Motivação para participar
- Qual a previsão de peças sobressalentes para o próximo ano?
- A média histórica tem sido uma boa estimativa para as previsões futuras de todos os itens?
- Qual o tamanho ótimo dos estoques intermediários (pilhas, material inacabado etc.) para minimizar o custo?
- Qual a quantidade ótima para ser adquirida em casos de alto lead-time de compras?
- Como sua empresa se encontra em relação ao benchmark de gestão de estoques?
- Como encontrar o quando e quanto comprar, para minimizar o custo para diferentes itens?
Ementa
1. Detalhamento do problema de estoques na indústria, varejo, serviços etc.:
1.1. Detalhamento do problema de previsão de demanda, otimização e gestão de estoques
1.2. Justificativas do uso de estoques na indústria, serviços, varejo etc.
1.3. O impacto de nível de estoques sobre a taxa de retorno sobre os ativos das empresas
1.4. A relação entre quantidade de estoques, custo de estocagem e probabilidade de falta de estoques
1.5. Algumas normas utilizadas como apoio ao problema de estoques
1.6. As características da demanda de estoques segundo o ponto de vista dos profissionais de compra, almoxarifado e manutenção
1.7. Os principais tipos de demanda de estoques, quantidade de locais de instalação e modelos de previsão
1.8. Discussão de alguns indicadores utilizados na tomada de decisões em estoques, alcance e limitações
1.9. Uma visão geral das metodologias mostradas no curso e suas aplicações
2. Métodos básicos para classificação de criticidade de elementos em estoques:
2.1. Justificativas para realizar uma classificação dos materiais segundo alguns critérios de criticidade
2.2. Classificação de criticidade dos estoques por meio da curva ABC e suas limitações
2.3. Classificação de estoques por meio do indicador giro e suas limitações
2.4. Modelo AREMAS para classificação de criticidade dos estoques
2.5. Modelo decisório de criticidade de estoques
3. Avaliação econômica de custos das decisões gerenciais em itens em estoques:
3.1. Os diferentes componentes de custos de unidades em estoques
3.2. Taxa de juros (nominal, proporcional, efetiva etc.), inflação de custos em estoques e média ponderada do custo de oportunidade do capital (WACC)
3.3. Os principais indicadores do fluxo de caixa de custos em manutenção:
3.3.1. Valor presente líquido (VPL)
3.3.2. Valor futuro líquido (VFL)
3.3.3. Taxa interna de retorno (TIR)
3.3.4. Taxa interna de retorno modificada (MIRR)
3.3.5. Período de recuperação do investimento (payback)
3.4. Exemplo de estimativa de custo de estocagem de grandes equipamentos transformadores, motores, veículos etc.
4. Modelos para previsão de demanda, otimização de custo e gestão de estoques para o caso de demanda com perfil de movimentação regular (regular moving)
