O artigo mostra três cenários distintos nas operações e o impacto de cada um no fluxo das mesmas. O artigo corrobora, uma vez mais, que os passos de foco da Teoria das Restrições são um método simples e mais rápido para a obtenção de resultados sonantes.
Palavras-chave: variabilidade, operações, eficiência, produtividade, throughput
O conflito das operações
Na parte I foi dito que o racional da contabilidade dos custos está em que não deve haver recursos parados, pois tal corresponde a um enorme desperdício e lá se vão as eficiências.
Vamos entender isto muito melhor, antes de começarmos a desenhar a solução. Vamos traduzir esta problemática no conflito que queremos ver resolvido. Comecemos com um objetivo totalmente genérico e que todos nós concordamos que é: gerir bem. Para gerir bem é preciso lutar continuadamente pela redução do desperdício, sob pena das coisas se tornarem insustentáveis. Quem interrompe esta luta por dois meses verá o desperdício a subir. Todos querem mais. Querem mais equipamento, mais recursos, mais isto e aquilo, e será uma questão de tempo até o desperdício conduzir a empresa à bancarrota. E a pergunta é: qual é o maior desperdício de todos? O maior desperdício não é o que vai para sucata. O maior desperdício é, por exemplo: comprámos esta máquina por um milhão de euros e só é ativada uma vez por semana! Ou...estamos a pagar todos estes salários, benefícios, seguros de saúde a todas estas pessoas para só trabalharem efetivamente 20% do seu tempo. Que grande desperdício!
Ou seja, para lutar constantemente por uma redução do desperdício precisamos usar as eficiências como métricas primárias. Precisamos ter uma métrica que diga e induza as pessoas para não ficarem paradas! E quanto mais isto ficar visível para todos melhor, pois assim saberemos quem está a seguir este «mantra», de quem não está. É este o pensamento da contabilidade dos custos.
Mas há um outro requisito que temos de respeitar. Para sermos bons gestores precisamos lutar constantemente para aumentar o fluxo das coisas. A concorrência dos mercados é cada vez maior e os clientes estão cada vez mais mimados. Temos de entregar o que eles querem cada vez mais rápido. É uma obrigação. Mas para lutarmos constantemente, por um aumento do fluxo, nem pensar usar as eficiências, como uma métrica, pois elas dão cabo do fluxo! Foi o que se viu com a simulação A, na parte I deste artigo. Penso, ainda assim, que este argumento ficará muito mais claro, depois de passarmos pelos cenários que o artigo ilustrará.
Eis o conflito descrito até agora, de forma esquemática:
Fig. 1. O conflito nas operações.
Por um lado, temos de usar as eficiências como métrica principal, mas por outro lado, nem pensar as usarmos. O que vemos na realidade não são só eficiências. Vemos um compromisso: eficiências, eficiências, eficiências...até que um cliente importante faz um telefonema. E de repente, passa a haver um outro mecanismo de prioridades: quente, muito quente, larguem tudo façam já!
Revemo-nos neste conflito, mesmo que as coisas já estejam tão entranhadas em nós que já nem notamos no enorme elefante que temos no meio da sala? Ficaríamos todos satisfeitos se conseguíssemos resolver este dilema?
E depois apareceu Goldratt
Para lutarmos constantemente contra o desperdício precisamos usar as eficiências como métricas primárias porque…(e agora aparece o pressuposto desafiado), porque um recurso parado é um enorme desperdício. De facto, se 1) a procura fosse sempre constante e 2) não existissem «Murphys» e 3) conseguíssemos controlar e regular infinitesimamente a capacidade de cada estação, então sim, um recurso parado seria um enorme desperdício. Mas facilmente vemos que as três premissas anteriores são tudo menos verdade.
Na realidade, qualquer operação tem sempre um elo mais fraco, aquele recurso que dita a velocidade de todo o sistema. Por definição, se todos os outros recursos têm mais capacidade e quisermos que estejam sempre a trabalhar, então rapidamente chegamos à conclusão de que haverá inventário a sair pelo telhado e todo o dinheiro da empresa será sugado nesse sentido, acabando por entrar em bancarrota. Reconheçamos o pressuposto desafiado por Goldratt como errado, para irmos em direção à solução.
