Ao simular o impacto de cada parâmetro no resultado final e compará-lo com o cenário ideal, a sim-opt (como também é conhecida) permite identificar os fatores que mais influenciam o desempenho do sistema e tomar decisões mais estratégicas.

Se você é o profissional responsável por decisões na área de Supply Chain & Logistica na sua empresa é importante ter em mente sobre o que é “sim-opt”. Antes de entrarmos com mais profundidade no que é “sim-opt”, é importante resgatarmos o que significa esse termo e onde surgiu. O nome origina-se da combinação de simulação-otimização e, como o próprio nome sugere, é uma abordagem que visa aumentar a capacidade de decisões mais precisas, principalmente em situações de alta incerteza. Esse conceito ganhou força a partir dos anos 90, quando a tecnologia computacional e as ferramentas analíticas avançaram ao ponto de permitir a integração eficiente de simulação e otimização. O percursor exatamente é desconhecido, entretanto a utilização em “pesquisa operacional” é uma das hipóteses.

“A principal diferença entre essa abordagem e outras ferramentas analíticas, como a simples simulação ou otimização, é a capacidade de integrar incertezas do mundo real (usando simulação) com a busca de soluções ideais (otimização). Enquanto simulações tradicionais avaliam cenários predefinidos, a sim-opt permite não só simular diferentes cenários, mas também encontrar o caminho mais eficiente para resolver um problema dentro desses cenários”, explica Marcelo Paciolo, Head de Supply Chain e Logística da AGR Consultores.

Segundo Walker Batista, sócio e diretor de modelagem e inovação da Linear Softwares Matemáticos, a simulação cria um modelo virtual do sistema real, permitindo experimentar e analisar seu comportamento sob diferentes condições. Ao variar os parâmetros do modelo, é possível simular diversos cenários e compreender como o sistema responde a cada alteração. A otimização, por sua vez, utiliza algoritmos matemáticos para encontrar a melhor configuração desses parâmetros, maximizando ou minimizando um objetivo específico, como reduzir custos ou aumentar a eficiência.

“A simulação-otimização combina essas duas técnicas, oferecendo uma visão holística e dinâmica do sistema. Ao simular o impacto de cada parâmetro no resultado final e compará-lo com o cenário ideal, é possível identificar os fatores que mais influenciam o desempenho do sistema e tomar decisões mais estratégicas.”

Ainda de acordo com Batista, essa abordagem permite:

Analisar cenários incertos: Avaliar o impacto de eventos imprevisíveis e planejar diferentes estratégias para lidar com riscos.

Otimizar processos: Identificar gargalos e oportunidades de melhoria, além de definir as melhores práticas para cada situação.

Tomar decisões mais assertivas: Basear as decisões em dados e simulações, reduzindo a incerteza e o risco de erros.

Segundo o diretor de modelagem e inovação da Linear, a principal diferença da simulação-otimização em relação a outras abordagens é sua capacidade de modelar a complexidade e a dinâmica dos sistemas reais, incluindo a incerteza e a variabilidade dos dados. Isso permite construir planos mais robustos e adaptáveis às mudanças do ambiente.

Benefícios

Obviamente essa abordagem pode ser utilizada em vários segmentos, como manufatura e produção, varejo e e-commerce, energia e utilities, saúde, finanças, além, é claro, de Supply Chain & Logística, que será o foco dessa aplicabilidade.

“Sabemos que o ambiente da cadeia de suprimentos e logística é caracterizado por variabilidade e incerteza, como flutuações na demanda, interrupções de fornecimento, alterações nas condições de transporte e mudanças nas políticas de mercado. A sim-opt permite que as empresas simulem uma variedade de cenários e usem técnicas de otimização para identificar as melhores soluções para cada situação. A abrangência em Supply passa por otimizar recursos e reduzir custos, aumentar a eficiência operacional, aprimorar o planejamento e a previsão, tornar a cadeia de suprimentos mais resiliente, melhorar a experiência do cliente, integrar processos logísticos, oferecer flexibilidade para adaptação em tempo real e promover a colaboração entre departamentos”, ensina Paciolo, da AGR Consultores.

