Resumo Executivo

Luís Alberto Villaça Mattos Júnior; Maraí de Freitas Maio Vendramine

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Projetos de engenharia operam em ambientes intrinsecamente marcados pela incerteza, onde variáveis técnicas e organizacionais convergem para desafiar a previsibilidade de prazos e custos. Dentro do Domínio de Desempenho da Incerteza, destaca-se que aspectos do ambiente técnico, como a adoção de novas tecnologias e a complexidade associada, contribuem diretamente para o aumento da volatilidade nos resultados dos empreendimentos (PMI, 2021). No setor industrial, a demanda por ganhos de produtividade e a necessidade de conformidade com normativas ambientais e governamentais levam as organizações a investirem em tecnologias avançadas, o que, por sua vez, introduz novos riscos que não podem ser previstos com precisão absoluta. Essas iniciativas representam respostas estratégicas à volatilidade do mercado, buscando vantagem competitiva por meio da modernização de ativos. Entretanto, a eficácia dessas estratégias depende da capacidade da organização em identificar, analisar e mitigar eventos incertos de maneira estruturada.

A precisão das estimativas de custo e prazo em projetos de engenharia fundamenta-se, em grande parte, na utilização de dados históricos. Pesquisas indicam que métodos tradicionais de estimativa em fases iniciais, como cálculos baseados em áreas brutas ou custos médios por unidade, apresentam baixa acurácia, com variações que oscilam entre -15% e +25% (Miranda et al., 2022). A aplicação de técnicas de análise preditiva sobre grandes conjuntos de dados observacionais de projetos anteriores permite a identificação de padrões robustos, resultando em previsões mais realistas. A quantidade e a qualidade desses dados são determinantes para a melhoria dos resultados; quanto maior a base de dados, maior a precisão das modelagens, superando as práticas convencionais de estimativa. Projetos altamente preditivos beneficiam-se de abordagens que sistematizam o uso do histórico organizacional, reduzindo incertezas e fornecendo subsídios sólidos para a tomada de decisão em fases críticas do ciclo de vida.

Em obras de infraestrutura e grandes reformas industriais, a precisão das estimativas depende diretamente da consolidação de informações históricas. Nos casos em que o histórico é limitado ou inexistente, como em projetos inéditos ou de baixa recorrência, observa-se uma variação significativa entre o custo previsto e o realizado (Castelan, 2020). Essa lacuna demanda a aplicação de metodologias adicionais e ajustes robustos nas contingências. Embora projetos industriais apresentem características preditivas, eles envolvem elevada complexidade técnica, múltiplas interfaces operacionais e grande impacto organizacional. Quando as iniciativas são pouco frequentes, o histórico disponível torna-se escasso, elevando os níveis de risco. Nesses cenários, a aplicação de abordagens estruturadas para análise de riscos torna-se essencial para assegurar a eficácia no planejamento (Maronati; Petrovic, 2019).

Uma ferramenta amplamente reconhecida para lidar com essas variações é a simulação de Monte Carlo. O método, que remonta a estudos do século 18 e foi popularizado durante o Projeto Manhattan, fundamenta-se na modelagem de incertezas por meio de distribuições de probabilidade (Stevens, 2023). Em projetos complexos, a simulação permite antecipar variações e calcular contingências de forma estatística. Contudo, a eficácia da simulação de Monte Carlo é diretamente proporcional à qualidade das estimativas de entrada. Em contextos onde os dados históricos são escassos ou o julgamento dos especialistas é carregado de subjetividade, a simulação pode fornecer resultados imprecisos. Na ausência de uma metodologia padronizada, há uma tendência de maior variação no mapeamento dos riscos, o que compromete a confiabilidade do planejamento (Castelan, 2020; Pádua, 2018). Portanto, a simulação deve ser complementada por métodos que qualifiquem as entradas, integrando decisões estruturadas e mecanismos de tratamento da incerteza.

A integração entre o método Analytic Hierarchy Process e a Teoria da Evidência de Dempster-Shafer surge como uma proposta para qualificar essas informações. O Analytic Hierarchy Process é um método de apoio multicritério à decisão que organiza problemas complexos em estruturas hierárquicas, permitindo a atribuição de pesos relativos por meio de comparações par a par (Saaty, 2008). Já a Teoria da Evidência de Dempster-Shafer é aplicada para combinar fontes distintas de informação, como dados históricos e opiniões de especialistas, calculando valores plausíveis de probabilidade e impacto. Essa combinação permite reduzir as incertezas nas variáveis de entrada das simulações, melhorando a qualidade das previsões de contingência. O objetivo central reside em qualificar as informações que alimentam os modelos estatísticos, garantindo que a subjetividade dos julgamentos individuais seja equilibrada por dados objetivos e pesos criteriosamente atribuídos.

