Você está na página 1de 431

Formao

GREEN BELT

Sobre a apostila
Essa apostila contm vrios exerccios que necessitam de arquivos de dados para serem realizados. Os arquivos
sero passados para os alunos no decorrer das aulas.

FM2S

Sumrio

O Modelo de Melhoria
Introduo
As trs questes fundamentais
O ciclo PDSA
Abordagens para melhoria
As trs categorias de melhoria
Habilidades para realizar melhorias
Roteiros de projetos de melhoria
Resumo do captulo

Define
Contrato de melhoria
SIPOC
VOC
Anlise dos stakeholders
Diagrama de afinidades
Resumo do captulo

Measure
Fluxograma (mapeamento do processo)
Caractersticas de processo e variveis
Anlise da variao
Grfico de frequncia
Medidas de localizao e de variao
Dados classificatrios
Grfico de Pareto
Transformao de variveis
Grfico de controle

Programa 6-sigma: formao GREEN BELT


Capabilidade
Medio de desempenho do processo e do sistema
Resumo do captulo

Analyse
Desenvolvimento de mudanas
Diagrama de causa e efeito
Desconexes
Os oito desperdcios
Diagrama AV/ NAV
Processo prova de erros
Diagrama de rvore
Tecnologia
Criatividade
Conceitos de mudana
Associao (correlao) entre variveis
Experimento fatorial completo
Resumo do captulo

Improve
Resumo do captulo

Control
Resumo do captulo

Estudo de caso: reduo de refugo


Referncias

FM2S

O Modelo de Melhoria

O Modelo de
Melhoria
1

Programa 6-sigma: formao GREEN BELT

Introduo

Melhorar
uma
necessidade

O Modelo de Melhoria

INTRODUO

Melhorar processos e produtos uma atividade fundamental para as organizaes. Para conseguir estas
melhorias, necessrio que as empresas possuam pessoal capacitado em coletar e interpretar dados, realizar
experimentos e propor mudanas nos projetos.
exatamente isso que o curso de Green Belt prope conseguir. Durante o curso, ser apresentado um mtodo
para que o profissional incumbido de gerar uma melhoria possa cumprir o seu dever. O mtodo ir apresentar
ferramentas slidas de anlise, experimentao e desenvolvimento de mudanas. As ferramentas, muitas delas
estatsticas, sero apresentadas de maneira com que possam ser utilizadas na prtica, resolvendo problemas
reais das organizaes.

FM2S

AC-1800: Era
dos artesos
1875: Taylorismo

1900-1930:
Fordismo

1950s: Deming,
Juran e Ishikawa

1930s:
Shewhart (CEP)
1980s: ISO
e Six-sigma

2000: Modelo de
Melhoria
Introduo

O Modelo de Melhoria

Um breve resumo histrico sobre melhoria da qualidade


Era dos artesos:
AC 1800: O arteso controla o sistema de produo. Atende a definio de qualidade do cliente. Qualidade
obtida com alto custo. Mercadorias nicas.

Era da produo em massa:


Objetivo de reduo de custo, com um impacto fantstico na reduo de custo de produo. Qualidade
secundria e obtida por meio de inspeo. Criao de uma robusta estrutura gerencial, departamentos e
barreiras entre departamentos para garantir que esses sistemas (produo e inspeo) fossem controlados.
1875: Frederick Taylor desenvolve a primeira abordagem para trabalhar com produtos e processos mais
complexos: dividir os trabalho em pequenas unidades de processamento e estudar a maneira de conduzir essas
atividades mais rapidamente. Essa metodologia chama de Administrao Cientfica (publicada no livro
Princpios da Administrao Cientfica de Taylor).
1900-1930: Henry Ford desenvolve o conceito de linha de montagem e desenvolve alguns conceitos para
melhorar a qualidade e produtividade, como sistemas prova de erros e inspeo. Nesta poca tambm

Programa 6-sigma: formao GREEN BELT

comea-se a dar mais ateno para o treinamento de funcionrios de maneira sistmica. O treinamento,
entretanto, era focado em capacitar as pessoas paras realizar as atividades da linha de produo.
1930s: Walter Shewhart desenvolve conceitos que fundamentam o controle estatstico de processos enquanto
trabalhava nos Laboratrios Bell. Estes conceitos baseavam-se em utilizar a teoria estatstica para se obter
alguma previsibilidade de processos. Destes estudos surgiram vrias das ferramentas apresentadas ao longo
do curso, como o ciclo PDSA e o Grfico de Controle.

Era do gerenciamento da qualidade:


1950s: Deming e Juran comeam a difundir os conceitos do controle estatstico de processos aos gerentes
industriais japoneses e esses mtodos comeam a se disseminar no Japo. Karou Ishikawa introduz o diagrama
de causa e efeito e outras ferramentas para anlise de processos e produtos.
1980s: ISSO (International Standarization Organization) publica o primeiro manual da qualidade. Motorola
cria o programa de 6-sigma.
2000: Modelo de Melhoria integra as diversas metodologia e ferramentas de melhoria em uma abordagem
robusta e eficaz.

FM2S

Introduo

O Modelo de Melhoria

Deming, na dcada de 90, sintetizou os fundamentos da cincia da melhoria em quatro pilares que ele
denominou de sistema do conhecimento profundo, onde profundo denota a capacidade de desenvolver boas
mudanas que obtemos na utilizao desse sistema. Seus 4 pilares so:
Viso sistmica: precisamos entender que trabalhamos em um sistema, onde seus processos so
interdependentes, para conseguir melhor-lo.
Psicologia (trabalho em equipe): normalmente, pessoas esto envolvidas na realizao das atividades dentro
das empresas e elas reagiro de diversas maneiras no momento da implementao das mudanas propostas. O
ser humano tem uma grande tendncia de reagir negativamente as mudanas. Precisamos de tcnica para
trabalhar com as pessoas e aumentar a chance de sucesso de uma implementao.
Teoria do conhecimento (PDSA): boas mudanas vm da aplicao de conhecimento do processo e precisamos
de uma estrutura que garanta que o aprendizado seja o mais eficiente possvel.
Entendimento de variao: invariavelmente, precisamos coletar dados sobre os processos para entend-los. Os
dados apresentam variao. Entender como analisar corretamente os dados na presena dessa variao ajudar
o correto gerenciamento dos processos.

10

Programa 6-sigma: formao GREEN BELT

Como
realizar
melhorias?

Melhorar processos e
produtos uma
necessidade permanente
de qualquer organizao.

Introduo

O Modelo de Melhoria

Com a diminuio das barreiras entre os pases o aumento da competitividade tem sido cada vez maior. Com
isso os negcios tm mudado com alta velocidade e no temos escolha: precisamos melhorar nossas
organizaes reduzindo custos, reduzindo problemas de qualidade e aumentando o valor percebido de nossos
produtos.
Mas como realizar estas melhorias?
necessrio, alm de um mtodo e de um slido conhecimento no mtodo, criar uma cultura de melhoria na
empresa. Essa cultura no se cria do nada. Ela palpada na filosofia de que a melhoria necessria, de que ela
um objetivo estratgico. Aps fixada esta diretriz, treinar pessoas e criar processos para a realizao da
melhoria torna-se possvel.

FM2S

11

Definir melhoria como


estratgia
Dominar um processo
para realizar melhorias
Criar uma estrutura
adequada

Introduo
O Modelo de Melhoria

Para realizar melhorias uma organizao precisa:

Definir melhoria contnua como parte da estratgia;

Dominar um processo eficiente e eficaz de realizar melhorias;

Criar uma estrutura adequada para realizar melhorias

O primeiro ponto vem da liderana.


O segundo discutiremos ao longo do curso.
O terceiro diz respeito a um ambiente favorvel mudana.

12

Programa 6-sigma: formao GREEN BELT

Conceito fundamental
nem sempre
resulta em
Mudana

Melhoria

requer

Introduo

O Modelo de Melhoria

O processo eficiente que discutiremos ao longo do curso derivado do conceito fundamental apresentado no
slide: mudana nem sempre melhoria, mas para melhorar precisamos mudar.
A equao de mudana e melhoria nos leva a 2 consideraes:

Como nem toda mudana uma melhoria, precisamos de um INDICADOR para comprovarmos
quando nossa ao foi efetiva;

Como toda melhoria requer mudana, precisamos buscar por MUDANAS durante a execuo da
iniciativa de melhoria.

Outro ponto importante que sem um foco bem claro e definido para o grupo, o time pode ficar perdido quanto
ao que preciso ser realizado.
Assim, organizando as 3 consideraes, temos:

Propsito (foco): precisamos saber o que queremos melhorar e por que;

Indicadores: preciso estabelecer critrios para saber quando uma mudana uma melhoria para o
propsito especificado;

Mudanas: precisamos encontrar boas mudanas, desenvolv-las, test-las e implement-las.

Essas trs consideraes iniciais levaram a se definir 3 questes fundamentais que todos devemos responder
nos esforos de melhoria. o que veremos a seguir.

FM2S

13

As trs questes fundamentais

Qualquer projeto de melhoria tem que dar resposta a


Trs Questes Fundamentais

O Modelo de Melhoria

AS TRS QUESTES FUNDAMENTAIS

Considerao 1 (Objetivo)
Todo esforo de melhoria deve ter um propsito bem definido. As pessoas se motivam e se comprometem com
uma iniciativa de melhoria se elas tm um foco claro e entendem sua importncia.
A primeira questo do modelo :

Q1. O que estamos tentando realizar?


A resposta primeira questo estabelece objetivos para uma iniciativa de melhoria. Os objetivos devem ser
declarados de forma breve e concisa, para orientar a iniciativa e para manter o foco.

Considerao 2 (Indicadores)
Nem toda mudana resulta em melhoria. preciso estabelecer critrios para saber quando uma mudana uma
melhoria.
A segunda questo do modelo :

14

Programa 6-sigma: formao GREEN BELT

Q2. Como saberemos se uma mudana uma melhoria?


Para saber se uma mudana uma melhoria quase sempre necessitamos de dados, sejam eles observados ou
formalmente coletados.

Considerao 3 (Mudanas)
Melhoria requer mudana. Se estamos interessados em obter melhoria, no podemos manter as coisas como
esto.
A terceira questo do modelo :

Q3. Que mudanas podemos fazer que resultaro em melhoria?


Esta questo chama ateno para a necessidade de desenvolver, testar e implementar mudanas para obter
melhoria.

Uso das trs questes fundamentais:


Em um projeto formal de melhoria, apropriado responder s duas primeiras questes no incio do projeto.
A terceira questo respondida durante a realizao do projeto.

Contexto: projeto Melhoria em um processo de compras


Uma empresa tem um departamento responsvel por realizar compras
(material permanente, material de consumo etc.) organizao.
O departamento est recebendo uma grande quantidade de
reclamaes dos usurios, a maior parte delas relacionada com atrasos
nas compras realizadas por ela.
A Diretoria da empresa decidiu realizar uma iniciativa para melhorar o
desempenho do processo de compras.

As trs questesfundamentais
O Modelo de Melhoria

FM2S

15

Considere o exemplo do slide, onde um time foi formado para melhorar o processo de compras.

Q1. O que estamos tentando realizar?


Reduzir o tempo para realizar compras.

Q2. Como saberemos se uma mudana uma melhoria?


Quando o tempo para realizar compras for significativamente reduzido.

Q3. Que mudanas podemos fazer que resultaro em melhoria?


Hoje, o tratamento das filas de pedidos segue a sequncia por ordem de entrada. Poderamos classificar os
pedidos de compra na origem conforme a complexidade e faixa de investimento, e simplificar o processo para
compras de baixa complexidade e de baixo preo, otimizando a fila de entrada (exemplo).

Exerccio
Em um banco h uma diviso chamada "Diviso Comercial para
Empresas". Essa diviso est enfrentando dificuldades em
aumentar a lucratividade bem como o nmero de clientes.
Dentro da Diviso h uma rea responsvel pela implementao de
produtos para os clientes (empresas). Os clientes esto reclamando
da quantidade de interaes com o banco e com o tempo para
completar a implementao dos produtos. Muitos clientes
cancelam o processo de implementao devido a essa insatisfao,
procurando satisfazer essa necessidade na concorrncia.

A Diretoria desta diviso resolveu realizar uma iniciativa para


melhorar o desempenho do processo de implementao de
produtos em empresas clientes.

As trs questesfundamentais
O Modelo de Melhoria

Responda s duas primeiras questes do modelo para o contexto descrito no slide:

Q1. O que estamos tentando realizar?

10

16

Programa 6-sigma: formao GREEN BELT

Q2. Como saberemos se uma mudana uma melhoria?

Q1. O que estamos tentando realizar?

Ao lidar com a primeira questo, tenha em mente:

Uma descrio geral do contexto;

Os resultados esperados;

As fronteiras para as atividades.

As trs questesfundamentais Q1

11

O Modelo de Melhoria

Ao lidar com a primeira questo (o que queremos realizar?) devemos ter em mente trs componentes:

Descrio geral do contexto:


A descrio geral do contexto fornece informaes sobre o problema. A descrio deve comunicar por que este
esforo importante e por que estamos realizando essa iniciativa.

Os resultados esperados:
Cada objetivo deve ter um ou mais indicadores associados estruturao da questo 2 do modelo. Uma forma
de declarar o resultado esperado :

Verbo no infinitivo + complemento (os verbos tipicamente utilizados so: reduzir, aumentar, melhorar,
etc.. O complemento fornece informao sobre os indicadores que sero utilizados na iniciativa).

FM2S

17

Exemplo: reduzir o custo de entregas atrasadas no setor de eletrnicos em 70% (de $1.5M to $45K) at
janeiro de 2008.

(O que

Onde

Quanto

Quando)

Fronteiras para as atividades:


As fronteiras para as atividades estabelecem restries ao escopo da iniciativa.

Que mudanas no podem ser feitas?

Que reas no podem ser impactadas?

Que indicadores no podero ser afetados?

Q2. Como saberemos se uma mudana uma melhoria?

UTILIZE DADOS!!!

As trs questesfundamentais Q2

12

O Modelo de Melhoria

Ao lidar com a segunda questo (Como saberemos que uma mudana uma melhoria), devemos ter em mente
a construo de um critrio claro e objetivo para o projeto.
No caso de sistemas simples, podemos discernir se uma mudana uma melhoria apenas observando
informalmente o que acontecia antes e o que aconteceu aps a mudana.

18

Programa 6-sigma: formao GREEN BELT

Para processos e sistemas mais complexos, como nas organizaes, necessitamos mostrar se uma mudana
melhoria com evidncia, em geral utilizando dados coletados formalmente nos processos.

Medidas antes e depois


10
9
8
7

Objetivo: reduzir o tempo de ciclo

CYCLE

6
5
4

MUDANA

3
2
1
0

Medida Antes

Medida Depois

NEWVAR3
Medida na semana 11

Medida na semana 4

As trs questesfundamentais Q2

13

O Modelo de Melhoria

Suponha o exemplo de Moen, Nolan e Provost (1998) em que uma mudana foi projetada para reduzir o tempo
de ciclo de uma operao. No planejamento do teste estabeleceu-se que a mudana seria realizada entre a stima
e a oitava semana a partir do inicio do projeto.
Uma medida do tempo de ciclo foi realizada na quarta semana e o resultado obtido foi 8 min. Na dcima
primeira semana foi realizada uma nova medida e o resultado obtido foi 3 min. A reduo do tempo de ciclo
de 8 para 3 minutos foi considerada muito significante para o processo de interesse.
Os dados obtidos esto no grfico do slide. Qual o grau de convico de que a mudana uma melhoria?

FM2S

19

Semana

Cenrio 1

Cenrio 2

Cenrio 3

Cenrio 4

Cenrio 5

Cenrio 6

10

11

12

13

14

As trs questesfundamentais Q2

14

O Modelo de Melhoria

Com os dados do exemplo anterior, poderamos gerar seis cenrios, conforme mostrado no slide. Em todos eles
o tempo de ciclo na semana 4 de 8 min e de 3 min na semana 11. Ser que a convico de melhoria a mesma
para o 6 cenrios?

20

Programa 6-sigma: formao GREEN BELT

As trs questesfundamentais Q2

15

O Modelo de Melhoria

Quando falamos de dados precisamos nos atentar que existe variao em todos os indicadores. Para decidir
quando atingimos nosso objetivo precisamos pensar na relao sinal/rudo. O sinal dado pela diferena entre
3 e 8. O rudo dado pela variao presente nos dados.

No cenrio 1 a mudana uma melhoria.

No cenrio 2 notamos apenas variao comum e nenhuma melhoria foi atingida.

No cenrio 3 o indicador j vinha caindo. No foi a nossa mudana que causou melhoria. Algo j estava
acontecendo.

No cenrio 4 a mudana causou um impacto positivo e significativo, mas no duradouro e a melhoria


no foi obtida

No cenrio 5 a melhoria aconteceu antes da nossa mudana. Em projetos de melhoria um fator


importante o aprendizado de quanto atingimos nosso objetivo. Se descobrirmos como melhorar
algum processo, podemos replicar o conhecimento para outras atividades da empresa.

No cenrio 6 agimos sobre uma causa especial, desperdiando recursos. Nesses casos a ao deve ser
pontual.

FM2S

21

em indicadores de
interesse da
organizao

Melhoria

impacto positivo,
relevante

3 e duradouro

Mudana

Melhoria impacto positivo, relevante e duradouro em


indicadores de interesse da Organizao.
As trs questesfundamentais Q2

16

O Modelo de Melhoria

Da discusso anterior podemos criar uma definio operacional de melhoria:

Melhoria impacto positivo, relevante e duradouro em indicadores de interesse da


organizao.
Em esforos de melhoria precisamos, ao final do projeto, apresentar um grfico como o desse slide mostrando
que atingimos nosso objetivo.

22

Programa 6-sigma: formao GREEN BELT

Antes

Depois

Foram feitas mudanas?


As mudanas resultaram em melhoria?
As trs questesfundamentais Q2
O Modelo de Melhoria

Com as duas fotos do slide, quo convicto voc esta de que a mudana foi uma melhoria?

17

FM2S

Antes

23

Uma semana
depois

Duas semanas
depois

As mudanas resultaram em melhoria?

As trs questesfundamentais Q2
O Modelo de Melhoria

Nesse caso a organizao da sala no se mantem, portanto no obtemos uma melhoria.

18

24

Programa 6-sigma: formao GREEN BELT

Antes

Trs semanas depois

Uma semana depois

Duas semanas
depois

Quatro semanas depois

Cinco semanas depois

As mudanas resultaram em melhoria?


As trs questesfundamentais Q2

19

O Modelo de Melhoria

Nesse caso temos maior convico de que seja uma melhoria. Nunca temos certeza de que as coisas no iro
voltar para o estado anterior, mas quanto mais dados, maior a convico que manteremos o mesmo patamar
do indicador.
Assim, para mostrarmos que atingimos nosso objetivo devemos coletar dados sobre o indicador do projeto.
Devemos seguir algumas diretrizes quando coletamos dados de um indicador:

Os dados devem geralmente cobrir um perodo anterior ao incio das mudanas e um perodo durante
e aps as mudanas.

Conforme mudanas forem sendo feitas no processo, o comportamento dos indicadores deve fornecer
subsdios para julgar se as mudanas so melhorias.

FM2S

25

Tipos de indicadores
Medidas de
resultado:

Medidas de
processo:

Estamos
fazendo as
As mudanas
coisas certas
esto levando
melhoria?
para atingir
nosso objetivo?

Medidas de
equilbrio:
Contraindicadores

As trs questesfundamentais Q2

20

O Modelo de Melhoria

Os indicadores de projetos de melhoria podem ser de trs tipos:

Medidas de resultado:
Indicam se estamos atingindo nosso objetivo.

Medidas de processo:
Indicam se estamos aplicando as melhorias com as quais nos comprometemos para atingir o objetivo. Medidas
de processo nos auxiliam a aprender se nossa mudana no esta causando o impacto desejado ou se
simplesmente no estamos aplicando-a.

Medidas de equilbrio:
Indicam se estamos piorando outra parte do sistema para atingir nosso objetivo. Por exemplo, pode ser
bastante fcil aumentar o nvel de servio de um distribuidor apenas aumentado o volume em estoque.

26

Programa 6-sigma: formao GREEN BELT

Tecnologia

Anlise crtica

Ideias para
mudana

Criatividade

Conceitos

As trs questesfundamentais Q3

21

O Modelo de Melhoria

Ao lidar com a terceira questo (quais mudanas podemos fazer que iro resultar em melhoria), devemos ter
em mente que preciso de mudanas no processo se desejamos melhora-lo.
Um bom processo aquele em que as pessoas tm facilidade de fazer as coisas certas e dificuldade de cometer
erros. Isto tambm vale para produtos. As ideias para obtermos boas mudanas nos produtos e processos
podem vir de 4 meios:

Anlise crtica sobre processo/produto atual;

Uso de novas tecnologias;

Pensamento criativo;

Uso de conceitos de mudana.

Esses temas sero tratados em detalhes mais frente.

FM2S

27

O ciclo PDSA

Melhoria vs. Conhecimento

O Modelo de Melhoria

O CICLO PDSA

22

Lembre-se da relao entre mudana e melhoria: fazer melhoria a busca de boas mudanas. Boas mudanas
resultam da aplicao de conhecimento sobre o processo e o conhecimento fruto de aprendizado. O
aprendizado das pessoas sobre os processos realizado de forma mais eficiente e eficaz pelo uso do Mtodo
Cientfico. O Ciclo PDSA o componente do Modelo de Melhoria que guia o aprendizado.

28

Programa 6-sigma: formao GREEN BELT

Dados (fatos, eventos)


deduo

deduo
induo

induo

Hipteses (teoria)

O ciclo PDSA

23

O Modelo de Melhoria

Passos do Mtodo Cientfico

Observar um evento;

Formular uma teoria para a causa do evento; fazer predies com base na teoria;

Testar a teoria atravs de um experimento;

Analisar os resultados do experimento e concluir a respeito da teoria;

Relatar os resultados comunidade cientfica (publicar o trabalho).

