Causa Raiz: Estudo Comparado dos Mtodos Matriz Causal e Determinante Causal

Autoria: Cida Sanches, Jos Osvaldo De Sordi, Samuel Ferreira Junior, Marisa Regina Paixo

RESUMO
O presente trabalho compara dois mtodos para determinao de causa raiz para problemas complexos:
Matriz Causal e Determinante Causal. A pesquisa quantitativa com base em um estudo de caso. Dado
um problema em um cartrio, com dados extrados de Nelson (1997), enfrentado com o mtodo Matriz
Causal, para fins de comparao uma equipe de trs pesquisadores buscou obter a causa raiz do mesmo
problema utilizando o mtodo Determinante Causal. Os resultados finais so comparados e,
empregando a anlise estatstica das variveis principais dos dois mtodos, demonstra-se que os
mtodos se correlacionam significativamente.
PALAVRAS-CHAVE: Causa raiz. Matriz Causal. Determinante Causal. Loop causal. Causa e efeito.

1. Introduo
A anlise de causa-efeito, de acordo com Rohleder e Silver (1997), uma aproximao comum
usada na melhoria da qualidade ou melhoria de processo. O contexto no qual usada envolve a
averiguao de um efeito indesejvel e a procura para sua verdadeira causa. Inicialmente, vrias
possveis causas so listadas e a identificao das causas mais provveis normalmente resultante de
um processo subjetivo e criativo que envolve, por exemplo, a tcnica de brainstorming.
O uso de frameworks conceituais baseados em causalidade, dizem Niemeijer e Groot (2008),
tem benefcios importantes, pois podem ser relacionados a vrios processos e a polticas especficas de
aes administrativas. Para Blalock (1964) o problema da causalidade faz parte de uma questo muito
ampla: a da natureza do mtodo cientfico e, em particular, do problema das relaes entre teoria e
investigao. Parece haver intrinsecamente um hiato entre as linguagens da teoria e da investigao que
nunca pode ser preenchido de forma inteiramente satisfatria. Pensa-se em termos de uma linguagem
terica que contm noes tais como causas, foras, sistemas e propriedades, diz Blalock, mas as
teorias so testadas em termos de covariaes, operaes e leituras. Maat (2000) salienta que a questo
da causalidade um aspecto fundamental da cognio humana.
No campo da Administrao, muitas ferramentas gerenciais so conhecidas para lidar com a
relao causa-efeito. Dentre elas podem ser citadas: Anlise da Causa Raiz, rvore de Realidade
Corrente, Diagrama de Ishikawa ou Espinha de Peixe, Diagrama de Causa-e-Efeito e Diagrama de
Inter-relao, Cinco Porqus, Matriz Causal e Determinante Causal.
A Matriz Causal tambm conhecida por Mapa Causal, mas este nome deve ser evitado por,
conceitualmente, a expresso ter uma conotao mais ampla: Carmo (2004) reporta que os mapas
causais mais comuns encontrados na literatura da prtica profissional e de pesquisa em gerncia de
operaes, so: (1) diagramas de Ishikawa, (2) rodas de impactos impact wheels, (3) rvores de
tpicos issues trees, (4) mapas estratgicos, (5) ferramentas de mapeamento de avaliao de riscos
(FMEA) e (6) diagramas de causa efeito.
O objetivo deste trabalho descrever e comparar dois mtodos para determinao da causa raiz
com grande potencialidade de aplicao na Gesto de Operaes especialmente nas reas de gesto da
qualidade. O problema relevante especialmente no campo da Administrao que, cotidianamente,
enfrenta a necessidade de definir relaes causais. Em Administrao muito difcil expressar com
rigor uma relao causa-efeito. Modelos que ajudam a representar relaes causa-efeito e que podem
ser usados para fins preditivos so desejados no mundo dos negcios (ELLIOTT, 2003).
Na seo seguinte, inicialmente, se aborda a Matriz Causal e, depois, a Determinante Causal:
estes mtodos so apresentados e comparados entre si por meio de um caso comum extrado de Nelson
(1997) e designado demora no atendimento do Cartrio.
2. Reviso da literatura
A maioria dos pesquisadores aceita o princpio da sequncia de Hume (1980) de que causas
precedem efeitos. Reichenbach (2000, p.17) tenta definir causalidade sem o quesito de ordenaes
sequentes, mas reconhece que ... quando ns somos perguntados como distinguimos a causa de efeito,
normalmente dizemos que... a causa o que precede o outro no tempo. Para Meier (2001), causalidade
o modo de saber se um estado de coisas causa outro.
2.1 Matriz Causal
A matriz causal uma representao matemtica de relaes causais entre variveis. No campo
da cincia da administrao a matriz causal foi utilizada inicialmente para estudar padres de cognio
nas organizaes (BUGON, WEICK & BINKHORST, 1977; VOYER & FAULKNER, 1986) e,
posteriormente, como ferramenta para anlise e diagnstico de problemas organizacionais (NELSON &
MATHEWS, 1991).
2

Como ferramenta de apoio gesto, a matriz causal uma tcnica que permite associar causas
identificando a interferncia entre elas. Ela composta de uma matriz quadrada que associa todas as
causas entre si, e por isto, prov anlises abrangentes. A matriz causal permite aos membros da
organizao comunicar o entendimento de problemas complexos de forma clara e, por intermdio de
algoritmos matemticos, pode indicar as causas com potencial para gerao de problemas mais graves,
como os loops explosivos.
A atividade de anlise de causas bastante comum nas organizaes. Considerando duas
situaes tpicas, destacam-se as atividades ocorridas em aes de melhoria de processos, bem como as
de planejamento. Em projetos de melhoria de processos a anlise de causa empregada para preveno
ou correo de aspectos indesejados (KETTINGER, TENG & GUHA, 1997). Nas aes de planejamento,
a discusso de causas importante para identificao de fatores crticos de sucesso, para os quais a
empresa deve realizar acompanhamento e controle (AAKER, 2005).
Pesquisadores e praticantes da gesto variam um pouco nos seus mtodos de construo da
matriz causal, mas todos executam os passos bsicos descritos a seguir. Para melhor compreenso, os
exemplos so apresentados dentro de contexto da gesto, mais especificamente associados a algumas
aes de melhoria de processos e outras de planejamento estratgico.
Identificao de causas associadas ao problema
Imagine-se um cenrio que um grupo de melhoria de processo necessite resolver um problema
associado a um defeito do processo ou qualquer outro problema. Primeiro, juntam-se algumas pessoas
que conheam bem o contexto do problema para montar uma lista de possveis causas. Neste ponto,
normalmente se utiliza tcnicas como o brainstrorming e o shake-down para gerao de ideias
(KETTINGER, TENG & GUHA, 1997). O prximo passo consiste em reduzir o tamanho da lista a um
nmero limitado, normalmente de oito a doze fatores. Se o nmero ainda for grande, considera-se a
eliminao das causas mencionadas mais tarde, em detrimento daquelas identificadas no incio da
sesso de trabalho.
importante neste momento, de escolha de causas, assegurar que os fatores causais estejam
claramente definidos, isto , no haja duplicao em funo de nomes semanticamente similares (falsos
antnimos). Por exemplo, uma pessoa pode mencionar velocidade e outra pode falar em prazo para
terminar. Indagando com cuidado, pode-se descobrir tratar-se do mesmo fenmeno. Causas que possam
parecer idnticas, porm, distintas na essncia (falsos sinnimos) devem ser registradas de forma a
externalizar aspectos singulares de cada uma. Atraso do cliente e atraso do funcionrio so causas
similares, mas no idnticas.
Se a lista no foi desenvolvida na presena de todos, importante que seja repassada a definio
das causas para que todos possam analisar e comentar. Depois de definida a lista de causas, elabora-se
uma matriz quadrada associando todas as causas entre si, ou seja, as linhas apresentam todas as
variveis causais, repetindo o processo para as colunas.
Identificao de influncias entre causas: As pessoas envolvidas na anlise do problema devem
identificar qual relacionamento existe entre cada par de variveis, se que existe algum. Um
relacionamento causal positivo leva o nmero 1 (um), o negativo leva 1 (menos um) e inexistncia de
relacionamento indica-se com o valor 0 (zero). A ttulo de exemplo, considere-se a anlise cruzada das
causas funcionrio desmotivado, equipamento quebrado no aguardo de manuteno e funcionrio
ausente. As perguntas para anlise de interferncia entre causas so elaboradas da seguinte maneira: a
ocorrncia da varivel funcionrio desmotivado (varivel descrita na primeira linha) aumenta, diminui
ou mantem inalterada a varivel equipamento quebrado no aguardo de manuteno (varivel descrita
na segunda coluna)? A resposta a esta pergunta a insero de um nmero (0, 1 ou -1) na clula
constituda pelo cruzamento da linha que descreve a primeira causa com a coluna que descreve a
segunda causa. Para esta pergunta a resposta indicada pelo grupo foi 1, conforme se observa na Tabela
1, indicando que funcionrios desmotivados proporcionam mais quebra de equipamento e,
3

consequentemente, se tem maior frequncia da causa equipamento quebrado no aguardo de

manuteno.
Tabela 1 - Exemplo de matriz causal

1 - Funcionrio desmotivado
2 - Equipamento quebrado no aguardo de manuteno
3 - Funcionrio ausente

1Funcionrio d

2-Equipamento

3Funcionrio a

0
1
0

1
0
0

1
0
0

Na matriz causal do exemplo, a segunda pergunta associar a primeira linha de causa com a
terceira coluna de causa, ou seja, a varivel funcionrio desmotivado aumenta, diminui ou mantem
inalterada a varivel funcionrio ausente? A resposta a esta pergunta ser registrada na clula
constituda pela interseco da primeira linha com a terceira coluna. As anlises cruzadas so feitas
sucessivamente para cada linha que se associa com todas as colunas, excetuando a coluna da prpria
varivel, ou seja, a diagonal descendente permanece com valor 0. Assim prossegue-se at o
preenchimento de todas as clulas da matriz que resultar em uma matriz quadrada, assimtrica, com
zeros nas clulas da diagonal descendente da matriz.
A leitura de uma matriz causal pode ser feita de duas formas, iniciando pela leitura da linha ou
pela coluna. Ao iniciar a leitura pelo texto da causa descrita na linha, a lgica de leitura deve ser: esta
causa descrita na linha influencia a causa descrita na coluna? Ao iniciar pelo texto da causa descrita na
coluna, a lgica de leitura deve ser: esta causa descrita na coluna influenciada pela causa descrita na
linha? A influncia pode ser positiva, no sentido de motivar e agravar a causa descrita na coluna,
indicada pelo 1; pode ser negativa, no sentido de desmotivar, de reduzir a causa descrita na coluna,
indicada pelo -1; ou pode ser neutra, indicada pelo 0.
Identificao das causas que mais influenciam o problema. Para ilustrar outros aspectos da
matriz causal necessrio um exemplo mais complexo, para isto, recorreu-se aos dados da pesquisa de
Nelson (1997). A Tabela 2 apresenta as causas identificadas para o contexto de um cartrio de registro
de imveis, mais especificamente, para o problema: demora no atendimento.
A somatria dos valores absolutos dispostos nas linhas da matriz causal informa para cada causa
o quanto ela interfere em outras causas ( linha) e o quanto ela influenciada pelas outras causas a
somatria dos valores dispostos na coluna ( coluna). A soma das linhas, ou seja, a influencia de uma
causa em outras causas denominada pelas tcnicas de anlise de redes de outdegree ou grau de sada
( linha=outdegree); a soma dos valores ao longo das colunas denominada de indegree ou grau de
entrada ( coluna=indegree) (WASSERMAN & FAUST, 1994). Os valores da varivel outdegree para as
dez causas da matriz esto descritos na ltima coluna; os valores para a varivel indegree esto na
ltima linha. A varivel outdegree para causa 6, Indisponibilidade de especialistas, apresenta valor
igual a 7, indicando que ela influencia outras 7 causas da matriz.
Subtraindo os graus de entrada (indegree) dos graus de sada (outdegree) obtm-se o ndice de
influncia lquida (IIL), ou seja, quais variveis tm maior influencia nas causas descritas na matriz,
descontando a medida que estas so influenciadas por outras variveis (NELSON & MATHEWS, 1991).
Ou seja: ILL= ( linha=outdegree) - ( coluna=indegree). Para as dez causas descritas no exemplo da
tabela 2, calculou-se o IIL de cada fator como se pode ver na Tabela 3. Este ndice til para
localizao de quais causas tm maior potencial para melhorar o desempenho organizacional com o
mnimo de esforo.

