas ¢ comparadas. A escolha final ficou para 0 processo politico holandés, culminando com a aprova de sensibilidade desempenhou papel fundamental nesse estudo. Por exemplo, ‘metros dos modelos representavam padrdes ambientais. A andlise de sensibilidade inclufa avaliar © impacto sobre problemas de gestio de recursos hfdricos, caso os valores desses pardmetros fossem alterados dos atuais padres ambientais para outros valores razodveis. A anilise de sensibilidade também foi usada para avaliar 0 impacto de se alterar as supo- sigdes dos modelos, por exemplo, a suposigdo do efeito de futuros tratados internacionais sobre o volume de poluicao na Holanda. Uma variedade de cendrios (por exemplo, um ano extremamente seco ¢ outro extremamente timido) também foi analisada, com a atribuigao de probabilidades apropriadas. E24 TESTANDO O MODELO Desenvolver um modelo matematico de grandes dimensées é andlogo, sob certos aspectos, a desenvolver um programa de computador muito extenso. Quando a primeira versio do programa de computador estiver terminada, ele inevitavelmente conterd muitos bugs. Finalmente, ap6s uma longa sucesso de programas mais aperfeigoados, 0 programador (ou a equipe de programago) concluira que o programa atual agora, de forma geral, esté dando resultados razoavelmente vélidos. Embora alguns pequenos bugs indubitavelmente ainda permanegam ocultos no programa (¢ talvez jamais venham a ser detectados), os principais bugs foram suficientemente eliminados de maneira que 0 programa possa ser usado de forma confidvel. De modo semelhante, a primeira versio de um modelo matemético de grandes dimen- sbes contém muitas falhas. Alguns fatores ou inter-relacionamentos relevantes, sem davida, no foram incorporados ao modelo e alguns parimetros indubitavelmente ainda nao foram estimados corretamente. Isso inevitével dada a dificuldade de comunicagao e de com- preensio de todos os aspectos e sutilezas de um problema operacional complexo, bem como em razio da dificuldade em coletar dados confidveis. Portanto, antes de se usar 0 modelo, ele deve ser amplamente testado para tentar identificar e corrigir 0 maior nimero possivel de falhas. Finalmente, ap6s longa sucesso de aperfeigoamentos do modelo, a equipe de PO conclui que ele agora esta apresentando resultados vélidos. Embora, sem divida nenhuma, ainda restem algumas imperfeicdes ocultas no modelo (e que talvez. jamais sejam descober- tas), as principais falhas foram eliminadas para se poder dizer que 0 modelo agora pode set usado de forma confidvel. Esse processo de teste e aperfeigoamento de um modelo para aum comumente referido como validaco de modelos. Jificil descrever como a validag20 de modelos ¢ feita, pois o processo depende em grande parte da natureza do problema em questo e do modelo que esté sendo usado. Entretanto, fizemos alguns comentarios gerais e a seguir damos alguns exemplos (ver a Referéncia 3 para uma discussio detalhada), ‘Uma vez que a equipe de PO pode gastar meses desenvolvendo todas as partes detalha- das do modelo, é facil “se perder nos detalhes”. Por isso, apés os detalhes da versao inicial do modelo serem completados, uma boa maneira de se iniciar a validagaio do modelo é dar tar sua validade &18 CAPITULO 2 VISAO GERAL DA ABORDAGEM DE MODELAGEM DA PESQUISA... uma nova olhada répida nele como um todo em busca de erros Sbvios ou descuidos. O grupo aque efetua essa revisio deve preferivelmente incluir pelo menos um individuo que nao tenha participado da formulagio do modelo. Reexaminar a definigio do problema € comparé-la com 0 modelo pode ser iitil na detecgao de erros. Também ¢ til certificar-se de que todas fas expresses matemiticas so dimensionalmente consistentes nas unidades utilizadas. Pode-se obter insight adicional sobre a validade do modelo variando-se os valores dos pari metros ou as varidveis de decisio e checando-se se a safda gerada pelo modelo se compor- ta de forma plausivel. Isso ¢ especialmente revelador quando sii atribuidos a pardmetros ou variaveis valores extremos préximos de seus méximos ou minimos. ‘Uma abordagem mais sistemdtica para testar 0 modelo ¢ usar um teste de retrospecti- Quando aplicavel, esse teste envolve o emprego de dados histéricos para reconstruir 0 passado e depois determinar qual teria sido o desempenho do modelo ¢ da solugao resultan- te, caso eles tivessem sido usados. A comparagdo da eficiéncia desse desempenho hipotéti- co. com 0 que realmente aconteceu indicard, entéo, se o emprego desse modelo tende a gerar ‘melhoria significativa em relagdo & pritica atual. Ela também poderé indicar reas onde o modelo possui pontos falhos e requer modificagdes. Além disso, usando-se solugdes alter- nativas do modelo ¢ estimando-se seus desempenhos histéricos hipotéticos, podem ser colhidas evidéncias consideraveis referentes a quo bem 0 modelo prevé os efeitos relativos adogo de caminhos alternatives. No outro modelo, uma desvantagem do teste retrospectivo € 0 fato de ele usar os mes- ‘mos dados que orientaram a formulagao do modelo. A questo crucial é se o passado € ver- dadeiramente representativo do futuro. Se nao for, entio 0 modelo deve ter desempenho bem diferente no futuro do que teria tido no passado. Para contomar essa desvantagem do teste retrospectivo, algumas vezes € til manter temporariamente o status quo. Dessa forma serdo fornecidos dados novos que no se encon- travam disponiveis quando o modelo foi construido. Esses dados so usados da mesma maneira que aquelas descritas aqui para avaliar 0 modelo. E importante documentar 0 proceso usado para validagdo dos modelos. Isso ajuda a aumentar 0 grau de confianga no modelo para usuarios subseqiientes, Além disso, se no futu- ro surgirem preocupagées em relago ao modelo, essa documentagao serd til para diagnos- ticar onde podem estar os problemas. Exemplos. Consideremos mais uma ver 0 estudo de PO da Rijkswaterstaat sobre pol tica nacional de gestio de recursos hidricos para a Holanda, discutido no final das Seg 2.2 e 2.3. O proceso de validago de modelos, nesse caso, tem és partes principats. Em primeiro lugar, a equipe de PO verificou o comportamento geral dos modelos observando se 0s resultados de cada um deles se modificam de forma razodvel ao se fazer mudangas nos valores dos pardmetros do modelo. Posteriormente, foi feito 0 teste de retrospectiva. E, por Ultimo, foi conduzida uma revisio técnica dos modelos, da metodologia ¢ dos resultados por pessoas nio afiliadas ao projeto, inclusive especialistas da Holanda. Esse processo levou a uma série de novas visdes e melhorias importantes nos modelos. ‘Também foram reveladas novas perspectivas durante a fase de validagao de modelos do estudo de PO na Citgo Petroleum Corp., discutido no final da Seco 2.1. Nesse caso, 0 ‘modelo de operagies na refinaria foi testado coletando-se as entradas ¢ saidas reais da refi- naria ao longo de varios meses usando-se essas entradas para fixar as do modelo e, a seguir, comparando-se as saidas do modelo com aquelas reais da refinaria. O processo de calibrar e recalibrar adequadamente 0 modelo foi longo, porém, finalmente, levou a um emprego rotineiro do modelo para fornecer informagdes de decisao criticas. Conforme jé menciona- do na Segio 2.1, a validagio ¢ a corregdo dos dados de entrada para os modelos também desempenharam papel importante nesse estudo. 