Nas organizaes podemos usar o mesmo mtodo:


1.

Tudo TAMBM comea (e termina!) com questes:

Quais so as causas deste problema?

Ser que a minha ideia vai funcionar?

Conseguiremos atingir os resultados esperados?

2.

Tambm somos capazes de fazer predies baseado no que sabemos hoje, o que acontecer?

3.

Fazemos ento uma coleta de dados, um teste ou implementao

4.

Analisamos os resultados e....

FM2S
5.

29

AGIMOS sobre o processo!

Mtodo Cientfico nas Organizaes (Ciclo PDSA)

Observar um evento;

Formular uma teoria para a causa do evento; fazer predies com base na teoria;

Testar a teoria atravs de um experimento;

Analisar os resultados do experimento e concluir a respeito da teoria;

Aplicar o conhecimento obtido para realizar mudanas que resultem em melhoria.

O ciclo PDSA

24

O Modelo de Melhoria

Em cada fase do ciclo temos tarefas que nos levam na direo do aprendizado. Essas tarefas esto descritas no
ciclo PDSA do slide. O uso de dados em um ciclo facilita o aprendizado e a ao isso um aspecto fundamental
do PDSA

Quando usar um PDSA?


As formas mais comuns de se usar um ciclo PDSA como parte de um esforo de melhoria so:

Coletar dados para construir conhecimento para ajudar a responder qualquer uma das 3 questes
fundamentais (Ateno: nesta caso garanta que a etapa A do ciclo seja feita. preciso que alguma ao
concreta ocorra aps o ganho de conhecimento).

30

Programa 6-sigma: formao GREEN BELT

Testar uma mudana.

Implementar uma mudana.

O ciclo PDSA

25

O Modelo de Melhoria

Em uma iniciativa de melhoria, ciclos PDSA so utilizados para entender a situao atual de um processo e para
desenvolver, testar e implementar mudanas um ciclo puxa o outro.
Conforme o tempo de execuo do projeto avana, aumentamos o aprendizado sobre o processo e tambm
nossa chance de encontrar boas mudanas.

FM2S

31

PLAN
Objetivo: Conhecer como se comporta a demanda para o setor de compras.
Questes
Predies
1.
2.

Como a distribuio dos valores das


compras?
Quais tipos de compras so mais
frequentes?

1.
2.

Plano de coleta de dados

A maior parte das compras est entre R$


2.000 e R$ 3.000.
O tipo de compra mais frequente o
Menor preo. Poucas compras so do tipo
Reservado.

De uma amostra de 200 compras realizadas nos ltimos seis meses anotar o valor e
o tipo de compras.
O Alberto responsvel por coletar os dados. Instru-lo sobre como amostrar,
anotar os valores e digitar em uma planilha.
A Madalena deve preparar um grfico de frequncia dos valores das compras e um
grfico de barras com as porcentagens por tipo de compra.
A equipe deve se reunir para analisar os grficos.

DO

Coletar os dados.
Observar e anotar anomalias durante o processo de coleta dos dados.

O ciclo PDSA

26

O Modelo de Melhoria

Considere um projeto de melhoria com o objetivo de reduzir o tempo para realizar compras. Existiam dois tipos
principais de compras:

Reservado: o solicitante j havia reservado o produto e bastava executar a compra, o que sugere uma
compra rpida

Menor preo: a compra seria realizada por meio de 3 oramentos, onde o de menor preo ganharia.

Com relao aos valores, produtos com valor abaixo de R$ 2.000,00 no precisavam de 3 oramentos, o que
sugere um processo mais rpido para eles.
O PDSA do slide mostra o estudo da equipe de melhoria para entender a destruio dos pedidos de compras.

32

Programa 6-sigma: formao GREEN BELT

STUDY

Mais de 80% dos valores esto abaixo de


R$2K, sugerindo que um processo mais
simples pode ser desenvolvido para essas
compras.

50% das compras do tipo Reservado ,


contradizendo a predio inicial.

ACT

1.
2.

Entrevistar os compradores para entender as causas de demora em aquisies abaixo de


R$2K.
Iniciar um novo ciclo PDSA para avaliar se existe diferenas no tempo mdio de aquisio
entre Reservado e Menor preo.

O ciclo PDSA

27

O Modelo de Melhoria

Foi possvel perceber que a maioria dos pedidos tinha preo baixo e eram do tipo reservado, o que sugeria que
deveriam ser executados com rapidez e isso no vinha acontecendo.
No ciclo PDSA seguinte os compradores foram entrevistados. Eles disseram que mesmo para compras do tipo
reservado, cotavam com outros fornecedores, o que atrasava a compra. Essa descoberta fez com que a gerente
suspendesse as cotaes para compras do tipo reservado, reduzindo significativamente o tempo para realizao
das compras.

FM2S

33

O Modelo de Melhoria

28

O Modelo de Melhoria um mtodo eficiente e eficaz de realizar melhorias nas organizaes. Ele composto
pelas trs questes fundamentais e pelo ciclo PDSA.

Flexibilidade do Modelo de Melhoria:


adaptvel para diferentes nveis de formalidade.
til tanto para melhoria de produtos e servios como para melhoria de processo.
aplicvel em qualquer tipo de organizao.
aplicvel em quaisquer processos ou sistemas de uma organizao.

34

Programa 6-sigma: formao GREEN BELT

Abordagens para melhoria

Mudar o sistema como um todo


Projetar
um novo
processo
Projetar
um novo
produto

Melhorar
Um processo existente

Um produto existente

O Modelo de Melhoria

AS ABORDAGENS PARA MELHORIA

29

Podemos utilizar o Modelo de Melhoria para realizar projetos de melhoria com qualquer enfoque. As cinco
abordagens mais importantes para melhoria so:

Projetar um novo produto ou servio;

Mudar um produto ou servio existente;

Projetar um novo processo;

Mudar um processo existente;

Mudar o sistema como um todo.

FM2S

35

As trs categorias de melhoria

Eliminar
defeitos

Reduzir
custos

Aumentar as
expectativas dos
clientes

O Modelo de Melhoria

AS TRS CATEGORIAS DE MELHORIA

30

Um dos objetivos centrais de programas de melhoria aumentar o valor dos produtos e servios oferecidos
pela organizao. Valor = qualidade / custo total. Qualidade a medida de como um produto ou servio
corresponde a uma necessidade e custo total a soma do custo de etiqueta mais custo de uso.
Para desenvolver uma abordagem efetiva de melhoria e aumentar o valor de seus produtos ou servios os
lderes devem equilibrar os esforos de melhoria em trs categorias:

Reduzir ou eliminar problemas que surgem devido ao no atendimento das expectativas dos clientes;

Reduzir significativamente os custos, ao mesmo tempo em que a qualidade mantida ou melhorada;

Aumentar as expectativas dos clientes, fornecendo produtos e servios que os clientes percebam como
tendo alto valor.

O Modelo de Melhoria que vimos anteriormente e as ferramentas que aprenderemos ao logo do curso podem
ser aplicados em cada uma dessas categorias.

36

Programa 6-sigma: formao GREEN BELT

Habilidades para realizar melhorias

Lidar com
dados
Trabalhar em
equipe

Entender a
situao
atual

Implementar
mudanas

Desenvolver
mudanas
Testar
mudanas

O Modelo de Melhoria

AS HABILIDADES PARA REALIZAR


MELHORIAS

31

Lembre-se que para melhorar precisamos mudar. Para encontrar boas mudanas precisamos aumentar nosso
conhecimento sobre o assunto especfico (os princpios por traz de uma reao qumica, por exemplo. Alm do
conhecimento especfico, existem outras habilidades teis no desenvolvimento de mudanas que resultem em
melhoria: lidar com dados, entender a situao atual, desenvolver mudanas, testar mudanas, implementar
mudanas e trabalhar em equipe. Discutiremos essas habilidades durante o curso.

FM2S

37

Roteiros de projetos de melhoria

O Modelo de Melhoria

ROTEIROS DE PROJETOS DE MELHORIA

32

Qual a mensagem importante no cartaz do slide?

Importncia de diferenciar produto de necessidade.

Produto e Necessidade:
Realizar melhorias uma necessidade. Pessoas e organizaes tm trabalhado ao longo dos anos para
desenvolver produtos (processos) para atender essa necessidade. A necessidade permanente. Produtos so
criados e aperfeioados alguns resistem mais tempo, outros desaparecem.

38

Programa 6-sigma: formao GREEN BELT

Organizao

Problema/
oportunidade

Entender a
situao
atual

Projeto
realizado

Organizao

Objetivos
(Questes 1 e
2)

Desenvolver
Mudanas
Testar
Mudanas
Implementar
Mudanas
(Questo 3)

Roteirosde projetosde melhoria

33

O Modelo de Melhoria

Um projeto de melhoria resultado de um Processo. As macro etapas de um processo de um projeto de


melhoria so:

Entender a situao atual;

Desenvolver mudanas;

Testar mudanas;

Implementar mudanas.

FM2S

39

Roteirosde projetosde melhoria

34

O Modelo de Melhoria

As macro etapas formam um roteiro (sequncia de etapas). Muitos roteiros para realizar melhorias foram
desenvolvidos ao longo do tempo.

40

Programa 6-sigma: formao GREEN BELT

Roteirosde projetosde melhoria- DMAIC

35

O Modelo de Melhoria

O Six Sigma utiliza um roteiro conhecido como DMAIC (Define, Measure, Analyse, Improve, Control). As
atividades de cada fase so:

Define (definir)

Definir o problema, os objetivos e os benefcios;

Determinar os requisitos dos clientes e as CTQs;

Identificar o proprietrio do projeto, o patrocinador e o time;

Fazer o SIPOC do processo;

Definir os recursos, fronteiras e restries;

Fazer o contrato com a equipe.

Measure (medir)

Fazer o mapa detalhado do Processo (Fluxograma);

Determinar os Xs e os Ys crticos;

Validar o sistema de medio;

Desenvolver plano para coletar dados;

FM2S

Avaliar o desempenho atual: estabilidade e capabilidade;

Ajustar o foco do projeto.

Analyze (analisar)

Criticar o processo atual;

Determinar relaes causais baseado em dados;

Identificar os maus conceitos presentes processo;

Buscar explicaes para o desempenho atual;

Identificar mudanas.

Improve (melhorar)

Desenvolver mudanas;

Testar as mudanas em pequena escala;

Avaliar os riscos e benefcios das mudanas;

Implementar as mudanas que resultem em melhoria.

Control (controlar)

Desenvolver um plano de implementao;

Determinar necessidades de comunicao e treinamento;

Estabelecer um plano de controle do novo processo;

Fechar o projeto e comunicar os resultados;

Celebrar os resultados alcanados com todos.

41

42

Programa 6-sigma: formao GREEN BELT

Exerccio
Sua empresa est escrevendo uma declarao de objetivo
para melhorar a eficincia. Convidaram-no a se juntar ao time
de melhoria. Hoje voc est se reunindo com seus colegas de
time para revisar alguns possveis objetivos. Leia cada
descrio de objetivo na apostila e avalie-os. Quais so bons?
Ruins? Pssimos? Por qu?

36
O Modelo de Melhoria

1.

Pretendemos reduzir os refugos e melhorar a segurana dos nossos colaboradores.

a) Bom
b) Ruim
c)

Pssimo

2.

Iremos reduzir a incidncia no nmero de refugos na injetora M25 em 45% at Junho de 2008.

a) Bom
b) Ruim
c)

Pssimo

3.

Reduziremos todos os tipos de problemas com refugos na empresa.

a) Bom
b) Ruim
c)

Pssimo

4.

Nossos dados mais recentes mostram que, em mdia, temos um ndice de refugo de 5% na injetora M25.
Podemos reduzir esta mdia para 3% at dia 1 de Abril de 2008, e para 1,5% at 31 de Agosto de 2008.

FM2S

43

a) Bom
b) Ruim

c) Pssimo

Exerccio
Voc o vice-presidente de qualidade em uma grande
empresa, e est revisando vrios projetos de melhoria em
andamento. Baseando-se no objetivo de cada projeto (ver
apostila), defina se os indicadores a seguir so medidas de
processo, resultado ou equilbrio.

37
O Modelo de Melhoria

Projeto 1 - objetivo: reduzir em 20% a incidncia de refugos nas operaes de usinagem, por meio da reduo
do nmero de dias em que no feita a limpeza da mquina, dentro de 5 meses.
1.

Mdia do nmero de dias em que a limpeza da mquina feita.

a) Medida de resultado
b) Medida de processo
c)

Medida de equilbrio

2.

Porcentagem de refugos.

a) Medida de resultado
b) Medida de processo
c)

Medida de equilbrio

44

Programa 6-sigma: formao GREEN BELT


3.

Custo com limpeza de mquinas.

a) Medida de resultado
b) Medida de processo
c)

Medida de equilbrio

Projeto 2 objetivo: reduzir em 80% a incidncia de no conformidades no processo de compras decorrentes da


no especificao correta do item a ser comprado, dentro de1 ano.
1.

Porcentagem de no conformidades observadas no processo de compras.

a) Medida de resultado
b) Medida de processo
c)

Medida de equilbrio

2.

Taxa de adeso dos colaboradores s medidas para reduzir as no conformidades.

a) Medida de resultado
b) Medida de processo

c) Medida de equilbrio

Exerccio
Para fixar os conceitos do Modelo de Melhoria, responda s
perguntas da apostila.

38
O Modelo de Melhoria

FM2S
1.

45

A fase inicial do Modelo de Melhoria baseia-se em 3 questes destinadas a esclarecer os conceitos de:

a) Planejar, fazer, agir


b) Misso, objetivo, estratgia
c)

Objetivo, medidas, mudana

d) Vontade, ideias e execuo


Utilize o seguinte cenrio para responder s questes 2-4: uma clnica ortopdica de uma movimentada regio
metropolitana gostaria de melhorar o processo de agendamento de consultas.
2.

Aplicando o Modelo de Melhoria ao projeto da clnica, qual das alternativas abaixo a declarao de
objetivo mais razovel?

a) Implantar dois ciclos PDSA dentro de 6 meses do incio do projeto


b) Aumentar em 50% o nmero de pacientes relatando estarem muito satisfeitos com o agendamento
da clnica dentro de 6 meses.
c)

Modificar o processo de agendamento de forma a permitir que ambos, a recepcionista e enfermeira,


agendem consultas diretamente.

d) Criar um processo eficiente para agendamento de retorno no momento da sada dos pacientes.
3.

Depois de montar um time e trabalhar as 3 questes do Modelo de Melhoria, a clnica ortopdica decide
designar uma enfermeira por dia para agendar todas as consultas de retorno. Esta seria sua nica
responsabilidade naquele dia; e cinco enfermeiras se revezariam diariamente nesta tarefa. Com a
designao de um profissional dedicado exclusivamente ao agendamento dos retornos, o time espera
melhorar este processo. Qual a deve ser a prxima atividade do time?

a) Desenvolver as medidas do projeto


b) Testar a mudana utilizando o ciclo PDSA
c)

Esclarecer a declarao de objetivo

4.

Uma clnica ortopdica planeja mudanas de dimensionamento de pessoal para melhorar o


agendamento e realiza um pequeno teste de mudana com uma enfermeira e 3 pacientes na tera de
manh. Qual o prximo passo que o time de melhoria deveria tomar?

a) Realizar uma breve pesquisa com a enfermeira e os pacientes para saber com foi o teste
b) Implantar o novo processo de agendamento baseando-se nas impresses iniciais de que tudo est
funcionando bem

Implantar um sistema de recompensa para as enfermeiras que agendarem o maior nmero de consultas
por dia.

46

Programa 6-sigma: formao GREEN BELT

Resumo do captulo

A melhoria resulta da aplicao de conhecimento.


Os cinco princpios fundamentais da melhoria so:
1.
2.
3.
4.
5.

Saber por que voc precisa melhorar.


Ter um mecanismo de feedback para determinar se a melhoria
esta acontecendo.
Desenvolver uma mudana efetiva que resultar em melhoria.
Testar a mudana antes de iniciar a implementao.
Saber quando e como tornar a mudana permanente
(implementar a mudana).

O Modelo de Melhoria uma estrutura para aplicar os cinco


princpios fundamentais da melhoria.
Existem diversos roteiros para realizar melhorias. Utilizaremos
o DMAIC durante o curso.
O Modelo de Melhoria

RESUMO DO CAPTULO

39

FM2S

47

Define

Define
40

Objetivo:

Definir e comunicar o foco e os indicadores do projeto ao grupo de melhoria.

Atividades:

Determinar os requisitos dos clientes (VOC) e identificar as Caractersticas Crticas para o Cliente
(CTC);

Fazer o SIPOC do processo;

Fazer o CONTRATO do projeto.

48

Programa 6-sigma: formao GREEN BELT

Contrato de melhoria

Nome do projeto:
Integrantes:
Patrocinador:
1. O que queremos realizar?
(objetivo, importncia, incmodo)

2. Como saberemos que uma mudana uma melhoria?


(indicadores, contra indicadores, meta)

3. Restries
4. Cronograma

Define

CONTRATO DE MELHORIA

41

O contrato um acordo entre o patrocinador e o time de melhoria sobre o que esperado do projeto. Ele deve
conter uma descrio clara do incmodo que se pretende aliviar. O contrato ajuda:

Esclarecer o que se espera de voc, da equipe e, em ltima instncia, do Gestor do Processo;

Manter a equipe focada;

Abordar questes que so crticas para o sucesso do projeto;

Levantar possveis problemas ou dificuldades;

Iniciar o dilogo sobre questes e responsabilidades compartilhadas;

Transferir o projeto do patrocinador para a equipe.

O contrato evolui. Poucos projetos se encerram sem alteraes no contrato.

O escopo muda;

Os recursos mudam;

Relao custo/benefcio se torna aparente e ajuda a focar os esforos;

FM2S

49

Eventos externos acontecem.

O contrato importante para detalhar o projeto estabelecendo claramente:

Qual o incmodo ou oportunidade que o projeto deve atacar;

Em quais indicadores se pretende causar impacto e as respectivas metas;

As restries;

O time de melhoria.

Evita retrabalho, surpresas e frustraes no meio do projeto.

Veremos cada componente do contrato em detalhes na sequncia.

O que queremos
realizar?
Incmodo

Importncia

Objetivo

Contrato de melhoria elementos de um contrato: Q1

42

Define

O primeiro elemento do contrato a declarao de escopo. Nele devemos descrever o incmodo, a importncia
do projeto e o objetivo.

50

Programa 6-sigma: formao GREEN BELT

O que queremos realizar?


Descrio do Incmodo ou Oportunidade:

Descreva o incmodo (ou oportunidade) que existe na organizao e que motivou a escolha desse
projeto;

No deve conter causa ou soluo.

Importncia:

Informe por que importante realizar esse projeto. Quais as consequncias para o cliente ou para a
organizao caso nada seja feito (Business case).

Objetivos:

Uma forma de declarar o objetivo : Verbo no infinitivo + complemento Exemplo: Reduzir tempo de
ciclo da operao X em 50% em 3 meses a partir do incio do projeto.

Exemplo
Descrio do incomodo ou oportunidade:
Quantidade elevada de para-choques pintados rejeitados na etapa de inspeo devido a riscos e batida
acarretando perda de produtividade, no atendimento da demanda e reduo de lucratividade.

Importncia para o negcio:


Ganho de produtividade na linha de pintura (menos retrabalho);
Maior disponibilidade de racks para a injeo (peas rejeitadas ocupam racks). Economia prevista de R$
360.000,00 ao ano.

Objetivo do projeto:
Reduzir a porcentagem de peas rejeitadas por semana devido a riscos e batidas de 4% da demanda para menos
de 1% da demanda.

FM2S

51

Indicador

Valor atual

Alvo

Porcentagem de peas
rejeitadas por semana
devido a riscos e batidas

4%

<1%

Contrato de melhoria elementos de um contrato: Q2

43

Define

O segundo elemento de um contrato a declarao do indicador.

Como saberemos se uma mudana uma melhoria?


Quais indicadores mostraro se as mudanas so melhorias? (para cada objetivo deve haver pelo menos um
indicador associado). Para cada indicador, colete dados para avaliar o desempenho atual. Negocie com o
patrocinador a meta para o indicador e o prazo para atingir a meta. As metas devem ser SMART:

Especifico;

Mensurvel;

Atingvel;

Relevante;

No tempo adequado.

52

Programa 6-sigma: formao GREEN BELT

Uso de metas numricas


Conselhos sobre o uso de metas numricas na definio de um
objetivo para um projeto de melhoria poderia incluir:

Nunca us-los.
"Sempre fornecer um objetivo numrico e deixar que a
equipe arrume um jeito de alcan-lo. "

Contrato de melhoria elementos de um contrato: Q2

44

Define

A Toyota se baseia nos resultados da experimentao para aprender o que funciona e o que no funciona, mas
esse processo no ter xito se os funcionrios sentirem que tm de ocultar notcias desfavorveis ou fabricar
resultados positivos. Possveis consequncias do uso inadequado de metas numricas:

Falsificar dados ou distorcer o sistema de medio;

Atingir a meta em detrimento do sistema.

Katsuaki Watanabe, ex-CEO da Toyota, pensava que permear ambies grandiosas atravs de toda a
organizao era a misso mais importante da administrao. Os funcionrios podem melhorar facilmente de
5 a 10%. Por isso eu no gosto de objetivos que podem ser medidos como 100%, tendo eles sido completos ou
no. Prefiro definir metas desafiadoras, em que as pessoas atingem menos, e avaliar a estratgia utilizada, ainda
que eles no tenham conseguido realiz-las a tempo.
Certa vez ele colocou a seguinte meta para os funcionrios da Toyota: desenvolver um carro dos sonhos, que
limpa o ar, evita acidentes, torna mais saudveis e mais felizes todos os que o dirigem e atravessa os Estados
Unidos de costa a costa com um tanque de combustvel. Dessa discusso, conclumos que as metas devem ser:

Desafiadoras;

Possveis.