2 Tempo de proces

3 Registros incorre

4 Insatisfao do cl

5 Multas decorrent

6 - Indisponibilidade

7 Dificuldade de c

8 Inabilidade em e

9 Funcionrios des

10 Falta de contato

1 Volume de transaes a processar

2 Tempo de processamento
3 Registros incorretos
4 Insatisfao do cliente
5 Multas decorrentes de erros
6 Indisponibilidade de especialistas
7 Dificuldade de comunicao
8 Inabilidade em estimar prazo pesquisa
9 Funcionrios desmotivados
10 Falta de contato com o cliente
Indegree
( valores absolutos coluna)

1 Volume de transa

Tabela 2 - Mapa causal para o problema demora no atendimento do cartrio

Outdegree
( valores
absolutos da
linha)

0
1
1
1
0
1
1
1
1
1

-1
0
-1
0
0
1
0
1
0
0

-1
-1
0
0
0
1
0
1
1
0

0
1
1
0
1
1
1
1
1
1

1
1
-1
0
0
-1
-1
-1
-1
0

-1
0
0
0
0
0
0
0
0
0

0
0
0
0
0
0
0
0
1
1

1
0
0
0
0
1
0
0
0
0

0
1
1
1
-1
1
1
1
0
0

-1
0
0
0
0
0
0
0
0
0

6
5
5
2
2
7
4
6
5
3

45

No caso do exemplo descrito na Tabela 2, as duas causas que mais impactam so,
respectivamente: a causa 6, Indisponibilidade de especialistas, e a causa 8, Inabilidade em estimar
prazo pesquisa.

3 Registros

4 - Insatisfao

5 - Multas

6 - Indisponibilidade

7 - Dificuldade

8 - Inabilidade

9 - Funcionrios

10 Falta

ndice de influncia lquida

2 - Tempo

Outdegree (grau de sada)

Indegree (grau de entrada)

1 Volume

Tabela 3 ndice de influncia lquida para as causas do problema demora no atendimento

8
-2

4
1

5
0

8
-6

7
-5

1
6

2
2

2
4

7
-2

1
2

A causa 6, Indisponibilidade de especialistas, a que apresenta o ndice de influncia lquida

mais forte. Ela influencia sete variveis e influenciada por somente uma. Isto , para mudar a causa
6, precisa-se mexer pouco com outras causas, porm, uma melhora nesta causa acarretar benefcios
junto a muitas outras causas no sistema. Essas estatsticas bsicas podem ajudar a decidir onde e
quando agir para melhorar o desempenho do sistema.
Entretanto, mais importante do que a identificao da causa com maior ndice de influncia
lquida pelo mtodo Matriz Causal a identificao das variveis que influenciam reciprocamente em
movimento sistmico denominado de loop.
Identificao de loops sistmicos. O benefcio mais importante da Matriz Causal a capacidade
de identificar os loops, em especial os loops explosivos do sistema. um diagnostico simples que
consome pouqussimos recursos, mas pode identificar problemas subjacentes muito perigosos
5

organizao que dificilmente seriam enxergados de outra forma. Identifica-se loop examinando
simultaneamente fileiras e colunas com o objetivo de encontrar causalidade recproca. Em termos
matemticos, procura-se a presena de um efeito causal mtuo na clula Cij, e na clula Cji da matriz.
Causas nas duas clulas indicam a presena de um loop. Se ambas as clulas tm o mesmo sinal (seja
positivo ou negativo) h um loop de amplificao de desvios, se os sinais so diferentes, h um loop de
limitao de desvios.
Para ilustrar o diagnstico de loops utilizaremos a mapa causal descrito na Tabela 4, que
aborda 4 causas associadas a anlise de estratgia de aes pblicas. Por ser uma matriz causal de
tamanho reduzido mais apropriado para exemplificao das operaes matemticas associadas ao
algoritmo para identificao de loops.
Tabela 4 Exemplo de mapa causal relacionado a problemas sociais
1.
2.
3.
4.

Pobreza
Amontoao
Doena
Uso de Drogas

1. P
0
0
1
1

2. A
1
0
0
0

3. D
1
1
0
1

4. U
1
0
0
0

A busca de loops sistmicos na matriz causal descrito na Tabela 4 implica na averiguao de

interferncia mtua entre cada par de variveis causais da matriz. Por exemplo, na linha 1, coluna 2,
observa-se que a pobreza aumenta a amontoao. No entanto, na linha 2, coluna 1, h um 0, indicando
que amontoao no aumenta a pobreza. Portanto, no h loop nessa combinao de variveis causais.
Na linha 1, coluna 3, vemos que a pobreza aumenta a doena, e na linha 3, coluna 1, vemos que a
doena aumenta a pobreza. Entre estas duas variveis causais identifica-se um loop de amplificao.
Quanto mais pobre, mais doente fica, quanto mais doente, mais pobre fica.
A busca por loops realizada desta forma, analisando os valores para cada par de variveis
causais, lento, cansativo e sujeito a erros. Operaes matriciais simples podem realizar rapidamente
essa atividade. As operaes envolvem a multiplicao da matriz original (A) da matriz causal pela sua
matriz transposta (AT). A matriz resultante (AAT) uma matriz simtrica conforme pode ser
observado na Figura 1.