Ao modelar essas incertezas, a sim-opt fornece insights sobre os impactos potenciais de diferentes variáveis, como o efeito de uma ruptura de estoque ou de uma mudança no preço do combustível. Um outro exemplo é a utilização de sim-opt para otimizar o uso de frotas e rotas de transporte, reduzindo custos com combustível, manutenção e mão de obra, ao mesmo tempo em que maximiza a capacidade de entrega e reduz o tempo de inatividade. Através de modelos que simulam diferentes cenários de demanda e condições de tráfego, a sim-opt encontra a melhor combinação de rotas e utiliza os recursos da forma mais eficiente possível. “O impacto direto é a diminuição dos custos operacionais e a melhoria no tempo de resposta, o que reflete positivamente no atendimento ao cliente e nos resultados financeiros”, completa o Head de Supply Chain e Logística da AGR Consultores.

Também se reportando aos principais benefícios da combinação de simulação e otimização na tomada de decisões em ambientes logísticos complexos e como isso impacta a eficiência operacional, Batista, da Linear, destaca que um deles é a capacidade de realizar análises baseadas em cenários realistas, considerando incertezas e variabilidades típicas da operação logística, como mudanças na demanda, sazonalidades, gargalos na produção e problemas de transporte. Isso permite que as soluções encontradas pela otimização sejam mais aplicáveis no mundo real, resultando em decisões mais assertivas.

Além disso, a simulação-otimização identifica cenários que não dependem apenas de condições ideais, mas que performam bem em uma variedade de situações. Isso garante que as operações se mantenham eficientes mesmo diante de imprevistos ou condições adversas, algo essencial em ambientes complexos.

“Outro impacto significativo é na alocação de recursos. A otimização permite encontrar a melhor maneira de distribuir frota, mão de obra, estoques e outros ativos, maximizando a eficiência e reduzindo custos operacionais. Com isso, a combinação dessas duas abordagens melhora a eficiência operacional, minimizando riscos e aumentando a capacidade de resposta a desafios dinâmicos”, afirma o diretor de modelagem e inovação da Linear.

Eficácia

A simulação-otimização se mostra mais eficaz do que a simulação ou otimização isoladas em situações onde há grande complexidade e incerteza, e as variáveis que influenciam o processo decisório estão interligadas de forma dinâmica. “Em muitos casos, a simulação sozinha oferece uma visão ampla dos cenários possíveis, permitindo testar diferentes condições e avaliar os impactos de cada uma, mas ela não determina qual é a melhor solução. Por outro lado, a otimização isolada busca a melhor solução com base em um conjunto fixo de parâmetros, mas não lida bem com as incertezas e variabilidades comuns em ambientes logísticos. A combinação dessas abordagens é especialmente eficaz em situações em que decisões precisam equilibrar múltiplas restrições e objetivos conflitantes, como custos, prazos, utilização de recursos e atendimento ao cliente.”

Um exemplo típico – continua explicando Paciolo, da AGR Consultores – é a roteirização de transportes. “Se usarmos apenas simulação, podemos avaliar o impacto de diferentes rotas ou demandas, mas não seremos capazes de encontrar a rota mais eficiente de forma automática. Com a otimização, podemos calcular a melhor rota com base em parâmetros fixos, como distância e tempo, mas ela não considera imprevistos, como congestionamentos ou variações climáticas. A sim-opt permite simular diferentes condições e ajustar o planejamento em tempo real, otimizando as rotas com base nas variações das condições externas, minimizando o custo e maximizando a eficiência.” Aqui, os resultados esperados incluem reduções significativas nos custos de transporte, melhora no tempo de entrega, uso mais eficiente da frota e maior flexibilidade para lidar com mudanças inesperadas.

