Quando uma empresa neozelandesa de fabricação de metais precisou escalonar a produção de seu produto exclusivo de 600 para 26.000 unidades - um aumento de 45 vezes -, ela se deparou com uma decisão estratégica crítica. Será que eles conseguiriam alcançar esse aumento drástico e, ao mesmo tempo, manter a fabricação em terra e reduzir os custos unitários? Em vez de tomar decisões de investimento de capital com base em suposições, eles fizeram uma parceria com o LMAC Group para desenvolver uma abordagem orientada por dados usando o software de simulação Simio.
Este estudo de caso examina como o LMAC Group utilizou a simulação para modelar todo o processo de produção, identificar restrições, testar cenários de otimização e projetar uma fábrica de estado futuro capaz de atingir metas de produção ambiciosas. O projeto demonstra como a tecnologia de simulação pode transformar a tomada de decisões na manufatura, fornecendo dados concretos antes da implementação física, reduzindo o risco e otimizando os investimentos de capital.
O LMAC Group é uma empresa de consultoria de produtividade de propriedade e operada na Nova Zelândia, fundada em 2005. Com consultores sediados na Nova Zelândia, Austrália, região da Ásia-Pacífico e Europa, a LMAC é especializada em ajudar as organizações a obter alto desempenho por meio de melhorias operacionais estratégicas. Sua abordagem integra metodologias enxutas, otimização de processos e implementação de tecnologia para promover a transformação nos níveis organizacional e setorial.
"Temos orgulho de sermos independentes", explica Adam, o representante da LMAC que liderou esse projeto. "Nosso trabalho é ajudar as organizações a entenderem sua estratégia, a transformação pela qual precisam passar para atingir essa estratégia e, em seguida, oferecer consultoria independente com base em qual software, qual automação ou em quais mercados devem entrar."
O cliente deste estudo de caso é uma empresa de fabricação de metais sediada na Nova Zelândia, especializada em engenharia, fabricação e produção de produtos de metal. Eles desenvolveram um produto patenteado que concluiu com sucesso uma produção piloto de 600 unidades usando suas instalações, equipamentos e mão de obra existentes. O produto foi bem-sucedido no mercado, criando uma necessidade urgente de aumentar drasticamente a produção para atender à demanda.
A empresa de fabricação de metais enfrentou um desafio complexo de dimensionamento com várias restrições e objetivos:
O processo de fabricação envolvia várias etapas: corte a laser de chapas de metal em componentes, dobragem, montagem e acabamento. A configuração existente foi suficiente para a execução do piloto, mas claramente precisaria de modificações para atingir a meta de escala dramática.
"O desafio para eles agora é como atingir a escala de produção", explicou Adam. "O piloto em si foi muito bem-sucedido. Mas, para atingir a escala de que precisam, eles terão que pensar em uma nova instalação ou, pelo menos, na otimização da instalação atual de alguma forma."
O Grupo LMAC fez uma parceria com a Simio para desenvolver uma abordagem de simulação abrangente que respondesse a essas questões críticas. O projeto seguiu uma metodologia estruturada:
A equipe começou mapeando todo o processo de produção usando um software de design para documentar cada etapa do fluxo de fabricação. Eles coletaram dados detalhados sobre:
Esses dados forneceram a base para a criação de um modelo de simulação preciso.
Trabalhando com o Simio, a LMAC desenvolveu um modelo de simulação detalhado que representa o processo de produção completo, desde a matéria-prima até o produto acabado. O modelo incluía:
Modelagem de fluxo de materiais: A simulação rastreou chapas metálicas desde o armazenamento inicial, passando por operações de corte (em que chapas maiores eram transformadas em vários componentes menores), até o armazenamento de componentes, passando por várias estações de processamento (dobragem, modelagem etc.) e, finalmente, até a montagem e o armazenamento do produto acabado.
