Você está na página 1de 6

As Causas Comuns no CEP so inerentes ao processo?

(http://www.statistical.com.br/artigos.asp)
Carlos H. Domenech
Em 50 palavras ou menos

O conceito difundido de que as causas


comuns so inerentes ao processo e
exigem investimentos apreciveis, no
mais vlido graas s ferramentas do
Seis Sigma.
A tarefa on-line dos operadores na
deteco e eliminao das causas
especiais complementa-se com estudos
off-line dos GBs e BBs.

O desconforto das Causas Comuns no CEP


O artigo foi dividido em trs partes. Na presente seo destaca-se como a definio feita no
CEP de que causa comum sinnimo de causa inerente ao processo, pode gerar confuso e
falta de motivao para a melhoria contnua. Em uma segunda seo apresenta-se uma
proposta de Pyzdek para trabalhar com monitoramento on-line do processo ao mesmo tempo
em que se faz monitoramento off-line das causas comuns. Finalmente mostram-se exemplos
reais.
Uma nova personagem apareceu no pedao, de nome S POP, que muito consciente com
o seu trabalho, mas s vezes apegado demais s normas e procedimentos. Ultimamente leu o
artigo da Banas do ms de setembro de 2004, Mtodos qualitativos versus quantitativos e
ficou um tanto preocupado. Esse artigo alerta sobre a nfase exagerada dos aspectos
qualitativos do gerenciamento da qualidade em detrimento da anlise rigorosa dos processos.
Ele tem vivenciado situaes nas quais as pessoas que usam CEP somente ficam
preocupadas quando aparecem causas especiais. O processo sob controle parece ser um
passaporte para manter o status quo.
S POP conhece bastante os princpios do Controle Estatstico de Processos (CEP),
ferramenta muito valiosa que pode ser utilizada em todas as etapas do DMAIC. Durante a
etapa Definir, pode ajudar na priorizao dos problemas. Na etapa Medir importante para o
controle dos sistemas de medio e componente fundamental do estudo de capacidade para
estabelecer a linha de partida para o projeto. Nas etapas Analisar e Melhorar ajuda na
descoberta das causas razes e na validao das melhorias, e na etapa Controlar auxilia no
gerenciamento do processo para manter os ganhos.
S POP est encucado com uma questo e foi trocar umas idias com Histo DOE, o Black
Belt que o ajuda com as questes do Seis Sigma. Mantiveram o seguinte dilogo:
S POP: Oi Histo DOE, voc tem um tempinho para conversarmos?
Histo DOE: Sempre pronto!
S POP: H uma questo que sempre me confunde um pouco quando trabalho com CEP.
Acompanhe meu raciocnio com esta frase da pgina 96 do livro de Montgomery (observe que
para Montgomery causas aleatrias sinnimo de causas comuns e causas atribuveis,
sinnimo de causas especiais):
Em qualquer processo ... independentemente de quo bem planejado ou cuidadosamente
mantido ele seja, uma certa quantidade de variabilidade inerente ou natural sempre existir.
...Diz-se que um processo que opera apenas com as causas aleatrias de variao est sob
controle estatstico. Em outras palavras, as causas aleatrias so uma parte inerente ao
processo...

2
E veja tambm o que ele comenta em relao ao grande objetivo do CEP:
Um objetivo maior do CEP detectar... a ocorrncia de causas atribuveis das mudanas do
processo, de modo que a investigao do processo e a ao corretiva possam ser realizadas...
O grfico de controle uma das tcnicas para monitoramento on-line do processo largamente
usado para esse propsito.
Mais para frente agrega: ... Finalmente lembre que o objetivo do CEP a eliminao da
variabilidade no processo.
S POP: Voc percebeu certa incoerncia?
Histo DOE: Pois ! Sempre devemos ter cuidado com a observncia cega das regras. H
realmente um conflito, percebeu? Por um lado se menciona que as causas comuns so
prprias do processo e por outro lado que a variao deve ser eliminada. O que acho ainda
mais grave que muitas vezes se passa a idia (veja a definio de Common Cause e
Common Cause Variation no site www.isixsigma.com) de que a variabilidade gerada pelas
causas comuns mais complicada de resolver e s pode ser resolvida com mudanas
apreciveis do processo. Tambm se destaca que as causas comuns so uma medida do
potencial do processo (da tecnologia); a poro remanescente da variabilidade depois de
remover as causas especiais devidas a um ou mais dos 6 Ms (Mo de Obra, Meio ambiente,
Mquina, Mtodo, Medio e Matria prima).
S POP: isso mesmo!
Histo DOE: H um artigo interessante de Pyzdek do ano 1990 no qual eu tenho me baseado
para fazer muitas melhorias significativas com investimentos quase nulos. Voc quer que
mostre como funciona a idia?

