Sistemas de Apoio à Decisão (SAD) são ferramentas computacionais desenvolvidas para auxiliar indivíduos ou grupos na tomada de decisão, especialmente em problemas complexos que exigem acesso a dados e análises detalhadas. Um aspecto fundamental do SAD é a modelagem, que consiste em criar uma representação ou abstração da realidade. A realidade é geralmente muito complexa, e a modelagem ajuda a simplificar o problema, focando apenas nos aspectos relevantes para a solução.
Os modelos de apoio à decisão podem ser classificados de acordo com seu grau de abstração. Os principais tipos são:
Modelos Icônicos (ou em Escala): São os modelos de nível menos abstrato, consistindo em réplicas do sistema real, geralmente em escala diferente do original. Podem ser tridimensionais (como modelos de aviões ou carros) ou bidimensionais (como fotografias).
Modelos Análogos: Comportam-se como o sistema real, mas não se parecem fisicamente com ele. São mais abstratos que os icônicos e utilizam uma representação simbólica da realidade. Exemplos comuns são diagramas e gráficos, como um organograma que mostra relações de autoridade, mapas com cores representando diferentes objetos (água, montanha), ou gráficos de cotações do mercado de ações.
Modelos Matemáticos: Indicados para problemas de decisão de cunho quantitativo. São usados quando a complexidade de relacionamentos não pode ser adequadamente representada por modelos icônicos ou análogos sem se tornar excessivamente complicada ou demorada de usar. Representam as relações e o problema de forma abstrata através de equações e fórmulas.
Modelos Mentais: São representações descritivas de situações de tomada de decisão que as pessoas formam em suas mentes. São tipicamente usados quando o problema de decisão apresenta majoritariamente fatores qualitativos. Envolvem considerar diferentes cenários, ponderando sua utilidade e os riscos envolvidos em cada alternativa. A metodologia do mapeamento cognitivo pode ser usada para desenvolver ou explicar um modelo mental. Os modelos oferecem benefícios como facilitar a manipulação e experimentação (simulações), permitir a compressão do tempo (simular anos de operação em segundos) e estimar riscos e incertezas.
O Brasil enfrenta um desafio logístico significativo caracterizado pela alta dependência do modal rodoviário. Dada a extensa configuração territorial do país, 65% de toda a carga é transportada por rodovias fora o grande volume no transporte de pessoas. Essa dependência estrutural gera custos logísticos elevados, que chegam a representar até 12% do PIB nacional, uma porcentagem superior à observada em países desenvolvidos.
Essa vulnerabilidade é agravada por dois fatores principais:
Oscilações no Preço dos combustíveis: O setor é altamente sensível e vulnerável às variações no preço do diesel (Petróleo).
Gargalos de Infraestrutura: Problemas na infraestrutura rodoviária aumentam a complexidade da operação.
A dor específica identificada é a complexidade na decisão de abastecimento. Sem um suporte adequado, essa decisão se torna ineficiente, resultando em alto custo e transformando informações dispersas (como preço de combustível, autonomia do veículo, e rota) em um problema diário para empresas e principalmente motoristas autônomos.
A solução proposta é um Sistema de Apoio à Decisão (SAD) focado na otimização da decisão de abastecimento. Diferentemente do Business Intelligence (BI), que se concentra em monitorar e descobrir padrões, o SAD é orientado a um problema decisório já definido no nosso caso a otimização do abastecimento durante as rotas. O SAD proposto é um baseado em modelo e sua função vai além de apenas mostrar dados: ele processa variáveis complexas (como preço, autonomia e rota)e busca transformá-las em uma decisão automática e racional. A resposta simplificada do sistema é binária, visando a ação imediata:
“Abasteça agora”
“Espere o próximo posto”
Ferramentas existentes, como Waze ou Google Maps, mostram postos e, às vezes, preços, mas não realizam uma análise de custo-benefício. Aplicativos de preço focam apenas no valor mais barato localmente, sem considerar a autonomia do veículo ou o custo total da rota. A lacuna preenchida por nosso SAD é a capacidade de cruzar preço, autonomia do veículo e rota para efetivamente otimizar o custo total da viagem.
