Sistemas Complexos e Processo Decisório


A modelagem de um problema decisório envolve muitos aspectos qualitativos e, algumas vezes, técnicos ou matemáticos de modo a realizar uma abordagem quantitativa adequada ao problema que se busca resolver. Para definir-se um modelo de tomada de decisão onde há incerteza envolvida, tais modelos podem auxiliar a quantificar as alternativas de decisão ou, até mesmo, otimizar algum problema que se apresenta.

Em qualquer área do conhecimento, seja exatas, humanas ou biológicas, o melhor projeto requer ferramentas para análise capazes de abranger sua complexidade e as incertezas envolvidas em um processo preditivo, que deverá considerar variáveis endógenas e exógenas ao problema a ser modelado. Embora haja numerosos modelos individuais a utilizar para análise, eles podem ser classificados em algumas poucas categorias:

(1) Métodos qualitativos, como QFD e matrizes de risco

Há uma grande variedade de técnicas qualitativas, capazes de tratar adequadamente a subjetividade inerente ao processo decisório em organizações e que são baseadas, em sua maioria, em opiniões, experiência e crenças de diversos atores. Normalmente, possuem nível baixo de análise matemática e se apóiam em planilhas com informações ou sentimentos que indiquem a alternativa mais racional ou de melhor crença a respeito dos possíveis resultados futuros. Os resultados nem sempre são de baixa qualidade e se apóiam no discernimento, na experiência e na compreensão dos fatores que estão envolvidos nos problemas.

Estes modelos levam em conta os fatores, as exceções, os custos e as restrições subjetivas nem sempre representáveis por modelos matemáticos mais elaborados. São exemplos desses métodos: gráficos estatísticos; técnicas de mapeamento e comparações de planilhas; técnica Delphi; brainstorming; técnicas para decidir em cenários complexos, técnicas estatísticas e outras.

(2) Modelos de simulação

Focados no problema sob análise, são utilizados para explicitar sua complexidade, quando há elementos estocásticos ou quando não é crucial encontrar sua solução ótima matematicamente. Nesse tipo de enfoque, é necessário replicarem-se as estruturas de custo, as restrições e outros fatores que representam os problemas de maneira razoável.

Uma vez que os relacionamentos matemáticos envolvidos são frequentemente estocásticos por natureza, executam-se experimentos amostrais sobre o modelo do sistema por meio de computadores, uma vez que seus relacionamentos são complexos e utilizam grande quantidade de informações.

São utilizados para demonstrar a ação sistêmica dos fluxos de produto, dos níveis de estoque, para planejamento em diversas áreas como logística, medicina, engenharia e outras: localizar armazéns; analisar o fluxo de produtos através de múltiplos elos de localizações de instalações; responder à questões relativas a níveis de estoque, volume de produção e tempos de fluxos no canal de sumprimentos-distribuição;analisar efeitos de incentivos comerciais sobre o desempenho clínico; analisar os impactos sistêmicos de medicamentos etc.

Muitos autores consideram estes modelos, depois de modelos estatísticos, os mais utilizados em problemas relativos a decisões em organizações. O curso concentra-se mais nesses dois enfoques.

(3) Modelos heurísticos

Buscam uma solução satisfatória ao problema que se apresenta e são comparáveis a atalhos do processo de raciocínio. Visa reduzir o tempo gasto na busca da solução de um problema e em identificar soluções razoáveis e aceitáveis para problemas para os quais algoritmos de otimização não estão disponíveis. Diagramas de loops causais e diversas técnicas de dinâmica de sistemas e systems thinking auxiliam a representar e compreender a dinâmica de sistemas nessa perspectiva.

(4) Modelos de otimização

Os modelos de otimização são baseados em procedimentos matemáticos precisos para avaliar alternativas, e garantem que a solução ótima (a melhor alternativa) foi encontrada para o problema, como proposto matematicamente. Modelos determinísticos de pesquisa operacional que incluem programação matemática (programação linear, não linear, dinâmica e integral), enumeração exaustiva, modelo de sequênciação, vários modelos de cálculos de dominância e modelos de reposição de equipamento. Muitos deles foram generalizados e estão disponíveis como pacotes computacionais.

Exemplo: Um modelo básico de lote econômico de compra (EOQ) que é usado para controle de estoque baseado em cálculo que captura a essência de muitos problemas de controle de estoque, muito útil na simulação de suprimentos de canal.

Produz como resultado a quantidade ótima de pedido quando o nível do item em estoque cai para a quantidade predeterminada. Busca equilibrar os custos de pedir e os custos de manter estoque e possui a seguinte formulação:
          _______
Q* = Ö2DS/IC

Onde:
Q* = a quantidade ótima de pedido (em unidades)
D = demanda anual (em unidades)
S = custo de obtenção do item ($/pedido)
I = custo anual de manutenção de estoque (%  anual do valor unitário)
C = valor do item em estoque ($/unidade)

(5) Modelos que empregam sistemas especialistas e inteligência computacional

            Quando problemas de planejamento são resolvidos muitas vezes em uma variedade de situações grande, o planejador desenvolve discernimentos a respeito de como o  problema é resolvido que frequentemente transcendem a formulação matemática mais complexa possível. Se tais conhecimentos e perícia puderem ser captados em um ajustamento de modelo ou em um sistema especialista, podem auxiliar a produzir soluções de qualidade mais altos que os métodos de simulação, heurísticos ou de otimização.

            Os maiores obstáculos a superar são relativos à identificação dos especialistas, à especificação da base de conhecimento (muitas vezes qualitativo) e a adquirir seu conhecimento relevante são os maiores obstáculos a serem superados em modelos de sistemas especialistas.

            A modelagem baseada em agentes pode ser muito útil para compreender as interações entre diversos atores e sua respectiva dinâmica. Embora não tratados por este curso, é importante dizer que há, ainda, uma infinidade de técnicas como lógica fuzzy, redes bayesianas, redes neurais, autômatos celulares que podem ser utilizadas para modelar o discernimento auferido pelo planejador e melhorar a capacidade preditiva dos planejadores em relação ao sistema que se modela.

(6) Sistemas de apoio à Decisão

            Os bancos de dados e as ferramentas para análise têm sido combinados, com a ajuda do computador em sistemas de apoio à decisão que permitem aos usuários interagir diretamente com o banco de dados, dirigir os dados aos modelos de decisão e retratar os resultados de uma forma conveniente. É formado por quatro subsistemas básicos:
  • Potencialidade interativa que permite que o usuário se comunique diretamente com o sistema;
  • Um gerenciador de dados que torna possível extrair a informação necessária dos bancos de dados internos e externos;
  • Um subsistema de modelagem que permite ao usuário interagir com os modelos de pesquisa operacional ao imputar parâmetros e ajustar situações para as necessidades de tomadas de decisões específicas;
  • Um gerador de saída com potencialidades gráficas que fornece ao usuário a capacidade para formular questões “o que aconteceria se...” e obter saídas de forma facilmente interpretável.
Prof. Dr. Ricardo Chaim. Universidade de Brasília.