Figura 1 Operaes matriciais para identificao de loops

Os dados da matriz resultante (AAT) so transportados para a matriz causal e os valores das
colunas so totalizados gerando o indicador total de loops, conforme descrito na Tabela 5. Esta nova
matriz denominado de matriz de loops, que identifica todos os loops. A anlise dos sinais indica quais
so de amplificao e quais so de limitao de desvios. No exemplo h dois loops de amplificao de
desvios: entre a clula da linha 1, coluna 3, com a clula da linha 3, coluna 1; entre a clula da linha 1,
coluna 4, com a clula da linha 4, coluna 1. Respectivamente, pobreza gerando doena e vice-versa,
pobreza gerando uso de drogas e vice-versa. Os dois loops so de amplificao, considerando no
haver nmeros negativos.
Para verificar se h a presena de loops explosivos na matriz causal em anlise, basta averiguar
se h algum indicador total de loops com valor superior a 1. No exemplo descrito na Tabela 5 h uma
6

situao que se enquadra nesta condio: a primeira coluna referente causa pobreza. A matriz indica
que pobreza, doena e uso de drogas esto todos interligados por loops de amplificao de desvio,
caracterizando um loop explosivo, um verdadeiro problema sistmico. No exemplo, a matriz de loop
tambm sugere que a causa amontoao no faz parte do pacote, que permite a um gestor inferir que
erradicar favelas no seja to importante quanto combater trfico de drogas, as doenas e o
desemprego.
Tabela 5 Exemplo de matriz de loops relacionado a problemas sociais
1. Pobreza
2. Amontoao
3. Doena
4. Uso de Drogas
Total de loops

1. P
0
0
1
1
2

2. A
0
0
0
0
0

3. D
1
0
0
0
1

4. U
1
0
0
0
1

A Tabela 5 no contm nenhum nmero negativo, loop que limita os desvios, e por isto que
ela e to perigosa. importante destacar que a presena de nmeros negativos na matriz de loop
anulam os nmeros positivos, criando um sistema de limitao dos loops de desvios e evitando a
ocorrncia de loops explosivos. Da a importncia da soma das colunas da matriz de loops em no
trabalhar com valores absolutos.
Retomando o exemplo do problema demora no atendimento do cartrio, a matriz de loops
apresentada na Tabela 6. Observa-se pelo indicador total de loops que h duas causas que se destacam:
causa 9, Funcionrios desmotivados, e a causa 1, Volume de transaes a processar. A causa 9,
Funcionrios desmotivados, a mais preocupante pois cria um loop explosivo trabalhando em
conjunto com as causas 3, 4, 5 e 7, respectivamente, Registros incorretos, Insatisfao do cliente,
Multas decorrentes de erros, e Dificuldade de comunicao. Considerando esta anlise a melhor
atitude gerencial aprimorar a Motivao dos funcionrios e, para isto, fundamental trabalhar: a
reduo de Registros incorretos (causa 3), que dificultam o trabalho de pesquisa do funcionrio e ao
mesmo tempo os desmotivam, bem como melhorar o processo de comunicao com os clientes (causa
7). Em melhorando a motivao dos funcionrios se reduz a insatisfao dos clientes (causa 4) e a
ocorrncia de multas (causa 5) que esto tambm no contexto do loop explosivo.
Quanto maior a quantidade de variveis e a densidade da matriz causal, maior a dificuldade em
identificar loops e maior a importncia da aplicao do algoritmo apresentado, que pode ser resumido
em sete atividades:
a)
b)
c)
d)
e)
f)

identificar causas associadas ao problema;

criar a matriz quadrada (matriz causal) para todas as causas identificadas como pertinentes;
identificar as influncias entre causas (preenchimento da matriz causal);
gerar a matriz transposta da matriz causal;
multiplicar matrizes (mapa causal pela sua matriz transposta) gerando a matriz de loops;
somar as colunas da matriz de loops gerando o indicador total de loops para cada causa da
matriz;
g) priorizar anlise para as causas que apresentam maior valor para o indicador total de loops.
importante observar que as atividades descritas no tpico 4.3, Identificao das causas que
mais influenciam o sistema, que geraram o ndice de influncia lquida, no esto inclusas nas sete
atividades do resumo do algoritmo para identificao de loops sistmicos. A importncia de calcular e
destacar o ndice de influncia lquida em termos didtico, a fim de ressaltar que a causa mais
importante a ser trabalhada nem sempre a de maior influncia.
7

2 Tempo

3 Registros

4 - Insatisfao

5 Multas

6 - Indisponibilidade

7 - Dificuldade

8 - Inabilidade

9 - Funcionrios

10 Falta

1 Volume de transaes a processar

2 Tempo de processamento
3 Registros incorretos
4 Insatisfao do cliente
5 Multas decorrentes de erros
6 Indisponibilidade de especialistas
7 Dificuldade de comunicao
8 Inabilidade em estimar prazo pesquisa
9 Funcionrios desmotivados
10 Falta de contato com o cliente
Total de loops