O projeto de otimização de abastecimento, por ser um problema quantitativo focado em custos e distâncias, beneficia mais de modelos abstratos. No entanto, é útil entender como cada tipo de modelo se relaciona com a solução.
Modelos icônicos são réplicas do sistema real , sendo o nível menos abstrato.
Exemplo no Caso: Um mapa tridimensional em escala reduzida da rota, mostrando miniaturas dos caminhões e postos de combustível marcados fisicamente.
Como Criar: Utilizar um mapa físico ou digital que representa a rodovia em escala, com pequenos objetos (miniaturas) para simbolizar os caminhões e pinos coloridos para marcar os postos de combustível com seus respectivos preços.
Utilidade no SAD: Baixa, a representação física não adiciona valor analítico ou capacidade de cálculo. Seria usado apenas para visualização básica da topologia da rota, útil para treinamento ou explicação simplificada.
Modelos análogos são representações simbólicas da realidade , que se comportam como o sistema real, mas não se parecem com ele. São geralmente bidimensionais, como gráficos e diagramas.
Exemplo no Caso: Um fluxograma (Diagrama de Fluxo) do processo de decisão do motorista, ou um gráfico de Gantt para o planejamento da viagem.
Utilidade no SAD: Média, Essencial para o design do sistema. Ajuda a comunicar a lógica e a estrutura de autoridade/responsabilidade do SAD.
Modelos matemáticos representam a complexidade das relações de forma abstrata por meio de equações. São ideais para problemas de cunho quantitativo.
Exemplo no Caso: O modelo matemático é usado para o cálculo de otimização.
Utilidade no SAD: Alta (o melhor para o caso). São o modelo principal de um SAD baseado em modelo. Permitem o cálculo exato do custo-benefício, simulam cenários rapidamente e garantem que a alternativa escolhida seja a melhor.
Fórmulas e Variáveis:
Variáveis de Decisão: Onde e quanto abastecer (Li, sendo i o posto na rota).
Variáveis de Resultado (Objetivo): Minimizar o Custo Total da Rota (Ctotal).
Variáveis Não Controláveis (Ambiente): Preço do Combustível no Posto i (Pi) e Consumo Médio do Caminhão (k em km/L).
Ctotal = i∑(Li×Pi)
Sujeito a: Ddestino ≤ (Linicial+i∑Li) × k
Onde Ddestino é a distância total até o destino, e a segunda inequação garante que o combustível total seja suficiente. O sistema deve testar diferentes cenários (quanto abastecer em B para chegar em C, por exemplo) para encontrar a combinação de Li que minimiza Ctotal.
Modelos mentais são representações descritivas de situações formadas na cabeça de uma pessoa. São tipicamente usados quando o problema apresenta fatores majoritariamente qualitativos.
Exemplo no Caso: A experiência e o julgamento do motorista ou gerente logístico que decide “se compensa” ou não abastecer em um posto específico, baseado em fatores não quantificáveis, como a reputação do posto, a segurança da região à noite, ou o tempo de espera.
Como Criar: A metodologia do mapeamento cognitivo pode ser usada para documentar e entender o processo mental de um motorista experiente. Perguntar: “Quais fatores de risco não-financeiro você considera antes de parar para abastecer?” (Ex: “Posto é muito escuro”, “Estrada é perigosa nesse trecho”).
Utilidade no SAD: Média, Embora o SAD seja baseado em modelos matemáticos (quantitativos), o modelo mental é crucial na fase de Inteligência (entendendo o problema) e na Revisão/Implementação (garantindo a aceitação do usuário). O modelo matemático precisa incorporar os “modos de decisão” ou heurísticas (regras de preferência) que refletem o julgamento humano, por exemplo, eliminando postos com nota de segurança abaixo de um possível limite.