Outra situação comum é o planejamento de demanda e gestão de estoques. A simulação pode ajudar a prever flutuações de demanda, enquanto a otimização determina o nível ideal de estoque para evitar excesso ou ruptura. No entanto, quando integradas, a sim-opt oferece uma solução mais robusta, ajustando os níveis de estoque conforme as previsões de demanda variam ao longo do tempo. Isso resulta em uma cadeia de suprimentos mais eficiente, com menores custos de armazenagem e menor risco de falta de produtos, além de melhorar o atendimento ao cliente. “A sinergia entre os dois métodos permite a adaptação contínua a mudanças no mercado e uma operação logística mais ágil e eficaz”, conclui o Head de Supply Chain e Logística da AGR Consultores.

Para Batista, da Linear, a simulação-otimização é especialmente eficaz na gestão de produtos in natura, onde a complexidade e a incerteza são elevadas. Produtos perecíveis, como carnes e lácteos, têm prazos curtos para entrega e estão sujeitos a variações na oferta e demanda. Nessas situações, a otimização isolada poderia calcular uma “solução ideal” para a distribuição, mas sem considerar imprevistos, como mudanças rápidas na demanda ou atrasos de transporte. A simulação, por sua vez, pode prever essas variáveis, mas sem necessariamente identificar a melhor forma de ajustar as operações.

“Ao combinar simulação e otimização, é possível modelar esses cenários variáveis de forma precisa e, ao mesmo tempo, encontrar a melhor estratégia para garantir a entrega eficiente dos produtos dentro das restrições estabelecidas. Por exemplo, no transporte de laticínios, a simulação-otimização pode prever o impacto de um atraso em um Centro de Distribuição e sugerir a rota ou a alocação de recursos que minimize o risco de deterioração e garanta que os produtos, como leite e queijos, cheguem ao destino dentro das condições ideais de qualidade e segurança.”

Os resultados esperados incluem – ainda segundo Batista – uma maior eficiência operacional ao minimizar perdas e otimizar a alocação de frota e recursos, além de melhor adaptação às flutuações de demanda. Comparada ao uso isolado de simulação ou otimização, essa abordagem combinada oferece soluções mais robustas, permitindo que as operações logísticas se ajustem rapidamente a eventos inesperados, garantindo a qualidade dos produtos e reduzindo custos associados a perdas e desperdícios.

Integração de ferramentas

Respondendo à questão sobre como as empresas estão integrando ferramentas de simulação-otimização em seus processos de gestão da cadeia de suprimentos e quais setores são mais beneficiados com essa integração, Batista destaca que a integração dessas ferramentas está tomando cada vez mais o tempo e dedicação das empresas, que notaram os diversos benefícios que a simulação-otimização pode ter em suas operações, principalmente com a integração com sistemas já implementados por muitas delas, como ERPs e outros softwares de gestão.

Os setores que mais se beneficiam dessa integração são os que operam em ambientes de alta complexidade e sensibilidade a prazos, como o varejo, agronegócio e indústria de alimentos e bebidas. “No setor in natura, por exemplo, a simulação-otimização é crucial para lidar com flutuações de demanda e garantir o abastecimento das lojas, além da gestão de produtos perecíveis e sensíveis à temperatura, como laticínios e carnes. Depender fortemente dessas ferramentas pode ser uma opção para minimizar desperdícios e garantir entregas dentro do prazo”, aponta o diretor de modelagem e inovação da Linear.

De fato, como pontua Paciolo, da AGR Consultores, as empresas estão utilizando ferramentas avançadas de simulação-otimização por meio de softwares especializados que integram dados de diferentes fontes, como sistemas de gerenciamento de transporte (TMS), sistemas de gerenciamento de armazéns (WMS) e ERPs. “Além disso, já temos o uso de tecnologias emergentes, como a inteligência artificial (IA) e o machine learning (ML). A integração dessas tecnologias permite que as soluções de sim-opt se tornem mais dinâmicas e responsivas, oferecendo maior capacidade de processamento de dados e previsões mais precisas. As ferramentas de IA analisam grandes volumes de dados históricos e em tempo real, identificando padrões ocultos que podem influenciar a logística, como mudanças sazonais na demanda ou variações de preços de transporte, alimentando o processo de otimização com insights mais refinados.”

