O desafio
por Oroselfia Sánchez e Idalia Flores (Universidad Nacional Autónoma de México)
Conforme apresentado na Conferência de Simulação de Inverno de 2017
As organizações coletam dados durante diferentes períodos para que possam usá-los para fins de gerenciamento e negócios. No entanto, os dados nem sempre vêm na forma mais adequada para análise e, muitas vezes, precisam ser preparados, para o que há uma variedade de métodos, incluindo a simulação. Este artigo apresenta um caso em que a simulação é usada como uma ferramenta para obter insights sobre a demanda, com base em dados históricos. Por meio da simulação, extraímos os eventos de demanda mais frequentes para dois tipos de trabalhos, juntamente com os piores eventos. O modelo de simulação baseia-se nos dados históricos de uma empresa petrolífera privada que opera no México. Além disso, mostramos como os resultados da simulação melhoram as informações sobre os dados do Scorecard registrados durante um ano de trabalho.
1 Introdução
As organizações geralmente registram dados de demanda para usá-los na previsão de possíveis requisitos futuros, a fim de evitar ou prevenir riscos como penalidades, atrasos, capacidade insuficiente, entre outros. Entretanto, esses dados normalmente precisam ser pré-tratados para se adequarem aos requisitos da análise.
Para facilitar isso, muitas organizações têm sistemas de registro robustos em que os funcionários registram os dados em tempo hábil; no entanto, nem sempre cada etapa de uma operação é registrada. Esse é um problema persistente em várias organizações, o que significa que os dados históricos precisam ser preparados antes de sua análise. Mas o que acontece quando as informações registradas precisam ser usadas, mas não estão na forma correta para a análise? Atualmente, muitas empresas preferem não usar essas informações, enquanto outras usam uma variedade de métodos para obter o maior número possível de insights para planejar suas atividades futuras; métodos como redes (Zou et al. 2011); suavização exponencial (Mohammed et al. 2017); modelos de séries temporais (Qiu et al. 2016); modelos causais e estocásticos (Ma et al. 2015) e simulações (Chen et al. 2010).
A veracidade das informações pode abrir a possibilidade de um planejamento mais preciso de recursos, orçamento e possíveis novos locais, novas posições de trabalho ou programação de atividades. Neste artigo, os dados históricos de um scorecard são analisados e preparados usando o método de simulação, pois ele nos permite gerar muitos cenários possíveis diferentes para as entidades do modelo. O objetivo dessa análise é identificar riscos por meio da obtenção de eventos de demanda que podem ser apresentados em uma base diária para cada mês do ano.
2 Dados históricos disponíveis para a demanda
Os dados de demanda que analisamos são os dados históricos de uma organização que cimenta poços de petróleo em diferentes estados do México. Basicamente, ela oferece dois tipos de serviços: o primeiro é o Cementing Job (i), que inclui o projeto da pasta de cimento e a construção de uma parede circular dentro do poço de petróleo, enquanto o segundo se refere ao Pumping Job (j), que consiste na locação de recursos. Para atender à demanda de ambos os serviços, a organização usa os mesmos recursos para os dois tipos de serviços, i e j. O número total de cada tipo de trabalho por mês durante um ano é registrado em um scorecard, cujos dados são fornecidos na Tabela 1.
Na prática, o scorecard é usado pela organização para prever o comportamento futuro de seu trabalho. Não é incomum cometer erros que significam que não há recursos suficientes ou há excesso de recursos em determinados locais. Isso acontece porque o número total de trabalhos registrados não mostra os possíveis eventos que podem ocorrer no dia a dia ou a frequência de cada evento. Por exemplo, não podemos ver na Tabela 1 quantos trabalhos foram solicitados à empresa no dia 3 de julho, ou durante quantos dias em um mês os recursos foram usados na capacidade máxima. Esses detalhes são omitidos nesses tipos de registros.
