Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2018-04-11T16:07:01Z
No. of bitstreams: 1
Pedro Nascimento de Lima_.pdf: 14461751 bytes, checksum: 473cf6676a373e7639a581816a08b7a5 (MD5) / Made available in DSpace on 2018-04-11T16:07:01Z (GMT). No. of bitstreams: 1
Pedro Nascimento de Lima_.pdf: 14461751 bytes, checksum: 473cf6676a373e7639a581816a08b7a5 (MD5)
Previous issue date: 2018-01-26 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A avaliação de decisões estratégicas em condições de profunda incerteza é um desafio significativo para as organizações. Em condições onde informação disponível permite que stakeholders cheguem a um consenso sobre o futuro que será mais provável, ferramentas de planejamento baseadas em predição podem suportar o processo decisório de modo confiável. No entanto, em situações de instabilidade, onde o futuro é altamente incerto, a avaliação de decisões estratégicas utilizando predições pode levar a decisões equivocadas. Tais condições de incerteza frequentemente ocorrem em mercados nascentes, onde há alta incerteza relacionada ao processo de difusão de um novo produto. Na Indústria da Manufatura Aditiva, enquanto alguns especialistas estimam que a indústria pode chegar a faturar 21 bilhões de dólares em 2020, outros estimam que este mercado pode valer até 550 bilhões até 2025. Esta pesquisa emprega a simulação computacional de dinâmica de sistemas utilizando o método Robust Decision Making (RDM) para avaliar decisões estratégicas de fabricantes de sistemas de impressão 3D profissional. Para tanto, este trabalho amplia modelos de dinâmica competitiva e difusão de novos produtos para permitir a simulação no contexto da manufatura aditiva. Em seguida, são desenvolvidos algoritmos necessários para a análise RDM. Para avaliar decisões estratégicas em um amplo conjunto de futuros plausíveis, 10.800 simulações são realizadas. Em seguida, a robustez das estratégias avaliadas é testada, e as vulnerabilidades da estratégia mais robusta localizada são examinadas utilizando técnicas estatísticas. Finalmente, o trabalho identifica estratégias alternativas à estratégia mais robusta. Os resultados da simulação sugerem que fabricantes de sistemas de impressão 3D profissional deveriam perseguir uma estratégia de dominação do mercado agressiva, com um modelo de Pesquisa e Desenvolvimento e proteção intelectual fechado. Finalmente, o trabalho discute implicações gerenciais e teóricas relacionadas à avaliação de decisões estratégicas em condições de incerteza profunda. / Strategic Decision Making under deep uncertainty is a relevant challenge to organizations. When the available information allows sound decision making based on predictions, traditional decision making tools based on maximum expected value can lead to the right decision. Under conditions of deep uncertainty, however, decision making based on predict-then-act approaches might mislead and build overconfidence. In the 3D printing industry, uncertainty is highly relevant. While some experts forecast that this industry will worth 21 billion dollars by 2020, other estimates point that this market can have an economic impact of 550 billion by 2025. This dissertation leverages system dynamics simulation, using the Robust Decision Making (RDM) approach as the analytical framework to evaluate 3D printing Systems Manufacturers’ strategic decisions. I extend an existing competitive dynamics model allowing it to take into account expiring patents dynamics, an important aspect of the 3D printing industry. Then, I test 54 different strategies under 200 different scenarios, highlighting the most robust strategies. Afterwards, I examine the vulnerabilities of a candidate strategy using machine learning algorithms. The experiments showed that aggressive strategies dominate their conservative counterparts, using robustness as a criteria. Also, the results do not lend support to open source Research and Development strategies. Finally, I discuss managerial implications to the 3D printing industry, and theoretical contributions to the Strategic Decision-Making literature.
Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.jesuita.org.br:UNISINOS/6991 |
Date | 26 January 2018 |
Creators | Lima, Pedro Nascimento de |
Contributors | http://lattes.cnpq.br/6330279254229431, Lacerda, Daniel Pacheco |
Publisher | Universidade do Vale do Rio dos Sinos, Programa de Pós-Graduação em Engenharia de Produção e Sistemas, Unisinos, Brasil, Escola Politécnica |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UNISINOS, instname:Universidade do Vale do Rio dos Sinos, instacron:UNISINOS |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0015 seconds