A metodologia adotada caracteriza-se como uma pesquisa qualitativa de natureza explicativa e descritiva, utilizando a abordagem da pesquisa-ação. A pesquisa-ação une a investigação científica à intervenção prática em ambientes reais, possibilitando a compreensão profunda de fenômenos organizacionais enquanto promove modificações concretas nos contextos estudados (Mello et al., 2012). Esse método é especialmente adequado para a engenharia de produção e gestão de projetos, pois permite que a análise acadêmica ocorra em paralelo à aplicação de melhorias operacionais. A pesquisa foi conduzida em uma empresa siderúrgica de grande porte, onde a complexidade técnica e a interdependência entre atividades geram elevados níveis de incerteza. A estrutura interna de engenharia da organização é voltada para projetos estratégicos de modernização de ativos, como a atualização tecnológica de fornos elétricos, exigindo um planejamento rigoroso de custos e prazos.

O processo de coleta de dados envolveu uma pesquisa documental estruturada e entrevistas com uma amostra de 12 especialistas. Os participantes, incluindo engenheiros, gerentes de projeto e consultores técnicos, possuem perfil sênior com mais de 10 anos de experiência em ambientes industriais complexos. A pesquisa documental focou em dados secundários internos de projetos realizados entre 2022 e 2025, permitindo o levantamento de riscos identificados em iniciativas anteriores. A utilização de documentos organizacionais, como relatórios e registros técnicos, fornece subsídios objetivos para a composição das variáveis de entrada da simulação (Gil, 2008). Esses dados serviram de base para a aplicação do Analytic Hierarchy Process, visando ponderar a relevância das diferentes fontes de informação disponíveis: o histórico dos projetos, a opinião dos especialistas internos e a visão dos consultores externos.

No desenvolvimento do Analytic Hierarchy Process, utilizou-se a escala fundamental de Saaty para traduzir julgamentos subjetivos em valores numéricos. A escala varia de 1, indicando igual importância, a 9, indicando importância extrema. Os especialistas foram consultados individualmente em entrevistas presenciais de aproximadamente 10 minutos, onde compararam a importância relativa entre o histórico de projetos, a opinião do consultor e a opinião do especialista interno. As respostas foram organizadas em matrizes de comparação, e os valores foram normalizados para determinar o peso relativo de cada fonte. A normalização ocorre dividindo cada valor pelo somatório da sua respectiva coluna, e o peso final é obtido pela média dos valores de cada linha. Esse rigor matemático assegura que os pesos atribuídos reflitam uma hierarquia consistente e validada estatisticamente (Saaty, 2008).

Após a definição dos pesos via Analytic Hierarchy Process, aplicou-se a Teoria da Evidência de Dempster-Shafer para combinar as evidências. Diferente da probabilidade clássica, esta teoria permite atribuir graus de confiança a subconjuntos de hipóteses, representando tanto o conhecimento disponível quanto a ignorância residual (Nicoletti, 2014). O processo operacional da teoria envolve três etapas: a definição da função de massa, o cálculo da função de crença e a determinação da função de plausibilidade. A função de massa distribui a confiança entre as fontes; a função de crença expressa o limite inferior de confiança, representando o mínimo grau de sustentação das informações; e a função de plausibilidade expressa o limite superior, considerando a incerteza que ainda pode ser incorporada à hipótese. Essa modelagem oferece uma visão mais realista dos cenários de incerteza em projetos complexos, integrando dados objetivos e subjetivos de forma transparente.

O campo empírico da pesquisa concentrou-se no projeto de adequação da operação de vazamento de um Forno Elétrico a Arco. O objetivo central dessa iniciativa é eliminar riscos associados à segurança operacional por meio do controle preciso do peso vazado, garantindo que os limites das pontes rolantes não sejam excedidos. O escopo técnico inclui a aquisição de carros balança, modernização de infraestrutura elétrica, atualização de painéis de comando e integração de sistemas de automação. O problema motivador reside na alta dispersão do peso vazado no sistema atual, que carece de balanças integradas, gerando riscos estruturais e instabilidade no processo metalúrgico. O projeto enquadra-se em um perfil de alta complexidade, exigindo uma gestão de riscos que minimize as incertezas nas estimativas de probabilidade e impacto.

Para a análise histórica, foram selecionados dois projetos correlatos implantados na mesma unidade industrial: a mecanização da preparação do forno e a instalação da porta de escória. Os critérios de seleção basearam-se na data de implantação recente, na similaridade do equipamento (Forno Elétrico a Arco) e na equivalência do porte financeiro. A análise comparativa revelou que determinados riscos são recorrentes nesse ambiente técnico, como retrabalhos por erros de montagem, aumento de custos devido a pleitos de fornecedores, atrasos na fabricação de equipamentos principais, interferências não mapeadas, atrasos na aquisição de pacotes técnicos, demora na montagem eletromecânica e alterações na data da parada programada. Todos esses riscos foram identificados na fase de planejamento avançado e classificados como ameaças ao sucesso do empreendimento.

Os resultados da aplicação do Analytic Hierarchy Process indicaram uma valorização distinta das fontes de informação. A opinião do consultor externo recebeu o maior peso relativo, totalizando 45%, seguida pela opinião do especialista interno com 32% e pelo histórico de projetos com 23%. A maior relevância atribuída ao consultor justifica-se pela sua visão externa e comparativa, derivada da experiência em múltiplos projetos similares no mercado. A opinião do especialista interno é valorizada pelo conhecimento técnico detalhado da planta e dos processos específicos da empresa. O histórico de projetos, embora objetivo, recebeu o menor peso devido à escassez de dados perfeitamente comparáveis e à rapidez das mudanças tecnológicas, que podem tornar registros antigos parcialmente obsoletos. Esses pesos foram fundamentais para alimentar as funções de crença da etapa seguinte.

A aplicação da Teoria da Evidência de Dempster-Shafer permitiu consolidar as estimativas de probabilidade e impacto para os sete riscos identificados. Para o risco de retrabalho por erros de montagem, a probabilidade provável foi fixada em 19%, com impactos de custo e prazo em torno de 35% e 38%, respectivamente. O risco de aumento de custos por pleitos apresentou a menor probabilidade, 7%, mas com impacto financeiro significativo de 29%. Já os riscos relacionados a atrasos na montagem eletromecânica e alteração na data da parada apresentaram as maiores probabilidades de ocorrência, atingindo 72% e 83%. Esses valores refletem a complexidade de coordenação em paradas de manutenção e a dependência de cronogramas operacionais rígidos. A integração das fontes permitiu que essas percepções críticas fossem quantificadas de maneira robusta.

A análise comparativa demonstrou que a aplicação conjunta das metodologias reduziu significativamente a variabilidade nas estimativas. Isoladamente, o histórico de projetos apresentava uma variabilidade média de 19,0%, enquanto a opinião dos especialistas e consultores apresentava 13,7% e 13,0%. Com a integração via Analytic Hierarchy Process e Teoria da Evidência, a variabilidade média foi reduzida para 9,5%. Essa redução de quase 50% na dispersão das estimativas confirma a eficácia da metodologia em alinhar diferentes perspectivas e fornecer insumos mais consistentes para a simulação de Monte Carlo. Em termos práticos, uma menor variabilidade nas entradas traduz-se em maior confiabilidade no dimensionamento das contingências de prazo e orçamento, fortalecendo a governança técnica e a previsibilidade das decisões gerenciais.

Além da variabilidade média, a análise da variabilidade máxima revelou o controle sobre os cenários mais críticos. Antes da aplicação do modelo, o histórico de projetos apresentava discrepâncias extremas que chegavam a 85,0% em determinados riscos. Após a integração metodológica, a variabilidade máxima foi contida em 19,0%. Esse controle sobre os extremos é vital em projetos industriais de grande porte, pois evita que julgamentos isolados ou dados históricos distorcidos comprometam todo o plano de resposta aos riscos. A robustez da proposta manifesta-se na estabilização das médias e no controle das incertezas mais acentuadas, garantindo que o planejamento não seja nem excessivamente otimista, nem desnecessariamente conservador.

Um ponto de destaque nos resultados foi o comportamento do risco referente à alteração na data da parada. Enquanto registros históricos de projetos anteriores indicavam uma probabilidade de ocorrência entre 49% e 80%, o modelo integrado elevou essa probabilidade para o intervalo entre 74% e 93%. Esse aumento foi impulsionado pelo julgamento dos especialistas e consultores, que consideraram o cenário econômico nacional e a estratégia atual da empresa de reprogramar paradas para otimizar o fluxo de caixa. Esse resultado evidencia a capacidade da metodologia em captar fatores estratégicos e conjunturais que os registros históricos, por sua natureza retrospectiva, não conseguem prever. A inclusão dessas percepções atualizadas conferiu maior realismo ao perfil de risco do projeto de adequação do forno.