Neste documento, a partir dos dados do Scorecard, é estabelecido um modelo para obter informações sobre eventos que darão à organização mais informações sobre como sua demanda se comporta. Especialmente os eventos mais frequentes e aqueles que ocorrem apenas esporadicamente, mas que podem causar riscos operacionais para a organização, como atrasos, penalidades e não conformidade.
A solução
3 Modelo de simulação de demanda
O objetivo do modelo de simulação é gerar os eventos mais frequentes e descobrir aqueles que podem ser críticos para a empresa. O modelo de simulação de demanda é executado para cada mês do ano em que a demanda foi simulada de acordo com os dados da Tabela 1.
3.1 Aspectos relevantes do modelo de simulação
SIMIO é a plataforma de simulação que escolhemos para executar o modelo porque suas características são adequadas para desenvolver o modelo e usá-lo com outros modelos posteriormente. O modelo de simulação tem servidores para gerar entidades, representando os trabalhos i e j. Cada servidor responde a distribuições que atendem aos dados do Scorecard (Tabela 1). Ambos os servidores estão conectados a um Sink que conta o número de trabalhos de cada tipo por dia. Como resultado do modelo, o número de dias em que ocorrem trabalhos de cimentação i e bombeamento j é obtido mensalmente.
O modelo registra os resultados a partir do dia 1200 para fins de relatório de resultados. Os resultados da simulação foram determinados após 1.000 dias de tempo de simulação.
Os resultados da validação do modelo são ilustrados pela comparação da Tabela 2 com a Tabela 1, que fornece as médias das execuções do modelo por trabalho para cada mês.
Além do modelo de simulação, foi construído um modelo matemático que nos permite comparar os eventos resultantes.
2 Projeto de simulação
O sistema consiste em um "mundo virtual" 3D realista do campus do NIH Bethesda que pode ser usado em vários aplicativos para entender melhor e aprimorar o planejamento e melhorar a prestação de serviços. Do ponto de vista visual, o modelo foi projetado para ser visualizado e interagido por meio de uma tela de computador ou hardware de RV. Além disso, os resultados quantitativos podem ser fornecidos por meio de experimentos/cenários.
O modelo também permite o exercício de um cenário de emergência ou de um processo específico de operações do campus com mais detalhes. Os cenários de emergência considerados inicialmente são uma evacuação de prédio/campus e um cenário de atirador ativo. O sistema foi projetado de forma a permitir que o usuário entenda como esse cenário pode ocorrer em um determinado edifício do campus e a maneira como o cenário afeta e interage com as operações em todo o campus.
Os sistemas iniciais de operações do campus incluídos são o acesso de funcionários e visitantes e o sistema de ônibus de traslado. O sistema foi projetado de forma a representar com precisão as entradas e saídas desses processos e a interação com todo o campus, além de ter a capacidade de rastrear um indivíduo em todo o sistema (por exemplo, um visitante entra no campus, passa pela inspeção de segurança, estaciona, segue para um prédio, participa de um exercício de evacuação, retorna ao prédio, retorna ao veículo e sai do campus).
Esse modelo é usado para experimentar mudanças nos serviços para melhor adequar a capacidade à demanda, contribuindo assim para o uso econômico de recursos orçamentários limitados e para planejar cenários emergentes, como o fechamento das estradas do campus, a evacuação de edifícios, de parte ou de todo o campus, ou um cenário de atirador ativo.
3 Abordagem de modelagem
Um modelo básico é desenvolvido em um nível alto, de modo que processos ou operações específicos possam ser representados em um nível granular e níveis maiores de detalhes possam ser adicionados quando necessário, tanto de uma perspectiva visual quanto analítica. Os modelos mais detalhados ajudam a desenvolver e informar os parâmetros de tempo de processamento a serem usados no modelo principal. Dessa forma, modelos detalhados podem ser desenvolvidos e construídos quando necessário.