'Nosso proximo exemplo trata de um estudo de PO realizado para a IBM” visando inte grar sua rede nacional de inventérios de pecas de reposigo para melhorar os servigos de COHEN, Mot a Optimizer: IBM's Muli-Echelon Inventory System for Managing Service Logistics. In terfaces, v.20, n. 1, p. 65-82, jan/fer. 1990, Leia especialmente as piginas 73 1 76. Essa aplcagio sera des: rita na seqdo 18.8,2.5 PREPARANDO-SE PARA APLICAR 0 MODELO suporte aos clientes da empresa. Esse estudo resultou em novo sistema de inventério trazen- do grandes beneficios aos servigos prestados ao cliente, bem como reduzindo em mais de US$ 250 milhdes o valor dos inventirios da IBM, além de poupar US$ 20 milhdes anuais pela melhoria na eficiéncia operacional. Um aspecto particularmente interessante da fase de validagao de modelos desse estudo foi a maneira pela qual futuros usudrios do sistema de inventario foram incorporados ao processo de testes. Pelo fato de esses futuros ususrios (gerentes da IBM em areas funcionais responsiveis pela implementagao do sistema de inventério) serem céticos em relagio ao sistema em desenvolvimento, foram apontados representantes para uma equipe de usudrios que atuaria como conselheiros para a equipe de PO. Apés uma versio preliminar do novo sistema ter sido desenvolvida (baseada em um modelo de inventirio multiescaldo), foi realizado um teste de pré-implementagdo do siste- ‘ma. O alto grau de feedback fornecido pela equipe de usudrios levou a melhorias importan- [___sne sistema proposto. E 2.5 PREPARANDO-SE PARA APLICAR O MODELO © que acontece apés a fase de teste ter sido completada e um modelo aceitavel ter sido desenvolvido? Se 0 modelo for para ser usado repetidamente, a préxima etapa ¢ instalar um sistema bem-documentado para aplicaco do modelo conforme prescrito pela geréncia, Esse sistema incluiré 0 modelo, o procedimento de solugdo (inclusive andlise de p6s-otimalida- de) € 08 procedimentos operacionais para implementagao. Depois disso, mesmo quando houver mudangas de pessoal, 0 sistema poderd ser chamado em intervalos regulares para fornecer uma solugio numérica espectfica. Esse sistema geralmente € baseado em computadores. De fato, normalmente um néme- ro considerdvel de programas de computador precisa ser usado e integrado. Sistemas de informagdes gerenciais e bancos de dados podem fornecer entradas atualizadas para 0 modelo cada vez. que ele for usado; nesse caso serdo necessérios programas de interfacea- ‘mento. Apés um procedimento de solugao (outro programa) ser aplicado ao modelo, progra- mas de computador adicionais podem disparar automaticamente a implementagio dos resul- tados. Em outros casos, um sistema interativo baseado em computador denominado sistema de apoio & decisao ¢ instalado para ajudar os gerentes a utilizar dados e modelos para dar suporte (¢ no substituir) as suas decisdes, conforme necessério. Outro programa pode gerar relatérios gerenciais (na linguagem da administragdo) que interpretam a saida do modelo suas implicagdes para a aplicacao, Na maioria dos estudos de PO, podem ser necessirios varios meses (ou mais) para desenvolver, testar e instalar esse sistema computacional. Parte desse esforgo envolve 0 desenvolvimento e a implementagao de um processo para manutengo do sistema com seu uuso no futuro. A medida que as condigdes mudam ao longo do tempo, esse processo deve modificar de acordo o sistema computacional (inclusive © modelo). Exemplos. 0 estudo de PO na IBM introduzido no final da Segao 2.4 é um bom exem- plo de um sistema computacional particularmente grande na aplicagao de um modelo. O sis- tema desenvolvido, chamado Optimizer, fornece controle otimizado dos niveis de servigo dos inventarios de pecas de reposicio por meio da rede de distribuicao de pegas da IBM nos Estados Unidos que inclui dois armazéns automatizados, dezenas de centros de distribuigo em campo e de estagdes de pecas € milhares de localizagses externas. O inventério de pegas mantido nessa rede é avaliado em bilhGes de délares. O Optimizer € formado por quatto médulos principais. © médulo de sistema de previsio contém alguns poucos programas para estimar taxas de falha de tipos individuais de pegas. © médulo de sistema de entrega de dados consiste em aproximadamente cem programas que processam mais de 15 gigabytes de dados para fornecer a entrada para 0 modelo, O médulo de sistema de apoio & deciso soluciona entdo semanalmente 0 modelo para otimizar 0 