Acompanhamento de KPIs em simulação de manufatura: como comparar cenários de forma justa

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

By Mirko Peters · 2026-11-12

O acompanhamento de KPIs em simulação de manufatura começa com alguns indicadores definidos da mesma forma que a sua fábrica os define. Veja como executar cenários, interpretar resultados e reportá-los.

Automatically translated with AI from the original post. Read the English original

O acompanhamento de KPIs em simulação de manufatura significa escolher um pequeno conjunto de indicadores de desempenho antes de construir o modelo, calculá-los no modelo exatamente como a fábrica os calcula e comparar cenários com base nesses números. Se as definições forem diferentes entre o modelo e a fábrica, os resultados não são confiáveis, por mais bonito que seja o painel. Este artigo é para gerentes de fábrica e engenheiros de processos que conduzem estudos de simulação ou que precisam interpretar os resultados e tomar decisões com base neles.

Pontos-chave

• Acompanhamento de KPIs em simulação significa escolher alguns KPIs antes de o modelo ser construído e calculá-los exatamente como a fábrica os calcula.
• A norma ISO 22400-2 mostra a disciplina necessária: cada KPI é descrito por sua fórmula, seus elementos, seu comportamento no tempo e sua unidade.
• Uma única execução de simulação é apenas uma amostra, então use várias replicações e reporte uma média com um intervalo de confiança.
• Altere uma coisa por cenário, compare os cenários com as mesmas definições de KPI e verifique primeiro a linha de base em relação a um período real anterior.
• Resultados de simulação não são ao vivo, então um painel alimentado por eles deve ser atualizado após cada lote de execuções e identificado por cenário.

O que é acompanhamento de KPIs em simulação de manufatura?

Um modelo de simulação produz muita saída bruta: cada peça, cada espera, cada estado de máquina ao longo do tempo simulado. O acompanhamento de KPIs transforma essa saída em um punhado de números que as pessoas podem comparar. Enquanto a simulação de fábrica responde "o que acontece se mudarmos isto?", os KPIs dizem quanto, em termos que a fábrica já usa.

Há duas formas de isso dar errado. Na primeira, a equipe mede o que é fácil obter do software do modelo e acaba com números que ninguém na fábrica reconhece. Na segunda, a equipe copia uma longa lista de KPIs de um modelo de painel, e o estudo se afoga em números que não têm relação com a decisão.

A solução é a mesma nos dois casos. Parta da decisão, como "devemos adicionar um segundo turno na linha de montagem ou comprar uma segunda máquina?", e pergunte quais números fariam você escolher uma opção em vez da outra. Esses são os seus KPIs.

Quais KPIs devem fazer parte de um estudo de simulação?

Mantenha a lista curta. De cinco a sete é suficiente. Estas são escolhas comuns, e quais delas importam depende da sua pergunta:

1. Throughput. Boas unidades produzidas por hora, turno ou semana.
2. Lead time. Quanto tempo um pedido ou uma peça leva desde a liberação até a conclusão.
3. Trabalho em processo (WIP). Quanto há no sistema em um determinado momento. Costuma variar junto com o lead time.
4. Utilização de recursos. Quanto do tempo disponível máquinas e pessoas estão ocupadas. Observe o gargalo e o recurso ao lado dele.
5. Tempo de espera e tamanho da fila em frente ao gargalo.
6. Entrega no prazo, se o modelo incluir datas de entrega.
7. OEE, se as perdas de equipamento forem o limitante.

Sobre OEE, seja específico. O Lean Enterprise Institute descreve a eficiência global de equipamentos como uma métrica de manutenção produtiva total que multiplica as taxas de disponibilidade, desempenho e qualidade, e afirma que ela normalmente considera as seis grandes perdas: falhas, ajustes, paradas menores, redução de velocidade, refugo e retrabalho. O OEE só faz sentido em uma simulação se o modelo contiver essas perdas, como o comportamento de quebras, as trocas de setup e as taxas de refugo. Se não contiver, um valor de OEE vindo do modelo é um palpite com casas decimais. Em uma linha com múltiplos produtos e um setup longo, o OEE também pode esconder o que realmente impulsiona custo e entrega, então combine-o com lead time ou entrega no prazo.

Resista a KPIs que o modelo não consegue influenciar. Se seus cenários alteram o padrão de turnos, uma pontuação de satisfação do cliente não tem lugar no estudo.