O melhor modelo para o projeto de SAD voltado à otimização do abastecimento é o modelo matemático, pois o problema envolve cálculos quantitativos precisos, como preço, distância e autonomia. Além disso, esse tipo de modelo permite simular cenários rapidamente e analisar diversas alternativas que seriam inviáveis de testar na prática. Por fim, ele oferece uma saída automática e racional, transformando dados dispersos em recomendações objetivas para apoiar a decisão de abastecimento.
A aplicação utiliza uma base de dados externa no formato CSV, denominada postos.csv, contendo o nome dos postos, a quilometragem na rodovia e o preço do combustível, levantados previamente para a rota analisada. O uso desse arquivo permite alterar a rota facilmente sem modificar o código. O sistema também utiliza a classe Caminhao, responsável por armazenar o consumo médio, a capacidade do tanque e o combustível atual, valores que podem ser definidos pelo usuário para simular diferentes tipos de caminhões. Além disso, existem parâmetros configuráveis, como a reserva mínima de combustível e o percentual de risco de 40%, que podem ser ajustados para testar diferentes cenários. A leitura e organização dos dados são feitas automaticamente pela função de carregamento do CSV, garantindo que os postos estejam em ordem correta antes das simulações. O usuário define o quilômetro inicial e final da viagem, e o sistema filtra apenas os postos desse trecho. Por fim, a rota é exibida no terminal por meio de um mapa textual, mostrando os postos, as distâncias e os preços, facilitando a visualização antes da execução das estratégias.
Estratégia 1 – Gestão de Risco
Essa estratégia abastece apenas quando o combustível atinge 40% da capacidade do tanque.
Quando isso ocorre, o sistema verifica se existe algum posto mais barato alcançável com o combustível restante. Caso exista, ele continua até esse posto. Caso contrário, abastece no posto atual.
Interpretação:
Essa estratégia abastece apenas quando o combustível atinge 40% da capacidade do tanque.
Quando isso ocorre, o sistema verifica se existe algum posto mais barato alcançável com o combustível restante. Caso exista, ele continua até esse posto. Caso contrário, abastece no posto atual.
Estratégia 2 – Oportunista
Nesta abordagem, o sistema tenta sempre chegar ao posto mais barato possível dentro do alcance atual do caminhão. Quando encontra um posto com preço melhor, ele abastece de forma mais agressiva.
Interpretação:
Essa estratégia tende a gastar mais no curto prazo, pois o sistema “investe” mais dinheiro no tanque para aproveitar preços baixos. Em compensação, busca reduzir o custo médio do combustível ao longo da viagem.
Estratégia 3 – Economia Estrita
Aqui o sistema abastece apenas o mínimo necessário para continuar a viagem, seja até um posto mais barato ou até o destino final (com uma reserva mínima de 5 litros no tanque).
Interpretação:
Essa é a estratégia mais econômica em termos de investimento no tanque, pois evita manter combustível sobrando após a entrega. Ela prioriza gastar o mínimo possível em cada parada.
O desenvolvimento deste trabalho evidenciou que a eficiência no transporte rodoviário brasileiro não é apenas uma questão logística, mas um imperativo econômico. Considerando que 65% da carga nacional trafegar por rodovias e que os custos logísticos representam 12% do PIB, a gestão do abastecimento surge como um ponto crítico. A vulnerabilidade a oscilações no preço do diesel e gargalos de infraestrutura exige que a tomada de decisão deixe de ser baseada na intuição e passe a ser fundamentada em dados racionais.
A análise teórica dos Sistemas de Apoio à Decisão (SAD) confirmou que, embora modelos icônicos e análogos sejam úteis para visualização e design, a solução para a otimização de custos de combustível reside nos Modelos Matemáticos.
A complexidade das variáveis envolvidas (preço, distância, autonomia e rota) exige abstrações quantitativas precisas. O modelo matemático desenvolvido permitiu transformar dados dispersos — que aplicativos comuns como Waze apenas “mostram” — em uma diretriz binária e acionável: “Abasteça agora” ou “Espere o próximo posto”.