controle dos inventérios. O quarto médulo inclui seis programas que integram 0 Optimizer no Sistema de Gerenciamento de20 CAPITULO 2 _VISAO GERAL DA ABORDAGEM DE MODELAGEM DA PESQUISA.. Inventério de Pegas (PIMS) da IBM. O PIMS é um sofisticado sistema de controle ¢ infor- ‘mages formado por milhares de linhas de cédigo. ‘Nosso préximo exemplo também envolve um grande sistema computacional para apli- cago de um modelo visando controlar as operagGes de uma rede nacional. Esse sistema, denominado Sysnet, foi desenvolvido como resultado de um estudo de PO para a Yellow Freight System, Inc.'° A empresa realiza anualmente mais de 15 milhdes de embarques via transporte rodovirio por meio de uma rede de 630 terminais espalhados por todo o territé rio norte-americano. O Sysnet & usado para otimizar tanto as rotas de transporte como o desemho da rede. Pelo fato de o Sysnet exigir grande volume de informagGes sobre fluxos € previsdes de frete, custos de transporte € manuseio ¢ assim por diante, a maior parte do est do de PO envolveu a integracao do Sysnet no sistema de informagies gerenciais corporat vo. Essa integragao permitiu a atualizagao periddica de toda a entrada para © modelo. A implementagao do Sysnet resultou em uma economia anual de aproximadamente USS 17,3 milhdes, assim como em melhores servigos aos clientes. final da Segao 2.2 introduziu um estudo de caso de PO feito pela Continental Airlines que levou a formulago de imenso modelo matemético para realocar tripulagdes 1nos vos em situagdes de problemas com os hordrios programados. Em virtude de o mode- lo precisar ser aplicado logo apés a ocorréncia de algum problema nos horirios de v6o, foi desenvolvido um sistema de apoio @ decisdo conhecido como CrewSolver para incorporar tanto o modelo quanto enorme data store em meméria representando as operagdes atuais. O CrewSolver permite que um coordenador de tripulagio introduza dados sobre o problema com 0 hordrio de v6o e depois utilize uma interface gréfica com o usuério para requerer uma solugio imediata a fim de realocar tripulantes nos vos envolvidos. | Nosso primeiro exemplo ilustra um sistema de apoio @ decisdo. Um sistema desse tipo foi desenvolvido para a Texaco’ para ajudar a planejar e a programar suas operagdes de mistura de combustivel em suas diversas refinarias. Chamado Omega, 0 Método de Otimizagao para Estimativa de Atributos da Gasolina € um sistema interativo baseado em um modelo de otimizagao ndo-linear que é implementado tanto em computadores pessoais quanto em computadores maiores. Os dados de entrada podem ser introduzidos tanto ‘manualmente como por interfaces com bancos de dados das refinarias. O usuario possui uma flexibilidade consideravel para escolher uma fungdo objetivo e restrigdes que se encaixem na situagdo atual, bem como em fazer uma série de perguntas o-que-se (isto é, perguntas sobre 0 que aconteceria se as condigdes supostas mudassem). O Omega € mantido de forma centralizada pelo Departamento de Tecnologia da Informaco da Texaco, o que permite a constante atualizagao para refletir novas regulamentagSes governamentais, outras mudangas comerciais e mudangas nas operagdes das refinarias. A implementagao do Omega é credita- da uma economia anual de mais de USS 30 milhdes, assim como melhor planejamento, con- trole de qualidade e informagoes de mark 2.6 IMPLEMENTACAO ‘Apés um sistema ter sido desenvolvido para aplicagdo de um modelo, a tiltima fase de um estudo de PO € implementar esse sistema conforme prescrito pela geréncia. Essa é uma fase critica, pois € aqui, € somente aqui, que os frutos do estudo sio colhidos. Portanto, é impor- tante para a equipe de PO participar do langamento dessa fase tanto para garantir que as solugdes do modelo se traduzam precisamente em um procedimento operacional como para retificar quaisquer falhas nas solugdes que venham a ser descobertas. 