Algumas formas de estabelecer metas:

FM2S

53

Observar outras organizaes que tenham realizado objetivos similares;

Extrair ideias dos prprios participantes, fazendo perguntas, tais como, "O que seria necessrio para
obter uma reduo de 50% no tempo de enviar uma encomenda?"

Que mudanas podemos fazer


que resultaro em melhoria?
Primeiras
atividades da
equipe

Restries

Contrato de melhoria elementos de um contrato: Q3

45

Define

No comeo do projeto, em geral, no sabemos quais mudanas sero melhorias. Substitumos as mudanas
pelas restries e primeiras atividades da equipe. Esse o terceiro elemento de um contrato.
Restries:

Quais as fronteiras (reas, processos ou produtos) para o projeto?

H alguma mudana especfica que no deve ser considerada?

H restries de recursos para a equipe? (pessoas, verbas, disponibilidade de sistemas para a equipe
realizar testes)

H restries de indicadores (no impactar negativamente)?

Primeiras atividades da equipe

Quais dados precisamos coletar para construir um grfico de tendncia do indicador do projeto?

Quais PDSA iremos realizar para entender a situao atual?

54

Programa 6-sigma: formao GREEN BELT

Contrato de melhoria elementos de um contrato: cronograma

46

Define

O quarto elemento do contrato o cronograma, que deve conter as datas marcantes. Utilize as fases (D, M, A,
I, C) como marcos. Conforme atividades forem sendo definidas, inclua-as no cronograma.

FM2S

55

SIPOC

Entradas

Processo

Sadas

CLIENTES

FORNECEDORES

Define

SIPOC

47

O SIPOC uma ferramenta usada pela equipe de melhoria para identificar os elementos relevantes de um
processo no incio do projeto de melhoria. Ele aplica-se a todo tipo de trabalho, seja ele repetitivo ou pouco
frequente, e ajuda a criar uma viso macro do processo definindo seus limites (pontos de incio e fim) e
permitindo localizar pontos de coleta de dados.
Cada letra do SIPOC ajuda a identificar um elemento relevante do processo, como definido a seguir:

Fornecedor (Supplier):
Pessoas ou organizaes que fornecem as informaes ou materiais (entradas) a serem processados.

Entradas (Input):
Informao ou material fornecido pelo fornecedor.

Processo (Process):
Srie de etapas que transforma as entradas em resultados.

56

Programa 6-sigma: formao GREEN BELT

Sadas ou resultados (Output):


O produto ou servio produzido a ser utilizado pelo cliente.

Cliente (Customer):
Pessoas, empresas ou outros processos que recebem os resultados do processo.

Etapas para Elaborao do SIPOC


1.

Providencie um formulrio do SIPOC (mostrado no slide a seguir) em uma folha em branco;

2.

Identifique as sadas do processo;

3.

Descreva o processo em no mximo 5 ou 6 passos (sem detalhar);

4.

Identifique as entradas requeridas para que o processo produza as sadas;

5.

Identifique os fornecedores das entradas listadas;

6.

Identifique os clientes que recebero as sadas do processo;

7.

Opcional: identifique as especificaes das sadas e das entradas;

8.

Discuta o resultado com o patrocinador e outros interessados no projeto para validao.

FM2S

Fornecedores

57

Entradas

Processo

Sadas

Clientes

Passos do Processo

SIPOC formulrio
Define

No slide encontra-se um formulrio SIPOC.

48

58

Programa 6-sigma: formao GREEN BELT

Fornecedores Inputs
Mdico

Processo

Outputs

Clientes

Resultado

Paciente

Mdico

Requisio
Laboratrio

Realizar
exame de
sangue

Seringas
Agulhas
lcool
Outros materiais

Passos do Processo
Recebe paciente
e requisio

Prepara
paciente

Retira
sangue

SIPOC - exemplo
Define

Exemplo de SIPOC para realizao de exame de sangue.

Analisa
sangue

Preenche
relatrio

49

FM2S

59

VOC

Ouvir o cliente

Identificar CTQ
Medir CTQ
Define

VOC

50

A atividade Voz do Cliente (VOC) usada para descrever as necessidades do cliente e suas percepes sobre
o produto ou servio entregue a ele. Em um projeto de melhoria, os dados do VOC ajudam a equipe a:

Identificar as caractersticas crticas para os produtos e servios;

Identificar meios de medir essas caractersticas para orientar e focar o projeto.

60

Programa 6-sigma: formao GREEN BELT

Fontes reativas

Fontes ativas

VOC fontes de dados


Define

Nas fontes reativas a informao chega a voc, quer voc faa algo ou no. So exemplos:

Reclamaes e ligaes para o suporte tcnico/servio ao cliente;

Relatrios de vendas;

Informaes sobre devolues de produtos e garantias;

J nas fontes ativas voc precisa se esforar para obter a informao. So exemplo:

Pesquisa escrita e entrevistas;

Grupos de foco;

Observao direta;

Alguns cuidados
Clientes podem ser muito vagos sobre suas necessidades;
Algumas vezes os clientes oferecem solues em vez de requerimentos especficos.

51

FM2S

Necessidade

Produto/Servio
com Qualidade

61

Direcionadores

CTC

Indicadores

Direcionador 1

Varivel (Y1)
Definio/forma de medir
Especificao (*)

Direcionador 2

Varivel (Y2)
Definio/forma de medir
Especificao (*)

Direcionador 3

Varivel (Y3)
Definio/forma de medir
Especificao(*)

(*) quando existir


Geral

Especfico

Difcil de medir

Fcil de medir

VOC rvore CTC

52

Define

A rvore CTC (critical to customer) ajuda na criao dos indicadores do projeto. Para criar uma cria-la:

Relacione a necessidade dos clientes;

Identifique os direcionadores dessas necessidades;

Desdobre cada direcionador em mais detalhes, caso seja necessrio;

Defina medidas que permitam avaliar o desempenho do processo com relao ao direcionador.

62

Programa 6-sigma: formao GREEN BELT

Tempo (dias)
Tempo

Menos que 2 dias


teis

- Tempo par enviar a fatura (dias)


- % de faturas enviadas fora do prazo

Valor

Valor da fatura de
acordo com
contrato

Envio

Enviar a
fatura(S/N)

- % de faturas enviadas

Fatura
registrada(S/N)

- % de faturas registradas

Fatura enviada
com qualidade

Controle

- % de faturas com valor incorreto


- % de notas de crdito

VOC rvore CTC: exemplo


Define

Exemplo de rvore CTC para identificar requisitos do cliente para faturas enviadas.

53

FM2S

63

Anlise dos stakeholders

Anlise do nvel de compromisso dos participantes chaves


Participantes Chaves
Nvel de compromisso

P1

P2

P3

P4

Apoio entusistico Trabalhar muito


para que o projeto seja um sucesso
Ajudar no trabalho dar suporte
apropriado para que se implemente as
mudanas
Compliant far o mnimo aceitvel
Vacilante no se oferecer
voluntariamente
Indiferente no ajudar; no
atrapalhar
Contrrio - atuar abertamente contra o
projeto
Hostil - bloquear a implementao das
mudanas a todo custo

Atual

Desejado

Define

ANLISE DOS STAKEHOLDERS

54

Nenhuma equipe de melhoria trabalha independentemente da organizao. Todas as melhorias exigem algum
intercmbio com membros da organizao que no fazem parte da equipe. Para gerenciar essas pessoas o
primeiro passo identificar os indivduos chaves da organizao com quem a equipe deve se comunicar. Os
indivduos chaves compreendem:

Os participantes do processo (clientes, fornecedores, proprietrio(s) e empregados);

Os que ocupam posies decisivas com respeito ao trabalho da equipe.

Em seguida devemos classificar o respectivo nvel de comprometimento atual e desejado, conforme o slide.
Para as pessoas identificadas, construmos a matriz de comunicao.

Finalidade da Matriz de Comunicaes:


Manter as pessoas informadas sobre o progresso do trabalho;
Obter feedback dos indivduos chave sobre eventos que podem ter impacto sobre a equipe;

64

Programa 6-sigma: formao GREEN BELT

Reduzir ao mnimo possvel as surpresas;


Facilitar o caminho para a implementao das melhorias do projeto;
Assegurar a disponibilidade de recursos tcnicos, sempre que a equipe os necessite.

Matriz de comunicao
Projeto:
Data:
Equipe:

Nome e
Posio

Tipo de
participao

Maiores preocupaes

Plano de comunicao
O que, Quem, Quando

Tipo de participao: Patrocinador, Consultor, Proprietrio do Processo,

Membro de Equipe, Cliente, Fornecedor, Outros

Anlise dos Stakeholders

55

Define

Matriz de Comunicaes:
Atribua a um membro da equipe a tarefa de comunicar-se com os chaves. Essas comunicaes devem ser
realizadas periodicamente. O ambiente pode ser formal ou informal, dependendo das circunstncias. Os temas
devem ter relao com:

O progresso do projeto;

Como este tem impacto sobre os indivduos chaves;

Qualquer outro feedback ou input que o indivduo chave possa fornecer para a equipe.

Todo o tempo dedicado pela equipe ao desenvolvimento de sua Matriz de Comunicaes ser tempo bem
aplicado. Muitas equipes de melhoria desenvolvem excelentes ideias para melhorar processos e tem grandes
dificuldades para vencer a resistncia da organizao com respeito mudana, mesmo ante testes irrefutveis.
A Matriz de Comunicao uma ferramenta para a gesto do processo de mudana e ajuda a vencer a
resistncia, passo a passo, no transcurso do tempo.

FM2S
Uma comunicao regular com os participantes chaves pode ajudar a:

Compreender o que importante no projeto;

Identificar melhores solues para os problemas;

Criar mais compromisso;

Compreender quando e como envolver os demais;

Evitar obstculos.

65

66

Programa 6-sigma: formao GREEN BELT

Diagrama de afinidades

Define

DIAGRAMA DE AFINIDADES

56

O diagrama de afinidades uma ferramenta para organizar e resumir dados qualitativos (geralmente
verbais/escritos). Esses dados podem ser originados de uma variedade de fontes incluindo brainstorm, feedback
do cliente, anlise de reclamaes, problemas de produo e etc.
O diagrama de afinidades usa a afinidade entre dados verbais para ajudar no entendimento da estrutura de um
problema. Para criar um diagrama de afinidades, os membros da equipe:

Geram um grande nmero de ideias sobre uma questo especfica;

Organizam as ideias em grupos e do nomes aos grupos.

Durante o processo de colocar em ordem um conjunto de dados aparentemente no relacionados, uma equipe
poder comear a identificar e focar as reas para melhoria.

Benefcios:
Clareia uma situao confusa;
Incentiva conexes no-tradicionais entre ideias e questes;
Incentiva a criatividade de todos da equipe;

FM2S

67

Quebra barreiras de comunicao e ideias pr-concebidas sobre um assunto;


Permite o surgimento natural de tpicos a serem explorados;
Facilita o conhecimento do contexto;
Ajuda a superar a imobilidade da equipe, que pode ser gerada pela quantidade excessiva de dados e pela
inexistncia de consenso;
Ajuda a equipe a chegar a um consenso e oferece uma oportunidade de direcionar as iniciativas da equipe de
maneira mais eficaz.

Usos tpicos:
Analisar perguntas abertas em Pesquisas;
Esclarecer temas ou situaes confusas;
Elaborar um Plano de Aes;
Obter apoio de um grupo para a implementao de mudanas.

Coletar dados
qualitativos
Agrupar
dados afins
Nomear os
agrupamentos
Diagrama de afinidades
Define

57

68

Programa 6-sigma: formao GREEN BELT

Preparao
Antes de comear, voc vai precisar de:

Um facilitador para a equipe (essa ferramenta mais til quando for utilizada em grupo);

Notas adesivas tipo post-it (2-3 pacotes);

Flip-chart ou quadro branco para fixar as notas;

Marcadores (prefervel canetas hidrocor ou para transparncias);

Fita adesiva transparente.

Construo do Diagrama de Afinidades:


1.

Identifique a questo:

Escreva a questo que est sendo discutida no flip-chart.


Dicas:

Todos os membros da equipe devem concordar com a questo.

Exemplo: Fatores que prejudicam as vendas de caf

2.

Faa um brainstorm:

Obtenha pelo menos 20 ideias ou questes;


Registre cada ideia em uma nota adesiva;
Dicas:

Evite usar uma palavra s, 4 a 7 palavras funcionam bem.

Uma afinidade "tpica" contm 40 a 60 itens, dependendo da questo.

Se j existirem dados, como feedback de clientes ou problemas de produo, use os dados em lugar de
fazer um brainstorm de novas ideias.

3.

Agrupe os resultados.

Em silncio, os membros da equipe classificam simultaneamente as ideias em grupos relacionados, colocando


as notas adesivas em blocos distintos. Cada pessoa dever mover as notas adesivas para o local que considera
mais adequado. No faa perguntas, apenas mova as notas que, em sua opinio, pertencem a um grupo
diferente. Dicas:

Os blocos podero conter qualquer nmero de ideias - at uma s.

As notas adesivas podero ser movidas tantas vezes quantas forem necessrias at que o grupo esteja
satisfeito com o resultado.

FM2S

69

O ritmo da classificao diminuir e, em seguida, cessar, quando todos os membros da equipe


estiverem satisfeitos com os agrupamentos.

4.

Analise os dados:

A equipe ento discute o relacionamento entre os itens de cada bloco e escolhe um ttulo para cada um dos
blocos.
Dicas:

Consiga um rpido consenso da equipe em relao a uma palavra ou frase capaz de capturar a
ideia/tema central de cada bloco.

Divida os blocos maiores em subgrupos, se necessrio.

Diagrama de afinidades mtodoalternativo

58

Define

Avaliao do sucesso:
Para medir o sucesso quanto utilizao desta ferramenta, reveja as seguintes perguntas:

Os membros da equipe compreenderam com clareza a questo em discusso?

Os membros conseguem definir com facilidade qual o tema comum que relaciona os itens em cada
categoria?

O diagrama final exibe informaes suficientes a serem utilizadas pela equipe na prxima etapa?

70

Programa 6-sigma: formao GREEN BELT

Exerccio
Leia na apostila o estudo de caso sobre o processo de coleta
de plasma sanguneo.
Em seguida, responda s perguntas propostas.

59
Define

Nesse exerccio apresentado um estudo de caso que trata da realizao de melhorias em uma organizao.
Leia atentamente o estudo de caso e depois responda s seguintes questes:

Questes a serem respondidas sobre o Estudo de Caso


1.

Escreva um contrato para esse projeto.

2.

Elabore um SIPOC do processo descrito nesse projeto.

3.

Quais indicadores foram utilizados para verificar se as mudanas foram melhorias? (faa uma rvore
CTQ).

4.

Foram utilizados ciclos PDSA? Quantos voc identificou?

5.

Associe os ciclos com as fases do roteiro EDTI (Entender, Desenvolver, Testar e Implementar).

6.

As mudanas foram testadas antes da implementao?

7.

possvel dizer que houve integrao entre os responsveis pelo servio? Justifique brevemente.

8.

Voc concorda que houve uma melhoria no servio? Qual ferramenta permitiu concluir que a mudana
foi uma melhoria?

9.

Quais foram os aprendizados do estudo de caso?

FM2S

71

Estudo de Caso: Melhorando o Processo de Coleta de Plasma Sanguneo


O principal negcio dessa organizao era a coleta de plasma sanguneo. O plasma coletado era fornecido para
outra empresa que o usava para a fabricao de drogas utilizadas para tratar de pacientes sofrendo de doenas
tais como choque hemorrgico, queimaduras e hemofilia.
Essa organizao possua oito centros de coleta de plasma. Nestes centros, um biomdico extrai sangue dos
doadores, retirando de setecentos a oitocentos gramas de plasma lquido. O principal objetivo do coletor de
plasma era minimizar o trauma no tecido da pele e maximizar o montante de sangue coletado. O principal
problema acontecia em pacientes com veias inadequadas, o que ocasionava a retirada de uma quantidade
menor do que 700 gramas de plasma, resultando na chamada parcial. Uma vez que uma tentativa tinha sido
feita para puncionar um doador, a pessoa era paga mesmo se o resultado fosse uma parcial.
Dados sobre reclamaes foram coletados nos oito centros. Esses dados indicavam que a maioria das
reclamaes vinha de novos doadores. As principais reclamaes eram relacionadas ao tempo de espera e
problemas com a extrao de sangue. Um time foi formado em um dos centros para explorar como eliminar os
problemas de qualidade no processo de coleta de plasma sanguneo. O foco foi na reduo de parciais.

O que estamos tentando realizar?


Reduzir o nmero de parciais e o nmero de reclamaes dos potenciais doadores.

Como saberemos que uma mudana uma melhoria?


Quando o nmero de parciais e o nmero de reclamaes forem significativamente reduzidos.

Que mudanas podemos fazer que resultaro em melhorias?


Orientaes do patrocinador:
1.

Considerar a segurana do doador e o montante de plasma sanguneo coletado de cada doador;

2.

Reduzir o nmero de parciais em pelo menos 50%;

3.

Considerar a interao entre os biomdicos, os mdicos e outros membros da administrao;

4.

Testar mudanas em um centro e expandir depois para outros centros.

Ciclo 1: Coletar dados sobre parciais e reclamaes.


Dados de reclamaes e parciais foram coletados durante 12 dias e colocados em grficos de tendncia.

72

Programa 6-sigma: formao GREEN BELT

Time Series Plot of N reclam.


15.0

N reclam.

12.5

10.0

7.5

5.0
1

10

11

12

10

11

12

Dia

Time Series Plot of N parciais


17.5

N parciais

15.0

12.5

10.0

7.5

5.0
1

Dia

Ciclo 2: Conhecer o processo.


Alguns doadores ficavam no centro por mais de uma hora antes de serem atendidos pelo biomdico. Com isso
o biomdico sentia-se pressionado para fazer pelo menos uma tentativa para retirar o plasma, a qual poderia
resultar em uma parcial e num crescente nmero de repicadas, o qual era uma grande fonte de reclamao. Para
concluir com xito a meta de reduo em 50% nas parciais, era necessrio focar-se no processo de seleo de
novos doadores de sangue. O fluxo atual deste processo at o ponto do puncionamento da veia foi desenvolvido
(Figura 8.1). A partir do contato com os outros centros percebeu-se que os mesmos tinham um processo similar.

FM2S

Doador
chega

73

Doador
entrevistado e
preenche
formulrio

As veias do
Doador so
verificadas na
sala de espera

Doador vai
para a sala de
doao

Sim

Sim

No
Doador
rejeitado

Avaliao pelo
mdico
realizada

Veias
OK?

No
Doador
rejeitado

Sade
OK?
No

Doador
rejeitado

Biomdico
verifica as
veias

Veias
OK?

Sim

Plasma
extraido do
doador

Figura 8.1 - Fluxograma do Processo de Seleo de Novos Doadores de Sangue

Ciclo 3: Anlise do Fluxograma.


Algumas informaes adicionais vieram luz quando o fluxograma foi revisado:
1.

No processo atual aproximadamente dezesseis pessoas avaliavam se os novos doadores possuam veias
adequadas. Havia uma grande variabilidade entre as decises deles.

2.

Uma avaliao mdica, pelo prprio mdico, era realizada sobre todos os novos doadores.
Frequentemente havia uma demora em ver o mdico.

3.

O procedimento para puncionamento da veia era muito preciso. Acreditava-se que o nmero de anos
de experincia do biomdico era muito importante para realizar o procedimento satisfatoriamente.

Ciclo 4: Desenvolver mudanas.


Baseado na documentao do processo e no uso dos conceitos de mudana da categoria melhore o fluxo de
trabalho, o time desenvolveu algumas mudanas.
O novo fluxograma mostrado na Figura 8.2. A maior mudana foi conseguir que o mdico, o biomdico e
outros funcionrios no centro trabalhassem juntos. Um grupo de biomdicos experientes tambm foi
selecionado para fazer as inspees nas veias usando procedimentos documentados. Estes biomdicos usavam
pagers para que eles pudessem responder rapidamente. O time usou vrios ciclos para testar e implementar as
mudanas.

74

Programa 6-sigma: formao GREEN BELT

Ciclo 5: testar as mudanas no processo de seleo de novos doadores.


Planejar
Objetivo: estar mudanas no processo de seleo de novos doadores.

Questes e predies:
Q1: As mudanas nos procedimentos para verificao de novos doadores com veias adequadas reduziro o
nmero de parciais?

P1: Sim, as mudanas devem quase eliminar parciais porque a maioria das parciais origina-se quando o
puncionamento das veias tentado sobre pessoas com veias inadequadas. A ocorrncia de tais tentativas
deve diminuir porque as mudanas permitiro que o mdico, o biomdico e outros funcionrios no centro
trabalhem juntos para avaliar os pacientes adequadamente.
Q2: As mudanas nos procedimentos para verificao de novos doadores com veias adequadas diminuiro o
nmero de reclamaes de clientes?
P2: Sim, o montante do desconforto dos pacientes e o tempo de espera sero reduzidos.
Quem, O que, Onde, Quando, Como
1. Os biomdicos, mdicos e assistentes usaro o novo fluxograma.
2. As pessoas que trabalham no centro sero convocados para participarem de uma reunio em 13 de
Junho para debaterem e comentarem as mudanas;
3. O novo processo ser usado no comeo da semana de 20 de Junho;
4. O time coletar dados sobre o nmero de parciais e o nmero de reclamaes de clientes. Esses
dados sero anotados diariamente no grfico de controle anterior com os dados coletados antes das
mudanas.