1 Volume

Tabela 6 Matriz de loops para o problema demora no atendimento do cartrio

0
-1
-1
0
0
-1
0
1
0
-1
-3

-1
0
1
0
0
0
0
0
0
0
0

-1
1
0
0
0
0
0
0
1
0
1

0
0
0
0
0
0
0
0
1
0
1

0
0
0
0
0
0
0
0
1
0
1

-1
0
0
0
0
0
0
0
0
0
-1

0
0
0
0
0
0
0
0
1
0
1

1
0
0
0
0
0
0
0
0
0
1

0
0
1
1
1
0
1
0
0
0
4

-1
0
0
0
0
0
0
0
0
0
-1

No exemplo do cartrio, as duas causas de maior importncia resoluo do problema, as que

apresentam maior indicador total de loops, causa 9 e 1, apresentam baixo ndice de influncia lquida, 2 (menos dois) para ambas. Isto facilmente observvel ao comparar o total de loops da Tabela 6 com
o ndice de influncia lquida da Tabela 3. Este exemplo caracteriza bem o princpio de Bertalanffy
(2008), que a soma das partes mais importante e significativo que a anlise isolada de cada uma das
partes.
2.2 Determinante causal
O mtodo de Determinante Causal (DC) foi proposto por Sanches e Meireles (2013) e, em
pesquisa realizada por Ferreira (2014), sua aplicao junto a 56 empresas comprovou a sua eficcia
como ferramenta para determinar a causa raiz de um problema. O mtodo j foi disponibilizado em
software e este software que ser operacionalizado para buscar a causa raiz da demora no
atendimento no Cartrio replicando a anlise feita acima com o mtodo Matriz Causal. Ao tempo que
se descreve como o modelo DC opera os fatores causais se apresenta o mtodo.
O mtodo DC em muito se assemelha ao mtodo da Matriz Causal, exceto na forma de pontuar
e de calcular a pontuao. No mtodo Matriz Causal so utilizados os valores -1 (menos um), 0 (zero) e
1 (um); no mtodo DC so usados os valores 1/10; 1/5; 1; 5; e 10. Estes pesos so tpicos da Matriz de
Priorizao e podem ser vistos em Scarpi (2010) e Carpenter II (2010), como mostrados abaixo:
muito mais
(10);
mais
(5);
de forma igual
(1);
menos
(0.2);
muito menos
(0.1)
Outro aspecto diferente no mtodo DC que apenas se faz a comparao das clulas direita da
diagonal (que tem valor nulo). Utilizando o princpio da Matriz de Priorizao, o mtodo DC inscreve o
valor inverso na clula correspondente aos dois fatores. Por exemplo se numa comparao os analistas
concluram que
O 1-Volume de transaes a processar contribui mais (5) do que o 2-Tempo
de processamento para a Demora no atendimento.
8

logo o modelo DC infere que

2-O tempo de processamento contribui menos (1/5) do que o 1-Volume de
transaes a processar para a Demora no atendimento.
O preenchimento dos valores nas clulas abaixo da diagonal sempre o inverso do valor
posicionado acima da diagonal.
Outra diferena entre os mtodos no processamento dos valores.: a Matriz Causal opera com a
diferena ILL= ( linha=outdegree) - ( coluna=indegree) e o mtodo DC utiliza um outro conceito
denominado Emach que ser abordado adiante. Descreve-se agora as etapas para aplicao do mtodo:
Etapa 1: O primeiro passo consiste na especificao do problema e das suas potenciais causas.
Na medida em que no se sabe se se est presente um problema ou um sintoma dele, parte-se do
princpio que se tem, pelo menos, um sintoma: demora no atendimento do Cartrio. As possveis
causas so listadas e consistem nas mesmas consideradas na anlise acima.
Etapa 2: Iniciar o software Determinante Causal (DC). O software pode ser obtido em
www.determinantecausal.com.br.
Etapa 3: Para analisar a causa raiz de um problema necessrio abrir um novo Caso, na janela
de Casos. O cadastro de um Caso requer um nome e a especificao do sintoma ou do objetivo a
alcanar assim como a quantidade de fatores a serem analisados.

Figura 2 Os fatores considerados so os mesmo do mtodo Matriz Causal

Na linha Case foi atribudo o nome de Cartrio ao estudo para que possa ser referenciado
posteriormente. Na linha Objetivo a alcanar ou Sintoma indesejado se expressa o sintoma: Demora
no atendimento.
Etapa 4: Nesta etapa se abre a aba Anlise e se encontra uma Matriz de Priorizao pronta para
receber as decises dos analistas. A Matriz de Priorizao tem tantas linhas quantas colunas onde todos
os fatores considerados surgem. Para proceder anlise deve-se clicar em uma clula direita da
diagonal. Clicando abaixo da diagonal nada ocorrer, pois as clulas esto congeladas. No exemplo da
Figura 3 o cursor foi posicionado na primeira clula direita da diagonal. A clula ativada e
destacada em amarelo e surge uma que possibilita a comparao de dois fatores.

Figura 3. Matriz de Priorizao e janela para comparao

recomendado que a deciso do valor de contribuio (muito menos / menos / de forma igual /
mais / muito mais) de um fator em relao ao outro para o problema seja efetuada por duas ou trs
pessoas que conheam bem o problema. Scarpi (2010) e Dong et al. (2010) e muitos outros autores
recomendam que a atribuio de pontos seja por consenso. Os analistas para cada clula direita da
diagonal devem tomar uma deciso que consiste em escolher o nvel de contribuio mais lgico, por
consenso.

Figura 4: Matriz de Priorizao completa e resultados (somatrias, normalizaes e Emachs)

Observar que as opes para comparao dos fatores so em maior nmero (cinco) do que as
existentes na Matriz Causal (trs). Alm disso, os valores adotados pelo mtodo DC so os mesmos de
uma tpica Matriz de Priorizao: o valor central 1, correspondendo a uma influncia mtua, depois
se tem os valores mais (5) e menos (1/5) e muito mais (10) e muito menos (1/10).
10