'BRAKLOW, J. W. etal. Interactive Optimization Improves Service and Performance for Yellow Freight Sys- tem, Interfaces, v.22, n. 1, p. 147-172, jan.Jtev, 1992, Leia especialmente a gina 163, DeWITT, C. W. etal, OMEGA: An Improved Gasoline Blending System for Texaco. Interfaces, v. | 1. 85-101, janJfev. 1989, Leia especialmente as pginas 93 a 952.6 _IMPLEMENTACAO 7 2 © sucesso da fase de implementagdo depende muito do suporte da alta geréncia como © da geréncia operacional. E muito mais provavel que a equipe de PO ganhe esse apoio se ela tiver mantica a geréncia bem informada e tiver encorajado a orientacdo ativa da geréncia 120 longo do curso do estudo. A boa comunicacao ajuda a garantir que 0 estudo realize aqui lo que a geréncia deseja ¢ também da aos gerentes maior senso de propriedade do estudo, 6 que encoraja seu apoio & implementagao. ‘A fase de implementagdo envolve varias etapas. Primeiro, a equipe de PO dé a gerén- cia operacional uma cuidadosa explicagdo sobre o novo sistema a ser adotado e como ele se relaciona com as realidades operacionais. A seguir, essas duas partes compartiham a ponsabilidade pelo desenvolvimento de procedimentos necessaries para colocar esse ma em operagiio. A geréncia operacional vé ento que um doutrinamento detalhado é dado para o pessoal envolvido e o novo rumo a ser trilhado tem infcio. Se for bem-sucedido, 0 novo sistema poder ser usado por anos. Tendo isso em mente, a equipe de PO monitora a experigncia inicial com as medidas adotadas e procura identificar quaisquer modificagoes que possam ser feitas no futuro. ‘Ao longo de todo o periodo no qual o novo sistema esté sendo usado, é importante con- tinuar a obter feedback de como o sistema vem-se comportando e se as suposigées do mode- Jo continuam a ser satisfeitas. Quando ocorrerem desvios significativos das suposigGes ini ciis, « modelo deve ser revisto para determinar se é necessério fazer alguma modificai0 no sistema. A anilise de pés-otimalidade feita anteriormente (conforme descrito na Segao 2.3) pode ser itil na orientagio desse processo de revisio, ‘Apés 0 encerramento de um estudo, € conveniente que a equipe de PO documente sua metodologia de forma clara ¢ suficientemente precisa para que 0 trabalho possa ser repro- duzivel. A replicabilidade deve fazer parte do c6digo de ética profissional do especialista em pesquisa operacional. Essa condigao é particularmente crucial quando estio sendo estuda- das questdes de politica puiblica controversas. Exemplos. 0 tiltimo ponto sobre a documentagao de um estudo de PO ¢ ilustrado por meio do caso Rijkswaterstaat a respeito da politica nacional de gestio de recursos hidri- cos para a Holanda, discutido no final das Segdes 2.2, 2.3 € 2.4. A geréncia queria docu- mentagZo completa e detalhada, tanto para fins de suporte & nova politica como também para uso em treinamento de novos analistas ou na realizagio de novos estudos. Exigindo varios anos para ser completada, essa documentago chegou a 4 mil paginas em espago simples e 21 volumes! Nosso proximo exemplo refere-se ao estudo de PO da IBM discutido no final das Segées 2.4 e 2.5. Foi necessério planejamento cuidadoso para implementar 0 complexo sis- tema Optimizer para controle da rede nacional de inventédrios de pegas de reposi¢ao da IBM. Trés fatores provaram ser particularmente importantes para se obter uma implementagao bem-sucedida. Conforme discutido na Se¢ao 2.4, o primeiro deles foi a incluso de uma equipe de usuarios (formada por gerentes operacionais) como conselheiros para a equipe de PO ao longo de todo 0 estudo. No momento da fase de implementacio esses gerentes ope- racionais tinham uma s6lida sensagio de propriedade e, portanto, tinham-se tornado arden- tes defensores da instalagao do sistema Optimizer em suas éreas de responsabilidade. Um segundo fator de sucesso foi um abrangente teste de aceitacdo pelos usudrios em que eles tinham de identificar possiveis dreas probleméticas que precisavam set retificadas