Gerenciamento de risco de atraso em entregas logísticas por método de valor esperado

Gustavo de Abreu Rodrigues; José Geraldo Vidal Vieira

doi:10.5585/exactaep.2021.8636

Autores

Gustavo de Abreu Rodrigues Universidade de São Paulo – USP https://orcid.org/0000-0002-6257-4590
José Geraldo Vidal Vieira Escola Politécnica/Universidade de São Paulo – Poli/USP http://orcid.org/0000-0002-5913-2652

DOI:

https://doi.org/10.5585/exactaep.2021.8636

Palavras-chave:

Valor Esperado, Regressão logística, Indicador de entrega no prazo.

Resumo

Neste artigo foi desenvolvido um mecanismo de auxílio à tomada de decisão para o gerenciamento de risco de atrasos em entregas em logística empresarial, baseado em valor esperado (VE) e aprendizado estatístico (AE). Este mecanismo permite ao tomador de decisão discernir quais entregas priorizar, simultaneamente, tanto pela sua importância em quantidade, quanto pela sua probabilidade de atraso. Neste modelo, priorizar as entregas de maior valor esperado implica minimizar o risco de impacto no indicador de desempenho logístico de entrega no prazo (On-Time Delivery [OTD]). A técnica de AE escolhida para auferir as probabilidades de atraso foi a Regressão Logística (RL). Os coeficientes das variáveis foram utilizados para comparar as variáveis que mais influenciam a chance de atraso. Foi feita uma simulação testando a aplicabilidade deste modelo com os dados de operação de uma multinacional de produtos eletrônicos. A qualidade das predições foi testada utilizando metodologias sugeridas na literatura para validação de qualidade de modelos de aprendizado estatístico. Por fim, a sugestão de priorização por VE foi testada criando-se cinco grupos de risco e confrontando as taxas previstas de atraso contra as taxas reais em cada um destes grupos. Como resultado, obteve-se que as probabilidades auferidas foram confiáveis e o cálculo de VE permitiu encontrar o grupo de maior risco.

Downloads

Não há dados estatísticos.

Biografia do Autor

Gustavo de Abreu Rodrigues, Universidade de São Paulo – USP

Bacharelado em Engenharia Física pela UFSCAR e pós graduado em Gestão de Projetos pela Vanzolini. Profissinal com experiência em consultoria de supply chain e aplicação de B.I na área de logística. Atualmente trabalha em uma multinacional de produtos eletronicos e é aluno de mestrado do Grupo de Operações Logísticas (GOL) na USP

José Geraldo Vidal Vieira, Escola Politécnica/Universidade de São Paulo – Poli/USP

Professor associado de Gerenciamento de Operações Logísticas no departamento de Engenharia de Produção da UFSCAR campus de Sorocaba. Possui Bacharelado em Ciência da Computação, MSC em Engenharia de Produção pela PUC do Rio de Janeiro e doutorado em Engenharia de Produção pela Escola Politécnica da USP

Referências

Beamon, B. M. (1999). Measuring supply chain performance. International Journal of Operations & Production Management, 19(3), 275–292. https://doi.org/10.1108/01443579910249714.

Berssaneti, F. T., & Carvalho, M. M. (2015). Identification of variables that impact project success in Brazilian companies. International Journal of Project Management, 33(3), 638–649. https://doi.org/10.1016/j.ijproman.2014.07.002.

Bertrand, J. W. M., & Fransoo, J. (2002). Modelling and Simulation: Operations management research methodologies using quantitative modelling. International Journal of Operations & Production Management, 22(2), 241–264. https://doi.org/10.1108/01443570210414338.

Cai, J., Liu, X., Xiao, Z., & Liu, J. (2009). Improving supply chain performance management: A systematic approach to analyzing iterative KPI accomplishment. Decision Support Systems, 46(2), 512–521. https://doi.org/10.1016/j.dss.2008.09.004.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. In Bayesian Forecasting and Dynamic Models (Second Edi, Vol. 1). https://doi.org/10.1007/b94608.

Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression. In John Wiley & Sons (3rd Editio). https://doi.org/10.1002/9781118548387.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2017). An Introduction to Statistical Learning: With Applications in R (8th Editio; G. Casella, S. Fienberg, & I. Olkin, Eds.). https://doi.org/10.1007/978-7-4614-7138-7.

