Skip to main content

Indicador analítico e modelo matemático para impacto operacional no recebimento de materiais.

Project description

FIOR - Fator de Impacto Operacional no Recebimento 📊🚚

O FIOR é uma metodologia analítica e matemática autoral desenvolvida para quantificar a complexidade operacional instantânea enfrentada por equipes de recebimento e conferência de materiais em almoxarifados industriais e centros de distribuição.

Ao contrário de indicadores tradicionais como o OTIF (que avalia o fornecedor) ou o Tempo de Ciclo (que apenas cobra velocidade da equipe), o FIOR mede o grau de impacto que variáveis externas e imprevistos têm sobre a eficiência do setor.


📐 A Formulação Matemática

O modelo utiliza a abordagem de Análise Multicritério de Decisão (MCDM) com uma estrutura de ponderação linear restrita:

$$FIOR = (F_{urg} \times 0.4) + (F_{div} \times 0.3) + (F_{qual} \times 0.2) + (F_{amb} \times 0.1)$$

Onde cada fator recebe uma nota discreta de 1 a 5 com base no cenário real do pátio:

  • F_urg (Urgência): Severidade da demanda (ex: item de máquina parada ou estoque de rotina).
  • F_div (Divergência): Complexidade fiscal, cadastral ou documental da Nota Fiscal.
  • F_qual (Qualidade): Nível de exigência na conferência física (itens sem identificação, avarias).
  • F_amb (Ambiente): Estado da infraestrutura e estresse físico (chuva, queda de sistema, pátio saturado).

🟢 Matriz de Criticidade (Zonas de Impacto)

O resultado final do FIOR varia de 1.0 a 5.0, classificando a operação em três zonas de criticidade:

  • De 1.0 a 2.2 | Zona Verde (Baixo Impacto): Fluxo padrão, sem gargalos.
  • De 2.3 a 3.7 | Zona Amarela (Médio Impacto): Operação impactada, exigindo tratativas burocráticas ou esforço extra de conferência.
  • De 3.8 a 5.0 | Zona Vermelha (Gestão de Crise): Caos operacional. Justifica quedas bruscas na produtividade e exige atuação da liderança.

💻 Implementação Automatizada com Python (pandas)

O projeto conta com um script em Python que automatiza o cálculo em lote. Ele lê uma planilha comum do Excel contendo os registros de Notas Fiscais e as respectivas notas dos fatores, injeta a lógica matemática e gera um relatório consolidado com os resultados e classificações.

Pré-requisitos

pip install pandas openpyxl

📊 Como Utilizar
A biblioteca foi desenhada para ser simples e direta, oferecendo suporte para análises individuais ou processamento de planilhas inteiras em lote (Excel).

1. Processamento em Lote (Planilhas Excel)
Esta é a forma mais comum de uso no dia a dia. O pacote varre todas as linhas da planilha, calcula as notas e gera um novo arquivo consolidado.

⚠️ Requisito Obrigatório: A sua planilha de entrada precisa conter exatamente estas 4 colunas: F_urg, F_div, F_qual e F_amb.

Python
import fior

# Defina o nome do seu arquivo original
caminho_da_planilha = "recebimentos.xlsx"

# Executa o processamento
arquivo_gerado = fior.processar_fior_lote(caminho_da_planilha)

print(f"Sucesso! Relatório salvo como: {arquivo_gerado}")
# O pacote criará automaticamente o arquivo 'fior_resultados_consolidados.xlsx'
2. Análise Individual (Modo Unitário)
Se você precisa calcular a criticidade de apenas um recebimento específico de forma rápida:

Python
import fior

# Parâmetros: calcular_fior_unidade(urgencia, divergencia, qualidade, ambiente)
nota_final = fior.calcular_fior_unidade(5, 4, 2, 1)
zona_criticidade = fior.mapear_zona_criticidade(nota_final)

print(f"Nota FIOR: {nota_final}")
print(f"Status do Recebimento: {zona_criticidade}")
🎯 Variáveis do Modelo
O cálculo ponderado avalia os seguintes pilares operacionais (notas de 1 a 5):

F_urg: Grau de urgência do material ou processo.

F_div: Índice de divergência identificada (físico vs. nota).

F_qual: Critérios de conformidade e qualidade do item.

F_amb: Fatores de impacto ao ambiente ou segurança da operação.

O retorno classifica o resultado final entre as zonas:

🟢 Zona Verde (Operação Normal / Baixo Risco)

🟡 Zona Amarela (Atenção / Risco Moderado)

🔴 Zona Vermelha (Crítico / Ação Imediata)

📝 Licença
Este projeto está sob a licença MIT. Veja o arquivo LICENSE.txt para mais detalhes.

Project details


Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

fior_analytics-1.0.1.tar.gz (5.5 kB view details)

Uploaded Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

fior_analytics-1.0.1-py3-none-any.whl (5.7 kB view details)

Uploaded Python 3

File details

Details for the file fior_analytics-1.0.1.tar.gz.

File metadata

  • Download URL: fior_analytics-1.0.1.tar.gz
  • Upload date:
  • Size: 5.5 kB
  • Tags: Source
  • Uploaded using Trusted Publishing? No
  • Uploaded via: twine/6.2.0 CPython/3.12.2

File hashes

Hashes for fior_analytics-1.0.1.tar.gz
Algorithm Hash digest
SHA256 34966320a15261030937442150c9da76c33b8c51904ef8d6726c9c29e8c17eb2
MD5 b8029ce44763f9c2e841c3b925bcd0f6
BLAKE2b-256 3fb824e5b5f94928667dc40ae3419861a5a18325e8ac0aa02c341ad8b8891760

See more details on using hashes here.

File details

Details for the file fior_analytics-1.0.1-py3-none-any.whl.

File metadata

  • Download URL: fior_analytics-1.0.1-py3-none-any.whl
  • Upload date:
  • Size: 5.7 kB
  • Tags: Python 3
  • Uploaded using Trusted Publishing? No
  • Uploaded via: twine/6.2.0 CPython/3.12.2

File hashes

Hashes for fior_analytics-1.0.1-py3-none-any.whl
Algorithm Hash digest
SHA256 aef52cfab9d7f0025e4e96b64ae279e45fb9f386283d7d20e6497bc5ea04ca94
MD5 a3af9f25ca49c5dafcb8bac642e2895c
BLAKE2b-256 358486f3a9c506d31562271524c8effb0526b34c6f07164738a102a1ec8429ce

See more details on using hashes here.

Supported by

AWS Cloud computing and Security Sponsor Datadog Monitoring Depot Continuous Integration Fastly CDN Google Download Analytics Pingdom Monitoring Sentry Error logging StatusPage Status page