Etapa 5: Depois de feitas todas as comparaes clica-se no boto Analisar e obtm-se um

relatrio que contm algumas especificidades como se pode ver na Figura 4. O software apresenta as
somas dos pontos das linhas e dos pontos das colunas. Como as somas das linhas e das colunas
constituem diferentes amplitudes, recorre-se ao processo de normalizao para tornar tais somas com
amplitudes equivalentes, ambas variando no intervalo [0; 5]. Os valores normalizados representam uma
classe de propores estatsticas construdas com frmula especfica e que tem por fim permitir que se
estabelea a comparao entre duas medidas tomadas em locais distintos: no caso, soma das linhas e
somas das colunas (VAN VEELEN & WEIDE,2008).. As normalizaes consideradas so:
A normalizao H (ou horizontal) correspondendo normalizao dos totais das linhas
no intervalo 0-5 (coluna Normalizao H 0-5)
A normalizao V (ou vertical) correspondendo normalizao dos totais das colunas
no intervalo 0-5 (linha Normalizao V 0-5).
Tanto a normalizao V quanto a normalizao H so feitas utilizando a seguinte frmula:
p min
Ip 5
onde p o nmero de pontos, min o menor valor observado e max o maior valor
max min
observado. A normalizao segue as recomendaes de Dodge (2003).
p min
21 2, 7
Por exemplo, para o valor da ltima linha ( 21) temos : I p 5
5
1,11
max min
85 2, 7
Desta forma, se tem dois grupos de valores: os valores normalizados H correspondentes s
somas dos valores dispostos nas linhas (relativamente equivalentes aos outdegrees da Matriz Causal) e
os valores normalizados V correspondentes s somas dos valores dispostos nas colunas (relativamente
equivalentes aos indegrees da Matriz Causal). Estas caractersticas possibilitam a formulao da
seguinte hiptese:
Ha: H associao significativa entre os valores H normalizados do mtodo DC e os
valores dos outdegrees do mtodo Matriz Causal.
O valor H pode ser considerado como desdobramento causal, isto , quanta carga o fator tem
para responder (ser responsvel) pelo evento em anlise, neste caso, demora no atendimento.
Alm da normalizao o software calcula uma varivel para cada fator designada Emach. O
Emach, assim denominado em homenagem a Mach (1960, 1976), calculado com a seguinte frmula:
V
EmachHV
1 . No caso do fator Falta de contato com o cliente o valor H corresponde a 1,15 e
H 1
V
3,82
o valor V a 3,35 pelo que EmachHV
1
1 0,81
H 1
1,11 1
O Emach no mtodo DC cumpre a mesma funo que o ILL no mtodo da Matriz Causal,
embora o tratamento matemtico para os clculos seja diferente. Desta forma pode-se estabelecer a
seguinte hiptese:
Hb: A varivel ILL se correlaciona de forma significativa com o Emach.
Clicando-se no boto Resultado surge a sntese da anlise expressa por uma lista de fatores
ordenados decrescentemente por Emach como mostra a Figura 5.
O Emach expressa o sentido e a potncia do fator na relao causa-efeito (C-E). Fatores causais
so negativos e fatores efeito so positivos como ilustra a Figura 7. Quanto maior o Emach do fator
mais efeito ele expressa. Os limites de Emach so -1 (causa raiz) e 4, principal sintoma do efeito; a
causa raiz o fator com Emach -1.
A janela Resultado (Figura 5) mostra que a causa raiz (Emach -1) a 06-Indisponibilidade dos
especialistas, praticamente emparelhada com 08-Inabilidade em estimar prazo da pesquisa (Emach 0,94).
11

Figura 5 Sntese da anlise do problema pelo mtodo DC

A 04-insatisfao do cliente, as 05-multas decorrentes de erros, os 09-funcionrios
desmotivados a 10-falta de contato com o cliente e a 07-dificuldade de comunicao so
fundamentalmente efeitos ou fatores esprios (no relacionados causa).
3. Mtodo
Tipo da Pesquisa. A pesquisa quantitativa com base em um estudo de caso no qual se aplicou
duas tcnicas distintas para determinar a causa raiz de um problema na rea da Gesto.
Procedimentos. Dado um problema em um cartrio, extrado de Nelson (1997), enfrentado com
o mtodo Matriz Causal, para fins de comparao, uma equipe de trs pesquisadores buscou obter a
causa raiz utilizando a tcnica Determinante Causal. Os resultados finais foram comparados.
Variveis. Uma varivel comum, relacionada aos dois casos, a varivel Fator (varivel
qualitativa nominativa). Alm disso, observaram-se as seguintes variveis para cada mtodo:
Relacionadas Matriz Causal:
IIL- ndice de Influncia Lquida= ( linha=outdegree) - ( coluna=indegree); indica a
influencia do fator no problema.
Loops indica que o fator tem efeito causal mtuo na clula Cij, e na clula Cji da
matriz. Causas nas duas clulas indicam a presena de um loop: se ambas as clulas tm o
mesmo sinal (seja positivo ou negativo) h um loop de amplificao de desvios, se os sinais so
diferentes, h um loop de limitao de desvios.
Indegree soma dos valores absolutos, de um fator, na coluna ( coluna=indegree).
Outdegree soma dos valores absolutos, de um fator, na linha ( linha=outdegree)
Relacionadas Determinante Causal:
Peso dos fatores varivel qualitativa ordinal atribuda pelos membros da equipe
quando comparam dois fatores entre si podendo assumir os valores 10; 5; 1; 1/5 e 1/10.
Normalizao H intensidade relativa dos pontos do fator na linha, no intervalo [0; 5]
p min
calculada da seguinte forma: I p 5
onde p representa o valor de pontos da linha, min o valor
max min
mnimo observado em relao s linhas, max o maior valor observado em relao s linhas; 5 o peso
que transforma o valor mximo em 5.
Normalizao V semelhante normalizao H, mas calculada para cada coluna.
12

V
1 . Assume valor no intervalo [-1; 4] e expressa o
H 1
poder causal do fator para o problema. Valores negativos apontam fatores causais; valores 0 indicam
fatores efeitos ou esprios. A causa raiz tem o valor Emach -1.
Tratamento dos Dados. Os dados receberam tratamento quantitativo por meio de tcnicas
paramtricas com o uso do pacote Estatstico Minitab 16. Os coeficientes de determinao exibidos na
anlise dos dados so calculados pelo software Minitab e informados pela expresso R-Sq que equivale
a R2 . Estes coeficientes, de acordo com Maroco (2007) expressam o ajustamento do modelo aos dados:

Emach valor calculado por

O valor de R2 que se considera produzir um ajustamento adequado algo subjetivo. No caso de

cincias exatas, R2>90% so geralmente aceites como indicadores de um bom ajustamento,
enquanto que para as cincias sociais valores de R2>50% consideram j aceitvel o ajustamento
do modelo aos dados.