antes da implementagao completa. O terceiro fator-chave foi que 0 novo sistema foi gradualmente introduzido, com cuidadosos testes em cada fase, de forma que bugs principais pudessem ser eliminados antes de o sistema “entrar no ar” nacionalmente. préximo exemplo ilustra como uma fase de implementagao bem-sucedida poderia envolver milhares de empregados antes de empreender os novos procedimentos. A Samsung Electronics Corp.” iniciou um importante estudo de PO em marco de 1996 para desenvol- ver novas metodologias e programar aplicagdes que iriam tomar mais eficiente todo 0 pro- LEACHMAN, R. G et al, SLIM: Short Cycle Time and Low Inventory in Manufacturing at Samsung Elec- tronics. Interfaces ¥. 32. n. 1, p. 61-77, jan/fev. 2002. Lea especialmente as paginas 71 a 7222 CAPITULO 2 _VISAO GERAL DA ABORDAGEM DE MODELAGEM DA PESQUISA... cesso de manufatura de semicondutores e reduzir inventérios de trabalhos em andamento. O estudo prosseguiu por mais de cinco anos, terminando em junho de 2001, em grande parte em razao do grande esforgo exigido pela fase de implemeniagio. A equipe de PO precisava ganhar apoio de intimeros gerentes, pessoal da manufatura e engenharia, treinando-os nos princfpios ¢ na légica dos novos procedimentos de fabricacdo. Em tltima instincia, mais de 3 mil pessoas freqtientaram sessdes de treinamento. Os novos procedimentos foram introdu idos paulatinamente de forma a conquistar a confianga de todos. Entretanto, esse paciente processo de implementacdo rendeu enormes dividendos. Com esses novos procedimentos a empresa passou da posigao de fabricante menos eficiente do setor de semicondutores para a de mais eficiente. Isso resultou em receitas crescentes superiores a US$ 1 bilhdo na época da implementagio do estudo de PO. Nosso exemplo final refere-se ao sistema Sysnet da Yellow Freight para escolha de rotas de embarque e transporte por intermédio de uma rede nacional, conforme descrito no final da Segao 2.5. Nesse caso, havia quatro elementos-chave para o processo de implemen: tacdo. O primeiro deles era “vender a idéia” para a alta geréncia. Isso foi feito com sucesso pela validaco da preciso do modelo de custos € depois promovendo sessdes interativas para a alta geréncia que demonstravam a eficiéncia do sistema, O segundo elemento era 0 desenvolvimento de uma estratégia de implementago para gradualmente introduzir 0 novo sistema, identificando ¢ eliminando, ao mesmo tempo, suas falhas. © terceiro envolvia tra~ balhar mais de perto com os gerentes operacionais para instalaro sistema de forma apropria- da, fornecer as ferramentas de suporte necessérias, treinar 0 pessoal que usaria 0 sistema e convencé-Ios de sua utilidade. O elemento-chave final era a provisio de incentivos ¢ 0 apoio da geréncia para a efetiva implementagdo do sistema. & Ex 2.7. CONCLUSOES Embora 0 restante do livro se concentre basicamente na construgdo e resolucao de modelos matemiéticos, neste capitulo tentamos enfatizar que isto constitui apenas uma parte de todo © processo envolvido na conducdo de um estudo de PO tipico. As demais fases aqui descri- tas também so muito importantes para que o estudo seja bem-sucedido, Tente manter em vista 0 papel do modelo ¢ 0 procedimento de solugo durante todo 0 processo & medida que vocé avanga para capitulos subseqiientes. A seguir, aps adquirir melhor entendimento dos modelos mateméticos, sugerimos que vocé planeje para retornar a este capitulo, para uma revisdo, de modo a agucar ainda mais essa visio. ‘A pesquisa operacional esté intimamente ligada ao emprego de computadores. No i cio, estes geralmente eram mainframes, porém, agora, computadores pessoais ¢ estagdes de trabalho estio sendo aplicados amplamente para solucionar modelos de PO. Ao coneluir esta discussdo das principais fases de um estudo de PO, deve-se enfatizar que ha muitas excegdes as “regras” prescritas neste capitulo, Pela sua propria natureza, a PO requer considerdvel