A proposta das Causas Visveis e Causas Escondidas


Pyzdek (1990) menciona que a obedincia s regras do CEP tem vrios efeitos indesejados:

As pessoas pensam que encontrar e corrigir causas comuns difcil e custoso, e envolve
mudanas grandes do processo. Por este motivo, solues simples e baratas so
ignoradas.
O pensamento inteligente substitudo por conformidade insensata a regras arbitrrias.
Restringe-se a anlise criativa da variao dentro dos limites.
Inibe-se a melhoria contnua.

A proposta de Pyzdek que nenhuma variao seja considerada como inerente ao processo.
No lugar de usar a classificao de causas comuns e especiais, a proposta definir as
categorias:
Causas visveis: aquelas causas que produzem resultados fora dos limites ou comportamentos
no aleatrios nos grficos de controle.
Causas escondidas: causas cujos efeitos no foram ainda identificados.
Na Figura 1 mostram-se as estratgias sugeridas para o tratamento das causas visveis e
escondidas. O tratamento das causas escondidas um complemento ao trabalho dos
operadores e realizada off-line pelos times de melhoria e conhecedores do processo. O
tratamento deste tipo de causas exige de conhecimento mais especializado.

M. I. Domenech Consultores. Rua Lord Cockrane, 616/Sala: 609/610 Ipiranga- So Paulo- SP- 04213-001. Brasil
Tel.: (55-11) 6161-3043; Telefax (55-11) 272-8282. HP: www.Statistical.com.br. Email: mi.domenech@statistical.com.br

Causas Visveis
Tratamento on-line

Causas escondidas
Tratamento off-line

Quem:
Os operadores ou supervisores da linha
tratam as causas visveis imediatamente.

Quem:
As causas escondidas so tratadas por
especialistas do processo e times de
melhoria (por exemplo coordenados por
Green Belts ou Black Belts).

Como:
Se usam os grficos de controle e regras
especiais de causas especiais. Os
operadores se ajudam com planos de ao
para causas especiais. Estes
planos foram estabelecidos previamente
pela superviso ou pelos times Seis Sigma.

Como:
So utilizadas ferramentas estatsticas de
estratificao na procura de
comportamentos diferenciados. Exemplo:
Multi-vari, Box-plot, intervalos de confiana.
Se necessrio, planos de amostragens
especiais podem ser utilizados para
confirmar os achados.

Figura 1 Estratgias para tratamento de Causas Visveis e Causas Escondidas

Exemplos da Descoberta de Causas Escondidas


Exemplo 1: o primeiro exemplo est relacionado com um processo de produo de fio
polister. Para que no exista variabilidade entre as bobinas depois do tingimento, a tenso do
fio deve ser controlada muito bem (varivel chave do processo). A Figura 2 apresenta um
esquema de uma posio de uma mquina com dois lados que produzem 12 gomos (bobinas)
cada. Como o nmero de mquinas era grande, o pessoal de processo media a tenso
correspondente a uns poucos gomos de cada mquina a cada momento. Aps um determinado
perodo todas as posies de uma certa mquina eram amostradas. Na Figura 3 encontra-se
um grfico de controle da tenso com os dados de uma mquina. Pode-se concluir que a
variabilidade gerada pelas causas comuns reflete a capacidade tecnolgica do processo?
Pode-se afirmar que a estabilidade sinnimo de que todas as causas produzidas pelos 6 Ms
(do diagrama causa-efeito) foram eliminadas? Veja o grfico da Figura 4 em que os dados
foram ordenados por lado (!).
Para quantificar a influncia do lado, foi realizado um estudo de fontes de variao que permitiu
concluir que aproximadamente 82% da varincia total do processo devida s diferenas entre
lados. No arquivo Minitab 14 do link http://www.statistical.com.br/admin/arquivos/CEP.mpj se
descrevem as anlises realizadas para este exemplo. Este resultado foi utilizado pelo pessoal
tcnico para diminuir a variabilidade. Alm disso passou a ser uma rotina realizar amostragem
diria para o CEP de 1-2 posies fixas (sempre as mesmas) e amostragem de 100% das
posies aps de um certo perodo (usando o esquema de amostragem da Figura 5).
19