Esse modelo básico consiste em um modelo 3D realista da rede de circulação rodoviária e de pedestres do campus e dos edifícios do campus com as entradas e saídas dos edifícios representadas. Esse modelo básico inclui vários subsistemas do campus desenvolvidos anteriormente como modelos independentes que agora estão integrados em um único modelo. Esses sistemas incluem o acesso ao campus, um sistema de ônibus de traslado, o tráfego do campus (fluxo normal e durante uma evacuação) e cenários de atiradores ativos.
Por exemplo, no modelo básico, um edifício é representado como uma "caixa preta" com entradas e saídas definidas. Dessa forma, um edifício tem um número definido de locais onde os ocupantes podem entrar/sair, e processos mais detalhados dentro do edifício podem ser desenvolvidos em um submodelo separado que pode ser executado de forma independente ou interagir com o modelo maior (por exemplo, uma evacuação do edifício ou um cenário de atirador ativo). A modelagem 3D foi feita com o Trimble Sketchup e dados do ORF e do Open Street Maps. Abordagens anteriores para modelar esses subsistemas foram desenvolvidas no Arena.
O impacto nos negócios
3.2 Resultados do modelo de simulação
O modelo de simulação gera uma combinação dos trabalhos i e j com a frequência correspondente de cada evento para cada mês do ano. Essa combinação de vários trabalhos nos permite agrupar os eventos mais frequentes e entender a demanda por mês. Ao mesmo tempo, as informações sobre eventos nos fornecem informações úteis para o gerenciamento de recursos.
Com informações detalhadas disponíveis, é possível conhecer os eventos ou cenários que não são frequentes, mas que podem ocorrer em algum dia do ano. A Figura 1 também mostra eventos próximos à região de probabilidade de eventos, mas com uma diferença de tempo na frequência obtida. Esses eventos podem ser analisados com o objetivo de saber como a organização reagirá se eles ocorrerem e, consequentemente, um plano de ação pode ser formulado.
Figura 1. Número de trabalhos i e j gerados na simulação de janeiro. A importância de preparar os dados usando a metodologia apresentada neste documento é que o conhecimento dos detalhes das informações pode evitar riscos operacionais ao reduzir o fator surpresa do sistema.
4 Conclusão e discussão
Devido às mudanças no ambiente e à resiliência que os sistemas precisam ter em relação à sua própria realidade, abordagens e ferramentas mais robustas podem oferecer melhores resultados. Nesse sentido, a identificação de riscos, usando ferramentas que fornecem informações mais detalhadas sobre um sistema, oferece ótimos insights sobre as várias situações de risco que a organização pode enfrentar. A simulação é uma ferramenta que nos permite analisar um sistema e suas informações de forma melhor e mais rápida, permitindo a emulação de mudanças inesperadas com o possível comportamento de um sistema.
Essa ferramenta de simulação contribuiu para evitar custos significativos em todo o NIH e aprimorou os esforços de planejamento de emergência que afetam a vida e o bem-estar no NIH. Os projetos realizados permitiram que a pesquisa continuasse sem interrupções e que as decisões informadas afetassem a segurança e a proteção do NIH e da comunidade vizinha.
O desenvolvimento e a análise de métricas de resultados fornecidos pela simulação permitiram que os tomadores de decisão compreendessem melhor o impacto das mudanças no sistema sobre a prestação de serviços, bem como identificassem, compreendessem e atenuassem melhor os riscos identificados por meio de experimentos com a ampla gama de cenários que a simulação é capaz de fornecer.
Por meio do uso dessa abordagem modular e escalonável, há um potencial significativo para a integração de outros sistemas do campus e de pesquisa a esse modelo, permitindo que os tomadores de decisão tenham uma compreensão maior de como os sistemas interagem entre si e afetam objetivos mais amplos. Embora esses modelos tenham sido desenvolvidos especificamente para o NIH, outras agências e organizações podem aproveitar essas abordagens para resolver desafios relacionados. 4480 Rodriguez e
AGRADECIMENTOS
A equipe do OQM gostaria de agradecer à liderança do NIH e do ORS/ORF e aos vários funcionários que apoiaram este projeto.