A aplicação prática, estruturada através do código em Python e do uso de dados externos (postos.csv), demonstrou que não existe uma única resposta correta, mas sim estratégias adaptáveis à realidade financeira da transportadora:
Estratégia de Gestão de Risco: Mostrou-se a mais equilibrada e aderente à realidade operacional dos motoristas, priorizando a segurança (gatilho de 40% do tanque) sem ignorar oportunidades de economia. É a abordagem ideal para operações que não podem tolerar o risco de “pane seca”.
Estratégia Oportunista: Validou-se como uma abordagem de “investimento”. Ao encher o tanque sempre que encontra preços baixos, a empresa aceita um custo imediato maior para garantir um custo médio menor no longo prazo.
Estratégia de Economia Estrita: Provou ser a mais eficiente para a gestão de fluxo de caixa imediato. Ao abastecer estritamente o necessário (com reserva mínima), a empresa evita imobilizar capital em combustível estocado no tanque, sendo ideal para cenários de restrição orçamentária.
O Sistema de Apoio à Decisão proposto preenche uma lacuna de mercado clara. Diferente do Business Intelligence (BI), que foca na descoberta de padrões passados, este SAD é orientado para a ação futura. Ao cruzar variáveis de preço, autonomia e topologia da rota, a ferramenta oferece uma racionalização automática que supera a capacidade cognitiva humana (Modelos Mentais) em situações de pressão e complexidade.
Conclui-se, portanto, que a implementação de um SAD baseado em modelagem matemática para o abastecimento rodoviário tem potencial direto para reduzir o custo total das viagens, mitigando o impacto das variações de preço do diesel e aumentando a competitividade das transportadoras no cenário brasileiro.
ANP – AGÊNCIA NACIONAL DO PETRÓLEO, GÁS NATURAL E BIOCOMBUSTÍVEIS. Relatório Anual 2023. Brasília, 2023. Disponível em: https://www.gov.br/anp/pt-br. Acesso em: 15 nov. 2025.
BOMFIM, V. Desafios da infraestrutura e movimentação de combustíveis no Brasil. Webinar Especial O&G – Fundação Getúlio Vargas, 2024. Disponível em: https://www.youtube.com/watch?v=Gp6pDOlC6zE. Acesso em: 17 nov. 2025.
CNT – CONFEDERAÇÃO NACIONAL DO TRANSPORTE. Pesquisa CNT de Transporte e Infraestrutura 2022. Brasília, 2022. Disponível em: https://www.cnt.org.br. Acesso em: 22 nov. 2025.
FGV – FUNDAÇÃO GETULIO VARGAS. Custo Brasil Logístico. Rio de Janeiro: FGV IBRE, 2024. Disponível em: https://portalibre.fgv.br. Acesso em: 12 nov. 2025.
GUERRA, R.; LIMA, T. Modelagem de otimização aplicada ao transporte rodoviário de combustíveis. Revista Brasileira de Logística, v. 6, n. 2, 2020. Disponível em: https://revistabrasileiradelogistica.com.br. Acesso em: 12 nov. 2025.
POWER, D. J. Decision Support Systems: Concepts and Resources for Managers. Westport: Greenwood Publishing, 2002. Disponível em: http://dssresources.com. Acesso em: 23 nov. 2025.
SIMON, H. A. The New Science of Management Decision. Revised ed. Upper Saddle River: Prentice Hall, 1977. Disponível em: http://archive.org/details/newscienceofman00simo. Acesso em: 22 nov. 2025.
TURBAN, E.; SHARDA, R.; DELEN, D. Decision Support and Business Intelligence Systems. 9. ed. New Jersey: Pearson, 2010. Disponível em: http://www.pearson.com. Acesso em: 21 nov. 2025.
YU, A. S. O. Tomada de decisão nas organizações: uma visão multidisciplinar. São Paulo: Saraiva, 2011. Disponível em: https://integrada.minhabiblioteca.com.br. Acesso em: 18 nov. 2025.
CENTER PEÇAS FABBRI. Tipos de caminhão: conheça as suas variações e utilidades. 2022. Disponível em: https://cpfabbri.com.br/tipos-de-caminhao-conheca-as-suas-variacoes-e-utilidades/. Acesso em: 23 nov. 2025.
