Ou Tang é Professor de Economia da Produção na Linköping University, na Suécia. É editor do International Journal of Production Economics e antigo presidente da International Society of Inventory Research (ISIR). A sua investigação inclui modelação de inventários, planeamento e controlo da produção, cadeias de abastecimento em ciclo fechado, gestão de risco na cadeia de abastecimento, gestão sustentável da cadeia de abastecimento e temas de gestão de operações relacionados com a China. Publicou mais de 100 artigos científicos, incluindo 60 em revistas internacionais como o European Journal of Operational Research, o International Journal of Production Economics, o Production and Operations Management, entre outras.

Resumo

Atualmente, os fabricantes de equipamento original estão a adotar estratégias de product-as-a-service. Neste contexto, a responsabilidade pela manutenção deve garantir a fiabilidade dos equipamentos para assegurar operações eficientes nas instalações dos clientes. Uma vez que as decisões de manutenção dependem essencialmente do tempo de falha dos produtos, influenciado pelos padrões de utilização, a diferenciação das políticas de manutenção pode reduzir falhas e custos de manutenção. No entanto, exige métodos capazes de identificar grupos de clientes em conjuntos de dados com informação de falhas heterogénea. Assim, este estudo propõe um modelo e um algoritmo para estimar parâmetros através da análise de momentos de ordem elevada numa distribuição Weibull mista, permitindo explorar os grupos de clientes subjacentes. A vantagem de distinguir estes grupos torna-se evidente quando nenhum grupo domina claramente, quando a taxa de falha é crescente e elevada, ou quando o custo de paragem é significativo. Utilizando dados reais de uma empresa, identificam-se produtos com este potencial. Além disso, quando o coeficiente de bimodalidade é médio ou elevado e a razão entre dois fatores de escala é alta, observa-se uma tendência para dois modos na distribuição, tornando essencial distinguir os diferentes grupos de clientes. O modelo e o algoritmo propostos permitem identificar estas condições através da análise dos dados e dos seus momentos. Os resultados do estudo fornecem orientações para melhorar o desempenho da manutenção em ambientes product-as-a-service.