Como você define os KPIs para que o modelo e a fábrica concordem?

Escreva uma planilha de KPIs de uma página antes da primeira execução. Para cada KPI, informe:

• o nome e a pergunta que ele responde,
• a fórmula e seus elementos,
• a base de tempo, por exemplo por turno, por semana corrida ou por hora de produção planejada,
• a unidade,
• de onde vem o valor real na fábrica,
• quem é o responsável pela definição.

Essa é a disciplina que as normas da área seguem. A página da ISO sobre a ISO 22400-2, que define indicadores-chave de desempenho para a gestão de operações de manufatura, afirma que cada KPI é descrito por sua fórmula e elementos, seu comportamento no tempo, sua unidade ou dimensão, seu grupo de usuários e a metodologia de produção à qual pertence. A página que li descreve o rascunho da segunda edição, que substituirá a versão de 2014, então verifique a edição vigente se pretende citar a norma. Você não precisa adotar a norma para se beneficiar do hábito dela: uma definição precisa para cada KPI.

A maioria das divergências vem do tempo. A "disponibilidade" muda conforme a resposta para a pergunta "disponível em relação a quê?". A descrição do OEE pela LEI mede as paradas por quebras e trocas de setup em relação ao tempo programado, então o tempo programado precisa estar claramente definido na sua planilha. Ele inclui a manutenção planejada? As pausas? Um turno que o calendário indica como não trabalhado? Resolva isso antes de construir o modelo, porque isso altera todos os resultados.

Depois, faça a verificação que dá valor à planilha: calcule os mesmos KPIs a partir de um período passado real, usando dados da fábrica, e compare-os com o que o modelo produz quando você alimenta com esse período.

Como você executa cenários e interpreta os resultados?

Uma execução de simulação é uma amostra aleatória. Quebras, tempos de chegada e tempos de processamento variam, então duas execuções do mesmo cenário dão respostas diferentes. Trate uma única execução como uma anedota.

1. Valide a linha de base. Execute o modelo para um período que você conhece e compare os KPIs com a realidade. Se o modelo não conseguir reproduzir o passado dentro de uma faixa aceitável, corrija o modelo antes de testar qualquer mudança.
2. Use réplicas. Execute cada cenário várias vezes com fluxos aleatórios independentes. Uma aula do MIT sobre projeto de experimentos de simulação descreve a definição do número de réplicas por uma meta de precisão: você continua até que o intervalo de confiança seja suficientemente estreito em relação à estimativa. Ela também observa que, com menos de 30 réplicas, usa-se a distribuição t de Student para o intervalo.
3. Trate o aquecimento. Para uma fábrica que opera continuamente, o modelo começa vazio e precisa de tempo para atingir a operação normal. A mesma aula descreve o descarte da primeira parte de cada réplica e menciona o método de Welch para escolher quanto descartar. Se sua pergunta se refere a um período definido, como um lote de pedidos, inicie o modelo no estado em que a fábrica se encontra naquele momento.
4. Altere uma coisa por cenário. Se o cenário B acrescenta uma máquina e altera o padrão de turnos e o tamanho do lote, você não saberá qual delas produziu cada efeito.
5. Reporte faixas. "A produtividade sobe de 4% a 9%" é mais honesto do que "sobe 6,5%". Se os intervalos de dois cenários se sobrepõem muito, diga que os dados não os diferenciam.
6. Olhe o fluxo inteiro. Um ganho em uma máquina pode deslocar o gargalo para outro ponto. Verifique a utilização e as filas ao longo do fluxo, e não apenas na estação que você alterou.

Mantenha um registro dos cenários: uma lista com o nome do cenário, o que foi alterado, as premissas, o número de replicações e a data. Sem isso, ninguém se lembra, em seis meses, por que o cenário 7 foi escolhido.

Como você apresenta os KPIs da simulação para os gestores?

Os gestores precisam da comparação, não dos dados brutos. Uma página simples funciona bem: a linha de base e cada cenário lado a lado, para os mesmos poucos KPIs, com a faixa de variação e uma nota sobre o que cada cenário altera.