dose de engenhosidade e de inovagio, de forma que é impossivel colo- ccar no papel qualquer procedimento-padrao que sempre deva ser seguido pelas equipes de PO. Em vez disso, a descrigo precedente pode ser vista como um modelo que represente grosseiramente como sto conduzidos estudos de PO bem-sucedidos. a REFERENCIAS SELECIONADAS 1. BRADLEY PS. et al. Mathensatical Progs for Data Mining: Formulations and Chal- lenges. INFORMS Journal on Computing, v. 11, n. 3, p. 217-238, verio de 1999, 2. FORTUIN, L. et al, (eds.). OR at wORK: Practical Experiences of Operational Research. Bris- tol, PA: Taylor & Francis, 1996.PROBLEMAS 23 3. GASS, S. 1 Decision-Aiding Models: Validation, Assessment, and Related Issues for Policy Analy- sis. Operations Research, v. 31, p. 603-631, 1983. 4. ____. Mode! World: Danger, Beware the User as Modeler. Interfaces, v. 20, n. 3, p. 60-64, maiofjun. 1990. 5. HALL, R. W. What’s So Scientific about MS/OR? Interfaces, v. 15, n. 2, p. 40-45, marJabr. 1985. 6. HOWARD, R. A. The Ethical OR/MS Professional. Interfaces, v. 31, n. 6, p. 69-82, nov.idez. 2001. 7. MISER, H. J. The Easy Chair: Observation and Experimentation. Interfaces, v. 19, n. 5, p. 23- 30, setout. 1989, ee MORRIS, W. T. On the Art of Modeling. Management Science, v. 13, p. B707-717, 1967. MURPHY, FH. The Occasional Observer: Some Simple Precepts for Project Success. Interfaces, v, 28, n. 5, p. 25-28, set font 1998, 10, PIDD, M. Just Modeling Through: A Rough Guide to Modeling. Interfaces, v. 29, n. 2, p. 118- 132, marJabr. 1999. 11. SIMON, H. A: Prediction and Prescription in Systems Modeling. Operations Research, v. 38, p. 7-14, 1990. 12, WILLIAMS, HP. Model Building in Mathematical Programming. 4. cd. Nova York: Wiley, 1999. @ PROBLEMAS 2-1, Leia o artigo com nota de rodapé na Sego 2.1 que descre- ‘x um estudo de PO feito para 0 Departamento de Policia de S Frmecisco. 4 Sintetize as condigdes que levaram 3 implementagio desse cstudo. *. Defina parte do problema que esté sendo tratado identificando as seis diretrizes para o sistema de programagio de voos a ser sesenvolvido. =» Descreva como os dados necessérios foram coletados. 4; Enumere 0s diversos beneficios tangiveis e intangiveis resul- tantes do estudo, 21-2. Leia o artigo com nota de rodapé na Seeo 2.1 que descre- ‘sum estuda de PO feito para o Departamento de Satide de New yen, Connecticut 14) Faca um resumo das condigdes que levaram & implementagio esse estudo, ‘b+ Descreva o sistema desenvolvido para rastrear e testar cada agulha e seringa de modo a coletar os dados necessérios, <* Sintetize os resultados iniciais desse sistema de rastreamento e teste, 1 Descreva o impacto e o impacto potencial desse estudo sobre politicas piblicas. 2241. Leia o artigo com nota de rodapé na Segio 2.2 que descre- se 0 estudo de PO realizado na Rijkswaterstaat da Holanda. (Con- -eutr-se principalmente nas péginas 3 a 20 30 a 32.) 12+ Elabore um resumo das condigdes que levaram a implantagao do estudo, Sintetize 0 objetivo de cada um dos cinco modelos mateméti- ‘cos descritos nas piginas 10 a 18. > Sintetize as “medidas de impacto” (medidas de desempenho) para comparar as politicas que so descritas nas paginas 6 a 7 desse artigo. Enumere os varios beneficios tangiveis e intangiveis resultan- tes desse estudo, 22-2, Leia a Referéncia 5. (@) [dentifique exemplos do autor de um modelo em ciéncias natu- rais e de um modelo em PO. (b) Descreva 0 ponto de vista do autor sobre como preceitos bis cos de emprego de modelos para fazer pesquisa em cién« naturais também pode ser usado para orientar pesquisa ope- racional (PO). 23-1. Consulte a Referéncia 5. (@) Descreva o ponto de vista do autor se 0 tinico objetivo no uso de um modelo deve ser ou néo encontrar sua solugdo étima. (b) Sintetize © ponto de vista do autor sobre os papéis comple- mentares da modelagem, avaliar informages do modelo e en- tio aplicar 0 discernimento do tomador de decisies a0 decidir sobre o rumo a ser trhado. 