Setores que dependem de uma logística ágil e eficiente, como o automotivo, o varejo, o e-commerce e a indústria de bens de consumo, são os mais beneficiados, destaca Paciolo. Esses segmentos requerem soluções rápidas e escaláveis para lidar com a alta variabilidade na demanda e com operações de distribuição complexas. A sim-opt oferece flexibilidade, permitindo ajustes contínuos à medida que as condições do mercado mudam.

Coleta de dados

Continuando sua análise, o Head de Supply Chain e Logística da AGR Consultores destaca que, para implementar um modelo de simulação-otimização eficaz na cadeia de suprimentos, é necessário coletar e processar diferentes tipos de dados que representem a complexidade das operações. Esses dados são a base para a construção de um modelo preciso que simula cenários realistas e encontra as melhores soluções. Tão importante quanto a coleta é a precisão dos dados, pois a acurácia impacta diretamente a confiabilidade dos resultados gerados, sendo essencial garantir que a coleta e o processamento sejam contínuos e abrangentes.

Na tabela a seguir estão os principais tipos de dados necessários e como eles são coletados e utilizados para garantir a eficácia do modelo.

Os tipos de dados necessários variam conforme a empresa e o setor em que ela atua, coloca, agora, Batista, da Linear. No entanto, geralmente incluem dados de demanda, como históricos de vendas e previsões, dados de transporte, como rotas, custos e tempos de entrega, dados de inventário, que mostram os níveis de estoque e localização de produtos e armazéns, e dados operacionais, que englobam capacidade de produção, uso de recursos e horários de operação.

Esses dados refletem tudo o que pode impactar os lucros e gastos da empresa, incluindo fatores como prazos de entrega, custos de armazenamento e eficiência operacional. Quando bem integrados aos sistemas de gestão e analisados corretamente, esses elementos permitem que o modelo de simulação-otimização ofereça resultados precisos, ajudando a empresa a tomar decisões mais informadas, reduzir custos e aumentar a eficiência em toda a cadeia de suprimentos.

Desafios

A implementação de uma solução de simulação-otimização pode enfrentar desafios como a complexidade de integração de dados de diversas fontes e a resistência interna à mudança. A superação desses desafios passa – na visão de Paciolo, da AGR Consultores – pela adoção de melhores práticas, como o alinhamento claro entre os objetivos da sim-opt e as metas estratégicas da empresa, treinamento contínuo da equipe e validação regular dos modelos implementados. Outra prática essencial é a criação de um ciclo de feedback para ajustar continuamente o modelo conforme novos dados e cenários são incorporados.

Já para Batista, da Linear, um dos principais desafios que as empresas enfrentam ao implementar as ferramentas em suas operações logísticas é a qualidade dos dados fornecidos. Se eles forem incompletos, inconsistentes ou desatualizados, isso pode comprometer a precisão do modelo e levar a decisões erradas. Dados mal estruturados podem gerar resultados imprecisos ou até inviabilizar a aplicação da simulação-otimização de forma eficaz.

Para superar esse desafio, uma das melhores práticas é garantir que os dados sejam coletados de fontes confiáveis, atualizados regularmente e integrados de forma consistente nos sistemas de gestão. Além disso, é fundamental investir na higienização e validação deles, para assegurar que a entrada no modelo seja precisa e represente fielmente as operações logísticas.

Outro aspecto crítico – ainda segundo o sócio da Linear – é o treinamento da equipe envolvida. Garantir que os profissionais compreendam o funcionamento das ferramentas e a importância de ter uma cultura voltada para dados é essencial para o sucesso da implementação. Além disso, começar com projetos-piloto em áreas menores da operação ajuda a identificar e corrigir problemas antes de uma aplicação em larga escala, aconselha Batista.

