Otimização de Operações Industriais - BRF

Visão Geral

Projeto de otimização de operações industriais desenvolvido para análise competitiva de fábricas de produção. O objetivo é determinar a melhor estratégia de investimento e alocação de recursos considerando crescimento de demanda, eficiência operacional e retorno financeiro.

Problema de Negócio

Uma empresa opera 3 fábricas produzindo 5 tipos de produtos, com diferentes:

• Capacidades produtivas
• Custos operacionais (fixos e variáveis)
• Eficiências de produção
• Estruturas tributárias (ICMS)

Desafio: Determinar qual(is) fábrica(s) expandir em 60% de capacidade e qual(is) encerrar, considerando:

• Atender 100% da demanda projetada para 5 anos
• Maximizar retorno financeiro
• Minimizar payback do investimento

---

Metodologia

1. Modelagem de Capacidade

Cálculo da capacidade entregável considerando:

• Eficiência operacional
• Taxa de descarte (produtos fora do padrão)
• Dias úteis vs. sábados

Cap_entregável = [(Cap_seg-sex × 22) + (Cap_sáb × 4)] × Eficiência × (1 - Descarte)

2. Contribuição Unitária

Análise de unit economics por fábrica e produto:

Contrib_p,f = Preço_p × (1-ICMS_f) - Frete_p - CV_p,f/(1-Descarte_f)

3. Otimização de Alocação

Problema de programação linear (heurística greedy):

max Σ(p,f) Contrib_p,f × x_p,f

Sujeito a:
Σ(f) x_p,f = Demanda_p  ∀p
Σ(p) x_p,f ≤ Cap_f      ∀f

4. Análise de Cenários

Enumeração exaustiva de todas as combinações de:

• Expansão (+60% de capacidade)
• Fechamento de unidades
• Filtro: apenas cenários que atendem 100% da demanda

5. Métricas Financeiras

Ganho Incremental Mensal (Δ):

Δ = (Lucro_cenário - FolhaExtra + FixosFechados) - Lucro_baseline

Payback:

Payback (meses) = CAPEX / Δ

---

Principais Resultados

Solução Ótima

Métrica	Valor
Estratégia	Expandir Fábricas A + B / Fechar Fábrica C
Ganho Mensal (Δ)	R$ 688.470
CAPEX	R$ 8.000.000
Payback	11,6 meses
Demanda Atendida	100% (7.036 t/mês)

Comparativo de Cenários

Insight-chave: A solução ótima combina:

• Expansão nas fábricas com melhor unit economics (A e B têm custos variáveis menores e ICMS mais competitivo)
• Economia de R$ 500k/mês em custos fixos com fechamento da Fábrica C
• ROI de 8,6% ao mês (payback de 11,6 meses)

---

Como Executar

Pré-requisitos

python >= 3.8

Instalação

# Clone o repositório
git clone https://github.com/seu-usuario/brf-optimization.git
cd brf-optimization

# Crie um ambiente virtual
python -m venv venv
source venv/bin/activate  # No Windows: venv\Scripts\activate

# Instale as dependências
pip install -r requirements.txt

Execução

# Inicie o Jupyter Notebook
jupyter notebook

# Abra: notebooks/otimizacao_BRF_Denys.ipynb

---

Estrutura do Projeto

brf-optimization/
│
├── notebooks/
│   └── otimizacao_BRF_Denys.ipynb    # Notebook principal com análise completa
│
├── data/                              # (Dados embutidos no notebook)
│
├── outputs/                           # Relatórios HTML e gráficos
│
├── docs/                              # Documentação adicional
│   └── case_description.md
│
├── requirements.txt                   # Dependências Python
├── .gitignore
└── README.md

---

Tecnologias Utilizadas

• Python 3.x - Linguagem principal
• Pandas - Manipulação e análise de dados
• NumPy - Computação numérica
• Matplotlib - Visualizações
• Jupyter Notebook - Ambiente de desenvolvimento interativo
• Programação Linear - Otimização (heurística greedy)

---

Detalhamento Técnico

Passo 1: Análise da Situação Atual

• Cálculo de capacidade entregável comparável
• Matriz de contribuição unitária (15 combinações produto × fábrica)
• Alocação ótima da demanda atual
• P&L mensal por fábrica

Passo 2: Projeção Futura (5 anos)

• Crescimento de demanda: +10% a.a. → +61% acumulado
• Teste individual de expansões (+60% de capacidade)
• Cálculo de payback e ganho incremental

Passo 3: Otimização Combinatória

• Power set: 2³ × 2² = 32 combinações teóricas
• Filtro de viabilidade: atendimento de 100% da demanda
• 8 cenários admissíveis identificados
• Critérios de seleção: (1) max Δ, (2) min payback, (3) min CAPEX

---

Análise de Sensibilidade

Cenários Admissíveis (100% Demanda Atendida)

#	Expandir	Fechar	Δ Mensal	Payback	CAPEX
1	A, B	C	R$ 688k	11,6 m	R$ 8M
2	A, C	B	R$ 648k	11,6 m	R$ 7,5M
3	A, B	-	R$ 138k	58,0 m	R$ 8M
4	B, C	A	R$ 98k	56,1 m	R$ 5,5M
...	...	...	...	...	...

Observação: Todos os cenários que incluem fechamento de fábrica mostram payback significativamente melhor devido à economia de custos fixos.

---

Insights e Recomendações

Recomendação Estratégica

Expandir Fábricas A e B (+60%) e encerrar operação da Fábrica C

Justificativa:

1. Retorno rápido: Payback de apenas 11,6 meses
2. Maior ganho operacional: R$ 688k/mês adicional
3. Eficiência tributária: Redução de ICMS (A=18%, B=15% vs C=16,5%)
4. Custos variáveis: A e B têm CV ~R$ 20/t menores que C por produto
5. Economia de fixos: R$ 500k/mês eliminados com fechamento de C

Análise de Risco

• Capacidade instalada pós-expansão: 7.300 t/mês
• Demanda ano 5: 7.036 t/mês
• Margem de segurança: 3,8% (folga para volatilidade)

Próximos Passos Sugeridos

1. Análise de VPL/TIR considerando valor do dinheiro no tempo
2. Estudo de sensibilidade para variações de demanda (±10%)
3. Avaliação de custos de transição (rescisões, logística)
4. Análise de impacto social/regional do fechamento

---

Referências e Contexto

Este projeto foi desenvolvido como parte de um processo seletivo para Especialista em Otimização (OTM) na BRF S.A., uma das maiores empresas de alimentos do mundo.

Conceitos Aplicados

• Pesquisa Operacional
• Programação Linear
• Análise de Investimentos (Payback, ROI)
• Unit Economics
• Gestão de Operações Industriais

---

Autor

Denys Santos

---

Licença

Este projeto está sob a licença MIT - veja o arquivo LICENSE para detalhes.

---

Agradecimentos

• BRF S.A. pela oportunidade e pelo case desafiador
• Comunidade Python/Data Science pelas ferramentas open-source

---

Desenvolvido para otimização de operações industriais