• Case Basf

    Case BASF

    BASF reporta ganhos superiores à US$ 3,5 milhões com o ProModel

    por Rick Hendershot - IBM

"... além deste valor obtido com economias em investimentos, conseguimos uma redução nos custos de expedição e um ganho advindo da redução nos níveis de inventário. Porém, o benefício mais importante foi a confiança que a simulação deu à empresa no sentido de que estaríamos aptos a atender às necessidades de nossos (exigentes) clientes."

Sobre a empresa

A BASF, entre outros, é fornecedora de tintas para a Indústria Automobilística. Temos um total de 4 plantas industriais que fornecem para 29 diferentes clientes. Nossa linha de produtos consiste em 319 tipos de tintas. Como fornecedores deste setor, nós temos que manter um nível de atendimento de 100 % a nosso clientes. Caso atrasemos alguma remessa, isto pode interromper uma linha de montagem, o que acarreta em multas muito altas e, em última instância, num cliente perdido. Nada pode comprometer este nível de serviço.

Estávamos prevendo para o ano vindouro um aumento na demanda para nossos produtos. A pergunta era: como poderíamos atender a este aumento na demanda? A tinta é expedida em recipientes reutilizáveis denominados de cargas. Nossa provisão atual de 6000 cargas não estava atendendo à demanda. Cada carga custa US$ 3.500 e nós estávamos tendo que antecipar a compra de 1000 cargas adicionais. A gerência porém quis tentar evitar esta despesa de US$ 3,5 milhões e decidiu que nós podíamos atender ao aumento mudando a quantidade de ciclos de 3,4 para 4,3.

Usou-se uma equação algébrica para se determinar este novo número. Esta era uma solução fácil que foi pensada para se resolver o problema. Eu fui trazido para dentro do problema com a tarefa de determinar como aumentar os ciclos.

O que a gerência não considerou em sua equação eram as diferentes variáveis que estavam associadas aos processos. Haviam muitas variáveis que afetavam a quantidade de ciclos.

Duas plantas de montagem distintas poderiam receber 100.000 galões de tinta cada. A quantidade de cargas recebida por cada planta, porém, variava muito. A demanda era baseada em programas de montagem que mudavam mensalmente. Diferentes carros exigiam também diferentes quantias de tinta. Nenhuma destas variáveis podiam ser consideradas na equação algébrica. Outra ferramenta se fazia necessária para modelar este problema. Eu escolhi a simulação. Eu havia previamente avaliado diferentes ferramentas e tinha o conhecimento da simulação. Eu selecionei o ProModel para a realização do meu projeto. O uso de simulação era o único caminho para se considerar estes e muitos outros parâmetros que afetavam o pool de cargas.

Objetivos e escopo

A simulação trouxe ganhos superiores a US$ 3,5 milhões

Quando construímos o modelo, vários parâmetros diferentes tiveram que ser considerados. O primeiro era a montagem da programação. Esta programação era determinada pela demanda.

A demanda mudava mensalmente, fazendo com que a programação tivesse que ser alterada sempre que a planta de montagem assim o requisitasse. Tivemos que ser bastante flexíveis para atender às demandas. Também tivemos que considerar os diferentes dias previstos para suprimentos na planta. Alguns requisitavam apenas 2 dias de permanência (até consumo) na planta e 12 dias num depósito satélite. Cada planta tinha um conjunto diferente de padrões e o consumo de tinta variava conforme o modelo e a cor.

Também tivemos que atentar para a variabilidade de nossas próprias plantas industriais. O tamanho de lote e os tempos variavam muito em função dos ajustes necessários para se alcançar o brilho, durabilidade, etc., desejados. Isto resultou em lotes rentáveis que podiam diferir em +/- 200 galões. O tempo normal do lote era de 12 dias, mas certos ajustes e a expedição podiam prolongar ou encurtar este tempo. Lotes fora das especificações tinham que ser retrabalhados. Existia 15 % de probabilidade de que um determinado lote estivesse fora das especificações, o que podia ser constatado na planta de produção (origem) ou na planta de montagem (destino). Caso a não conformidade fosse constatada no destino, a tinta deveria retornar à origem, permanecendo numa fila desta durante 1 ou 2 semanas.

As cargas ficavam nas plantas de montagem até que seu volume fosse exaurido. Algumas plantas expediam os recipientes de volta em lotes de 10.Outras esperavam até que elas tivessem uma carga completa para expedição. Uma vez devolvidos, os recipientes tinham que ser limpados e, em certos casos, consertados. A limpeza podia durar de 3 a 10 dias. Se uma carga tivesse que ser consertada, esta primeiro era limpada, depois consertada e depois limpada novamente. Isto podia somar outros 7 a 14 dias.

Nós construímos o modelo e começamos a executar a simulação com somente uma planta de montagem. Nós constatamos que a lógica de níveis mínimos de inventário funcionava bem. Nós nunca constatamos falta de tinta na planta de montagem. Naquele ponto nós começamos a colocar mais plantas de montagem no modelo. Constatamos muita variabilidade com a programação de um mês até o seguinte. Dependendo da extensão do salto na cadeia de abastecimento, poderia faltar tinta antes que a planta produtora pudesse responder a contento. A razão para isto era que apenas a demanda atual era considerada. Não existia previsão da demanda futura. Uma vez que esta lógica foi implementada no modelo, as faltas de tinta foram reduzidas.

O que percebemos é que tínhamos apenas cargas pequenas em quatro estilos diferentes de carros. Por outro lado, tínhamos cerca de 1000 cargas extras entre os outros nove estilos. Passamos então a expedir tintas em cargas de alto volume sempre que possível.

Em algumas plantas, a maior parte de sua demanda era de tintas que vinham sendo expedidas em recipientes de baixo volume. Sua demanda , no entanto, superava a capacidade das cargas de alto volume, não viabilizando assim seu uso. Nós descobrimos também que podíamos reduzir em 30% os níveis de inventário. Isto resultou numa redução de 5% nas cargas necessárias. Descontando-se a geração dos produtos não conformes, isto resultou numa redução de 2% nas cargas necessárias.

Resultados e Ganhos

O resultado final foi que a BASF não precisaria ter que realizar a despesa de US$ 3,5 milhões. O pool atual de 6000 cargas era mais do que suficiente para atender ao aumento esperado na demanda de seus produtos. O custo deste projeto foi de US$ 40 mil. Além disso, a BASF passou a desfrutar também de economias nos custos de expedição e com a redução nos níveis de inventário. Porém o benefício mais importante foi a confiança que a simulação deu à empresa no sentido de que eles estariam aptos a atender às necessidades de seus clientes.