Optimization of Maintenance Strategies for Leased Equipment Considering Learning Effects and Spare Parts Inventory

No mundo moderno da indústria pesada e da construção, máquinas massivas como escavadeiras e guindastes são frequentemente caras demais para serem compradas diretamente. Em vez disso, as empresas as alugam, criando uma parceria entre o proprietário da máquina e a empresa que a utiliza. Esse arranjo funciona bem apenas se o equipamento continuar operando. Quando uma máquina quebra, o usuário perde dinheiro porque seu trabalho para, enquanto o proprietário perde dinheiro porque deve pagar pelos reparos. O desafio central nesse relacionamento é decidir com que frequência realizar a manutenção da máquina antes que ela quebre. Se o proprietário realizar a manutenção com muita raridade, a máquina falhará com frequência, irritando o usuário. Se ele realizar a manutenção com muita frequência, a máquina ficará ociosa demais, desperdiçando tempo e dinheiro para ambos os lados. Além disso, quando um reparo é necessário, a velocidade do conserto depende de haver as peças de reposição corretas em mãos e de quão qualificada a equipe de reparo se tornou através da experiência.

Pesquisadores da Universidade de Tecnologia de Anhui dedicaram-se a resolver esse quebra-cabeça complexo construindo um modelo detalhado de como esses relacionamentos de aluguel funcionam. Eles focaram em dois fatores específicos que são frequentemente negligenciados no planejamento tradicional: o "efeito de aprendizado" e a gestão do inventário de peças de reposição. O efeito de aprendizado descreve como uma equipe de reparo se torna mais rápida e eficiente quanto mais vezes conserta o mesmo tipo de máquina, simplesmente porque ganha experiência. O inventário de peças de reposição refere-se ao estoque de componentes de substituição que um locador mantém pronto para garantir que uma máquina quebrada possa ser consertada imediatamente, sem esperar por uma remessa. Os pesquisadores queriam saber como esses dois fatores interagem e como podem ser usados para alinhar os interesses do proprietário da máquina e do locatário, garantindo que ambos as partes tomem decisões que beneficiem todo o sistema, em vez de apenas a si mesmas.

O estudo começou mapeando as realidades financeiras de ambos os lados. O proprietário da máquina quer minimizar o custo de reparos e o tempo gasto com consertos, enquanto o locatário quer maximizar o tempo em que a máquina está realmente trabalhando para gerar receita. Em um contrato de aluguel típico, esses objetivos colidem. O proprietário pode adiar a manutenção para economizar dinheiro, mas isso aumenta o risco de quebras que prejudicam o locatário. Para entender a melhor abordagem, os pesquisadores criaram dois cenários diferentes. No primeiro, o proprietário e o locatário tomam decisões de forma independente, cada um tentando maximizar seu próprio lucro. No segundo, eles agem como uma única equipe, tomando decisões para maximizar o lucro total da parceria.

Quando os pesquisadores simularam o cenário independente, descobriram que as duas partes naturalmente escolhiam cronogramas de manutenção diferentes. O locatário, preocupado em minimizar o consumo de tempo e o ônus financeiro associados à manutenção, tendia a escolher uma frequência de manutenção significativamente menor. Em contraste, o proprietário, equilibrando custos de manutenção com ganhos de confiabilidade, optava por uma frequência muito maior. Esse desalinhamento significava que a máquina não estava sendo revisada no nível ideal para todo o sistema; especificamente, a frequência preferida do locatário estava muito abaixo do ótimo do sistema, enquanto a do proprietário estava muito acima dele. No entanto, quando os pesquisadores introduziram o efeito de aprendizado no modelo, o cenário mudou. À medida que a equipe de reparo ganhava experiência, o tempo e o custo exigidos para cada tarefa de manutenção diminuíam. Essa melhoria tornava mais atraente para o proprietário realizar a manutenção com mais frequência, o que, por sua vez, aumentava a confiabilidade da máquina e aumentava os lucros do locatário. O estudo mostrou que, conforme o nível de habilidade da equipe crescia, o número ideal de verificações de manutenção aumentava e o lucro total para todos os envolvidos subia.

Os pesquisadores também examinaram o papel das peças de reposição. Eles descobriram que ter um estoque de peças de reposição em mãos reduzia significativamente o risco de longos atrasos quando uma máquina quebrava. Essa disponibilidade permitia reparos mais rápidos, o que significava menos tempo de inatividade para o locatário e maior continuidade operacional. Curiosamente, a presença de peças de reposição alterou a estratégia de manutenção. Com as peças prontamente disponíveis, o locatário sentia menos pressão para exigir verificações preventivas frequentes, levando a uma ligeira redução no número de eventos de manutenção programados. No entanto, o proprietário, sabendo que as peças estavam prontas para uso, estava mais disposto a aumentar a frequência da manutenção para manter a máquina em excelentes condições. Esse deslocamento criou uma nova dinâmica onde os benefícios de ter peças em mãos eram compartilhados, mas os custos de manter esse inventário eram inicialmente suportados apenas pelo proprietário.

Para corrigir o desalinhamento de interesses, o estudo propôs duas estratégias específicas para trazer o proprietário e o locatário de volta ao acordo. A primeira estratégia, chamada de política de limitação de falhas, estabelece um limite estrito para o número de vezes que uma máquina pode quebrar durante o período de aluguel. Se a máquina exceder esse limite, o proprietário paga uma multa. Isso força o proprietário a investir mais em manutenção para evitar a penalidade, alinhando suas ações com a necessidade de confiabilidade do locatário. A segunda estratégia, o bônus de meta de tempo de atividade, funciona na direção oposta. Aqui, o locatário promete um bônus em dinheiro ao proprietário se a máquina permanecer funcionando por um determinado período de tempo. Isso recompensa o proprietário por manter a máquina operacional, incentivando-o a realizar a manutenção de forma proativa.

As simulações revelaram que ambas as estratégias podiam coordenar com sucesso a cadeia de suprimentos, trazendo as decisões independentes do proprietário e do locatário para o resultado ideal para todo o sistema. A escolha entre as duas depende da situação específica. Se a máquina for propensa a falhas frequentes e o custo de uma quebra for alto, a política de limitação de falhas funciona melhor. Se a máquina for usada intensamente e o custo do tempo de inatividade for a principal preocupação, o bônus de meta de tempo de atividade é mais eficaz. O estudo também destacou que o locatário deve compartilhar o ônus financeiro do inventário de peças de reposição. Ao fornecer um subsídio ao proprietário para estocar peças, o locatário garante que o proprietário tenha os recursos para manter uma alta disponibilidade, o que, em última análise, leva a lucros maiores para ambas as partes.

Os pesquisadores testaram seu modelo com vários cenários, alterando fatores como a intensidade de uso da máquina e a duração do período de aluguel. Eles descobriram que períodos de aluguel mais longos geralmente levavam a lucros maiores para todos, pois os benefícios do aprendizado e da manutenção se acumulavam ao longo do tempo. Por outro uso, se a máquina fosse usada de forma muito intensa, a taxa de falhas subia bruscamente e os lucros começavam a cair para ambos os lados, a menos que a manutenção fosse aumentada significativamente. O estudo confirmou que o efeito de aprendizado e o inventário de peças de reposição não são apenas detalhes menores; são alavancas poderosas que, quando geridas corretamente, podem transformar um relacionamento de aluguel conflitante em uma parceria altamente eficiente. Ao compreender como a experiência e o inventário interagem, as empresas podem se afastar de regras de manutenção rígidas e de tamanho único e adotar estratégias dinâmicas que se adaptam ao desempenho real de seus equipamentos.