Modelagem do comportamento do trabalhador: Um dos aspectos mais complexos do modelo foi representar com precisão o comportamento do trabalhador, incluindo:
"O maior obstáculo para esse modelo específico, quando se tratava de modelar os próprios trabalhadores, era entender como priorizar corretamente a apreensão em uma máquina e a retirada de um rack", explicou Chiara, a engenheira de soluções da Simio que trabalhou no projeto.
Modelagem de rack de armazenamento: A equipe desenvolveu uma lógica de processo sofisticada para modelar o armazenamento e a recuperação de componentes dos racks em toda a instalação:
Processamento de máquinas: O modelo incorporou representações precisas dos recursos de cada máquina, incluindo:
Com o modelo de linha de base estabelecido, a equipe projetou experimentos para testar vários cenários de otimização:
Estratégias de alocação de funcionários: Testar diferentes abordagens de atribuição de funcionários e priorização de tarefas para otimizar a utilização de recursos.
Modificações no padrão de turnos: Avaliar o impacto da implementação de vários turnos para aumentar a produção sem equipamentos adicionais.
Modificações de equipamentos: Avaliação do impacto potencial da adição de capacidade a máquinas específicas identificadas como restrições.
Ajustes na capacidade de armazenamento: Testar se o aumento da capacidade de armazenamento em pontos-chave melhoraria o fluxo geral.
Cada cenário foi avaliado com base no rendimento (unidades concluídas), na utilização da máquina, na utilização do trabalhador e na identificação de gargalos de produção.
A implementação do projeto de simulação envolveu várias fases importantes e desafios técnicos:
A equipe adotou uma abordagem iterativa e em camadas para criar o modelo de simulação:
"Quando começamos a modelar, a parte mais importante ao iniciar um modelo é realmente dividir as peças em subprojetos de tamanho gerenciável", explicou Chiara. "Tivemos que começar com a aparência geral do fluxo. No início, não nos concentramos muito nas alocações dos funcionários, mas começamos talvez apenas com a modelagem correta do fluxo, dos processos e das áreas de armazenamento."
"Precisávamos usar a lógica do processo para adicionar algum tipo de tomada de decisão para poder modificar o comportamento deles e dizer: ok, com base na sua capacidade de deslocamento, que será a quantidade máxima, quando quero que você vá buscar o produto? Quero que você pegue o produto quando houver 25 peças disponíveis? Quero que você espere até que todas as 50 estejam disponíveis? Ou quero que você escolha uma de cada vez?" descreveu Chiara.
A equipe encontrou e superou vários desafios técnicos durante a implementação:
Modelagem de rack de armazenamento: Inicialmente, a equipe usou servidores para modelar áreas de armazenamento, mas essa abordagem se mostrou limitada. Eles passaram a usar racks com lógica de processo personalizada para interromper a retenção e liberar produtos conforme necessário.
"Passamos então a usar racks. Mas como podemos interromper a retenção de apenas produtos específicos em determinados momentos? Então, para fazer isso, realmente usamos o suporte de alguns de nossos bits SIM para entender qual é a lógica básica do processo que gostaríamos de usar para interromper essa retenção", explicou Chiara.
Priorização do trabalhador: Desenvolver a lógica para garantir que os funcionários priorizassem as tarefas mais importantes em vez de ficarem presos em padrões ineficientes.
"Precisávamos levar tudo isso em consideração. E o maior obstáculo para esse modelo específico, quando se tratava de modelar os próprios trabalhadores, era entender como priorizar corretamente a apreensão em uma máquina e a retirada de uma prateleira?" observou Chiara.
Modelagem de movimentação de lotes: Criação de lógica flexível para representar os trabalhadores que movimentam materiais em lotes de tamanhos variados com base nas características do produto.
A equipe validou o modelo comparando sua saída com os resultados de produção conhecidos da execução piloto de 600 unidades. Isso garantiu que a simulação representasse com precisão o sistema de produção atual antes de usá-lo para prever cenários futuros.