Em um ambiente Microsoft, um caminho comum é carregar uma tabela de resultados no Power BI. Cada linha traz o cenário, a replicação, o nome do KPI e o valor, o que permite montar a comparação e filtrar por cenário. A documentação da Microsoft sobre atualização de dados explica que os dados importados em um modelo semântico são uma cópia em um determinado momento, por isso é preciso atualizá-los para ver dados novos. Para resultados de simulação, isso se encaixa bem: você atualiza depois de um lote de execuções, e não antes.

Dois pontos práticos decorrem disso:

• Marque todo visual como resultado de cenário, com a data da última execução. Números de previsão ao lado de números reais da fábrica levam a interpretações erradas.
• Mostre o planejado versus o realizado depois, quando a mudança já estiver implementada, usando as mesmas definições de KPI. É aí que a planilha de KPIs se paga.

Se você quiser uma visão em tempo real da fábrica ao lado do modelo, isso é um trabalho à parte, com sua própria fonte de dados. Trate-o como a próxima fase, depois que os KPIs da simulação forem confiáveis.

Como você mantém o modelo confiável ao longo do tempo?

Um modelo que está correto em março pode estar errado em setembro, porque o processo evoluiu.

• Recalibre. Compare os KPIs do modelo com os KPIs reais a cada trimestre, ou após qualquer mudança relevante, e ajuste as entradas se elas se afastarem da realidade.
• Tenha um responsável pelas entradas. Tempos de ciclo, tempos de preparação, comportamento de falhas e calendários de turnos precisam de um responsável nomeado que os atualize. Trate os dados da simulação como um produto que tem um mantenedor.
• Inclua as pessoas onde isso importa. Os operadores alteram os resultados por meio de ausências, habilidades e variação no ritmo de trabalho. Você não precisa modelar fadiga para perceber isso: usar variação realista nos tempos de ciclo e a escala real de pessoal por turno já resolve grande parte do problema. Pergunte aos líderes de turno se as premissas do modelo parecem corretas.
• Revisite as metas. Não traga um benchmark de outra fábrica para o seu modelo sem verificar se ele se encaixa no seu mix de produtos. Use primeiro a sua própria linha de base.

Erros comuns

• Começando pelo painel. Defina antes os KPIs e a pergunta que você quer responder.
• KPIs demais. Uma página com vinte números não será lida.
• Definições diferentes no modelo e na fábrica. Assim, nenhuma comparação é possível.
• Uma única execução por cenário. A aleatoriedade vai decidir a conclusão por você.
• Pular a verificação da linha de base. Se o modelo não consegue reproduzir o passado, suas previsões não têm base.
• Alterar várias coisas por cenário. Assim, você não aprende nada sobre a causa.
• Apresentar previsões como dados em tempo real. Identifique claramente os resultados de cenários.
• Nenhum responsável pelas entradas do modelo. Entradas desatualizadas produzem respostas erradas com aparência de certeza.

Onde o Polaris se encaixa

Para esse tipo de estudo, o iFAKT Polaris oferece dois módulos que vale a pena conhecer. A iFAKT descreve o Polaris Simulator como uma ferramenta que testa virtualmente o sistema de produção antes de decisões reais, com cenários de capacidade, pessoal e estoques intermediários, e que mostra gargalos e desequilíbrios de utilização ao longo do tempo. O Polaris Analyzer oferece painéis de KPIs de todos os módulos e compara valores planejados e realizados. Como em qualquer ferramenta, verifique se as definições de KPI nela coincidem com as suas e teste primeiro em uma única linha de produção.

Temas relacionados para explorar

• Hierarquias de KPIs. Como os valores por linha, turno, departamento e fábrica se agregam sem precisar recalcular em cada nível.
• Fontes de dados para o modelo. Quais dados do ERP, das máquinas e dos registros manuais alimentam o modelo, e como verificar a qualidade deles.
• Normalização entre fábricas. Como comparar unidades com níveis de automação diferentes sem penalizar as fábricas de alto mix.
• Variação da força de trabalho nos modelos. Quais efeitos de operadores e turnos valem a pena modelar e quais acrescentam complexidade sem benefício.
• Do plano ao realizado. Como comparar o cenário escolhido com os KPIs reais depois que a mudança entra em operação.

Próximo passo

O acompanhamento de KPIs em simulações de manufatura compensa quando o modelo e a fábrica falam os mesmos números. Pegue sua próxima pergunta de simulação, escreva a ficha de KPI em uma página, com fórmula, base de tempo e unidade, e valide-a contra um período real passado antes de rodar o primeiro cenário.