A inexistência de metodologias padronizadas para a qualificação de dados de entrada é uma lacuna frequente na gestão de projetos industriais. A tendência de variação no mapeamento de riscos, quando baseada apenas em intuição, compromete a precisão dos modelos estatísticos (Castelan, 2020; Pádua, 2018). O uso do Analytic Hierarchy Process para hierarquizar critérios e da Teoria da Evidência para combinar fontes de informação preenche essa lacuna, transformando percepções subjetivas em valores mensuráveis e comparáveis. A convergência entre a teoria e a prática observada neste estudo reforça que a qualidade das decisões depende da forma como as informações são tratadas e validadas antes de serem inseridas em ferramentas de simulação. A integração de métodos quantitativos e qualitativos mostra-se fundamental para orientar ações preventivas eficazes ao longo do ciclo de vida do empreendimento.

As dificuldades encontradas durante a pesquisa incluíram a escassez de projetos perfeitamente similares para composição da base histórica. Muitas organizações ainda não mantêm registros sistemáticos e estruturados de riscos, o que dificulta a gestão do conhecimento. Nesse contexto, a metodologia proposta demonstra utilidade adicional ao permitir a combinação de fontes alternativas, como workshops de riscos e benchmarking com empresas do setor, suprindo a falta de dados internos. A flexibilidade do modelo permite que ele seja adaptado a diferentes níveis de maturidade organizacional, desde que haja o compromisso com a coleta criteriosa de opiniões de especialistas e a utilização de ferramentas de apoio à decisão.

A aplicação da simulação de Monte Carlo, alimentada por dados qualificados, resultou em estimativas de contingência de prazo e orçamento mais aderentes à realidade técnica do projeto. Ao reduzir a subjetividade e equilibrar as fontes de informação, a organização pôde evitar tanto o subdimensionamento, que gera atrasos e falta de recursos, quanto o superdimensionamento, que retém capital excessivo e alonga prazos desnecessariamente. A previsibilidade alcançada contribui para a excelência operacional e para a manutenção da competitividade da unidade industrial frente às exigências do mercado globalizado. A metodologia não apenas resolve um problema técnico de estimativa, mas melhora a governança dos investimentos industriais.

Conclui-se que o objetivo foi atingido, uma vez que a integração entre o método Analytic Hierarchy Process e a Teoria da Evidência de Dempster-Shafer reduziu efetivamente as incertezas na estimativa de riscos para o projeto industrial analisado. A pesquisa demonstrou que a variabilidade média das informações de entrada foi reduzida de patamares superiores a 13% para 9,5%, enquanto a variabilidade máxima caiu de 85% para 19%, conferindo maior robustez e confiabilidade às simulações de Monte Carlo. A metodologia provou ser capaz de equilibrar dados históricos objetivos com o julgamento subjetivo de especialistas, captando nuances estratégicas e conjunturais que métodos isolados ignorariam. A aplicação prática no projeto de adequação do forno elétrico evidenciou que a estruturação do processo de análise de riscos promove uma tomada de decisão mais segura, otimiza a alocação de contingências e fortalece a governança técnica em ambientes de alta complexidade industrial.

Referências Bibliográficas:

Castelan, E. L. 2020. Análise de riscos e contingenciamento em obras de infraestrutura. Monografia em Especialização em Gestão de Projetos na Construção. Escola Politécnica, Universidade de São Paulo, São Paulo, SP, Brasil.

Gil, A. C. 2008. Métodos e Técnicas de Pesquisa Social. 6ed. Editora Atlas, São Paulo, SP, Brasil.

Maronati, G.; Petrovic, B. 2019. Estimating cost uncertainties in nuclear power plant construction through Monte Carlo sampled correlated random variables. Progress in Nuclear Energy 111: 211–222.

Mello, C.H.P.; Turrioni, J.B.; Xavier, A.F.; Campos, D.F. 2012. Pesquisa-ação na engenharia de produção: proposta de estruturação para sua condução. Produção 22 (1): 1-13.

Miranda, S.L.C.; Castillo, E.D.R; Gonzalez, V.; Adafin, J. 2022. Predictive analytics for early-stage construction costs. Buildings 12 (7): 1043.

Nicoletti, M. C. 2014. Elementos da Teoria de Evidência de Dempster-Shafer. In: Simpósio Brasileiro De Pesquisa Operacional, 2014, Salvador, Bahia, Brasil. Anais…p. 46.

Project Management Institute [PMI]. 2021. Um Guia do Conhecimento em Gerenciamento de Projetos. 7ed. Newtown Square, PA, EUA.

Pádua, R. C. 2018. A gestão de riscos na construção civil brasileira. Monografia em Especialização em Gestão de Projetos na Construção. Escola Politécnica, Universidade de São Paulo, São Paulo, SP, Brasil.

Saaty, T. L. 2008. Decision making with the analytic hierarchy process. International Journal of Services Sciences 1 (1): 83–98.

Stevens, A. 2023. Monte-Carlo Simulation Na Introduction for Engineers and Scientists. 1ed. CRC Press, Boca Raton, FL, EUA

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Projetos do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy