|
A observação histórica do mundo à nossa volta revela um fato imponente: a maior constante de todos os tempos é a mudança. O crescimento acelerado de mudanças econômicas, tecnológicas e sociais desafia cientistas, engenheiros, políticos e executivos, entre outros, a aprender continuamente. Ao mesmo tempo, a complexidade dos sistemas em que vivemos também está crescendo.
Muitos dos problemas que enfrentamos surgem como efeitos colaterais indesejados de nossas ações passadas. Frequentemente, soluções adotadas para resolver problemas importantes falham, tornam o problema pior, ou criam novos problemas.
Tomada de decisão e aprendizado em um mundo que apresenta crescente complexidade dinâmica requer que nos tornemos pensadores sistêmicos, ou seja, requer que expandamos as fronteiras de nossos modelos mentais e desenvolvamos ferramentas para compreender como a estrutura de sistemas complexos afeta o seu comportamento.
System Dynamics é uma perspectiva e um conjunto de ferramentas conceituais que pode nos auxiliar a compreender a estrutura e a dinâmica de sistemas complexos. System Dynamics também é um método rigoroso de modelagem que utiliza simulações em computador para definir organizações e políticas mais efetivas. Juntas, essas ferramentas permitem a criação de simuladores gerenciais (Sterman, 2000) – mundos virtuais onde espaço e tempo podem ser comprimidos e desacelerados de tal forma a permitir a experimentação de efeitos colaterais de longo prazo, aprendizado, e o projeto de estruturas e estratégias de alto desempenho.
A origem da disciplina de System Dynamics é atribuída ao trabalho pioneiro de Jay W. Forrester iniciado cerca de 40 anos atrás no Massuchussets Institute of Technology. Suas raízes encontram-se nas teorias de controle e dinâmica não linear. Portanto, existem rigorosos fundamentos matemáticos para a teoria e modelos desenvolvidos nessa área.
As práticas de modelagem em System Dynamics podem ser utilizadas para melhorar a nossa compreensão das maneiras pelas quais o desempenho de uma empresa está relacionado com a sua estrutura interna e políticas de operação, incluindo consumidores, competidores e fornecedores, a fim de engenheirar estruturas que permitam o alcance do(s) objetivo(s) desejado(s).
Modelos realísticos e úteis de empresas e processos de negócio são quase sempre de tal complexidade e não linearidade que soluções analíticas não são conhecidas. Nesse contexto, muitas das ferramentas matemáticas que estudamos tem aplicação limitada. Modelar o comportamento humano é bem diferente de modelar sistemas físicos. Portanto, além de uma base sólida em matemática de sistemas dinâmicos, modelar sistemas que envolvem seres humanos, também requer conhecimento em psicologia, tomada de decisão, e comportamento organizacional.
Um típico processo de modelagem é iterativo, partindo da definição do problema, construção do modelo de acordo com o formalismo desejado, e finalmente a definição de políticas de intervenção no sistema. A adequada articulação do problema é provavelmente o passo mais importante. Os resultados de uma etapa podem levar à revisão de etapas anteriores. A Figura 1 apresenta uma descrição mais detalhada do processo de modelagem e o contextualiza na dinâmica do próprio sistema sendo modelado. Modelagem efetiva envolve constante iteração entre experimentação e aprendizado no mundo real assim como também no virtual.
Figura 1: Processo de modelagem no contexto do sistema sendo modelado (Sterman, 2000)
Complexidade e o Papel da Simulação Baseada em Computador
De acordo com Sterman (2000), a maior parte das pessoas pensa em complexidade em termos do número de componentes em um sistema ou do número de combinações a serem consideradas para a tomada de uma decisão. O problema de otimizar a programação da produção de automóveis levando em conta as preferências do consumidor em termos de modelo, cor, opcionais, etc. é altamente complexo. Entretanto, nesse caso, a complexidade é associada com encontrar a solução ótima em meio a uma quantidade astronômica de opções. Tal tipo de complexidade é chamada de complexidade combinatória ou complexidade de detalhes.
Complexidade dinâmica, por sua vez, pode surgir mesmo em sistemas com baixa complexidade combinatória como é o caso de processos produtivos com operações simples mas que apresentam quebras e atrasos no fluxo de informação suportando a tomada de decisão. Esse tipo de complexidade se deve a interações entre os agentes do sistema ao longo do tempo. A Figura 2 ilustra essas idéias ao considerar possíveis padrões de crescimento de uma empresa medidos, por exemplo, através de volume de vendas ao longo do tempo:
Figura 2: Padrões de Crescimento de uma Empresa
(adaptado de Forrester, 1975)
Com a Figura 2, Forrester (1975) explica que a curva A representa um tipo muito raro de empresa, a qual simplesmente cresce saudável e sem empecilhos durante todo o seu ciclo de vida. Mais frequentemente, entretanto, encontramos o comportamento descrito na curva B, onde após um período de aparente sucesso, uma sequência sucessiva de crises leva à falência ou venda do negócio. Frequentemente, o comportamento descrito em C (estagnação) também é encontrado. Porém, dentre as empresas que apresentam tendências de crescimento a longo prazo, o padrão mais comum é o descrito na curva D, onde crescimento é acompanhado por repetidas crises.
Nesse contexto, alguns especialistas defendem que modelagem matemática formal pode ao máximo prover precisão quantitativa para definições preexistentes de problemas. Porém, não podem levar a conceitos fundamentalmente novos. Ao contrário, formalizar modelos qualitativos e testá-los através de simulação pode levar a mudanças radicais na maneira como compreendemos a realidade
Alguns argumentam ainda que a formalização analítica força o modelador a omitir aspectos importantes do problema a fim de preservar a tratabilidade, permitir que teoremas sejam provados, ou mesmo omitir a inclusão de variáveis soft para as quais valores numéricos não existem.
Além de tais limitações sob o ponto de vista de modelagem analítica, a complexidade dos modelos mentais envolvidos no projeto e análise de empresas e processos de negócio excede facilmente a nossa capacidade de entender suas implicações. Ou seja, modelos típicos são muito grandes e complexos para serem simulados mentalmente. Simulação baseada em computador, portanto, é o único meio prático de testar as hipóteses geradas.
A Figura 3 apresenta o modelo dinâmico de um processo de produção para estoque. A estrutura é considerada simples, sendo que é composta por apenas uma entrada e uma saída. Entretanto, é suficiente para ilustrar os principais elementos de modelagem utilizados em System Dynamics assim como efeitos dinâmicos não lineares entre as principais variáveis que descrevem o sistema
Figura 3: Modelo de processo de produção para estoque
(adaptado de Fowler, 1999)
O modelo acima permite analisar a relação existente entre a responsividade e a estabilidade do sistema. Por exemplo, suponhamos que a partir de um estado de estabilidade, a taxa de demanda do consumidor sofre um aumento repentino. Podemos obter estimativas sobre como o sistema irá responder a essa mudança através de simulação. A Figura 4 apresenta os resultados. Nesse caso, a resposta é levemente oscilatória e existe inicialmente uma grande discrepância entre o estoque requisitado e o estoque disponível até que eventualmente o sistema entra em uma nova configuração de equilíbrio
Figura 4: Resposta do sistema a um aumento repentino na demanda
(Fowler, 1999)
Em uma situação como essa, várias políticas de reposição de estoque podem ser testadas. Uma solução natural para a falta de estoque disponível inicialmente parece ser aumentar a velocidade de resposta do sistemas através de uma política mais sensível às variações na demanda. Neste caso, suponhamos que essa sensibilidade seja duplicada. O resultado, conforme apresentado na Figura 5, é que o sistema não retorna a um estado de equilíbrio, oscilando indefinitivamente. Tais oscilações podem significar sérias dificuldades gerenciais em respeito ao gerenciamento dos recursos produtivos acompanhadas de prejuízo financeiro. Tudo isso acontecendo em um contexto onde a demanda, após o aumento inicial, permanceu constante até o fim da análise. Uma situação relativamente simples, porém cada vez mais rara em um contexto globalizado.
Figura 5: Comportamento do sistema diante de uma política de reposição de estoques mais sensível à variações na demanda
(Fowler, 1999)
Um princípio fundamental em System Dynamics explicita que a estrutura de um sistema determina o seu comportamento ou padrões de desempenho. Entretanto, as pessoas tem a forte tendência em atribuir o comportamento de outros indivíduos a fatores relacionados a humor, caráter, e disposição, ao invés de fatores situacionais tais como aqueles criados por restrições do próprio sistema no qual estão inseridos. A tendência em culpar a pessoa ao invés do sistema é tão grande que os psicólogos chamam isso de "erro fundamental de atribuição".
Em sistemas complexos, pessoas diferentes trabalhando sob a mesma estrutura, tendem a se comportar de maneira semelhante. Quando associamos comportamento a personalidade perdemos de vista como a estrutura do sistema formatou nossas opções. Quando atribuímos o comportamento às pessoas e não ao sistema, o foco gerencial se torna a adimistração de conflitos e culpa ao invés do projeto e implementação de processos onde pessoas comuns podem atingir resultados extraordinários (Sterman,2000)
|