Limitaes do Mtodo e Dificuldades deste Estudo. O presente estudo lidou com dados
primrios oriundos de duas equipes que avaliaram as potenciais causas de um problema utilizando
mtodos distintos. No h garantia da reprodutibilidade do processo, seja pelas mesmas equipes seja
por outras, na medida em que as decises expressarem o consenso obtido no momento da deciso.
4. Resultados, concluses e implicaes
Em termos comparativos os dois mtodos se equivalem quanto ao procedimento e quanto ao
resultado final. Inicialmente especificado o sintoma e os usurios devem elencar um conjunto de
possveis causas. Depois das causas introduzidas numa matriz elas so comparadas entre si, duas a
duas. A etapa de comparao mais rica no mtodo DC, pois a escala de possibilidades maior (muito
mais (10)/ mais (5)/ de forma igual ; (1)/ menos; (0.2)/ muito menos; (0.1)) enquanto que o mtodo
Matriz Causal adota os valores 1, 1 e zero, para inexistncia de relacionamento.
1 Volume de transaes a pro

2 Tempo de processamento

3 Registros incorretos

4 Insatisfao do cliente

5 Multas decorrentes de erros

6 Indisponibilidade de especi

7 Dificuldade de comunica

8 Inabilidade em estimar praz

9 Funcionrios desmotivados

10 Falta de contato com o cli

Tabela 7: Resumo dos resultados dos dois mtodos

Outdegree

Indegree

-2

-6

-5

-2

-3

-1

IIL
Total de loops
Emach

-0.60 -0.59 -0.32 4.00 2.98 -1.00 0.14 -0.94 1.29 0.81

Nos dois mtodos h a somatria dos pontos das linhas e das colunas. A Matriz Causal subtrai
as somatrias para obter o IIL de cada fator. O fator que tiver o ILL apontado como o mais influente
para o problema. O mtodo da DC usa processo semelhante, mas calcula a varivel Emach para cada
fator, designando de causa raiz o fator que tiver Emach igual a -1.
No presente estudo os dois apontaram a mesma causa raiz. Observar que o que aponta a causa
raiz , no caso da Matriz Causal, o ILL. O ILL mais elevado o do fator 06-indisponibilidade dos
especialistas como se pode ver no resumo da Tabela 7. Esse resultado coincide com o do mtodo DC,
cuja causa raiz indicada pelo valor -1. O fator que menos contribui para o problema o fator 413

insatisfao do cliente cujo ILL foi o menor; no mtodo DC corresponde ao valor 4 (efeito). Observase, portanto, que os dois mtodos apontam a mesma causa raiz.
Os testes das hipteses mostraram que se observa uma associao significativa ao nvel de
significncia de 0,05 (p-value=0,006) entre as variveis Outdegree da Matriz Causal e a varivel H
ambas associadas influncia do fator sobre os demais nos dois mtodos, com R-Sq=77,2%. Desta
forma a hiptese Ha no rejeitada: H associao significativa entre os valores H normalizados do
mtodo DC e os valores dos outdegrees do mtodo Matriz Causal.

Figura 6: Associao entre ILL e Emach

Tambm no rejeitada a hiptese Hb: o ILL se correlaciona de forma significativa com o
Emach: pode-se afirmar ao nvel de significncia de 0,05 (p-value= 0,003) que h uma associao
ndice de Influncia Lquida do mtodo Matriz Causal e o Emach do mtodo DC, com um coeficiente
de regresso R-Sq=80,6%. A correlao negativa: quanto maior o Emach menor o ILL.
A capacidade de identificar os loops, em especial os loops explosivos do sistema, que um
benefcio da Matriz Causal no se aplica ao mtodo DC. Observe-se pela Figura 3, que a janela de
anlise faz a comparao entre dois fatores: o fator X contribui menos/igualmente/mais do que o fator
Y para o problema? No feita a anlise se os fatores se influenciam mutuamente.
No mtodo da Matriz Causal a lgica de comparao diferente: a causa X descrita na coluna
influenciada pela causa Y descrita na linha? O mtodo Matriz Causal possibilita a anlise de loops
diferindo, nisto, do mtodo DC.
No mtodo Matriz Causal, pelo indicador total de loops, (Tabela 7) h dois fatores que se
destacam: fator 9-funcionrios desmotivados+1,29, e o fator 1-volume de transaes a processar-0,60
(os expoentes indicam os valores Emach calculados pelo mtodo DC). O fator 9-funcionrios
desmotivados+1,29, cria um loop explosivo trabalhando em conjunto com os fatores 3-registros
incorretos-0,32, 4-insatisfao do cliente+4,00, 5-multas decorrentes de erros+2,98, e 7-dificuldade de
comunicao+0,14.
Pela anlise DC os valores Emach mostram que o fator 1-volume de transaes a processar-0,60
e o fator 3-registros incorretos-0,32, desta relao so os nicos com Emachs negativos, podendo-se
considerar, em certo grau, fatores causais.
Combinando-se a anlise de loops com a anlise do mtodo DC observa-se que, neste exemplo,
melhorando a motivao dos funcionrios+1,29, essencialmente um efeito, pouco ou nada se reduziria a
insatisfao dos clientes+4 (efeito principal) ou a ocorrncia de multas+2,98 (outro efeito).
Como concluso geral pode-se afirmar que:
14

i- o mtodo Matriz Causal e o mtodo Determinante Causal, na medida em possuem correlao