2A-1. Consulte as paginas 18 a 20 do artigo com nota de rodapé na Segio 2,2 que descreve um estudo de PO feito para a Rijkswa- terstaar da Holanda. Descreva uma lio importante que se teve a partir da validacio do modelo nesse estudo. 24-2. Leia a Referéncia 7. Sintetize 0 ponto de vista do autor so- bre 0s papéis da observagdo e experimentacdo no processo de vali dagio de modelos. 24-3, Leia as paginas 603 a 617 da Referéncia 3. (a) O que o autor diz sobre o fato de um modelo ser ou niio com- pletamente validado? (b) Sintetize as distingoes feitas entre validade do modelo, valida- de dos dados, validade matemética/ldgica, validade preditiva, validade operacional e validade dindmica. (©) Descreva o papel da andlise de sensibilidade no teste da vali- dade operacional de um modelo. (@) © que o awur diz a respeito do fato de existir ov niio uma metodologia de validacdo apropriada para todos os modelos? (©) Cite a pagina no artigo que enumera os passos bisicos da validagio.P71 CAPITULO 2 VISAO GERAL DA ABORDAGEM DE MODELAGEM DA PESQUISA.. 2-1. Leia o artigo com nota de rodapé na Seqo 2.5 que descre- ve um estudo de PO realizado para a Texaco. (@) Sintetize as condigies que levaram a0 empreendimento desse estudo, () Descreva brevemente a interface com o usuario do sistema de apoio & decisto Omega que foi desenvolvido como resultado dese estudo, (©) © Omega é constantemente atualizado e expandido para rfle- tir mudangas no ambiente operacional. Desereva brevemente 0s Vérios tipos de mudanca envolvidos. (4) Sintetize como o Omega € uilizado. (€) Enumere os virios beneficios tangiveis¢ imangtvcis esultane tes do estudo 2.5-2. Consulte o artigo com nota de rodapé na Segdo 2.5 que des- ‘reve um estudo de PO realizado para a Yellow Freight System, Inc (a) Fazendo referéncia 3s paginas 147 a 149 desse artigo, sinteti- ze as condigdes que levaram & adogdo desse estudo. (b) Referindo-se & pagina 150, descreva brevemente o sistema ‘computacional Sysnet que foi desenvolvido como resultado desse estudo, Resuma também as aplicagées do Sysnet. (©) Referindo-se as piginas 162 a 163, descreva por que os aspec- tos interativos do Sysnet provaram ser importantes. (@) Referindo-se & pagina 163, resuma as safdas geradas pelo Sysnet. (©) Farendo referencia as paginas 168 a 172, sintetize os varios beneficios resultantes do emprego do Sysnet. 26-1. Consulte as paginas 163 a 167 do artigo com nota de roda- é na Sogo 2.5 que descreve um estudo de PO feito para a Yellow Freight System, Inc. e o sistema computacional resultante Sysnet. (a) Descreva brevemente como a equipe de PO obteve 0 apoio da alta geréncia para implementar 0 Sysnet. (b) Descreva brevemente a estratégia de implementagio que foi criada, (©) Descreva brevemente a implementagdo em campo. (@) Descreva brevemente como foram usados incentivos e apoio ‘gerenciais na implementagdo do Sysnet. 2.6-2, Leia 0 artigo com nota de rodapé na Seciio 2.4 que descre- ve um estudo de PO feito para a IBM e o sistema computacional resultante Optimizer. (a) Sintetize as condigdes que levaram & implement estudo. (b) Enumere 0s fatores complicadores que os membros da equipe de PO enfrentaram ao iniciar o desenvolvimento de um mode- Jo € de um algoritmo de solugao. (c) Descreva brevemente 0 teste de pré-implementagdo do Optimizer. (@) Descreva brevemente o teste de implementagio em campo, (e) Descreva brevemente a implementagiio nacional. (H) Enumere os diversos beneficios tangiveis e intang(veis resul- tantes do estudo, desse 2.7.1. Leia a Referéncia 4. O autor descreve 13 fases detalhadas dde qualquer estudo de PO que desenvolva e aplique um modelo baseado em computador, ao passo que o presente capitulo descre- ve seis fases mais abrangentes, Para cada uma dessas fases abran- gentes, enumere as fases detalhadas que se enquadram parcial ou basicamente dentro dos limites da fase mais abrangente