Kuhn, N., & Jamadagni, N. (2017). Application of Machine Learning Algorithms to Predict Flight Arrival Delays. 1–6.

Lee, H. L., Padmanabhan, V., & Whang, S. (1997). Information Distortion in a Supply Chain: The Bullwhip Effect. Management Science, 43(4), 546–558. https://doi.org/10.1287/mnsc.43.4.546.

Lessan, J., Fu, L., & Wen, C. (2018). A hybrid Bayesian network model for predicting delays in train operations. Computers and Industrial Engineering, (March). https://doi.org/10.1016/j.cie.2018.03.017.

Long, J. S. (1997). Regression models for categorical and limited dependent variables. American Journal of Sociology, Vol. 103, p. 328. https://doi.org/10.1086/231290.

Long, W. J., Griffith, J. L., Spelker, H. P., & D’Agostino, R. B. (1993). A Comparison of Logistic Regression to Decision-Tree Induction in Medical Domain. Computers and Biomedical Research, (26), 74–97.

Mukherjee, A., Grabbe, S. R., & Sridhar, B. (2014). Predicting Ground Delay Program At An Airport Based On Meteorological Conditions. 14th AIAA Aviation Technology, Integration, and Operations Conference, (June), 1–18. https://doi.org/10.2514/6.2014-2713.

Neely, A., Gregory, M., & Platts, K. (1995). Performance measurament system design: A literature review and research agenda. International Journal of Operations & Production Management, 15(4), 80–116. https://doi.org/10.1108/01443579510083622.

Ni, J., Wang, X., & Li, Z. (2017). Flight Delay Prediction using Temporal and Geographical Information. 1–4. Retrieved from https://cseweb.ucsd.edu/classes/wi17/cse258-a/reports/a032.pdf.

Patah, L. A., & Vargas Neto, D. M. (2016). Avaliação Da Relação Entre a Virtualidade De Equipes E O Desempenho Operacional De Projetos: Uma Análise Quantitativa. Revista de Gestão e Projetos - GeP, 7(2). https://doi.org/10.1017/CBO9781107415324.004.

Raschka, S., & Mirjalili, V. (2019). Python Machine Learning (3rd ed.). Retrieved from https://www.packtpub.com/product/python-machine-learning-third-edition/9781789955750.

Shepherd, C., & Günter, H. (2006). Measuring supply chain performance: current research and future directions. International Journal of Productivity and Performance Management, 55(3/4), 242–258. https://doi.org/10.1108/17410400610653219.

Sterman, J. D. (1989). Modeling Managerial Behavior: Misperceptions of Feedback in a Dynamic Decision Making Experiment Author(s): MODELING MANAGERIAL BEHAVIOR: MISPERCEPTIONS OF FEEDBACK IN A DYNAMIC DECISION MAKING EXPERIMENT*. Source: Management Science MANAGEMENT SCIENCE, 35(3), 321–339. https://doi.org/10.1287/mnsc.35.3.321.

Takagi, Y., Mizuno, O., & Kikuno, T. (2005). An Empirical Approach to Characterizing Risky Software Projects Based on Logistic Regression Analysis. Empirical Software Engineering, 10(4), 495–515. https://doi.org/10.1007/s10664-005-3864-z.

Tibshirani, R. (1996). Regression Shrinkage and Selection Via the Lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 267–288. https://doi.org/10.1111/j.2517-6161.1996.tb02080.x.

Vieira, J. G. V., Yoshizak, H. T. Y., & Ho, L. L. (2015). The effects of collaboration on logistical performance and transaction costs. International Journal of Business Science & Applied Management (IJBSAM), 10(1), 1–14.

Wang, Z., Liang, M., & Delahaye, D. (2018). A hybrid machine learning model for short-term estimated time of arrival prediction in terminal manoeuvring area. Transportation Research Part C: Emerging Technologies, 95(January), 280–294. https://doi.org/10.1016/j.trc.2018.07.019.

Yaghini, M., Khoshraftar, M. M., & Seyedabadi, M. (2013). Railway passenger train delay prediction via neural network model. Journal of Advanced Transportation, 47(3), 355–368. https://doi.org/10.1002/atr.193.