significativa entre o ILL e o Emach tendem a apontar a mesma causa raiz;
ii- o mtodo Matriz Causal possibilita a anlise de loops, anlise esta que pode contribuir para
apontar aes gerenciais necessrias desde que os fatores envolvidos sejam causais, isto , tenham
Emachs negativos.
Espera-se que este trabalho contribua para a difuso destes mtodos na esfera do conhecimento
da gesto de qualidade que precisa de ferramentas deste tipo, no dizer de Choo et al. (2007), e que o
mtodo de determinao de loops de causalidade conjugado com a anlise do mtodo DC possa ter a
aplicao que se vislumbra como nos exemplos fornecidos por Videira et al. (2014), Milke (2013) e
Yearworth e White (2013).
Recomenda-se que estudos sejam feitos com vistas a estabelecer uma forma tima de
vislumbrar loops de causalidade do mtodo Matriz Causal com o mtodo Determinante Causal.
REFERNCIAS
Aaker, D.A.(2005). Strategic Marketing Management, 7. ed. Hoboken (NJ): Wiley.

Bertalanffy, L.V. (2008). Teoria geral dos sistemas. 4. ed. Petrpolis: Editora Vozes.
Blalock, H. M., Jr. (1964). Causal Inferences in Non-Experimental Research. Chapei Hill: University
of North Carolina Press.
Bugon, M., Weick, K. & Binkhorst, D. (1997). Cognition in organizations: An analysis of the Utrecht
Jazz Orchestra. Administrative Science Quarterly, 22(4), p.606-639.
Carmo. A.J.R.R.S (2004). Metodologia Evocativa para Mapeamento Causal e sua Perspectiva na
Gerncia de Operaes com Aplicaes via Internet em Gesto da Cadeia de Suprimento e
Administrao de Servios. Rio de Janeiro: PUC (Tese de doutorado)
Carpenter II, E. (2010) Prioritization Matrix Is Made Easier with a Template. Disponvel em:
http://www.isixsigma.com/tools-templates/templates/prioritization-matrix-made-easier-template/
(accessado 23 mar 2014)
Choo, A.S., Linderman, K. W.& Schroeder, R.G. (2007). Method and context perspectives on learning
and knowledge creation in quality management. Journal of Operations Management. 25(4), p.918-931.
Dong,Y., Zhang,G., Hong, W-C. & Xua, Y.(2010) Consensus models for AHP group decision making
under row geometric mean prioritization method. Decision Support Systems. 49(3), p.281289
Elliott, M. R. (2003). Causality and How to Model It. BT Technology Journal, 21(2), 120-125.
Ferreira Junior, S. (2014). Determinante Causal: uma investigao da eficcia da ferramenta
Determinante Causal em pequenas e micro empresas. Campo Limpo Paulista (SP): FACCAMP,
(dissertao de mestrado)
Hume, D. (1980). Investigao sobre o entendimento humano. So Paulo: Abril Cultural.
Kettinger, W.J., Teng, J.T.C. & Guha, S. (1997). Business process change: A study of methodologies,
techniques, and tools. MIS Quarterly, 21(1), p.55-80.
Maat, H. P. & Ted, S. (2000). Domains of use or subjectivity? The distribution of three Dutch causal
connective explained. In: E. Couper-Kuhlen & B.Kortmann (eds.) Cause Condition Concession
Contrast p.177-192. Berlin, NY: Mouton de Gruyter.
Mach, E. (1960). The science of mechanics: a critical and historical account of its development.
Illinois: Open Court.
15

Mach, E. (1976). Knowledge and Error: sketches on the psychology of enquiry. D. Reidel: Boston.
Maroco, J. (2007). Anlise estatstica com utilizao do SPSS. 3.ed. Lisboa: Slabo.
Meier, E. A. (2001). Contrastive study of causal subordination in english and Norwegian. Oslo:
University of Oslo, Norway (tese de doutorado).
Milke, M. W. (2013). Causal loops for analysis of the social dimension to complex systems. Civil
Engineering and Environmental Systems, 30(3-4), 243-248.
Nelson, R.E. (1997) Organizational troubleshooting. New Haven: Quorum.
Nelson, R.E. & Mathews, K.M. (1991). Cause Maps and Social Network Analysis in Organizational
Diagnosis. The Journal of Applied Behavioral Science, 27(3), p.379-397.
Niemeijer, D., & Groot, R. S. (2008). Framing environmental indicators: moving from causal chains to
causal networks. Environment, Development and Sustainability, 10(1), 89-106.
Reichenbach, H. (2000). Direction of time. New York: Dover Publication.
Rohleder, T.R., & Silver, E.A. (1997). A Tutorial on Business Process Improvement. Journal of
Operations Management, 15(2), 139154.
Sanches, C. & Meireles, M. (2013 dezembro) Proposta de modelo para obter relao funcional entre
causas e efeitos. 8 Iberoamerican Academy Conference. 8 a 10 dec. So Paulo
Scarpi, M. J. (2010). Administrao em Sade. So Paulo: DOC.
van Veelen, M., & Weide, R.. (2008). A note on different approaches to index number theory. The
American Economic Review, 98(4), 1722-1730.
Videira, N., Schneider, F., Sekulova, F., & Kallis, G. (2014). Improving understanding on degrowth
pathways: An exploratory study using collaborative causal models. Futures, 55(8).
Voyer, J.J. & Faulkner, R.R. (1986). Cognition and leadership in an artistic organization. In: Pearce II,
J.A.; Robinson, R.B. (Org.). Academy of Management Best Paper Proceedings, p. 160-164.
Wasserman, S. & Faust, K. Social Network Analysis. (1994). Cambridge: Cambridge University Press.
Yearworth, M., & White, L. (2013). The uses of qualitative data in multimethodology: Developing
causal loop diagrams during the coding process. European Journal of Operational Research, 231(1),
p.151.

16