Futuro da simulação-otimização

As tecnologias emergentes, como a inteligência artificial (IA) e o machine learning (ML), estão transformando o futuro como um todo. Na logística e na gestão da cadeia de suprimentos, ao introduzir uma camada adicional de inteligência adaptativa e automatização, essas tecnologias permitem que os modelos de simulação-otimização se tornem mais dinâmicos, aprendendo e ajustando-se continuamente com base em novos dados e eventos, o que melhora a capacidade de previsão e otimização em tempo real, aponta o sócio da Linear.

A IA pode processar grandes volumes de dados, identificando informações que seriam difíceis de detectar manualmente, e então ajustar as simulações e otimizações com base nesses insights. O machine learning, por sua vez, possibilita que os sistemas aprendam com os resultados passados, aprimorando continuamente suas previsões e recomendações, permitindo que as empresas ajustem seus modelos conforme novas variáveis ou eventos inesperados surgem.

Algumas ferramentas de planejamento de distribuição já utilizam a tecnologia para aumentar sua eficácia. Ao utilizar ML em um motor de cálculo, é possível definir o melhor plano de embarque de produtos finais, resultando em um maior controle e assertividade no planejamento de distribuição, reduzir perdas devido a quebras de venda, reduzir custos de frete e impostos, além de aumentar o índice de atendimento.

Além disso, há uma tendência crescente de integração da Internet das Coisas (IoT) com IA e ML, onde sensores inteligentes em veículos, armazéns e produtos fornecem dados em tempo real sobre condições operacionais, como a localização dos produtos, temperatura e status de equipamentos. Esses dados alimentam os algoritmos de simulação-otimização, permitindo decisões ainda mais rápidas e precisas.

“No futuro, veremos uma convergência cada vez maior dessas tecnologias, com a simulação-otimização evoluindo para sistemas totalmente automatizados e autônomos, capazes de ajustar toda a cadeia de suprimentos em resposta a eventos em tempo real, com mínima intervenção humana. Essa integração promete aumentar a eficiência, reduzir custos e melhorar a capacidade das empresas de se adaptarem a mudanças rápidas e inesperadas no mercado”, completa Batista.

A sim-opt integrada com IA pode analisar grandes volumes de dados históricos e em tempo real, aprimorando a capacidade de prever flutuações de demanda, custos e interrupções operacionais, acrescenta Paciolo, da AGR Consultores. A conectividade com sensores IoT fornece dados em tempo real sobre transportes, frotas e estoques, melhorando a acurácia das otimizações. Além disso, a integração com sistemas ERP, TMS e WMS garante que os dados operacionais fluam diretamente para os modelos de sim-opt, proporcionando uma visão abrangente das operações.

Plataformas de computação em nuvem, como AWS ou Azure, permitem o processamento rápido e escalável de simulações complexas, enquanto MLOps facilitam a atualização contínua dos modelos de ML para mantê-los precisos. Essas integrações resultam em operações mais adaptáveis e eficientes. Empresas de e-commerce, por exemplo, utilizam sim-opt com IA para ajustar rotas de entrega e gerenciar estoques com maior precisão durante picos de demanda. Na manufatura, fábricas conectadas preveem necessidades de manutenção e otimizam processos produtivos, aumentando a eficiência. “Essas inovações apontam para um futuro onde a sim-opt é completamente automatizada e proativa, oferecendo às empresas maior flexibilidade e vantagem competitiva”, finaliza Paciolo.

Empresas participantes

AGR Consultores – Foca em projetos de transformação organizacional e crescimento dos resultados através de mudanças em processos, tecnologias e pessoas, abrangendo reestruturação organizacional e gestão por resultados para crescimento de EBITDA e cultura de dono. Desenvolve projetos que permeiam toda cadeia de suprimentos, com implantação de operações fullfillment, redesenho e otimização de processos (metodologia Lean) com foco na produtividade e fluidez dos mesmos.

Linear Softwares Matemáticos – Traz a inteligência matemática para a tomada de decisões empresariais, por meio do desenvolvimento de soluções matemático-computacionais para a otimização de processos de Supply Chain. Seu portfólio diversificado é composto por soluções aplicáveis à realidade de empresas e negócios de diferentes portes e setores, preparadas para lidar com seus desafios e especificidades.