FM2S

75

5. O teste ter durao de treze dias.


Fazer
Os dados coletados esto apresentados na tabela abaixo. Nenhum problema foi encontrado enquanto os dados
estavam sendo coletados.
Time Series Plot of N reclam.
16

fase
antes
depois

14

N reclam.

12
10
8
6
4
2
2

10

12 14
Index

16

18

20

22

24

Time Series Plot of N parciais


fase
antes
depois

16
14

N parciais

12
10
8
6
4
2
0
2

10

12 14
Index

16

18

20

22

24

Estudar
Analise os dados. O que foi aprendido? Qual a resposta para as questes do Planejar?

Agir
O novo fluxograma ser parte do livro de procedimentos e polticas.
Os biomdicos experientes documentaro as melhores prticas para puncionamento das veias. Eles
desenvolvero uma lista de verificao. Esses procedimentos tornar-se-o a base para treinamento atual e
treinamento de novos empregados.

76

Programa 6-sigma: formao GREEN BELT

Para monitorar o processo, dados sobre o nmero de parciais e reclamaes de clientes continuaro a serem
coletados e sero marcados num grfico de tendncia para anlise. Os biomdicos coletaro e marcaro os dados
sobre as parciais e o gerente administrativo coletar e marcar os dados sobre reclamaes.
No prximo ciclo, o processo ser testado em outro centro. Os centros restantes sero informados dos
progressos dos testes.

Ciclo 6: testar o novo processo no Centro 2.


O objetivo deste ciclo era testar o novo processo de seleo de doadores no Centro 2. O centro foi selecionado
porque ele tinha um dos maiores nmeros de reclamaes de clientes. Informaes sobre o novo processo, o
treinamento e os resultados dos testes foram fornecidos pelo Centro 1. Os biomdicos no Centro 2 fizeram
algumas pequenas modificaes para melhores prticas de puncionamento da veia. Os biomdicos do Centro
1 concordaram com essas mudanas. O teste no Centro 2 teve a durao de trs meses.
Levou mais de um ms para que as reclamaes de clientes e o nmero de parciais comeassem a declinar. Nas
ltimas seis semanas do teste, os resultados foram similares queles conseguidos no Centro 1. Por essa razo,
foi decidido implementar o novo processo em todos os centros no prximo ciclo.

Ciclo 7: implementar o novo processo nos centros restantes.


O objetivo deste ciclo era implementar a mudana nos seis centros restantes, para conseguir uma cobertura de
100%. Informaes sobre o novo processo, o treinamento e os resultados dos dois testes foram fornecidos para
todos os centros. Os dois centros que testaram o novo processo estavam disponveis para responder qualquer
questo que surgisse. Alguns dos centros fizeram mudanas no novo processo para melhor se adequarem s
suas situaes. Resultados foram favorveis em todos os centros. Cada centro continuar a coletar dados sobre
o nmero de parciais e reclamaes de clientes e marcaro os dados num grfico de tendncia para anlise.

FM2S

77

Discusso sobre o estudo de caso


1. Ideias que removam a complexidade do processo ou sistema devem ser aplicadas no desenvolvimento de
mudanas. A complexidade geralmente adicionada quando mudanas so desenvolvidas a partir do conceito
mais que o mesmo (mais pessoas, mais dinheiro, mais etapas, mais inspees e assim por diante). Esses tipos
de mudanas devem ser evitados. Quando a complexidade existe, mudanas devem ser desenvolvidas para
simplificar o processo ou o sistema. Neste estudo de caso, o time construiu um fluxograma do processo existente
para seleo de novos doadores. Uma reviso no fluxograma indicou que havia trs estgios no processo onde
um potencial doador poderia ser rejeitado. O excesso de inspeo inseria mais complexidade no processo e no
beneficiava os doadores. Uma mudana foi desenvolvida para que uma completa avaliao do doador fosse
executada em um estgio do processo.
2. Melhorias geralmente acontecem se todas as pessoas envolvidas se considerarem elas prprias parte do
mesmo sistema. Este conceito de mudana est focado em conseguir com que haja maior interao entre pessoas
para que cooperarem uma com as outras. No processo original da seleo de doadores de sangue, o mdico, o
biomdico e outros funcionrios do centro consideravam os seus trabalhos de forma isolada e somente focavam
a sua parte do processo. Uma mudana foi desenvolvida que os trouxe juntos em um estgio anterior do
processo com a finalidade de melhorar os cuidados com o paciente.
3. Se inspeo utilizada, ela deve ser feita antes da restrio. A capacidade de um sistema determinada pela
capacidade da restrio. Portanto, os recursos da restrio no devem ser usados para trabalhar sobre alguma
coisa que ser rejeitada mais tarde no processo. A restrio neste processo era a avaliao mdica feita pelo
prprio mdico. No processo original, alguns doadores eram rejeitados depois que a avaliao era feita. Com o
biomdico verificando as veias dos doadores antes da avaliao mdica, permitiu-se que os doadores fossem
rejeitados antes de alcanar a restrio.
4. Coletar dados sobre indicadores uma boa forma de aprender sobre o processo. Neste estudo, dados foram
coletado antes e depois das mudanas. A informao sobre a variao e a mdia do processo antes e depois das
mudanas permite separar impacto de variao e aumentar a convico de que as mudanas efetuadas
causaram impacto positivo sobre os indicadores.
5. Ciclos devem ser usados para implementar mudanas bem sucedidas. No suficiente que melhorias
apaream durante o teste da mudana. Melhorias devem ser mantidas. Para que isso acontea, a mudana deve
ser implementada. Neste estudo de caso, documentao, treinamento e monitoramento das mudanas foram
conduzidas durante o ciclo de implementao.

78

Programa 6-sigma: formao GREEN BELT

CONTRATO DO PROJETO
1. O que queremos realizar?
Descrio do incomodo ou oportunidade:

Importncia para o negcio:

Objetivo do projeto:

2. Como saberemos que uma mudana uma melhoria


(Indicadores devem estar diretamente conectados aos objetivos para cada objetivo pelo menos um
indicador).

3. Restries para as atividades

FM2S

79

SIPOC

80

Programa 6-sigma: formao GREEN BELT

Resumo do captulo

O primeiro passo na execuo do projeto o Define, cujo


objetivo alinhar o objetivo e escopo do projeto.
So as principais atividades do Define:
Preencher o contrato de melhoria;
Elaborar o SIPOC do processo ser trabalhado;
Identificar as caractersticas crticas de qualidade.

Define

RESUMO DO CAPTULO

60

FM2S

81

Measure

Measure
61

Objetivo:

Conhecer o processo em detalhes (porta do processo);

Avaliar o desempenho do processo atravs de dados (porta de dados).

Atividades:

Fazer o Fluxograma do processo;

Identificar variveis a serem medidas;

Verificar a estabilidade do processo;

Calcular a capabilidade do processo.

82

Programa 6-sigma: formao GREEN BELT

Fluxograma (mapeamento do processo)

Measure

FLUXOGRAMA

62

Na fase DEFINE a equipe de melhoria lista os processos relacionados ao contrato e constri o SIPOC desses
processos.
No SIPOC, o processo descrito em poucas etapas (viso macro).
Na fase MEASURE o processo detalhado atravs de um fluxograma.

FM2S

83

Fluxograma

63

Measure

Mapeamento do Processo
Representao grfica de uma srie de atividades que definem um Processo. O processo mapeado ser um input
importante para a fase ANALYSE do roteiro DMAIC.

Benefcios:

Facilita o aprendizado da equipe sobre o processo que est sendo analisado;

Torna o processo atual visvel;

Demonstra papis e relaes entre etapas e reas envolvidas no processo;

Permite identificar etapas que no agregam valor;

Permite identificar gargalos, complexidades, atrasos, ineficincias e desperdcios;

Permite medir tempo de ciclo de atividades;

Permite identificar oportunidade de reduzir custos de processamento e quick wins.

Etapas para a Construo:

Estabelecer as fronteiras do processo a ser melhorado;

Identificar as pessoas adequadas para construir o fluxograma;

84

Programa 6-sigma: formao GREEN BELT

Determinar o tipo de fluxograma a ser utilizado;

Definir o nvel do detalhe necessrio;

Usar palavras de ao;

Usar simbologia que a equipe conhea;

Nos pontos de deciso, seguir um caminho de cada vez, at o fim.

Utilizao:

Conhecimento sobre o Processo (MEASURE);

Identificao de pontos de medio (MEASURE);

Identificao de complexidades (ANALYSE);

Desafiar atividades (ANALYSE);

Projeto ou Modificao do Processo (IMPROVE);

Padronizao de Procedimentos (CONTROL).

FM2S

85

SIMBOLOGIA UTILIZADA:
EMITIR CHEQUE P/
PGTO

NO

VALOR
CORRETO?

Indica que uma atividade est sendo desenvolvida.

Indica um ponto de deciso no processo.

SIM
ENTREGAR AO
CAIXA

FIM

Indica que um documento deu entrada ou sada do


processo.
Indica fim e incio do processo.

Indica uma conexo com


ramificaes do
processo.

Fluxograma

Indica o fluxo do
processo.

64

Measure

Na construo de um fluxograma cada smbolo tem um significado particular, como pode ser notado no slide.

86

Programa 6-sigma: formao GREEN BELT

Macro

Mini

Midi

65

Fluxograma
Measure

O Fluxograma pode ser construdo com alto ou baixo nvel de detalhes, dependendo da sua aplicao. Em
projeto onde o objetivo principal a reduo do tempo de processamento, pode ser indicado a construo de
um fluxo com nvel mini de detalhes.

FM2S

87

Processo de avaliao de solicitao de emprstimo


Vertical
(atividade)

Fluxograma vertical

66

Measure

Existem dois tipos principais de fluxogramas: vertical e multifuncional.

Vertical:
O mais usado para atividades de melhoria;
Mostra as relaes entre as atividades, pontos de deciso, inspeo, loops de retrabalho, complexidade, etc;
Deve-se comear pelo nvel mais elevado e depois se adicionar os detalhes.

88

Programa 6-sigma: formao GREEN BELT

Processo de avaliao de solicitao de emprstimo


Multifuncional
(desdobrado)

Fluxograma multifuncional

67

Measure

Multifuncional:
Foco nas Unidades Organizacionais;
Permite equipe compreender o fluxo do processo entre os Departamentos;
Mostra a interdependncia das atividades;
til para processos que no se completam em uma nica rea indicando os responsveis por cada etapa.

FM2S

89

O que o gerente
pensa que

O que
realmente

O que deveria
ser

n n n n n n n n

n n n n n n n n

n n n n n n n n

n n n n n n n n

n n n n n n n n

n n n n n n n n

n n n n n n n n

n n n n n n n n

n n n n n n n n

n n n n n n n n

n n n n n n n n

n n n n n n n n

O que
poderia ser
n n n

Foque aqui durante a


fase Improve
Foque aqui durante a
fase Analyse

Fluxograma verses de um processo

68

Measure
R&S

Para realmente melhorar o processo precisamos saber exatamente o que est ocorrendo. No pergunte aos
gerentes, no leia instrues operacionais ou examine documentao. V a campo e veja o que est acontecendo.
Alguma dicas para a elaborao de um bom fluxograma:

No utilize um mapeamento feito no passado;

No mapeie o processo ideal, mas descreva o processo como ele hoje;

Inicie com um viso macro e depois aumente o nvel de detalhes;

Caminhe pelo processo identificando as etapas do processo e a sequncia em que elas ocorrem;

Construa o fluxograma usando a simbologia apropriada.

90

Programa 6-sigma: formao GREEN BELT

Fluxograma diagrama espaguete

69

Measure

O diagrama de espaguete um mtodo que utiliza uma linha contnua para rastrear o caminho percorrido por
um item ou por pessoas durante a realizao de um processo. A imagem produzida comumente se parece com
um prato de espaguete. Ele expe layouts ineficientes que geram desperdcios. Pode ser usado para mostrar
fluxo de informaes, material ou pessoas.

Como criar:
1.

Obtenha um mapa do espao de trabalho (layout);

2.

Liste os passos do processo;

3.

Marque no mapa onde acontece o primeiro passo do processo e ligue atravs de uma linha onde ocorre
o segundo passo do processo;

4.

Continue ligando os passos do processo com linhas na sequncia em que eles ocorrem.

Anlise:
Se h muitos cruzamentos de linha, considere alteraes no layout;
Se h muito retorno a um ponto, considere a possibilidade de fazer todas as operaes em uma nica passada;
Passagens de mo em mo adicionam tempo de espera, provocam atrasos e possivelmente gargalos. Verifique
a possibilidade de reduzir passagem de mo em mo com alteraes de funes e de layout.

FM2S

91

Fluxograma - mapa do fluxo de valor (VSM)

70

Measure

O VSM um mapa que mostra o fluxo de trabalho, materiais e informaes atravs do processo e mtricas
importantes como tempo de setup, tempo de processamento, tempo de espera, unidades em estoque, tempo
takt, porcentagem de defeituosos, nmero de pessoas na atividade ou estao de trabalho, etc.
Facilita a identificao de desperdcios, atividades que no agregam valor, gargalos, custos, etc.

92

Programa 6-sigma: formao GREEN BELT

Exerccio
Cinco unidades organizacionais eram responsveis pelo
processo de faturamento: vendas, entrada de pedido,
preparao da fatura, contabilidade e engenharia. O processo
esta descrito na apostila. Elabore um fluxograma
multifuncional.

Fluxograma

71

Measure

Cinco unidades organizacionais eram responsveis pelo processo de faturamento: vendas, entrada de pedido,
preparao da fatura, contabilidade e engenharia. O processo era o seguinte:
1.

Vendas: vendas pega o pedido do cliente;

2.

Entrada do pedido: pedido entra no sistema;

3.

Entrada do pedido: departamentos notificados com a cpia da fatura;

4.

Preparao da fatura: pedido processado;

5.

Engenharia: engenharia aprova mudanas?


a.

Se no, vendas corrige o pedido com o cliente (passo 1)

b.

Se sim, passo 6

6.

Preparao da fatura: mudanas aprovadas por engenharia e vendas;

7.

Preparao da fatura: fatura preparada;

8.

Preparao da fatura: Fatura enviada para o cliente;

9.

Contabilidade: registro de vencimento retornado;

10. Contabilidade: vendas notificada de faturas com 90 dias de atraso.


Elabore um fluxograma multifuncional utilizando os smbolos adequados para cada etapa do processo.

FM2S

93

Caractersticas de processo e variveis

I
Variveis
de Input

Variveis de
Processo

Variveis de
Output

X1,, X2 , ... , Xk

Y = f(X1,, X2 , ... , Xk)

Measure

CARACTERSTICAS DO PROCESSO E
VARIVEIS

72

O SIPOC permite identificar as entradas, os resultados e as macro etapas do processo. Cada um desses
elementos tem caractersticas (aspecto, preferencialmente mensurvel, de uma entrada, sada ou do prprio
processo).
Aps identificar as entradas, as etapas do processo e os resultados, a equipe dever listar as caractersticas
crticas e apontar quais variveis sero utilizadas para medi-las. Caractersticas crticas geralmente tem
requisitos explcitos ou implcitos.

Variveis de Entradas:
Caractersticas medidas no fornecedor ou na entrada;
Permitem avaliar se as entradas satisfazem as especificaes necessrias para serem transformadas pelo
processo.
Exemplos: caractersticas dimensionais de peas para um processo de montagem; endereos em uma listagem
de potenciais clientes; especificaes de projeto.

94

Programa 6-sigma: formao GREEN BELT

Variveis de Processo:
Caractersticas medidas nas atividades de transformao;
Fatores que potencialmente tem efeito no resultado produzido;
Permitem avaliar:

Se o processo est sendo executado de acordo com o projetado;

Eficincia do processo.

Exemplos: tempo que agrega valor; tempo de ciclo; lead time: tempo de setup; taxa de retrabalho: taxa de refugo;
taxa de defeitos.

Variveis de sada:
Caractersticas medidas no resultado do processo;
Permitem avaliar dimenses crticas para o cliente;
Podem ser medidas de performance do negcio.
Exemplos: caractersticas dimensionais de produtos; tempo de entrega ou processamento; porcentagem de
produtos retornados; resultados de pesquisa de satisfao.

Variveis Y e X
Existe uma definio na rea de qualidade que as variveis medidas no resultado (output) so denotas por Y
(CTQs). J as variveis medidas no processo e nas entradas so denotas por X.

Especificao:
Aps a identificao das variveis, preciso identificar as especificaes para as mesmas, caso elas existam.

Variveis de estratificao:
Alm das variveis de entrada, processo e sada, importante considerar outras variveis que podem ajudar a
entender os problemas que ocorrem, bem como ajustar o foco projeto.
Suponha que uma empresa tem atuao em todo o territrio nacional e queira reduzir o nvel de reclamaes
de clientes junto ao PROCON. Perguntas como o nvel de reclamao o mesmo em cada estado? ou o nvel
de reclamao depende do nvel educacional do cliente? ajudam no entendimento do problema e no ajuste do
foco do projeto.
Uma considerao importante: muitas vezes no possvel estratificar uma CTQ a menos que os dados de
estratificao sejam coletados no mesmo momento em que a CTQ esteja sendo coletada. Considere a coleta de
variveis de estratificao no plano de coleta de dados.

FM2S

95

Mundo Fsico
Mundo
Comportamental

Observar
e/ou
Medir

Mundo
Sensorial

Observaes e
Medies
Documentadas

Caractersticas do processo e variveis

Dados

73

Measure

As variveis que iremos utilizar para estudar o processo so o resultado de medies realizadas em uma
determinada entrada, sada ou processo. Essas medies contm, em maior ou menor grau, erro e quanto
maior for esse erro, pior sero nossas decises. Portanto de vital importncia a avaliao do sistema de
medio. A seguir alguns exemplos de caractersticas e variveis.

Mundo Fsico:
Execuo de uma tarefa
Caracterstica: tempo gasto para realizar a tarefa
Instrumento de medio: cronmetro
Varivel (medida): minutos gasto na realizao da tarefa

Mundo Comportamental:
Realizao de uma reunio
Caracterstica: Atitude das pessoas na reunio
Instrumento de medio: Observao
Varivel (medida): Atitude positiva, atitude negativa, atitude neutra

96

Programa 6-sigma: formao GREEN BELT

Mundo sensorial:
Provar um alimento
Caracterstica: Aroma
Instrumento de medio: Provadores
Varivel (medida): Ruim, regular, bom, excelente

Aps identificadas as variveis que sero medidas, pode ser


necessrio:
Fazer a Definio Operacional da varivel;
Avaliar a qualidade do processo de medio.

O passo seguinte avaliar


Estabilidade
Capabilidade

Caractersticas do processo e variveis

74

Measure

Estabilidade: identificao das causas de variao de um processo


Capabilidade: desempenho do processo no atendimento das especificaes crticas para os clientes.
Essas avaliaes sero feitas tipicamente por meio de dados. A equipe deve preparar um plano de coleta de
dados que deve considerar o que ser feito com os mesmos:

Objetivo da coleta;

Tcnicas de anlise.

FM2S

97

Atividades comuns em qualidade:


Verificar se um produto defeituoso;
Contar o nmero de defeitos em um produto ou servio;
Medir uma caracterstica de qualidade.

Questes:
O que um defeito?

Como medir um defeito?


Como medir uma caracterstica de qualidade?

Caractersticas do processo e variveis - definio operacional

75

Measure

Sem definies precisas sobre como medir uma caracterstica de qualidade diferentes pessoas podem chegar a
diferentes resultados. Para evitar esses problemas necessrio desenvolver Definies Operacionais.
A Definio Operacional fornece um significado comunicvel a um conceito atravs da especificao de como
o conceito aplicvel em um conjunto particular de circunstncias.

98

Programa 6-sigma: formao GREEN BELT

Componentes:
Objetivo;
Caracterstica de interesse;
Instrumento de medio;
Procedimento;
Critrio.

Caractersticas do processo e variveis - definio operacional

76

Measure

Os componentes de uma D.O. esto especificados no slide. Os passos passos para o seu desenvolvimento so:
1.

Escreva uma primeira verso da D.O.;

2.

Entregue a D.O. para algum que no esteve envolvido na elaborao da mesma avaliar e fazer
sugestes;

3.

Revise a D.O.;

4.

Faa com que algumas pessoas usem a D.O. para coletar dados;

5.

Analise os problemas e revise a D.O. ;

FM2S

99

Objetivo:
Verificar se uma aeronave chegou no horrio no aeroporto.

Caracterstica de interesse:
Horrio de chegada da aeronave no aeroporto.

Instrumento de medio:
Relgio referenciado com o relgio da torre de controle.

Procedimento:
O horrio de chegada de um voo ser o horrio em que o trem de
pouso da aeronave tocar a pista de pouso.

Critrio:
A aeronave est no prazo se o horrio de chegada for igual ao
horrio programado mais ou menos 15 minutos.

Caractersticas do processo e variveis - definio operacional

77

Measure

Outro exemplo: definio operacional de extrator limpo:


Objetivo: Verificar se um extrator de 150 mL est limpo para ser utilizado em uma extrao.
Caracterstica de interesse: Turbidez da soluo de limpeza.
Instrumento de medio: Espectrofotmetro UV-Vis.
Procedimento: Realizar 3 lavagens com 100 mL de soluo de limpeza (etanol 95%). Coletar uma amostra de 10
mL ao final da terceira lavagem e ler a turbidez da soluo.
Critrio: O extrator estar limpo se a turbidez for menor que 1,0.

100

Programa 6-sigma: formao GREEN BELT

Tipo de Variveis

Categricas
(Qualitativo)

Classificao

Contagem
Numrico
(Quantitativo )

Contnuos

Caracterstica
de Qualidade

Dado registrado

Desempenho da entrega

Entrega no prazo/atrasado

Retrabalho

Sem/Com

Arranhes

Sem/Com

Mudanas

Nmero de mudanas/projeto

Acidentes

Nmero de acidentes/por ms

Arranhes

Nmero de arranhes/ superfcie

Tempo

Minutos atrasados

Peso

Gramas

Arranhes

Tamanho em cm do arranho

Caractersticas do processo e variveis - tipos de variveis

78

Measure

Para cada tipo de varivel ser necessrio a utilizao de uma ferramenta estatstica diferente. As variveis pode
ser:

Variveis Categricas (Qualitativa)


So as variveis que no possuem valores quantitativos, mas, ao contrrio, so definidas por vrias categorias,
ou seja, representam uma classificao dos indivduos. Podem ser nominais ou ordinais.

Variveis Numricas (Quantitativa)


So as variveis que podem ser medidas em uma escala quantitativa, ou seja, apresentam valores numricos
que fazem sentido. Podem ser contnuas ou discretas.
As variveis numricas podem ser dividas em dois grupos:
Contagem: so representados por nmeros inteiros. Por exemplo, nmero de defeitos em peas, nmero de
acidentes por dia.
Contnuos: podem receber qualquer nmero dentro de uma escala, inclusive nmeros quebrados. Por
exemplo, dimetro de uma pea, tempo de entrega de produtos.
Na terminologia de qualidade, as variveis de classificao ou contagem so tambm chamados de Atributos.

FM2S

101

Exerccio

Tempo mdio de espera para ser atendido em


um Call Center

Nmero de chamadas de longa distncia


realizadas por ms
Durao de cada chamada de longa
distncia
Cor do telefone utilizado com mais
frequncia
Se existe uma linha conectada ao
modem na residncia

Nmero de atendentes em um Call Center

Quantia gasta com livros

Classificao de hotis
Quantidade de calorias de um produto
alimentcio
Nmero de bolhas em uma garrafa de vidro.

Nmero de ligaes perdidas em um Call


Center
Motivos para ligaes perdidas em um Call
Center
Fontes de consumo de gua em uma
residncia

Tempo gasto na livraria por ms


Se filiado a algum Partido Poltico
Caso seja, a que Partido Poltico filiado
Satisfao
produto

Consumo de gua em uma residncia

com

um

determinado

Caractersticas do processo e variveis - tipos de variveis


Measure

Como exerccio, classifique cada uma das variveis em classificatria, contagem ou contnua.

79

102

Programa 6-sigma: formao GREEN BELT

Anlise da variao

A variao inerente a
todos os processos

Measure

ANLISE DA VARIAO

80

Um produto ou servio pode ser avaliado a partir de caractersticas de qualidade. Dois itens produzidos nas
mesmas condies no so, em geral, idnticos com respeito s caractersticas de qualidade consideradas.
Assim, a variabilidade inerente aos processos.
Anlise da variabilidade deve ser usada como base para a aes no processo. Aes baseadas em um correto
entendimento de variao ajudam a melhorar a performance do processo.

FM2S

103

A variao pode ser percebida atravs dos dados

Anlise da variao

81

Measure

Tomamos decises diariamente baseados na nossa interpretao da variao: o desempenho do meu filho na
escola foi melhor este ms? A criminalidade aumentou na minha comunidade? Devo vender ou comprar aes?
Os gestores tambm tomam decises que so baseadas na interpretao da variao nos indicadores:

H 3 meses que as vendas esto abaixo do previsto. Esses dados indicam uma tendncia? necessrio
agir?

O nmero de acidentes foi maior que no ano passado. preciso fazer mudanas no ambiente de
trabalho? Fazer uma campanha sobre segurana no trabalho?

O gestor precisa ter habilidade para determinar se a variao observada indica que:

Ocorreu algo especial que requer uma ao pontual;

A variao est dentro do esperado.

Algumas vezes a ao inadequada ou contraproducente em virtude da falta de compreenso do conceito de


causas comuns e especiais de variao.

104

Programa 6-sigma: formao GREEN BELT

Voz do Estabilidade
Processo
Voz do
Cliente

Comparar resultados
com especificaes
(capabilidade)

Anlise da variao VOP e VOC

82

Measure

Voz do Processo:
Avaliar o comportamento do processo. H trs abordagens complementares para analisar uma caracterstica de
um processo:

Comportamento ao longo do tempo;

Distribuio;

Localizao e quantidade de variao.

Em geral deve-se utilizar as trs abordagens para uma melhor compreenso do processo. As abordagens
utilizam tcnicas grficas ou numricas e as tcnicas a serem utilizadas dependem do tipo de varivel (numrica
ou categrica).

Voz do Cliente: comparar resultados com especificaes


Qual a porcentagem de resultados que esto fora da especificao? Qual a capabilidade (Cp e Cpk) do processo
de atender as especificaes dos clientes.

FM2S

Ms
jan/2001
fev/2001
mar/2001
abr/2001
mai/2001
jun/2001
jul/2001
ago/2001
set/2001
out/2001
nov/2001
dez/2001
jan/2002
fev/2002
mar/2002
abr/2002
mai/2002
jun/2002
jul/2002
ago/2002
set/2002
out/2002

105

Gasto
97
104
99
94
100
99
96
96
94
96
98
99
96
100
99
96
103
97
96
91
98
96

Anlise da variao grfico de tendncia

83

Measure

Considere o seguinte exemplo: o departamento de recursos humanos de uma empresa coletou os dados de
gastos mensais com treinamento nos anos de 2001 e 2002. Os dados esto na tabela do slide.
Uma ferramenta importante para se estudar variao o grfico de tendncia. Esse grfico simplesmente um
registro de uma medida ou caracterstica ao longo do tempo. Ele pode revelar ciclos, tendncias ou mudanas
de desempenho ao longo do tempo.
Algum tipo de grfico de tendncia deve sempre fazer parte do estudo da variao em um processo ou sistema,
pois um grfico simples e fcil de construir. No eixo horizontal fica a varivel que representa tempo e no
eixo vertical a varivel sendo monitorada.
1.

Para construir um grfico de tendncia identifique a atividade que voc deseja mensurar ao longo do
tempo. Exemplo: nmero de unidades vendidas por dia por uma empresa.

2.

Defina o intervalo de tempo entre cada coleta (frequncia). Exemplo: dirio.

3.

Faa a coleta dos dados. Registre os dados e coloque no grfico medida que forem sendo coletados.

106

Programa 6-sigma: formao GREEN BELT

Anlise da variao srie temporal

84

Measure

Muitas vezes o objetivo identificar ciclos, tendncias temporais e efeitos sazonais. Nesses casos mais comum
denominar o grfico de tendncia de srie temporal e usar tcnicas apropriadas de sries temporais para analislo, que fogem do escopo desse curso.

FM2S

107

Grfico de Controle: Hora de Chegada


Grfico de Controle: Hora de Chegada
Grfico de Controle: Hora de Chegada
Grfico de Controle: Hora de Chegada
Grfico de Controle: Hora de Chegada

20
20
15
10
10
5
0

-5

-5

-10

-10
-15
-15
-20

15
10
5

20
15
10
5

Minutos

Minutos

Minutos

Minutos

20

Minutos

15

-5

-10

-5

-10

20
15
0

10

0
0

-5

-15
-10
6
8
10
12
14
16
18
20
22
24
-20 2 -15 4
Dia
24
22
20
18
16
14
12
10
8
6
4
2
-20
-15
Dia
24
22
20
18
16
14
12
10
8
6
4
2
-20
Dia
24
22
20
18
16
14
12
10
8
6
4
2
-20
Dia
2
4
6
8
10
12
14
16
18
20
22
24
Dia

Anlise da variao causas de variao

85

Measure

Considere a histria de dois jovens recm-casados. O marido mudou-se para a nova casa do casal trs semanas
antes do casamento. Na volta do trabalho para casa, ele saa s 17:30h e chegava por volta das 18:00h. Anotamos
durante 15 dias quantos minutos antes ou depois das 18:00 o marido chegou em casa.
No primeiro dia aps o casamento, a esposa ainda em frias, o marido promete chegar s 18:00, mas ele chega
10 minutos adiantado, e a esposa fica brava com a falta de pontualidade e pergunta as razes O trnsito estava
bom hoje, ele diz
No segundo dia ele chega 10 minutos atrasado. Brava ela novamente pergunta a razo Peguei muitos sinais
fechados, diz ele.
No terceiro dia ele chega 1 minuto atrasado e novamente ele pergunta a razo. Foi um pedestre que atravessou
a rua e precisei esperar
No quarto dia novamente ele chega fora do horrio, com atraso de 5 minutos..... e a histria continua....
Qual conselho voc daria para essa esposa? Talvez internar-se? E para o marido? Tambm internar-se, pois ele
esta dando resposta para pergunta maluca! Achamos absurdo a relao desse casal, mas muitas vezes os
indicadores da nossa empresa so analisados da mesma maneira.

108

Programa 6-sigma: formao GREEN BELT

Como j vimos, existe variao em todos os indicadores. Olhando o tempo de chegado do marido, percebemos
que ele sempre chega entre 15 minutos antes ou depois das 18:00h e no faz sentido perguntar as razes nas
vezes que ele chega entre esses horrios.

Causas comuns
Causas especiais

Anlise da variao causas de variao

86

Measure

Um conceito fundamental para o estudo e melhoria dos processos, de acordo com Walter Shewhart (1931), o
de que a variao numa medida de qualidade provocada por um desses dois tipos de causas:

Causas comuns: aquelas causas que so inerentes ao processo todo o tempo, afetam todos que atuam
no processo e afetam todos os resultados do processo.

Causas especiais: aquelas causas que no atuam no processo todo o tempo ou no afetam todo mundo,
mas que surgem devido a circunstncias especiais.

Esse conceito tem um altssimo valor para todos os processos, pois aplicado em qualquer processo, tem alto
impacto e de fcil aplicao. Foi um dos responsveis pela mudana do ambiente industrial relacionado a
qualidade dos produtos, por volta dos anos 50.

Estabilidade de um processo
Quando s causas comuns atuam no processo:

O processo dito estar estvel (sob controle estatstico);

FM2S

A quantidade de variao inerente ao processo pode ser quantificada e o processo previsvel.

Quando existem causas especiais atuando no processo:

O processo est instvel (fora de controle estatstico).

Exemplo de fontes de variao: dirigir de casa at o trabalho:


Exemplos de variao de causa comum:

Semforos estarem vermelho ou verde;

Volume de trfego;

Pedestres atravessando a rua;

Aguardar para fazer converses.

Exemplos de variao de causa especial:

Um acidente;

Um desvio s um dia;

Um pneu furado.

Trfego tranquilo por muitos no trabalharem naquele dia.

109

110

Programa 6-sigma: formao GREEN BELT

Diferentes estratgias so necessrias para melhorar um


processo estvel ou um processo instvel.

Mtodo de identificao: Grfico de Tendncia ou Grfico de


Controle.

Anlise da variao causas de variao

87

Measure

O Grfico de Tendncia pode ser usado para avaliar as causas de variao que esto atuando em um processo.
Um processo considerado estvel quando existe uma distribuio aleatria dos pontos plotados, sem
nenhum padro claramente identificvel. Se a distribuio (ou padro) no aleatria, o processo considerado
como instvel ou estar sob a ao de causas especiais.
Existe um consenso entre usurios de grficos de tendncia de que um nico ponto muito afastado dos demais
uma indicao de uma causa especial de variao. Isso se deve ao fato de que a ocorrncia de um ponto
afastado dos demais tem baixa probabilidade de ocorrer por acaso. Outras regras foram criadas para identificar
outros tipos de causas especiais (padres no aleatrios nos grficos de tendncia).
Essas regras, apresentadas no slide a seguir, so consistentes no sentido de que a chance de ocorrncias das
mesmas muito baixa se o processo est estvel.

FM2S

111

Grfico de tendncia: Minutos adiantados ou atrasados em relao ao especificado

Um ponto muito
afastado dos demais

Estvel

Sequncia de oito ou mais pontos


abaixo ou acima da mdia

Sequncia de seis ou mais pontos


crescente ou decrescente

Anlise da variao causas de variao

88

Measure

necessrio reunir dados suficientes para exibir o comportamento do processo. Um total de 25 a 30 pontos de
dados costuma ser suficiente para que se formem padres que sirvam como referncia para o desempenho do
processo; se essa quantidade de pontos no estiver disponvel, procure tomar a melhor deciso com o que
estiver mo.
Observao: nem toda causa especial ruim. Muitas vezes ela indica uma melhora no processo. Nesse caso
devemos ver se possvel incorpor-la ao processo.
Alm disso, o grfico de tendncia uma ferramenta adequada para avaliar se mudanas em um processo
resultam em melhoria.

112

Programa 6-sigma: formao GREEN BELT

Anlise da variao causas de variao

89

Measure

Um grfico de controle um grfico de tendncia com limites estatsticos (linhas vermelhas) para identificar se
um ponto est suficientemente afastado dos demais para ser considerado como possvel causa especial.
Iremos trabalhar em detalhes o grfico de controle mais adiante no material.

FM2S

113

Anlise da variao causas de variao

90

Measure

No slide acima esquerda no temos nenhuma causa especial.


No slide acima a direita temos um ponto muito afastado dos demais (fora da regio delimitada pelas linhas
vermelhas) indicando uma causa especial.
No slide abaixo a esquerda temos oito pontos abaixo da mdia (mesmo que dentro da regio delimitada pelas
linhas vermelhas) indicando uma causa especial.
No grfico abaixo a direita temo 6 pontos em ordem crescente (mesmo que dentro da regio delimitada pelas
linhas vermelhas) indicando uma causa especial.

114

Programa 6-sigma: formao GREEN BELT

Exerccio 1

Anlise da variao causas de variao

91

Measure

A diretora de recursos humanos estava examinando suas despesas com treinamento dos ltimos dois anos.
Baseada nos ltimos 12 meses, ela havia colocado no oramento um custo mdio de $ 98.000 por ms; mas as
despesas do ltimo ms foram de $ 105.000. Ela queria saber o que havia de diferente com o ltimo ms e pediu
sua equipe para descobrir o que aconteceu, para que pudessem evitar o problema no futuro.
a) Os dados do ltimo ms so o resultado de causas comuns ou especiais? Por que?
b) A diretora de recursos humanos tomou a providncia adequada?
c)

O que ela deveria esperar que fossem seus custos mensais de treinamento?

FM2S

115

Exerccio 2

Anlise da variao causas de variao

92

Measure

Uma linha de embalagem teve, em mdia, 4 horas de interrupes por semana, de 8 de maro a 23 de agosto. J
que muitos dos problemas estavam relacionados a quedas na energia eltrica, os tcnicos suspeitaram que o
equipamento de proteo da rede eltrica estivesse funcionando mal. Eles o substituram no final de janeiro e
ento continuaram a coletar dados por mais oito semanas.
a) Acaso o novo equipamento de proteo da rede ajudou?
b) Em caso afirmativo, em que semana eles tiveram seu primeiro sinal? H outros sinais de mudana no
processo?

116

Programa 6-sigma: formao GREEN BELT

Exerccio 3

Anlise da variao causas de variao

93

Measure

Um fornecedor de bens de consumo acompanha os pedidos que chegam via EDI. Ele quer usar esses dados
para ajudar a planejar o oramento para o novo ano. Se o processo for estvel, os gerentes podero estimar em
mdia quantos pedidos sero recebidos a cada dia. Mas primeiro eles precisam saber se h quaisquer indicaes
de causas especiais no processo.
a)

Os dados indicam a presena de causa especial ou a variao toda ela resultado de causas comuns?
Por qu?

b) Qual o nmero mdio de pedidos que deveriam esperar por dia?


c)

Qual o nmero mximo de pedidos que deveriam esperar receber por dia?

FM2S

117

Exerccio 4

Anlise da variao causas de variao

94

Measure

Uma fbrica que produz cartes de plstico (cartes de crdito, cartes de identificao de seguro mdico,
etiquetas de embalagem etc.) usa gua de um rio prximo para refrigerar o equipamento usado no processo de
aquecimento. Eles podem reciclar a gua e devolv-la ao rio, contanto que esta no contenha mais de 50 mg de
impurezas. Um tcnico monitora o volume de impurezas em uma amostra que tirada todos os dias.
a) Os dados indicam a presena de uma causa especial ou a variao , toda ela, resultado de causas
comuns?
b) Se h uma causa especial, qual amostra assinala isso primeiro?

118

Programa 6-sigma: formao GREEN BELT

Exerccio 5

Anlise da variao causas de variao

95

Measure

O grfico abaixo apresenta o nmero de bagagens perdidas num voo entre os dias 7 de Fevereiro e 13 de Maro.
a) Qual a amplitude de dados que deve ser esperada para perda de bagagem em um nico dia?
b) Existem quaisquer indicaes de causas especiais?
c)

A companhia area deveria usar aes de causa comum ou causa especial para responder ao nmero
de bagagens perdidas no dia 31 de Maro?

FM2S

119

Exerccio
Considere os dados de tempo de ciclo do arquivo AULA com
MINITAB.MPJ, worksheet Tempo de ciclo.
a)
b)
c)
d)

Faa um grfico de tendncia para o cenrio 1.


Repita o procedimento para os outros cenrios.
Padronize a escala do eixo vertical.
Coloque todos os grficos no mesmo painel.

Anlise da variao causas de variao


Measure

a) Faa um grfico de tendncia para o cenrio 1.


b) O caminho para abrir a janela do grfico de tendncia : Graph -> Time Series Plot

96

120

Programa 6-sigma: formao GREEN BELT

c)

Aps isso, uma janela ir se abrir. Nela voc deve clicar em simple

d) Aps isso, na janela seguinte, clique em Series e escolha na coluna da esquerda o cenrio que deseja
plotar. No caso o cenrio 1. Click em ok e o Minitab ir gerar o grfico.

e) O Grfico gerado ser o seguinte:

FM2S

f)

Repita o procedimento para os outros cenrios.

g) Na janela onde voc escolhe os dados que deseja plotar, selecione todos.

h) Clique em ok e os seguintes grficos sero gerados:

121

122

Programa 6-sigma: formao GREEN BELT

Time Series Plot of Cenrio 2


9

7
Cenrio 2

Cenrio 1

Time Series Plot of Cenrio 1


9

6
5

6
5

2
1

7
8
Index

10

11

12

13

14

7
8
Index

10

11

12

13

14

Time Series Plot of Cenrio 4

Time Series Plot of Cenrio 3


9

7
6
Cenrio 4

Cenrio 3

7
6
5

5
4
3

7
8
Index

10

11

12

13

14

7
8
Index

10

11

12

13

14

Time Series Plot of Cenrio 6

Time Series Plot of Cenrio 5


9

6
Cenrio 6

Cenrio 5

6
5

5
4

2
1

7
8
Index

10

11

12

13

14

7
8
Index

10

11

12

13

14

i)

Padronize a escala do eixo vertical.

j)

Para editar o eixo vertical dos grficos, devemos clicar duas vezes com o boto direito do grfico no
eixo. Com isso uma janela de edio ir se abrir. Nela, editamos o que queremos na escala.

FM2S

123

k) Coloque todos os grficos no mesmo painel.


l)

Para colocar todos os grficos em um s painel devemos ir no menu superior em: Editor -> Layout
tools.

m) Com isso um editor de grficos ir se abrir. Nele podemos decidir como fazer a visualizao dos
grficos. Mexendo no valor do nmero de linhas e colunas da visualizao podemos customizar a forma
de apresentao. Dando duplo clique nos grficos, podemos escolher a posio dos mesmos dentro
deste layout. Clicando em finish, o Minitab ir gerar a visualizao montada.

124

Programa 6-sigma: formao GREEN BELT

Exerccio
Considere os dados de gastos com treinamento do arquivo
AULA com MINITAB.MPJ, worksheet 31 Gasto mensal
treinamento.
a)

Faa um grfico de tendncia dos gastos mensais com


treinamento.
b) O processo est estvel?

Anlise da variao causas de variao


Measure

a) Faa um grfico de tendncia dos gastos mensais com treinamento.

97

FM2S

125

Como no exerccio 1a, v em: Graph -> Time Series Plot, selecione a opo Simple. Na janela que se
abrir, escolha gasto como a srie a ser plotada. Para padronizar o eixo X, clique no boto Time/Scale,
indicado em vermelho.

Ao fazer isso, uma nova janela se abrir, nela clique em Stamp e em seguida no retngulo branco que
ir aparecer. Para selecionar a coluna do eixo X, ento clique em ms. Os cliques esto marcados em
vermelho.

Clique ento em OK e OK novamente e o seguinte grfico ser gerado:

126

Programa 6-sigma: formao GREEN BELT

Time Series Plot of gasto


106
104
102

gasto

100
98
96
94
92
90
1
1
1
2
2
2
01
01
01
02
02
02
-0
-0
r- 0
t- 0
r-0
t-0
zzvvnngo
go
fe
fe
ab
ju
ou
ab
ju
ou
de
de
a
a
01
01
01
01
01
01
01
01
01
01
01
01

mes

b) O processo est estvel?


Como no h nenhum ponto muito afastado dos demais, nem outro evento que sugira uma causa
especial, o processo pode ser considerado estvel.

Exerccio
Considere os dados do nmero de passageiros de uma
companhia area dos EUA do arquivo AULA com
MINITAB.MPJ, worksheet 22 N_PASSAGEIROS.
a)

Faa o grfico de tendncia do nmero de usurios.

Anlise da variao causas de variao


Measure

Faa o grfico de tendncia do nmero de usurios.