20

21

22

23

24

30

29

28

27

26

25

Medida de
tenso
Gomo 1

Gomo 2

Figura 2 Mquina de fiao com ilustrao de duas posies que geram duas bobinas

M. I. Domenech Consultores. Rua Lord Cockrane, 616/Sala: 609/610 Ipiranga- So Paulo- SP- 04213-001. Brasil
Tel.: (55-11) 6161-3043; Telefax (55-11) 272-8282. HP: www.Statistical.com.br. Email: mi.domenech@statistical.com.br

I Chart of Tenso
26
UCL=24,63

24

Individual Value

22
20
18

_
X=17,08

16
14
12
10

LCL=9,52
1

11

16

21
26
31
Observation

36

41

46

Figura 3 O grfico de controle da tenso encontra-se sob controle


(a variabilidade das causas comuns indica a capacidade tecnolgica?)

Time Series Plot of Tenso


24

Lado
1
2

22

Tenso

20
18
16
14
12
1

10

15

20

25
Index

30

35

40

45

Figura 4 Resultados de tenso, aps orden-los em funo de lado


(surge alguma evidncia de um fator importante de variao?)
Lado

Gomo

...

12

...

12

Medidas
1

2 ... k

2 ... k

2 ... k

2 ... k

2 ... k

2 ... k

2 ... k

2 ... k

Figura 5 Amostragem de todas as posies com pouca freqncia


Exemplo 2: o segundo exemplo est relacionado com o peso de bateladas de um polmero
produzido em um reator. desejvel que o peso das bateladas no varie muito porque isto far
com que varie o tempo de extruso e as propriedades do material. O problema est sendo
estudado por Nasco, um tcnico muito ativo que trabalha na melhoria do processo: Olha Histo
DOE!, que belezinha a estabilidade do peso dos lotes, perfeitamente sob controle! Agora o
momento em que a gerncia realmente mostre que est comprometida com a melhoria, e faa
os investimentos necessrios para reduzir a variabilidade do peso dos lotes! Estamos
precisando reduzir a variabilidade em pelo menos 50%. Histo DOE olhou o grfico de controle
da Figura 6 e ficou com a pulga atrs da orelha e fez algumas anlises adicionais.

M. I. Domenech Consultores. Rua Lord Cockrane, 616/Sala: 609/610 Ipiranga- So Paulo- SP- 04213-001. Brasil
Tel.: (55-11) 6161-3043; Telefax (55-11) 272-8282. HP: www.Statistical.com.br. Email: mi.domenech@statistical.com.br

I Chart of Peso (kg)


UCL=1631,3

Individual Value

1600

1500
_
X=1403,5

1400

1300

1200

LCL=1175,7
1

15

29

43

57
71
85
Observation

99

113

127

Figura 6 - O peso dos lotes est sob controle. Somente podemos fazer melhorias
com investimentos no processo?
Anlise de Histo DOE:

Histo DOE achou estranho o fato que os limites de controle eram muito largos. Inspecionou
os dados e viu que um peso alto era seguido de um peso baixo e que este comportamento
era muito repetitivo. Ele percebeu que se Nasco houvesse usado outros testes para causas
especiais teria descoberto esta alternncia.
Criou uma varivel que chamou de Perodo e que tomava o valor 1 e 2 sucessivamente
(com raras excees). A seguir fez o grfico da Figura 7, estratificando os dados pela
varivel Perodo. Ele deu um pulo: isso a!
Depois quantificou, da mesma forma que no exemplo 1, a parte da variao total devida ao
efeito Perodo. Mais de 80% da variao era gerada por esse estranho efeito Perodo.
A ele lembrou ter lido em algum livro que quando se trabalha com processos em lotes isto
pode ser comum e foi para a fabricao para tentar resolver o assunto.
Quando Nasco entendeu o problema ficou tambm bastante interessado. Juntos
descobriram, que o volume de trabalho do reator fazia com que o nvel de material
chegasse justo at a parte superior das serpentinas de aquecimento (Figura 8). A agitao
do material fazia que uma parte deste ficasse acima das serpentinas. Esse lote tinha ento
um peso pequeno. No lote seguinte, o volume era maior porque tinha ficado material na
serpentina; o nvel subia e lavava a serpentina. Nesse lote o peso aumentava!
Aps a descoberta, a soluo ficou fcil. Somente tinham que trabalhar com um nvel
ligeiramente superior para que o material lavasse sempre o resto do material acumulado na
serpentina. Pela primeira vez Nasco ficou to contente com Histo DOE que at lhe pagou
uma cerveja na sada do servio...
Nasco percebeu que muitas vezes, mesmo que os dados mostrem um comportamento
estvel, possvel fazer melhorias estratificando adequadamente os dados.
Time Series Plot of Peso (kg)
Perodo
1
2

1500

Peso (kg)

1450

1400

1350

1300
1

14

28

42

56

70
84
Index

98

112

126

Figura 7 Os dados mostram alternncia de lotes com alto e baixo peso

M. I. Domenech Consultores. Rua Lord Cockrane, 616/Sala: 609/610 Ipiranga- So Paulo- SP- 04213-001. Brasil
Tel.: (55-11) 6161-3043; Telefax (55-11) 272-8282. HP: www.Statistical.com.br. Email: mi.domenech@statistical.com.br

Material acumulado
entre um ciclo e outro

Sistema de
agitao
Serpentinas de
aquecimento

Figura 8 O acmulo de material na serpentina do reator


gera o efeito Perodo

Concluses:
As descobertas que podem ser feitas pela anlise off-line, aparecem muitas vezes pela
estratificao da caracterstica de interesse em funo de alguma varivel de processo.
Embora em certos casos estes comportamentos possam ser detectados pela aplicao de
certas regras para causas especiais durante a anlise on-line, os operadores usualmente no
tm o tempo nem a capacitao necessrios para detectar a causa-raiz destes
comportamentos. A explorao dos dados dos processos pode revelar pistas importantes a
partir das causas escondidas, permitindo realizar melhorias radicais sem investimentos
apreciveis, mesmo que os grficos de controle mostrem um comportamento estvel. Esta
explorao requer maior envolvimento do pessoal que atua em melhoria contnua, mas o
esforo pode ser muito bem recompensado!

REFERNCIAS BIBLIOGRFICAS:

Montgomery, Douglas C. (2004). Introduo ao Controle Estatstico da Qualidade. 4. ed.


LTC editora: Rio de Janeiro. ISBN: 8521614004.
Ograjensek, Irena e Thyregod, Poul (2004). Mtodos qualitativos versus quantitativos.
Banas Qualidade, 148, p. 10-13.
Pyzdek, T. (1990). Theres no such thing as a common cause. ASQC Quality Congress
Transactions. American Society for Quality. p. 102-108.

Carlos Domenech diretor da M. I. Domenech, empresa de mtodos avanados e solues


Seis Sigma. Mestre em estatstica (IME/USP). Trabalhou durante 10 anos na Rhodia.
Certificado pela Motorola (Texas) como instrutor de Black Belt. Especializao em DOE no
Centro da Tecnologia da DuPont - Wilmington. mi.domenech@statistical.com.br.

M. I. Domenech Consultores. Rua Lord Cockrane, 616/Sala: 609/610 Ipiranga- So Paulo- SP- 04213-001. Brasil
Tel.: (55-11) 6161-3043; Telefax (55-11) 272-8282. HP: www.Statistical.com.br. Email: mi.domenech@statistical.com.br