O projeto de simulação forneceu vários insights valiosos e impactos nos negócios:
A simulação de linha de base confirmou que a configuração atual da fábrica não poderia atingir o volume de produção desejado de 26.000 unidades dentro do prazo especificado. Isso validou a necessidade de otimização significativa do processo ou de investimento de capital em novos equipamentos.
O modelo identificou restrições específicas no processo de produção:
Ineficiências na alocação de trabalhadores: A simulação revelou que os trabalhadores às vezes eram subutilizados em algumas áreas e criavam gargalos em outras. Ao visualizar a movimentação e a utilização dos trabalhadores, a equipe identificou oportunidades para melhorar a alocação de tarefas.
Restrições de capacidade das máquinas: O modelo destacou máquinas específicas que estavam limitando o rendimento geral, fornecendo metas claras para possíveis aumentos de capacidade.
"Os painéis que mostram coisas como a utilização das máquinas são realmente poderosos nisso, porque podemos mostrar que podemos produzir essa quantidade em um dia ou em uma semana. Mas veja onde as máquinas estão com falta de material, onde há tempo de inatividade", explicou Adam.
Limitações da capacidade de armazenamento: A simulação identificou pontos no processo em que a capacidade insuficiente de armazenamento estava criando gargalos.
Os testes de cenários revelaram várias oportunidades de otimização:
Impacto do padrão de turnos: A implementação de operações em dois turnos aumentou significativamente a produção sem exigir investimento de capital.
Melhorias na alocação de trabalhadores: A modificação das regras de alocação de trabalhadores melhorou o fluxo e reduziu o tempo de espera, aumentando a eficiência geral.
Otimização do tamanho do lote: Ajustar o tamanho dos lotes para o transporte de materiais otimizou a movimentação dos funcionários em toda a instalação.
Talvez o mais importante seja o fato de a simulação ter fornecido uma base orientada por dados para as decisões de investimento de capital:
Cálculo do ROI: Ao modelar o impacto de novos equipamentos ou modificações nas instalações antes da implementação, a empresa pôde calcular o ROI esperado com maior precisão.
Redução de riscos: A capacidade de testar vários cenários praticamente reduziu o risco associado a grandes investimentos de capital.
Planejamento de implementação em fases: A simulação ajudou a identificar quais melhorias causariam o maior impacto, permitindo uma implementação priorizada e em fases.
A parceria entre o LMAC Group e a Simio forneceu com sucesso uma solução abrangente de simulação que respondeu às questões críticas da empresa de fabricação de metais sobre o aumento da produção. A abordagem demonstrou como a tecnologia de simulação pode preencher a lacuna entre os recursos atuais e os requisitos futuros, reduzindo o risco e otimizando as decisões de investimento.
"Muita da lógica que conseguimos desenvolver aqui em termos de trabalhadores, em termos de racks, em termos do primeiro servidor também, porque esse primeiro servidor recebe uma peça e produz várias peças... isso realmente nos deu uma base para podermos levar isso a outros clientes também, porque muitos desses desafios de que estamos falando aqui são muito comuns na fabricação", concluiu Adam.
A próxima fase do projeto envolverá o desenvolvimento de um modelo 3D detalhado da fábrica proposta para o futuro, incorporando o fluxo de materiais, a movimentação de mão de obra e o layout dos equipamentos. Esse modelo permitirá cálculos precisos de ROI para investimentos de capital e dará suporte ao planejamento da implementação.
A abordagem demonstrada neste estudo de caso tem ampla aplicabilidade para organizações de manufatura que enfrentam desafios de dimensionamento semelhantes, especialmente aquelas que buscam manter a produção doméstica e, ao mesmo tempo, competir globalmente. Os principais elementos transferíveis incluem:
Como as organizações de manufatura em todo o mundo enfrentam uma pressão cada vez maior para otimizar as operações, reduzir custos e responder rapidamente às demandas do mercado, abordagens de simulação como a demonstrada pelo LMAC Group e pelo Simio se tornarão ferramentas cada vez mais valiosas para a tomada de decisões estratégicas e a excelência operacional.