98

FM2S

127

O grfico plotado da mesma maneira que os anteriores: Graph -> Time Series Plot -> Simple, em
Series escolha n_pass e dentro da janela do boto Time/Scale, em Stamp selecione data. O grfico
gerado ser o seguinte:
Time Series Plot of n_pass
600

n_pass

500
400
300
200
100

N
JA

49
19

B
FE

50
19
A

PR

51
19
J

UN

52
19
A

UG

53
19
O

CT

54
19

C
DE

55
19

B
FE

57
19
A

PR

58
19
J

UN

59
19
A

UG

60
19

data

Neste grficos podemos ver vrias coisas interessantes, como uma tendncia de aumento na mdia e
na variao do processo, bem como um efeito de sazonalidade.

128

Programa 6-sigma: formao GREEN BELT

Grfico de frequncia

Measure

GRFICOS DE FREQUNCIA

99

Um grfico de frequncia uma ferramenta para mostrar dados que apresenta ao usurio informaes bsicas
sobre a localizao, forma e disperso de um conjunto de dados.
O grfico de frequncia s deve ser usado quando h conhecimento adequado da estabilidade da caracterstica
sendo medida. Se o processo for estvel o grfico de frequncia serve como previso do desempenho do
processo no futuro. Se o processo for instvel o grfico de frequncia simplesmente um resumo de o que o
processo fez no passado.

Para varivel numrica podemos utilizar:

Dotplot: mais adequado quando a quantidade de dados pequena, pois preserva os valores
individuais. Alm disso, mais adequado para comparar distribuies (estratificao).

Histograma: mais adequado quando a quantidade de dados grande, pois no preserva os valores
individuais.

FM2S

129

Gasto mensal com treinamento


Ms
jan/2001
fev/2001
mar/2001
abr/2001
mai/2001
jun/2001
jul/2001
ago/2001
set/2001
out/2001
nov/2001
dez/2001

Gasto
97
104
99
94
100
99
96
96
94
96
98
99

Ms
jan/2002
fev/2002
mar/2002
abr/2002
mai/2002
jun/2002
jul/2002
ago/2002
set/2002
out/2002
nov/2002
dez/2002

Gasto
96
100
99
96
103
97
96
91
98
96
95
105

Grficos de frequncia- dotplot


Measure

O dotplot representa graficamente a distribuio dos dados. Caractersticas a serem observadas:

Simetria;

Pontos extremos;

Centro;

Quantidade de variao;

Mnimo;

Mximo.

100

130

Programa 6-sigma: formao GREEN BELT

3074.32
778.88
602.36
253.61
43.15
1243.20
928.44
154.55
1121.12
959.55
2705.86
1052.25
234.90
1633.70
1688.66
23.84
602.71
122.40
924.84
713.29
1088.30
1561.42
89.54
785.85
185.93

1184.04
107.78
489.40
191.21
608.39
933.57
306.15
629.59
1142.27
906.96
458.13
1348.63
1047.04
176.02
1065.77
326.36
386.14
414.68
245.54
2202.69
2.06
1562.89
2076.58
141.17
1609.05

631.14
809.86
1033.09
1249.77
707.19
651.78
807.55
357.53
295.61
453.15
401.17
538.09
693.39
494.01
175.59
592.99
358.21
51.22
150.13
123.86
861.27
400.46
1532.15
853.03
4187.47

970.81
711.36
732.89
793.21
2837.39
79.80
2566.06
1132.04
1689.13
587.72
60.45
858.61
513.15
857.72
1449.60
26.40
413.78
2.00
3850.09
45.58
1014.46
727.84
571.24
2100.70
2478.63

1126.45
1403.13
760.71
516.11
954.81
1076.80
1063.25
209.84
891.68
436.04
2415.94
347.03
159.12
1261.66
413.37
3689.57
208.51
601.91
431.53
167.57
2020.19
728.29
778.95
134.10
203.56

86.00
1172.68
1275.38
27.19
15.40
320.45
193.04
1239.65
349.22
623.76
1503.63
1469.26
364.84
409.74
403.72
1258.30
283.67
1669.42
190.56
1768.33
1263.97
775.67
154.25
648.24
238.76

694.34
197.84
338.41
474.35
574.56
3065.79
779.07
429.08
3005.68
521.65
280.52
891.91
3239.65
27.11
1851.64
934.65
380.95
987.59
537.33
732.66
3042.79
2166.44
702.29
1622.95
451.58

757.04
92.50
6.99
666.90
2106.47
890.95
1252.07
383.45
1572.08
2589.97
20.37
33.00
3637.38
1685.12
3711.79
730.77
2541.23
692.49
611.32
1218.76
406.31
368.39
30.00
424.75
283.78

Gasto
mensal com
carto de
crdito

Grficos de frequncia histograma

101

Measure

Considere os dados de gasto mensal com carto de crdito de 200 clientes de uma operadora. Voc consegue
identificar rapidamente qual o centro (mdia) dessa distribuio? Ou se ela simtrica?
Essa informaes so mais facilmente identificadas por meio de um grfico de frequncia. Nesse caso
construiremos um histograma, conforme slides a seguir.

FM2S

131

Grficos de frequncia histograma

102

Measure

O primeiro passo dividir a faixa de variao dos dados em intervalos de comprimento igual e contar o nmero
de observaes em cada intervalo. A quantidade de intervalos e os limites de cada intervalo so arbitrrios. A
sua escolha deve ser feita de forma a evidenciar a forma como os dados se distribuem. Softwares estatsticos
possuem algoritmos que fazem essa escolha.
O passo seguinte desenhar barras com altura respectiva a frequncia de cada intervalo. As caractersticas a
serem observadas so as mesmas do dotplot:

Simetria;

Pontos extremos;

Centro;

Quantidade de variao;

Mnimo e Mximo.

132

Programa 6-sigma: formao GREEN BELT

Medidas de localizao e de variao

Measure

MEDIDAS DE LOCALIZAO E DE VARIAO

103

So medidas numricas que estabelecem:

Entre que valores os dados ocorreram: Mnimo e Mximo;

Qual o centro dos dados: Mdia e Mediana.

Qual o valor abaixo do qual temos uma certa porcentagem dos dados: Quartis (Quartil 1 e Quartil 3)
e Percentis.

FM2S

133

Denote os valores do conjunto de dados por


Mnimo:
Mximo:

Mdia:
Mediana: valor central

Medidas de localizao e de variao - localizao

104

Measure

A mediana o valor que divide o conjunto de dados em dois subconjuntos: 50% do valores esto abaixo da
mediana e 50% dos valores esto acima da mediana. Procedimento:

Ordene os dados;

Se o tamanho da amostra par, a mediana a mdia dos dois valores centrais da amostra ordenada;

Se o tamanho da amostra e mpar, a mediana o valor central da amostra ordenada.

Exemplos
Para n mpar - Considere os seguintes valores: 71, 70, 70, 72 e 70:
Os valores ordenados so:

70

70

70

71

72

700

750

2000

Mediana = 70.
Para n par - Considere os seguintes valores:
500

550

550

550

Mediana = (550+600)/2 = 575.

600

134

Programa 6-sigma: formao GREEN BELT

Distribuio simtrica:

Distribuio assimtrica:

Mdia =15.20
Mdia =15.036

Mediana = 15.035

Mediana = 11.64

Medidas de localizao e de variao - localizao

105

Measure

A mdia e a mediana so duas medidas alternativas de centralidade. Se os dados se distribuem de forma


razoavelmente simtrica em torno do centro, a mdia prxima da mediana, caso contrrio a mdia difere da
mediana.
A medida de centralidade a ser usada depende do objetivo do estudo.

FM2S

135

Quartis:
Quartil 1 (Q1): 25% do valores esto abaixo da quartil 1 e 75% dos

valores esto acima.

Quartil 3 (Q3): 75% do valores esto abaixo da quartil 3 e 25% dos

valores esto acima.

Medidas de localizao e de variao - localizao

106

Measure

Quartis: quartil 1 (Q1) e quartil 3 (Q3):

O quartil 1 (ou primeiro quartil) definido como a mediana dos 50% menores valores;

O quartil 3 (ou terceiro quartil) definido como a mediana dos 50% maiores valores.

O quartil 1 divide o conjunto de dados ordenado em dois subconjuntos: 25% do valores esto abaixo da quartil
1 e 75% dos valores esto acima do quartil 1.
O quartil 3 divide o conjunto de dados ordenado em dois subconjuntos: 25% do valores esto acima da quartil
3 e 75% dos valores esto abaixo do quartil 3.

136

Programa 6-sigma: formao GREEN BELT

Qual linha de produo apresenta maior


qualidade?

Amplitude = Mximo-Mnimo.

Medidas de localizao e de variao - variao

107

Measure

A variao est presente em praticamente todos os processos. Observe a distribuio dos dois conjuntos de
dados do slide: A mdia praticamente a mesma, mas a quantidade de variao diferente. Existem diferentes
formas de se medir a quantidade de variao presente em um conjunto de dados: A mais simples a amplitude:

Amplitude = Mximo-Mnimo.

A variao nos dados pode ser medida calculando-se quo longe os valores se afastam do centro, sendo que o
centro medido pela mdia ou pela mediana. O desvio padro, outra forma de medir a quantidade de variao
presente em um conjunto de dados, utiliza essa abordagem. Considere os seguintes dados:

70

71

73

74

77

A mdia 73. Os desvios em relao mdia esto na tabela abaixo:

-3

-2

A soma dos desvio zero (de fato, a soma dos desvios em relao mdia zero para qualquer conjunto de
dados). Para calcular o desvio padro, inicialmente eleva-se os desvios ao quadrado (contribuio de cada
desvio):

16

O prximo passo somar a contribuio de cada desvio e dividir pelo total de valores menos 1:

FM2S

137

0
4

7.5

O ltimo passo calcular a raiz quadrada da varincia amostral, que o desvio padro:

. .

7.5

.74

Estatsticas Descritivas: N_Vendas


N

60

Mdia

201.47

Mediana

201.00

Desvio Padro

16.73

Quartil 1

191.00

Mnimo

170.00

Quartil 3

210.75

Mximo

243.00

Amp.Interq (IQR)

19.75

Amplitude

73.00

Medidas de localizao e de variao o que a mdia e o D.P. no


mostram

108

Measure

O estudo descritivo de uma CTQ quantitativa deve conter as estatsticas bsicas, o grfico frequncia e o grfico
de tendncia. til utilizar as trs abordagens para aumentar a chance de identificar problemas ou
oportunidades.
Se os dados so coletados ao longo do tempo, o grfico de tendncia o mais til e o primeiro a ser analisado.

138

Programa 6-sigma: formao GREEN BELT

Conj 1

Conj 2

Conj 3

Conj 4

40.50

41.64

35.00

44.50

41.50

58.36

37.00

45.00

42.50

42.29

42.00

45.50

43.50

57.71

53.90

46.00

44.50

42.93

53.00

46.50

45.50

57.07

50.60

47.00

46.50

43.57

50.50

47.50

47.50

56.43

53.80

48.00

48.50

44.21

52.50

48.50

10

49.50

55.79

53.60

49.00

11

50.50

44.86

50.40

49.50

12

51.50

55.14

52.20

50.00

13

52.50

45.50

52.70

50.50

14

53.50

54.50

52.40

51.00

15

54.50

46.14

52.70

51.50

16

55.50

53.86

51.40

52.00

17

56.50

46.79

53.80

52.50

18

57.50

53.21

52.90

53.00

19

58.50

47.43

56.81

72.71

20

59.50

52.57

42.79

49.79

Mdia

50.00

50.00

50.00

50.00

Desv. Pad.

5.92

5.92

5.92

5.92

Os conjuntos so
equivalentes?

Medidas de localizao e de variao o que a mdia e o D.P. no


mostram

109

Measure

Observe os quatro conjuntos de nmeros no slide. Todos tm mesma mdia e mesmo desvio padro. Eles so
equivalentes?

FM2S

139

Grficos de Tendncia dos quatro conjuntos:

Medidas de localizao e de variao o que a mdia e o D.P. no


mostram

110

Measure

Pelos grficos de tendncia dos quatro conjuntos percebemos que eles so completamente diferentes entre si.

140

Programa 6-sigma: formao GREEN BELT

Dados classificatrios

Pie Chart of Freq vs Status

Status
BOM
MAU
OUTROS
Total

Freq Porc.
5139 51.7%
379
3.8%
4428 44.5%
9946 100.0%

Category
BOM
MAU
OUTROS

44.5%
51.7%

3.8%

Measure

DADOS CLASSIFICATRIOS

111

Quando a varivel classificatria, os resultados possveis so categorias. Por exemplo, a varivel DEFEITO
NA PEA tem duas categorias como resultados: Sim e No.
As estatsticas usuais para resumir informaes de variveis classificatrias so frequncias e porcentagens.
Grficos usuais para resumir informaes de variveis classificatrias so grficos de barras e grfico de setores
(pizza).
No exemplo do slide, clientes de uma instituio de crdito ao consumidor so classificados como BOM,
MAU e OUTROS. Uma amostra de 9946 clientes foi retirada e os clientes foram classificados.

FM2S

141

Uma empresa de logstica amostrou 60 entregas


por semana durante vinte semanas e avaliou cada
entrega se foi feita no prazo ou fora do prazo.

Semana % fora
do prazo
1
8.33
2
3.33
3
3.33
4
10.00
5
11.67
6
8.33
7
13.33
8
6.67
9
3.33
10
8.33
11
6.67
12
1.67
13
5.00
14
15.00
15
13.33
16
6.67
17
8.33
18
3.33
19
10.00
20
13.33

Dados classificatrios

112

Measure

comum coletar dados classificatrios ao longo do tempo. Por exemplo, a cada semana so registrados o
nmero de entregas realizadas e o nmero de entregas que foram feitas fora do prazo. Nesses casos, til
construir o grfico de tendncia da porcentagem de entregas fora do prazo para:

Avaliar se o processo de entregas est estvel e orientar aes de mudanas no processo;

Avaliar o impacto no indicador de mudanas feitas no processo.

142

Programa 6-sigma: formao GREEN BELT

Grfico de Pareto

Measure

GRFICO DE PARETO

113

Um dos objetivos centrais de um programa de qualidade reduzir perdas provocadas por itens defeituosos que
no atendem s especificaes. Existem muitos tipos de defeitos que fazem com um produto no atenda s
especificaes. Concentrar esforos no sentido de eliminar todos os tipos de defeitos no uma poltica eficaz.
Geralmente, alguns poucos tipos de defeitos so responsveis pela maioria das rejeies, e mais eficaz atacar
as causas desses poucos defeitos mais importantes.
Essa abordagem j foi proposta por J. M. Juran, um dos pioneiros da Qualidade. Ele estabeleceu uma regra hoje
conhecida como a regra dos poucos vitais e dos muitos triviais. Para identificar os poucos vitais ele props a
utilizao de um diagrama conhecido como diagrama de Pareto. O diagrama basicamente um histograma da
distribuio dos defeitos pelos tipos, ordenado em ordem decrescente de frequncia de ocorrncia.
O princpio de Pareto, tambm conhecido como regra de 80/20, diz que dos muitos defeitos presentes, 80% so
triviais e 20% so vitais.

FM2S

143

Grfico de Pareto

114

Measure

Preparao:
1.

Definir um problema especfico (voc coletar os dados para esse problema);

2.

Listar os tipos de defeitos que se apresentam. Eles podero j estar definidos, se voc estiver usando
dados existentes, ou gerados atravs de um brainstorm com a equipe;

3.

Determinar uma medida comum para comparar as categorias;

4.

Definir o perodo de tempo durante o qual os dados sero coletados (escolher um perodo de tempo
que seja relevante para a situao);

5.

Coletar dados referente aos defeitos, caso eles ainda no existam (pelo menos 30 ocorrncias);

6.

Calcular a frequncia de ocorrncia dos defeitos (ou outra medida relevante);

7.

Ordenar os defeitos pela frequncia de ocorrncia.

Construo do Grfico de Pareto


1.

Use o eixo horizontal para os tipos de defeitos;

2.

Use o eixo vertical esquerdo para a frequncia de ocorrncia e o eixo vertical direito para a porcentagem
de ocorrncia;

144

Programa 6-sigma: formao GREEN BELT


3.

Desenhe as barras para cada defeito com altura proporcional sua frequncia de ocorrncia, ordenadas
da esquerda para a direita;

4.

Desenhe segmentos de reta ligados mostrando a porcentagem acumulada da esquerda para a direita.

Cuidado:
Existem muitas opes para o eixo vertical nos grficos de Pareto. A escala mais comum a frequncia de
ocorrncias.
Trs alternativas importantes so:

Valor monetrio;

Tempo;

Contribuio percentual de cada classificao para o total (tempo, ocorrncias, dinheiro etc.).

Ao se decidir sobre onde focar os esforos de melhoria usando anlise de Pareto deve-se considerar
cuidadosamente uma escala apropriada.

Se aplica

No se aplica

Grfico de Pareto

115

Measure

O Princpio de Pareto se aplica quando uma ou algumas categorias so responsveis pela maioria dos defeitos.
Concentre os esforos de melhoria no topo de uma ou duas barras.

FM2S

145

O Princpio de Pareto no se aplica quando as barras so todas de alturas semelhantes. Procure por outras
maneiras de categorizar os dados, ou procure por um tipo diferente de dado para este problema.

O eixo vertical deve ter altura


igual soma de todas as
frequncias.

Grfico de Pareto - cuidados

116

Measure

O eixo vertical deve ter altura igual soma de todas as frequncias.


No grfico mais acima do slide, o eixo-y s to alto quanto a barra mais alta. A altura das barras vista em
relao barra mais alta, no em relao ao nmero total de defeitos, o que sugere efeito de Pareto.
Quando corretamente desenhado, no parece que a Barra A seja realmente to mais alta do que as outras. Trate
como se o Princpio de Pareto no se aplicasse (isto , no concentre-se somente na Barra A).

146

Programa 6-sigma: formao GREEN BELT

Erros em relatrio de despesas


Tipo de
erro
Falta
assinatura

Falta
recibo

Total de
erros

Vendas
Funcionri
o
Gerente
V.P.
Taxi
Refeio
Estacion.
Comb.

RH

Manuf.

25
2
3
3
33
2

1
2

68

Eng.

Finan.

Trein.

Total

40
2
1
3
26
2

70
6
8
6
60
5

76

165

1
1

Grfico de Pareto - estratificao

10

117

Measure

Note que no relatrio de erros do slide, na coluna total, temos o total de erros por tipo e na ltima linha temos
o total de erros por departamento. Com esses dados pode-se dois grfico de Pareto, conforme slide a seguir.

FM2S

147

Pareto Chart of Tipo


180

100

160
140

60

80

40

60
40

20

20

Tipo

te
en
er
.g
e
in
s
bo
as
ci
re
ta
l
lta
Fa
Fa

70
42.4
42.4

.
xi
P.
o
nc
ta
V.
i
o
. fu
n.
fe
ib
in
si
re
s
c
s
a
o
re
as
b
a
i
c
lt
lta
lta
re
Fa
Fa
Fa
lta
Fa

60
36.4
78.8

10
6.1
84.8

8
4.8
89.7

6
3.6
93.3

6
3.6
97.0

r
he
Ot

Pareto Chart of local


180
100

160

5
3.0
100.0

140

80

120
freq

Freq
Percent
Cum %

n.
io
ac
st

100

60

80

Percent

Freq

100

Percent

80

120

40

60
40

20

20
0
local
freq
Percent
Cum %

Manuf.
76
46.1
46.1

Vendas
68
41.2
87.3

Eng.
9
5.5
92.7

Grfico de Pareto - estratificao

Finan.
6
3.6
96.4

Other
6
3.6
100.0

118

Measure

Os tipos de erros mais frequentes so: falta de assinatura do gerente e falta de recibo do estacionamento.
J os departamentos que mais cometem erros so manufatura e vendas.

148

Programa 6-sigma: formao GREEN BELT

Pareto Chart of Tipo: Vendas+Manuf.


140

100

120

80

100
80

60

60

40

40

20

20
0

.
o
te
n.
b.
.P
io
m
i
en
.V
ac
fe
co
er
s in
st
re
o
.g
s
e
b
n
a
i
o
c
si
bo
ci b
lta
re
as
ci
re
Fa
re
lta
lta
lta
Fa
l ta
Fa
a
a
F
F
Venda e Manuf
65
59
6
4
4
Percent
45.1
41.0
4.2
2.8
2.8
Cum %
45.1
86.1
90.3
93.1
95.8

Tipo

Percent

Venda e Manuf

160

r
he
Ot

6
4.2
100.0

Grfico de Pareto - estratificao

119

Measure

Podemos estratificar por manufatura e vendas (grfico esquerda) e demais departamentos ( direita). Com
isso, descobrimos que os erros cometidos por manufatura e vendas so, principalmente, falta de assinatura do
gerente e falta de carimbo do estacionamento.

FM2S

149

Grfico de Pareto - estratificao

120

Measure

Pode-se estreitar o foco por meio da estratificao de um grfico de Pareto. Encontre a barra principal no estgio
1 (quando o princpio de Pareto se aplicar). Estratifique essa barra em um segundo estgio e repita o
procedimento at ficar com um foco bastante claro.
Deve-se tomar cuidado para no estratificar tantas vezes que o foco escolhido represente pouco
percentualmente do total de defeito (geralmente no mais do que duas estratificaes).

150

Programa 6-sigma: formao GREEN BELT

Grfico de Pareto - estabilidade

121

Measure

O grfico de Pareto tem que ser analisado considerando-se as causas de variao presentes. Se o processo for
estvel, o grfico de Pareto mostra os defeitos vitais e os triviais produzidos por causas comuns. Se o processo
for instvel, deve ser feita a estratificao dos dados para separar os dados obtidos quando causas especiais
estavam presentes dos dados.

