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

Gustavo de Abreu Rodrigues, José Geraldo Vidal Vieira

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.


Palavras-chave


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

Texto completo:

PDF

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.




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

Direitos autorais 2021 Exacta

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição - Não comercial - Compartilhar igual 4.0 Internacional.

Tempo médio entre a submissão e primeira resposta de avaliação: 120 dias

Exacta – Engenharia de Produção

e-ISSN: 1983-9308
ISSN: 1678-5428
www.revistaexacta.org.br

Exacta  ©2021 Todos os direitos reservados.

Este obra está licenciada com uma Licença 
Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional