Como uma ferramenta para a GC, a SSM auxiliou o processo de aquisição do conhecimento dos indivíduos envolvidos na simulação através de uma metodologia fixa e uma linguagem concreta (com termos como clientes, atores, transformação, etc.). O trabalho possibilitou a obtenção de maior conhecimento sobre os processos produtivos por meio da estrutura de SSM em menos tempo, como foi evidenciado pelo processo de investigação sobre os procedimentos dos preparadores de materiais, que não seriam incluídos na modelagem conceitual.
O uso das abordagens de Lehaney e Paul (1996) junto com Kotiadis (2007) ajudou na definição do projeto de modo geral, seus objetivos, as respostas e entradas da simulação bem como o nível de detalhe e o escopo. É relevante examinar as contribuições à simulação através das seguintes perguntas:
Quais foram os benefícios de se ter usado a SSM em um ambiente de manufatura?
Quais foram os benefícios de se ter usado as abordagens de Lehaney e Paul (1996) e Kotiadis (2007) juntas?
Uma das maiores questões deste projeto de simulação era a melhor maneira de modelar uma conglomeração de sistemas que operavam independentemente em alguns pontos e em conjunto em outros, semelhante a Lehaney e Paul (1996). Era óbvio que o foco principal do estudo seria o processo produtivo, mas a questão era onde delimitar as atividades que pertenciam somente ao sistema de qualidade (como exemplo, manutenção nos finais de semana) ou logística interna (como exemplo, distribuição de caixas pequenas) e aquelas que pertenciam aos dois sistemas de qualidade e produção (como exemplo, inspeções rotineiras) e
aquelas que pertenciam aos dois sistemas de logística interna e produção (distribuição de caixas pequenas para estoques intermediários).
Desta forma, uma das maiores contribuições deste estudo foi a identificação de atividades que se sobrepunham entre o sistema principal (produção) e os dois sistemas de apoio (logística interna e qualidade). Os pesquisadores e os gerentes conseguiram conduzir conversas mais ricas e chegar a um consenso sobre o escopo e o detalhamento do modelo.
Talvez se possa argumentar que ambientes de manufatura, devido à sua natureza rígida, não necessiste da SSM. Realmente, as clínicas hospitalares modeladas por Lehaney e Paul (1996) e Kotiadis (2007) possuíam sistemas mais fluídos, onde pacientes recebiam tratamentos específicos baseado em avaliação humana. (Sem dúvida, o paciente com uma fratura exposta e o paciente gripado irão receber tratamentos e séries de procedimentos totalmente diferentes). Porém, isso não deve depreciar a utilidade da SSM em estruturar problemas mal-definidos. Na verdade, o livro de Checkland e Scholes (1999) apresentam muitos estudos realizados no setor industrial.
No seu trabalho, Kotiadis (2007) constata que devem ser desenvolvidos mais estudos de simulação que usam SSM. A autora alega que o uso da SSM em simulação ajuda a aumentar a transparência da modelagem, a qual auxilia os pesquisadores a alcançarem os objetivos do modelo, bem como aumentarem o nível de confiança entre os mesmos e seus clientes. A utilização destas duas abordagens de SSM neste caso mostrou uma abordagem passo-a-passo para cada fase do processo de modelagem conceitual, desde a primeira fase (conhecer o problema, I) até a última (determinação do conteúdo e escopo do modelo, V). Esta abordagem pode ser útil para modeladores inexperientes, como foi o caso neste estudo.
A SSM facilitou a validação do modelo conceitual porque os gerentes estavam presentes em quase todos os passos do processo de modelagem. Desta forma, os pesquisadores não tinham que comprometer a abrangência do modelo conceitual para auxiliar a compreensão dos gerentes do modelo.
A SSM identificou objetivos que não foram percebidos. Este foi o caso do último objetivo, já que o papel do preparador e suas atividades variadas não tinham sido questionadas até que as atividades na Fig. 5.2 foram expandidas. Até aquele momento, os pesquisadores tinham considerado a possibilidade de apenas um operador por máquina na seção do modelo conceitual em Fig. 5.6.
A metolodolgia também fez o processo de modelagem se tornar mais flexível, pois possibilitou um rico debate sobre uma variedade de tópicos. Deve-se ressaltar que a SSM também aumentou a percepção de posse do modelo, por parte dos gerentes. O pesquisador poderia ter descartado as perspectivas dos sistemas de logística e qualidade, e assim focar apenas no sistema de produção. Além de aumentar a precisão do modelo, a qual foi evidenciada pela inclusão de atividades de apoio pertinentes (tal como o preparador de materiais), a gerência comentou que tinha uma sensação de que o modelo era “da empresa” ao invés de ser apenas “o modelo da linha de produção”. Isso apóia a conclusão de Lehaney, Clarke e Paul (1999) que a SSM visa construir relações, ao invés de simplesmente alcançar ou otimizar alguma variável de resposta.
No passo V, o uso da SSM como um meio para desenvolver o modelo conceitual através da identificação de atividades, segundo a metodologia proposta por Lehaney e Paul (1996), facilitou o processo de descobrimento para adquirir o conhecimento necessário para modelar o processo produtivo. Esta metodologia ajudou na identificação de sistemas distintos e as atividades que os compõem, bem como a aceitabilidade do modelo pela gerência devido ao processo participativo de SSM. A gerência foi incluída na modelagem desde o início do processo, assim possibilitando uma percepção de “posse” do projeto.
Finalmente, a SSM facilitou o processo de aquisição do conhecimento, possibilitando, assim, que o pesquisador alcançasse o conhecimento individual de cada gerente. Kotiadis e Robinson (2008) argumentam que, pelo uso da SSM, pesquisadores de simulação podem adquirir conhecimento dos indivíduos do sistema de uma maneira que ainda considera suas perspectivas e opiniões.
O modelo construído durante este projeto foi validado estatísticamente usando um teste
t de duas amostras (Two-Sample t) para comparar valores de produção do ano anterior,
selecionados aleatoriamente de uma população de dados com uma distribuição normal, com dados simulados. O modelo se mostrou estatísticamente robusto para simular a variabilidade do sistema de produção, e a empresa pretende usar o modelo para prever a capacidade produtiva e avaliar os objetivos do modelo.