4.1. Características de uma série de dados de demanda com perfil regular
4.2. Previsão de demanda por alisamento exponencial simples
4.3. Previsão de demanda por média móvel
4.4. Previsão de demanda por média móvel ponderada
4.5. Previsão de demanda por modelo de Winter (aditivo e multiplicativo)
4.6. Previsão de demanda por modelos de Box-Jenkins (ARMA, ARIMA etc.)
4.7. Previsão de demanda empregando-se a distribuição de Poisson
4.8. Previsão de demanda empregando-se a distribuição de normal
4.9. Modelo determinístico de lote econômico para minimizar o custo total de estoques para caso de apenas 1 item
4.10. Modelo determinístico de lote econômico (quando e quanto) para minimizar o custo total de estoques dos itens
4.11. Modelo estocástico para estimativa de lote econômico (quando e quanto) para minimizar o custo total de estoques dos itens
5. Modelos para previsão de demanda, otimização de custo e gestão de estoques para o caso de demanda com perfil de movimentação intermitente (intermitente-moving)
5.1. Características de uma série de dados de demanda com perfil intermitente
5.2. Previsão de demanda por meio de modelos dedicado empregando-se simulação de Monte Carlo e bootstrap (ponto de vista do almoxarifado)
5.3. Previsão de demanda por meio de simulação numérica de falhas (análise RAMS) de elementos (ponto de vista da manutenção)
5.4. Modelo estocástico para estimativa de lote econômico (quando e quanto) para minimizar o custo total de estoques dos itens
6. Modelos para previsão de demanda, otimização de custo e gestão de estoques para o caso de demanda com perfil movimentação baixa (slow-moving)
6.1. Características de uma série de dados de demanda com perfil movimentação baixa
6.2. Previsão de demanda pela modelagem do tempo de vida dos itens em operação (visão da manutenção)
6.3. Exemplo de previsão de peças por meio de modelagem de tempo até a falha, duração de tempo de manutenções (corretivas, preventivas, inspeções etc.) (visão da manutenção)
7. Modelos para previsão de demanda, otimização de custo e gestão de estoques para o caso de demanda com perfil movimentação rara (no-moving)
7.1. Características de uma série de dados de demanda com perfil movimentação rara
7.2. Modelo para estimativa do momento de aquisição de estoques para atender à tolerância ao risco da empresa
7.3. Modelo para estimativa do momento de aquisição de estoques com o objetivo de minimizar o custo total de estocagem
7.4. Análise de trade-off na decisão de quando realizar aquisição de item para: (1) atender à meta de restrição de risco da empresa e (2) atender à meta de minimização de custo
8. Modelo para previsão de demanda complexa e decisões ótimas diversas:
8.1. Simulação numérica pelo método de Monte Carlo
8.2. O processo de geração de números aleatórios e variáveis aleatórias
8.3. Modelo estocástico para previsão de número de falhas de alternadores e decisões ótimas de estoques
8.4. Modelo para determinar quantidade ótima de compra de matéria-prima de uma fábrica de televisores para minimizar o custo em ambiente de incertezas
8.5. Modelo para decisão de compra de itens de uma empresa de varejo para maximizar o lucro em ambiente de incerteza
8.6. Modelo para decisão de oferta de produtos perecíveis tais como número de assentos num voo e teatro, matéria-prima de uma indústria alimentícia etc.
8.7. Modelo para previsão dimensionamento estoques de produtos intermediários tais como pilha de minério, cavacos de madeira etc.
8.8. Modelo para determinar quantidade e momento de compra de eletrodomésticos, combustível etc. em caso de perdas de vendas de modo a minimizar custos
9. Descrição do modelo Aremas de 19 pilares para a gestão de estoques:
9.1. O conceito de gestão de estoque com diversos elementos
9.2. Modelo AREMAS de 19 pilares para diagnóstico de gestão de estoques
9.3. Os principais KPIs empregados em análise de estoques
9.4. Exemplo de diagrama decisório de classificação de criticidade de estoques
9.5. Modelo decisório gerencial de distribuição de atividades
10. Discussões finais de problemas dos participantes
Software de apoio além do Excel
Crystal Ball, Excel e AVsim.
Instrutores
GABRIEL ALVES DA COSTA LIMA: PhD. (CREA/SP 5061919417). Diversos trabalhos de consultoria em empresas como VALE, PETROBRAS, SYNGENTA, CARIOCA-NIELSEN ENGENHARIA, FERBASA, dentre outras. Desde 2003 realiza treinamentos nas áreas de confiabilidade, risco, LCC, engenharia econômica, otimização em manutenção para empresas como ANGLO AMERICAN, CSN, VALE, METRO-SP, METRO-RJ, ITAU, DURATEX, KINROSS, dentre outras. Coordenou 13 projetos de P&D de empresas do setor de petróleo e elétrico (AES, COMGÁS, BROOKFIELD RENEWABLE e PETROBRAS)
JOÃO LUIS REIS e SILVA: Engenheiro Eletricista (UFMG, 1999), pós-graduado em Qualidade da Energia (UFMG, 2008) e Especialista em Manutenção Industrial (CEFET-MG, 2003). Possui experiência em mais de 15 anos na área de Confiabilidade aplicada em sistemas industriais e participou de diversas consultorias em dimensionamento ótimo de sobressalentes, análises RAM e otimização de processos.
ALBERTO MAGNO TEODORO FILHO: Engenheiro de Produção formado pela Universidade Federal de São Carlos (2011), mestrando em Engenharia de Produção e Manufatura pela UNICAMP.
Atua na área de Confiabilidade e Análise de Risco na empresa Aremas desde 2010. Ministrou treinamento e/ou participou de trabalho de consultoria para empresas como Alcoa, Anglo American, Carioca-Nielsen Engenharia, Electrolux, Metso, Sabic, Samarco, Syngenta, Tetra Pak e Vale.