Cenário E
Recuperemos uma figura da primeira parte do artigo – a modelação de uma linha de operações. Neste cenário vamos admitir que há um recurso que tem menos capacidade do que os demais, face à procura nele colocada. Arbitrariamente vamos escolher a estação 3 como o elo mais fraco. Se quisermos, ela é a nossa restrição ou gargalo. Este é precisamente o primeiro passo, dos cinco passos de foco da Teoria das Restrições, ou seja, identificar a restrição do sistema.
Fig. 2. Funcionamento de uma linha de operações
Vamos então correr este cenário 1000 vezes, em que o dado da estação 3 varia apenas entre 1 e 3. Todas as outras estações continuam com um dado de 1 a 6. Qual será o resultado esperado ao nível das vendas (Throughput) e do inventário, ao final das 10 horas, em toda a linha? Neste caso, como há claramente uma estação com menor capacidade estamos intuitivamente à espera de que o desempenho global de toda a linha se confunda com o desempenho da estação 3. Assim, se a capacidade média da estação três é agora de duas «bolas» hora, ao final de 10 horas estaremos à espera de obter, precisamente, o valor de 20 «bolas» vendidas.
Fig. 3. Variabilidade do throughput ao final de 1000 simulações, sob o cenário E. O valor esperado ao final de 10 horas foi de 19 «bolas».
Contas feitas, temos um valor esperado de 19 «bolas», ao final das 10 horas. Repare-se que na simulação estamos a uma unidade aquém daquele que deveria ser o valor esperado teórico. A razão é simples. Ainda que as restantes estações tenham mais capacidade, não têm assim tanto mais para compensar todos os «Murphys» que acontecem em cada uma delas. Ou seja, numa determinada hora é possível que a estação 3 pudesse produzir 3 «bolas», mas em todas as outras estações tenha saído um 1, no dado, prejudicando assim todo o fluxo. Em segundo lugar, o simulador ao lançar os dados é exato para infinitos lançamentos (e não 1000 lançamentos).
Cenário F
O segundo passo da TOC diz: decidir como explorar a restrição. Por outras palavras, não queremos desperdiçar o que quer que seja no recurso número três. Na vida real e nestas situações há um conjunto de medidas que se podem adotar para fortalecer o elo mais fraco. Por exemplo, aproveitar as horas de almoço para produzir, ou reduzir o número de defeitos que são processados pela estação três, etc. Todas estas ações vão ajudar a aumentar o fluxo. Na verdade, agora que estamos totalmente focados e sabemos que cada hora ganha no gargalo é uma hora ganha em todo o sistema conseguimos, sob este cenário, eliminar por completo a variabilidade na estação 3. A sua capacidade agora é sempre de 3 «bolas» por hora. Vejamos os resultados.
Fig. 4. Variabilidade do throughput ao final de 1000 simulações, sob o cenário F. O valor esperado ao final de 10 horas foi de 25 «bolas».
Não obtivemos um valor médio mais próximo de 30 unidades (ou sempre igual a 30) porque os efeitos que já aconteciam no cenário E são agora ainda mais pronunciados. O fortalecimento da estação 3 obriga a uma maior exigência por parte das outras estações que têm cada vez menos capacidade protetora, relativamente ao elo mais fraco. De facto, quanto maior o alinhamento na capacidade entre estações, mais nos aproximamos, novamente, do cenário A, aquele cenário de que queremos fugir.
Note-se ainda que a distribuição de valores do throughput da linha fica «truncado» às 30 unidades. Isto só demonstra que é o elo mais fraco que dita a velocidade a que a empresa gera throughput. Vamos à terceira e última simulação para implementarmos o terceiro passo da TOC, que é: subordinar tudo o resto à decisão anterior.
Cenário G
Este passo está bastante alinhado com a maior preocupação de Ohno: não sobreproduzir! Isto é, se a capacidade do elo mais fraco é de 3 unidades por hora, para quê fazer aumentar o trabalho em curso, mais do que o necessário, nas outras estações?
Fig. 5. Tendência central e variabilidade do throughput ao final de 1000 simulações, para cada um dos três cenários analisados.
Observa-se que não houve alterações no throughput do cenário F para o G, uma vez que este é governado (quase na totalidade nesta simulação) pela estação 3. A figura seguinte mostra a evolução da quantidade de inventário, com a aplicação dos três primeiros passos de foco. Observa-se que os dois últimos passos (e especialmente o último) ajudam a reduzir o nível de inventário.
Fig. 6. Tendência central e variabilidade do inventário ao final de 1000 simulações, para cada um dos três cenários analisados.
Estamos agora em condições de usar a mesma medida global da parte I do artigo, ou seja, a rotação ou retorno de inventário. A figura 7 mostra, sem surpresa que uma empresa que consiga implementar os primeiros 3 passos da TOC ficará numa posição privilegiada.
Fig. 7. Tendência central e variabilidade da rotação de inventário ao final de 1000 simulações, para cada um dos três cenários analisados.
Para que não haja dúvidas quanto ao impacto que a restrição tem no desempenho de todo o sistema, façamos uma última simulação, de modo a criar-se um desequilíbrio ainda maior da terceira para as estações restantes. Por exemplo, vejamos o que acontece quando a restrição tem uma capacidade de 3 «bolas»/h, sem variabilidade e todos os outros recursos têm agora uma amplitude de valores entre os 3 e os 6 (antes tinham entre 1 e 6). Sem surpresa, o histograma do throughput será este:
Fig. 8. O desempenho da linha é o desempenho do gargalo.
Podemos ainda estabelecer uma relação entre o lead time (tempo de atravessamento) e a rotação de inventário. Para se apurar o lead time em todos os cenários descritos na parte I e II do artigo, basta responder à seguinte questão: se ao final de 10h aparecer um cliente a pedir uma nova encomenda, daí a quanto tempo ele a receberá? A relação dos valores médios do lead time e da rotação de inventário para cada cenário é inversamente proporcional: maiores tempos levam a menores rotações.
Fig. 9. Grupo 1 – letras a preto e grupo 2 – letras a cinza.
Atenção, no entanto, às comparações. Chamemos grupo 1 aos cenários A, C e D e grupo 2 aos cenários E, F e G. Os cenários dentro de cada grupo podem ser comparados entre si, ao nível do desempenho, mas o mesmo já não acontece entre grupos porque as condições de capacidade são distintas. Observa-se, uma vez mais, que no grupo 1, o cenário A é de longe o que apresenta o pior desempenho. No grupo 2, a verdadeira melhoria só acontece no terceiro passo do processo de melhoria contínua da TOC, isto é: subordinar tudo o resto à decisão anterior.
Conclusão
O artigo procurou mostrar, a partir de simulações, o impacto que a aplicação dos passos de foco da TOC pode ter no desempenho de uma empresa. Quanto mais passos implementarmos, melhor o seu desempenho. Quando identificamos e controlamos a restrição num sistema podemos prestar um serviço de maior qualidade e fiabilidade, pois cada ação local, nesse ponto, tem um impacto global. Foi o que se viu com a figura 8: quanto menor for a variabilidade na restrição, menor a variabilidade em todo o sistema. Quanto maior for a capacidade da restrição, maior a capacidade de todo o sistema. Pode-se dizer, com confiança que é a restrição que determina, sempre, o throughput da empresa.
Por outro lado, a quantidade do investimento (inventário) está dependente da diferença existente nas capacidades, entre os recursos de restrição e de não-restrição. Quanto maior for a sua diferença, menor a quantidade de inventário necessária em sistema, para proteger o throughput. Finalmente, as despesas operacionais estão dependentes de todos os recursos, estações, do inventário existente, etc.
Em suma, uma linha desequilibrada em termos de capacidade das estações é uma condição necessária não só para proteger o desempenho financeiro, como o fluxo que, no fundo, é o que verdadeiramente importa, tanto ao cliente, como ao acionista, como ao colaborador.
REFERÊNCIAS
[1] Goldratt, E. (2014). The goal. North River press; 4th edition.
[2] Castro, Ricardo (2019). TOC 0
[3] Castro, Ricardo (2019). TOC I
[4] Castro, Ricardo (2019). TOC II