FM2S

151

Exerccio
Considere os dados de vendas de uma loja durante 60 dias
AULA com MINITAB.MPJ, worksheet 30 VENDAS.
a)

Faa o grfico de tendncias do nmero de vendas. Vamos usar


outro caminho para fazer o grfico de tendncia.
b) O processo est estvel?
c) Faa o Dot Plot do nmero de vendas.
d) Faa o Histograma do nmero de vendas.
e) Calcule a media, desvio padro, mediana, mnimo, mximo, Q1,
Q3, amplitude e amplitude interquartis para o nmero de
vendas.

122
Measure

a) Faa o grfico de tendncias do nmero de vendas. Vamos usar outro caminho para fazer o grfico de
tendncia.
Um outro caminho ir em: Stat -> Quality Tools -> Run Chart

Por este caminho, devemos na janela que se abrir escolher a srie a ser plotada em Single Column. Nosso
tamanho de subgrupo para este caso 1 (temos apenas uma medida para cada item medido).

152

Programa 6-sigma: formao GREEN BELT

O grfico gerado ser o seguinte:


Run Chart of N_vendas
250
240

N_vendas

230
220
210
200
190
180
170
1

10

Number of runs about median:


Expected number of runs:
Longest run about median:
Approx P-Value for Clustering:
Approx P-Value for Mixtures:

15

20

30
31,00000
7
0,39727
0,60273

25
30
35
Observation

40

Number of runs up or down:


Expected number of runs:
Longest run up or down:
Approx P-Value for Trends:
Approx P-Value for Oscillation:

45
37
39,66667
4
0,20352
0,79648

b) O processo est estvel?


Nenhum caso de causa especial foi observado, portanto o processo est estvel.
c)

Faa o Dot Plot do nmero de vendas.

Para fazer o dotplot, v em: Graph -> Dotplot

50

55

60

FM2S

Escolha a opo Simple

Na janela que se abrir, selecione para Graph Variable N_vendas. Clique em OK.

O seguinte grfico ser gerado:

153

154

Programa 6-sigma: formao GREEN BELT

Dotplot of N_vendas

170

180

190

200

210
N_vendas

220

230

d) Faa o Histograma do nmero de vendas.


Para montar o histograma devemos ir em: Graph -> Histogram

Selecionar ento a opo Simple

Selecionamos ento N_vendas como varivel e clicamos em OK.

240

FM2S

155

O grfico gerado ser:

Histogram of N_vendas
18
16
14

Frequency

12
10
8
6
4
2
0

170

180

190

200
210
N_vendas

220

230

240

e) Calcule a mdia, desvio padro, mediana, mnimo, mximo, Q1, Q3, amplitude e amplitude
interquartis para o nmero de vendas.

156

Programa 6-sigma: formao GREEN BELT

Para calcular estes valores devemos ir em: Stat -> Basic Statistics -> Display Descriptive Statistics

Na janela que se abrir, selecionamos N_vendas como varivel e clicamos no boto Statistics... para selecionar
quais mtrica o minitab ir calcular.

Para este exerccio, devemos escolher a mdia, o desvio padro, os quartis, a mediana, o mximo, o mnimo e
as amplitudes gerais e de quartis. Marcamos ento estas opes na janela que se abrir.

Clicamos duplamente em OK e o Minitab ir calcular estas mtricas. Para visualiz-las, clicamos no cone
pergaminho no menu superior.

FM2S

157

Exerccio
Considere os dados de quatro conjuntos do arquivo AULA com
MINITAB.MPJ, worksheet 26 QUATRO_CONJUNTOS.
a)

Calcule a mdia e o desvio padro de cada varivel (X1, X2, X3,


X4).
b) Faa o Dot Plot colocando todas as variveis no mesmo grfico.
c) Faa um grfico de tendncia de cada varivel e coloque todos
os grficos em um mesmo painel.
d) O que voc conclui a partir dos resultados?

123
Measure

a) Calcule a mdia e o desvio padro de cada varivel (X1, X2, X3, X4)

158

Programa 6-sigma: formao GREEN BELT

Para calcular estas mtricas precisamos ir em: Stat -> Basic Statistics -> Display Descriptive Statistics.

Na janela que se abrir, selecionamos todas as variveis e clicamos em em Statistics para selecionar as mtricas
que desejamos.

b) Faa o dotplot com as variveis em um mesmo grfico.


Para isso, devemos ir em: Graph -> Dotplot.

FM2S
Em seguida, clicamos na opo Multiple Ys, Simple

Em seguida, selecionamos as variveis.

O grfico gerado ser:

159

160

Programa 6-sigma: formao GREEN BELT

Dotplot of X1; X2; X3; X4

X1
X2
X3
X4

c)

36

42

48

54
Data

60

66

72

Faa um grfico de tendncia para cada varivel e coloque todos na mesma janela.

Para montar os grficos, devemos ir em: Graph -> Time Series Plot.

Em seguida selecionamos a opo simple e na janela de formao do grfico selecionamos todas as variveis.

FM2S

161

Feito isso, os 4 grficos sero gerados. Para organizarmos estes grficos, devemos ir em: Editor -> Layout Tools,
e ento organizar a maneira que queremos disponibilizar as informaes.

Exerccio
Considere os dados de 18 meses do desempenho de entregas
de uma empresa de logstica. Uma mudana foi feita entre os
meses oito e nova do arquivo AULA com MINITAB.MPJ,
worksheet entregas atrasadas.
a) Calcule a porcentagem de entregas atrasadas por ms.
b) Faa o grfico de tendncia da porcentagem de entregas
atrasadas.

124
Measure

a) Calcule a porcentagem de entregas atrasadas por ms.


Para usar a calculadora do Minitab devemos ir em: Calc -> Calculator

Na janela que se abrir, escolha a coluna onde quer guardar os novos dados calculados e tambm digite a
sentena que deseja calcular. No nosso caso vamos guardar na coluna C5 (em branco) e fazer
n_atrasadas/n_entregas *100%.

162

Programa 6-sigma: formao GREEN BELT

Clique em OK e os dados sero calculados.


b) Faa o grfico de tendncia da porcentagem de entregas atrasadas.
Usamos o caminho ensinado no exerccio 1 e 2, porm aqui a srie que queremos plotar est na coluna C5 (que
so os dados recm calculados). O grfico gerado ser o seguinte:
Time Series Plot of C5
40
35
30

C5

25
20
15
10
5
2

10
mes

12

14

16

18

FM2S

163

Exerccio
Considere o arquivo AULA com MINITAB.MPJ, worksheet 50
unitodos_completo.
a)

Calcule a frequncia e a porcentagem de cada categoria da


varivel STATUS.
b) Faa o grfico de barras do total da varivel STATUS.
c) Faa o grfico de barras da porcentagem da varivel STATUS.
d) Faa o grfico de setores da varivel STATUS.

125
Measure

a) Calcule a frequncia e a porcentagem de cada categoria da varivel STATUS.


Para calcular a frequncia e a porcentagem de uma determinada varivel devemos ir em: Stat -> Tables -> Tally
Individual Variables.

164

Programa 6-sigma: formao GREEN BELT

Na janela que se abrir devemos selecionar as variveis que queremos e o tipo de estatstica que queremos
observar.

Clicamos ento em OK e os resultados podero ser visualizados no pergaminho.

FM2S

b) Faa o grfico de barras do total da varivel STATUS.


Para elaborar o grfico de barras, devemos ir em: Graph -> Bar Chart.

Devemos selecionar a opo Simple.

Em seguida escolhemos na janela a varivel que queremos plotar e clicamos em OK.

165

166

Programa 6-sigma: formao GREEN BELT

O grfico gerado ser:


Chart of STATUS
5000

Count

4000

3000

2000

1000

c)

BOM

MAU
STATUS

OUTROS

Faa o grfico de barras da porcentagem da varivel STATUS.

Para fazer este grfico, na janela de seleo de variveis, devemos clicar em Bar Chart Options e selecionar para
mostrar Y como porcentagem.

FM2S

167

O novo grfico ser:


Chart of STATUS
50

Percent

40

30

20

10

BOM

MAU
STATUS

OUTROS

Percent within all data.

d) Faa o grfico de setores da varivel STATUS.


Para fazer o grfico de setores devemos ir em: Graph -> Pie Chart.

Selecionamos ento a varivel que queremos e traamos o grfico.

168

Programa 6-sigma: formao GREEN BELT

O grfico gerado foi:

Pie Chart of STATUS


Category
BOM
MAU
OUTROS

FM2S

169

Exerccio
Considere os dados sobre defeitos obtidos em inspeo na
sada da produo no arquivo AULA com MINITAB.MPJ,
worksheet defeito embalagem.
a)

Faa o grfico de Pareto dos tipos de defeitos.

126
Measure

a) Faa o grfico de Pareto dos tipos de defeitos.


Para fazer o grfico de Patero ns devemos ir em: Stat -> Quality Tools -> Pareto Chart.

Em seguida, precisamos informar ao Minitab onde esto as frequncia dos erros. No nosso caso elas esto na
coluna frequencia. Os ttulos esto em Tipo de defeito.

170

Programa 6-sigma: formao GREEN BELT

Ento clicamos em OK e temos o seguinte grfico:


Pareto Chart of Tipo de defeito
140

100

120
Count

80

60

60

40

40
20

20
0

Tipo de defeito

o
n

la
se

Count
Percent
Cum %

m
ge

po
to

o
n

em
lag
e
s

55
40,4
40,4

o
nd
fu
o
n

m
ge
la
se

38
27,9
68,4

al
er
l at

im

o
s
es
r
p

22
16,2
84,6

d
ra
or

ix
ca

8
5,9
90,4

am

da
sa
as

7
5,1
95,6

r
he
Ot

6
4,4
100,0

Percent

80

100

FM2S

171

Exerccio
Leia a descrio do projeto na apostila:
a)
b)
c)

Qual o objetivo do esforo de melhoria descrito?


Qual o respectivo indicador?
Utilizando os dados do arquivo AULA com MINITAB.MPJ,
worksheet 01 Ativ_Processamento de Ordens de Compra_a,
construa um grfico de tendncia. O processo esta estvel?

Para orientar as aes para reduzir a porcentagem de ordens com


erros, as ordens foram analisadas e os tipos de erros foram anotados
mesmo arqquivo, worksheet 01 Ativ_Processamento de Ordens de
Compra_b
a) Que grfico pode ser feito com esses dados?
b) O que pode ser aprendido com esses dados?

127
Measure

O Departamento de Contabilidade instituiu recentemente melhoria de processo e tem estudado as causas de


atrasos, trabalhos refeitos e excesso de horas extras. Dados preliminares indicam que um grande nmero de
faturas tem que ser processadas manualmente (chamadas telefnicas extras, documentos reencaminhados e
outros tipos de trabalho refeito) devido a erros ou informaes incompletas nas ordens de compra. O Diretor
do Departamento de Contabilidade pediu ao Gerente do Departamento de Compras que investigasse esse
problema.
O Gerente de Compras decidiu selecionar uma amostra de 60 ordens por semana durante as ltimas 20 semanas
e enviar para reviso. As ordens com um ou mais erros foram identificadas. Os dados obtidos de erros por
semana esto no arquivo no Minitab AULAcomMINITAB.MPJ, worksheet 01 Ativ_Processamento de Ordens de
Compra_a.
Para orientar as aes para reduzir a porcentagem de ordens com erros, as ordens foram analisadas e
os tipos de erros foram anotados. . Os dados obtidos esto no arquivo no Minitab AULAcomMINITAB.MPJ,
worksheet 01 Ativ_Processamento de Ordens de Compra_b.

172

Programa 6-sigma: formao GREEN BELT

Transformao de variveis

Measure

TRANSFORMAO DE VARIVEIS

128

Elaborar modelos uma prtica comum em todos os campos de estudo. Segundo a lenda, Newton elaborou o
modelo (lei) da gravidade, explicando como se d a atrao entre dois corpos em funo das respectivas massas
e a distncia entre eles.
Os psiquiatras elaboram modelos de comportamento para seus pacientes e a vantagem de coloca-los em
modelos especficos que as ferramentas para tratamento o desses pacientes j esto desenvolvidas.
Segundo George Box, todos os modelos esto incorretos, porm alguns so teis. Voltando para o Newton e a
gravidade, Einstein demonstrou no sculo XIX que a lei da gravidade no funcionava para grandezas
astronmicas ou microscpicas e formulou a teoria geral da gravidade. Apesar da lei da gravidade de Newton
estar errada, ela continua sendo til para muitas aplicaes.

FM2S

173

Histogram of tiempo
Normal

35

Mean
StDev
N

30

20.94
6.389
200

Frequency

25
20
15
10
Histogram of Tiempo

Lognormal

40

10

15

20
25
tiempo

30

35

40

Loc
Scale
N

2.269
0.6845
100

30
Percent

20

10

10

20

30
Tiempo

40

50

Transformaode variveis distribuio normal

129

Measure

O histograma uma forma de representar graficamente a distribuio dos dados de uma amostra e histogramas
de dados contnuos podem ser aproximados por uma curva continua.
Muitas caractersticas de qualidade contnuas tem distribuio razoavelmente simtrica e podem ser
aproximadas por uma curva em forma de sino conhecida como Curva Normal, um modelo bastante utilizado
na estatstica.
A curva Normal, que corresponde distribuio Normal, utilizada para calcular probabilidades associadas
com a varivel de interesse.

174

Programa 6-sigma: formao GREEN BELT

+1

+2

+3

Normal Padro:
Mdia = 0; Desvio Padro = 1
Transformaode variveis distribuio normal padro

130

Measure

Uma distribuio Normal com mdia zero e desvio padro um [Normal(0,1)] chamada de Distribuio
Normal Padro.

FM2S

175

Distribuio Normal Padro Z

Distribuio Normal X
Mdia de X = 17

X - Mdia

D. Padro de X = 3

Z=
D.P
68.26%

Mdia de Z = 0
95.46%

D. Padro de Z = 1

99.73%

Valores de X

11

14

17

20

23

26

Valores deZ

+1

+2

+3

Transformaode variveis distribuio normal: padronizao

131

Measure

Qualquer Distribuio Normal pode ser padronizada usando a transformao Z. Para isso basta subtrair a
mdia e dividir pelo desvio padro, ou seja:

onde

. .

tem distribuio normal (no necessariamente normal padro).

176

Programa 6-sigma: formao GREEN BELT

Podemos usar a Curva Normal Padro para calcular


probabilidades em uma Curva Normal Qualquer:
Distribuio Normal Padro Z
Distribuio Normal X
X - Mdia

Mdia de X = 17
Z=

D. Padro de X = 3

D.P

Valores de X

11

17

20

Valores de Z

+1

Mdia de Z = 0
D. Padro de Z = 1

Transformaode variveis distribuio normal: clculo de


probabilidades

132

Measure

Considere a Curva Normal X com mdia 17 e D.P. =3. A rea entre 11 e 20 na Curva Normal X igual rea
entre

(11-17)/3 = -2 e (20-17)/3=+1 na Curva Normal Padro;

O valor da rea pode ser obtido atravs de uma tabela ou atravs de um software (como o Excel, por exemplo).

FM2S

177

Como saber se a Curva Normal uma boa aproximao?


Uma forma: Olhe o Histograma

Sim

No

Transformaode variveis probability-plot

133

Measure

Nem toda distribuio pode ser modelada pela Curva Normal. Uma caracterstica importante da curva normal
ser simtrica. Portanto, ao construirmos um histograma no simtrico chegamos a concluso que uma
distribuio no normal.

178

Programa 6-sigma: formao GREEN BELT

Nove Histogramas de Amostras de tamanho 25: Qual delas

pode ser aproximada por uma distribuio Normal?


6
5

3
2

Frequency

Frequency

Frequency

6
5
4
3

0
35

40

45

50

55

60

65

70

75

0
30

35

40

45

C1

50

55

60

65

35

40

45

50

C2

6
5

55

60

65

C3

3
2

Frequency

Frequency

Frequency

7
4

5
4
3

4
3
2

2
1

0
25

30

35

40

45

50

55

60

65

70

0
35

40

45

50

55

C4

65

70

75

30

Frequency

4
3
2

3
2

0
40

45

50

C7

55

60

65

Frequency

35

35

40

45

50

55

60

65

C6

Frequency

60

C5

3
2
1
0

30

35

40

45

50

55

60

65

70

75

25

30

35

40

45

C8

50

55

60

65

70

C9

Transformaode variveis probability-plot

134

Measure

Utilizando um computador, foram geradas nove amostras (de maneira aleatria), cada uma com 25
observaes. Qual das distribuies do slide voc acha que pode ser modela pela curva normal?

FM2S

179

Nove Histogramas de Amostras de tamanho 100: Qual delas

pode ser aproximada por uma distribuio Normal?


10

20

Frequency

20

Frequency

Frequency

20

10

0
20

30

40

50

60

70

80

10

0
20

30

40

50

C21

60

70

80

25

30

35

40

C22

45

50

55

60

65

70

C23

30
20

20

10

Frequency

Frequency

Frequency

20

10

0
30

35

40

45

50

55

60

65

70

75

30

80

10

40

50

60

C24

70

80

90

20

30

40

50

C25

60

70

80

C26

25
20

Frequency

Frequency

10

Frequency

20

20

15

10

10

0
25

30

35

40

45

50

55

60

65

70

75

C27

0
25

30

35

40

45

50

55

C28

60

65

70

75

20

30

40

50

60

70

80

C29

Transformaode variveis probability-plot

135

Measure

Utilizando um computador, foram geradas nove amostras (de maneira aleatria), cada uma com 100
observaes. Qual das distribuies do slide voc acha que pode ser modela pela curva normal?
Apesar de em alguns grficos desse slide no ser fcil identificar que a distribuio normal, em todos eles foi
utilizada uma distribuio normal

180

Programa 6-sigma: formao GREEN BELT

Histogramas de outras distribuies


Exponencial

Poisson

5
4
3

Frequency

Frequency

Frequency

25

5
4
3
2

0
0

0
0

C31

0.0

0.1

0.2

0.3

0.4

C32

0.5

0.6

0.7

0.8

0.9

1.0

0.6

0.7

0.8

0.9

1.0

0.6

0.7

0.8

0.9

1.0

C33

15

7
6

10

Frequency

Frequency

10

50

Frequency

Tamanho da amostra

Uniforme

4
3
2
1

0
0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

C34

0.0

0.1

0.2

0.3

0.4

C35

0.5

C36

30

15

15

Frequency

100

Frequency

Frequency

20
10

10

0
0

C37

10

0
0

C38

0.0

0.1

0.2

0.3

0.4

0.5

C39

Transformaode variveis probability-plot

136

Measure

Nesse slide foram gerados dados de outras distribuies conhecidas (exponencial, Poisson e uniforme).

FM2S

181

Como saber se a
Curva Normal uma
boa aproximao?

Use o Grfico
Probabilstico
Normal.
Transformaode variveis probability-plot

137

Measure

Pelos slides anteriores, conclumos que o histograma no uma boa maneira de decidir se a distribuio normal
adequada.
O grfico probabilstico normal uma ferramenta mais poderosa para essa finalidade.

182

Programa 6-sigma: formao GREEN BELT

Probability Plot of X
Normal - 95% CI

99

95
90

Percent

80
70
60
50
40
30

Pontos alinhados com a


reta central indicam
distribuio normal

20
10
5

-4

-3

-2

-1

Transformaode variveis probability-plot

138

Measure

Use o Grfico Probabilstico Normal para determinar se a distribuio dos dados da amostra pode ser
aproximada por uma Distribuio Normal. Se a Distribuio Normal se ajusta aos dados os pontos no grfico
seguiro aproximadamente uma linha reta.
O eixo Y do grfico transformado de acordo com a escala da distribuio Normal.

FM2S

X
-1.6245
0.4001
-1.6631
-0.0024
-1.9902
0.4476
-1.0564
1.6507
-0.6148
-0.3855
0.6744
-0.6713
1.2229
-0.4550
-0.4050
-1.0347
0.0776
-0.1372
-1.6101
-0.1330
0.0685
-1.0885
0.5012
0.2120
2.3542
0.9572
-0.4615
1.8076
0.7742
-0.6469

183

Y
0.1970
1.4920
0.1895
0.9976
0.1367
1.5646
0.3477
5.2104
0.5408
0.6801
1.9629
0.5110
3.3969
0.6344
0.6670
0.3553
1.0806
0.8718
0.1999
0.8754
1.0709
0.3367
1.6507
1.2362
10.5300
2.6044
0.6303
6.0957
2.1689
0.5237

Qual Pode Ser Aproximada pela


Distribuio Normal?

Transformaode variveis probability-plot


Measure

Somente na distribuio X a curva normal adequada.

139

184

Programa 6-sigma: formao GREEN BELT

Grficos Probabilsticos para as Nove Amostras de Tamanho 25


Normal Probability Plot for C1

Normal Probability Plot for C2

99

95

53.4797

StDev:

9.60017

95

49.1024

StDev:

8.04855

90

20
10

1
34

44

54

64

74

84

Percent

80
70
60
50
40
30

10

1
35

45

55

65

75

25

Mean:

48.8893

StDev:

10.2680

ML Estimates

95

Mean:

54.3933

StDev:

9.50359

90

20
10

Percent

Percent

80
70
60
50
40
30

50

60

70

1
35

45

55

65

75

85

25

Normal Probability Plot for C7

Normal Probability Plot for C8

Mean:
StDev:

StDev:

10.6092

70
60
50
40
30

70
60
50
40
30

70
60
50
40
30

20
10
5

1
45

55

65

75

Percent

80

Percent

90

80

ML Estimates

95

90

10

75

47.1290

80

20

65

Normal Probability Plot for C9

Mean:

95

8.98477

55

99

ML Estimates

49.4396

90

35

45

Data

99

ML Estimates

95

25

35

Data

Data

99

8.79949

25

80

48.9405

StDev:

10

Mean:

20

ML Estimates

90

80
70
60
50
40
30

10

75

95

80

20

65

99

70
60
50
40
30

40

55

Normal Probability Plot for C6

99

90

30

45

Data

Normal Probability Plot for C5

Normal Probability Plot for C4

20

35

Data

95

8.35164

10

25

ML Estimates

51.8801

StDev:

20

Data

99

Mean:

90

80
70
60
50
40
30

20

ML Estimates

95

80

24

Percent

99

ML Estimates
Mean:

70
60
50
40
30

Percent

Percent

90

Percent

Normal Probability Plot for C3

99

ML Estimates
Mean:

Mean:

50.2510

StDev:

10.4661

20
10
5

1
20

30

Data

40

50

60

Data

70

80

20

30

40

50

60

70

80

Data

Transformao de variveis probability-plot

140

Measure

Utilizando o grfico probabilstico normal nas nove amostras de tamanho 25 expostas anteriormente,
percebemos que a curva normal se ajusta a todas.

FM2S

185

Muitas tcnicas de anlise de dados dependem de que a


varivel sendo analisada possa ser bem aproximada por uma
Distribuio Normal:
Grfico de controle de individuais;

ndices de Capacidade (Cp, Cpk, Sigma);


Etc.

Transformaode variveis Box-Cox

141

Measure

Quais as possveis razes para que a distribuio de uma amostra de dados no possa ser aproximada por uma
Distribuio Normal?

Presena de observaes discrepantes (causas especiais);

Os dados da amostra provem de dois ou mais processos diferentes (turno, mquina, operador, etc.);

Os dados seguem outra distribuio que no a Normal.

O que fazer?

Se h causas especiais, analise-as e verifique se os dados devem permanecer na anlise;

Se os dados provem de dois ou mais processo ( tcnicas grficas como o histograma ou o dot plot
ajudam a apontar se esse o caso - o histograma apresenta duas ou mais modas) procure por variveis
de estratificao que permitam separar os dados;

Se a distribuio intrinsecamente no Normal, utilize tcnicas de transformao de variveis.

186

Programa 6-sigma: formao GREEN BELT

Uma transformao uma re-expresso dos dados em outra


escala.

Exemplo simples:
Transformar Dlares em Reais:
$1 = R$3.03

Transformar minutos em segundos:


1 min = 60 segs

Transformar Graus Centgrados em Graus Fahrenheit:

C+32 = F

Transformaode variveis Box-Cox


Measure

142

FM2S

187

YT Y

YT denota a
varivel
transformada

Histograma of Y

Histograma de SQRT(Y)

20

Frequency

Frequency

15

10

10

10

12

14

16

18 20

22

SQRT(Y)

Transformaode variveis Box-Cox


Measure

Um exemplo de transformao a raiz quadrada.

Y
4
9
3

2
3
1.732051

143

188

Programa 6-sigma: formao GREEN BELT

Escala original
1000
100
10
1
0.1
0.01
0.001

Escala Log
3
2
1
0
-1
-2
-3

Transformaode variveis Box-Cox

144

Measure

A transformao logaritmo usualmente apropriada para dados de tempo. Uma unidade na escala logartmica
igual a um fator de 10 na escala original.

FM2S

189

Como escolher
qual transformao
adequada?
Tentar uma
transformao
dentre um conjunto
de possibilidades

Usar a tcnica de
transformao BoxCox

Transformaode variveis Box-Cox

145

Measure

Pode ser muito trabalhoso escolher a transformao adequada. A tcnica de transformao Box-Cox simplifica
o trabalho.

190

Programa 6-sigma: formao GREEN BELT

Nome

-2

1
Y2
1
Y

Inversa ao
quadrado

-0.5

1
Y

Inversa raiz
Quadrada

Log(Y)

Logartmica

0.5

Raiz Quadrada

Sem
Transformao
Y2

Quadrado

-1

YT = Y

Inversa

Transformaode variveis Box-Cox

146

Measure

Mtodo de Box-Cox:
Uma transformao potncia eleva os valores de Y a uma potncia lambda (): YT = Y

tipicamente um valor entre 2 e 2;

O Mtodo de Box-Cox sugere um valor de que melhor aproxima os dados transformados de uma
distribuio Normal.

trabalhoso aplicar o mtodo sem o apoio de um software.

FM2S

191

Box-Cox Plot for Y


95% Confidence Interval
Last Iteration Info

StDev

Lambda

StDev

Low

0.393

0.553

Est

0.450

0.553

Up

0.507

0.553

-5

-4

-3

-2

-1

Lambda

Transformaode variveis Box-Cox

147

Measure

Softwares (como o MINITAB) fazem a anlise dos dados da amostra e sugerem um valor de lambda. Escolha
um lambda dentro da faixa de valores recomendada (barras vermelhas).
Se possvel, escolha um valor que corresponde a um valor da tabela do slide anterior.

192

Programa 6-sigma: formao GREEN BELT

Exerccio
Um centro de atendimento ao consumidor mediu o tempo
para responder e fechar uma reclamao de um cliente. Os
dados dos ltimos 100 clientes atendidos esto no arquivo de
dados 17 Decisao.mtw.
Analise os dados originais. Caso a distribuio normal no seja

adequada, transforme os dados usando o Mtodo Box-Cox.

Transformaode variveis Box-Cox


Measure

Para fazer a anlise dos dados, devemos ir em: Graph -> Probability Plot.

Em seguida, selecionamos a opo Single

148

FM2S

193

Na janela que se abrir, precisamos selecionar como varivel, a opo tempo, que a que ns queremos
analisar.

O grfico gerado ser:

Probability Plot of Tempo


Normal - 95% CI
99,9

Mean
12,31
StDev
9,656
N
100
AD
5,738
P-Value <0,005

99

Percent

95
90
80
70
60
50
40
30
20
10
5
1
0,1

-30

-20

-10

10
20
Tempo

30

40

50

60

Ele nos mostra que os dados no esto conforme a distribuio normal, logo precisamos adequ-la, usando a
transformao de Box-Cox.

194

Programa 6-sigma: formao GREEN BELT

Para usar a transformao de Box-Cox, devemos ir em: Stat -> Control Charts -> Box-Cox Transformation.

Na janela que se abriu, devemos ento selecionar a opo Tempo, que queremos transformar. Colocamos
tambm o subgrupo como sendo de tamanho 1.

O grfico gerado ser o seguinte:


Box-Cox Plot of Tempo
Lower CL

180

Upper CL
Lambda
(using 95,0% confidence)

160
140

StDev

120

Estimate

-0,19

Lower CL
Upper CL

-0,50
0,08

Rounded Value

100
80
60
40
20
Limit

0
-5

-4

-3

-2
-1
Lambda

0,00

FM2S

195

Para prosseguir com a transformao, devemos ver o rounded value do lambda, que usaremos para fazer a
transformao dos dados. Para este caso, o valor 0, o que significa que a transformao dos nossos dados deve
ser feita pela funo logartmica. Para fazer esta converso, devemos ir em: Calc -> Calculator.

Em seguida, escolhemos uma coluna para guardar os dados e digitamos a frmula para transformar os dados.

Conforme clicamos em ok, os dados sero gerados e guardados na coluna C5. Em seguida, repetimos o
procedimento do Probability Plot para checar a normalidade dos dados. O grfico gerado o seguinte:
Probability Plot of C5
Normal - 95% CI
99,9

Mean
0,9855
StDev 0,2973
N
100
AD
0,432
P-Value 0,299

99

Percent

95
90
80
70
60
50
40
30
20
10
5
1
0,1

0,0

0,5

1,0
C5

1,5

Como vemos, os novos dados so normais.

2,0

196

Programa 6-sigma: formao GREEN BELT

Distribuio da mdia dos resultados de lanamento de n dados.

Transformaode variveis teorema central do limite

149

Measure

A distribuio de mdias de amostras pode ser aproximada pela Distribuio Normal: Por exemplo, quando
jogamos dados, os resultados possveis so 1, 2, 3, 4, 5 e 6, cada uma com probabilidade de 1/6. Esses valores
esto representados na distribuio do grfico acima a esquerda. Claramente essa distribuio no normal.
Suponha que agora sejam jogados 5 dados e anotado a mdia desses dados. Os resultados possveis so 1, 1.2,
1.4, 1.6,.... As probabilidades de cada um desses resultados esta representada no grfico abaixo a direita. Note
a destruio normal adequada agora.
Esse resultado conhecido como Teorema Central do Limite.

FM2S

197

Grfico de controle

Measure

GRFICO DE CONTROLE

150

Walter Shewhart trabalhou no Bel Labs durante as dcadas de 1920 e 1930 e reconheceu a existncia de
variabilidade em todos os processos produtivos. Ele desenvolveu o conceito de controle econmico da
qualidade, pelo qual os processos deveriam ser gerenciados por meio da identificao de suas causas de
variao (comum ou especial).
Problema do Shewhart: decidir quando parar uma mquina para ajust-la (risco: perda de produtividade) ou
quando ela deve continuar em funcionamento (risco: peas refugadas caso sejam produzidas fora de
especificao). Essa tecnologia balanceou essas duas decises de tal maneira a maximizar a produtividade e foi
um marco para a administrao da qualidade na dcada de 1950.

198

Programa 6-sigma: formao GREEN BELT

Grfico de controle

151

Measure

Um grfico de controle ou grfico de Shewhart um Grfico de Tendncia com limites de controle. Esses limites
de controle so referncias calculadas com base estatstica que ajudam a identificar se um resultado do processo
est afastado o suficiente dos demais para ser tratado como uma causa especial.
O grfico de Shewhart foi desenvolvido inicialmente para ser usado na linha de produo, mas tem aplicao
em todas as situaes em que dados so gerados ao longo do tempo e proporciona uma linguagem comum para
discutir desempenho de processo. Tambm permite verificar se as alteraes intencionais em um processo
alcanaram o resultado desejado.

FM2S

199

Grfico de controle - estrutura


Measure

Definies:

Subgrupo: Amostra do processo utilizada para gerar um ponto no grfico.

Ex: 5 peas retiradas do processo num determinado tempo, 50 propostas de venda.

W: uma estatstica da amostra: mdia, amplitude, desvio padro, porcentagem, DPU, etc.

e : so, respectivamente, a mdia e o desvio padro de W.

: limite inferior de controle

Observao: Uma escolha comum k=3

: linha central do Grfico


: limite superior de controle

152

200

Programa 6-sigma: formao GREEN BELT

Grfico de controle tipos de GC

153

Measure

Diferentes tipos de grficos de controle so usados para diferentes tipos de dados. Todos eles distinguem a
variao de causa especial da variao de causa comum, utilizando limites de controle para indicar se um
determinado valor de dado deve ser tratado como uma causa especial.
Dados de classificao: (Defeituoso) Grfico p.
Dados de contagem: (Defeitos) Grfico u.

Dados contnuos:

Sub-grupo=1 Grfico de individuais;

Subgrupo>=2 Grfico X-barra/R ou X-barra/S.

FM2S

201

Grfico de controle tipos de GC

154

Measure

Tipos de dados de atributo:

Classificao: unidade defeituosa/no-defeituosa, conforme/no conformes, aprovada/no aprovada,


etc..

Contagem: nmero de incidncias (erros, defeitos, acidentes, mudanas, etc.).

Tamanho do subgrupo:

Classificao: nmero de unidades classificadas;

Contagem: nmero de unidades avaliadas ou oportunidade para que as incidncias ocorram.

202

Programa 6-sigma: formao GREEN BELT

Grfico de controle tipos de GC

154

Measure

Geralmente usamos cartas-p para plotar a proporo defeituosa, sejam os tamanhos de amostras iguais ou no.
Uma carta-np s usada quando algum quer plotar o nmero de itens defeituosos e os tamanhos de amostra
so iguais.
Nem todo dado de porcentagem dado classificatrio:

Muitas vezes as porcentagens se originam de dados de variveis tais como tempo, peso, comprimentos
e custos. Por exemplo, o lucro percentual pode ser uma razo de lucros sobre vendas.

Dados desse tipo devem ser tratados como dados contnuos ao se desenvolver grficos de controle.

FM2S

203

Dados sobre absentesmo 90 funcionrios


Dia
Total de
p
Ausncias No
Ausncias
Justificadas
1
10
0.11
2
2
8
0.09
3
3
14
0.16
1
4
6
0.07
1
5
8
0.09
1
6
7
0.08
2
7
16
0.18
0
8
12
0.13
3
9
10
0.11
1
10
9
0.10
8
11
12
0.13
1
12
10
0.11
2
13
14
0.16
0
14
4
0.04
4
15
8
0.09
3
16
12
0.13
1
17
9
0.10
0
18
5
0.06
2
19
14
0.16
1
20
10
0.11
0

p
0.02
0.03
0.01
0.01
0.01
0.02
0.00
0.03
0.01
0.09
0.01
0.02
0.00
0.04
0.03
0.01
0.00
0.02
0.01
0.00

Grfico de controle grfico P

156

Measure

A tabela do slide mostra dados sobre ausncias e ausncias no justificadas durante 20 dias para os noventa
funcionrios da empresa. Foram construdos dois grficos p para proporo de ausncias (grfico acima) e
proporo de ausncias no justificadas (abaixo). Note que no grfico cada ponto a proporo (de ausncias
ou ausncias no justificadas) em cada dia.

204

Programa 6-sigma: formao GREEN BELT

(a)
Unidades
Semana Processadas/Semana

1
2
3

24

104
21
18

25

(a) = rea de
oportunidade:
Nmero de unidades
processadas por
semana.

(c)

(U)

N de
Erros

N de Erros
Por Unidade

15
4
3

(C) N de erros
encontrados nas
unidades
processadas.

.14
.19
.17

.20

O grfico-u se
faz com esta
coluna; U =
(c/a).

Grfico de controle grfico U

157

Measure

Indicado quando so feitas contagens de ocorrncias (erros, defeitos, acidentes, mudanas, etc.).
Um subgrupo definido por:

Nmero de unidades avaliadas;

rea de oportunidade.

rea de oportunidade pode ser um espao, um perodo de tempo, um volume etc.

Espao: 200 metros de tecido, um metro quadrado de papel envernizado, um quarto de amostra de um
produto.

Tempo: Uma hora, trs meses, um turno.

FM2S

Ms/Ano
(oportunidade)

205

Nmero de
acidentes (C)

Ms/Ano
(oportunidade)

Nmero de
acidentes (C)

Janeiro 1989

Janeiro 1990

10

Fevereiro

Fevereiro

Maro

Maro

Abril

Abril

Maio

Maio

Junho

Junho

Julho

23

Julho

Agosto

Agosto

Setembro

Setembro

Outubro

15

Outubro

Novembro

12

Novembro

Dezembro

Dezembro

Grfico de controle grfico U

158

Measure

Exemplo de grfico de controle U para acidentes por dia. Note que cada ponto no grfico o nmero de
acidentes em 1 dia, portanto o tamanho do subgrupo nesse caso 1.

206

Programa 6-sigma: formao GREEN BELT

Inventrio em processo
1990
1991

Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
19 27 20 16 18
25 22 24 17 25 15
17
20 22 19 16
22 19 25 22 18 20 16
17

1993

20

15

27

25

17

19

28

Grfico de controle grfico de individuais

159

Measure

O slide mostra um grfico de controle de individuais para os dados de inventrio em processo. Os dados foram
extrados de Wheeler (1993). O grfico de controle para individuais utilizado quando o dado coletado
contnuo e cada ponto no grfico representa uma amostra de tamanho 1, por isso o mais verstil e mais
utilizado. o mais comum para dados de reas transacionais:

Dados financeiros;

Tempo para executar uma atividade;

Dados de Faturamento;

Dados de Vendas.

Para o clculo dos limites ele utiliza a estimativa da variao do processo dada por dados consecutivos
(amplitude mvel).

FM2S

207

Histogram of tiempo
Normal

35

SuposioMean
de20.94
StDev
6.389
N
200
normalidade
para
grfico de individuais

30

Frequency

25
20
15
10
5
0

10

15

20
25
tiempo

30

35

40

Grfico de controle grfico de individuais

160

Measure

Os limites de controle em um grfico de individuais so calculados sob a suposio de que os dados podem ser
modelados pela distribuio Normal (Gaussiana).
Se a distribuio dos dados assimtrica (no caso de medies de tempo de ciclo, por exemplo), o grfico de
individuais apontar muitos pontos fora dos limites de controle, sendo que esses pontos no necessariamente
apontam possveis causas especiais.
Se a distribuio assimtrica, til transformar os dados (transformao Box-Cox) e fazer o grfico dos dados
transformados.

208

Programa 6-sigma: formao GREEN BELT

Grfico de controle grfico de individuais

161

Measure

Observe os histogramas e respectivos grficos de controle de Individuais. A distribuio da varivel tempo


assimtrica e o grfico de controle aponta 3 pontos acima do limite superior de controle.
Utilizando a transformao logartmica obtemos dados simtricos e o grfico de controle respectivo no aponta
possveis causas especiais.

FM2S

209

Quando os dados (contnuos) so coletados em subgrupos:


Subgrupo
1
2
3
.
.
.
19
20

Amostra
45
46
41
.
.
.
45
42

48
46
47
.
.
.
45
47

48
44
47
.
.
.
46
43

Dentro do subgrupo esperamos ter atuando somente causas


comuns de variao.

Grfico de controle grfico X-barra/R

162

Measure

O grfico X-barra/R utilizado quando dados contnuos so coletados em subgrupos (amostras) de tamanho
constante e maior do que 1. Nesse caso constri-se dois grficos:

Um grfico para avaliar o comportamento da mdia da varivel ao longo do tempo. Grfico X-barra:
Mdias de dados dos subgrupos.

Um grfico para avaliar o comportamento da variao da varivel ao longo do tempo. Grfico R:


amplitude dos dados dentro de cada subgrupo.

Embora seja utilizado tanto em aplicaes administrativas quanto industriais, a ferramenta preferida em
muitas aplicaes industriais.

210

Programa 6-sigma: formao GREEN BELT

Amostra

Semana
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Cada ponto neste


grfico a mdia
de um subgrupo.

Cada ponto neste


a

grfico
amplitude dentro
mesmo
do
subgrupo.

45
46
41
41
43
41
48
48
49
46
42
42
54
43
42
44
46
44
45
42

48
46
47
44
50
45
46
44
45
50
46
49
56
44
45
47
51
42
45
47

48
44
47
45
41
47
46
45
46
44
48
47
49
45
59
44
45
40
46
43

Grfico de controle grfico X-barra/R

163

Measure

Vantagens do Grfico X-barra/R:

Os subgrupos permitem uma estimativa mais precisa de variabilidade local ou de curto prazo;

As causas de variao que afetam a mdia podem ser distinguidas das que afetam a variabilidade.

As vantagens de uma carta X-barra/R desaparecem se ocorrerem causas especiais sistemticas isto , uma
causa especial que aparea em cada subgrupo. Por exemplo, suponha que voc esteja contando erros para
ordens recebidas por telefone e tenha quatro operadores preenchendo pedidos. Seria natural voc querer criar
subgrupos de 4, pegando um formulrio de pedido de cada operador. Mas se um operador estiver
consistentemente melhor ou pior do que os outros, voc estaria misturando variaes de causa comum e causa
especial nos dados. A carta ficar inutilizada, obscurecendo diferenas entre operadores e tornando difcil
detectar causas especiais no processo. Estude cuidadosamente antes de formar subgrupos de:

Valores de diferentes operadores, mquinas, turnos, posies, etc.

Dados determinados por calendrio de semanas, meses, ou trimestres.

FM2S

211

Quando os dados (contnuos) so coletados em subgrupos:


Subgrupo
1
2
3
.
.
.
19
20

Amostra
45
46
41
.
.
.
45
42

48
46
47
.
.
.
45
47

48
44
47
.
.
.
46
43

Dentro do subgrupo esperamos ter atuando somente causas


comuns de variao.

Grfico de controle grfico X-barra/S

164

Measure

O grfico X-barra/S similar ao grfico X-barra/R. usado quando dados contnuos so coletados em
subgrupos (amostras) de tamanho constante ou varivel. Nesse caso constri-se dois grficos:

Um grfico para avaliar o comportamento da mdia da varivel ao longo do tempo. Grfico X-barra:
mdias de dados dos subgrupos.

Um grfico para avaliar o comportamento da variao da varivel ao longo do tempo. Grfico S: desvio
padro dos dados dentro de cada subgrupo.

212

Programa 6-sigma: formao GREEN BELT

Semana
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Amostra
45
46
41
41
43
41
48
48
49
46
42
42
54
43
42
44
46
44
45
42

48
46
47
44
50
45
46
44
45
50
46
49
56
44
45
47
51
42
45
47

48
44
47
45
41
47
46
45
46
44
48
47
49
45
59
44
45
40
46
43

Cada ponto
neste grfico a
mdia de um
subgrupo.

Cada ponto
neste grfico o
desvio padro
dentro do
mesmo
subgrupo.

Grfico de controle grfico X-barra/S

165

Measure

Grfico X-barra/S ou X/barra/R


No grfico X-barra/S substitumos o grfico da amplitude (R range) pelo grfico do desvio padro (S
standard deviation). A interpretao a mesma, mas pode ser utilizado quando os subgrupos so de tamanho
constante ou varivel.
O uso do grfico X-barra/R tem razes histricas. No passado, sem a disponibilidade de recursos
computacionais, era mais fcil calcular a amplitude (R) do subgrupo do que o desvio padro (S). Essa razo no
existe mais se o grfico feito com o auxlio de um software.

FM2S

213

Uma observao alm de um


limite de controle.
Uma sequncia de seis ou mais
pontos crescentes ou decrescentes.

Uma sequncia de oito ou mais pontos acima ou abaixo da mdia.

Grfico de controle regras para causas especiais

166

Measure

H inmeras regras para apontar possveis causas especiais. O princpio bsico por trs de todas elas apontar
padres com baixa probabilidade de ocorrer se somente causas comuns estiverem atuando (processo estvel).
As mais comuns so apresentas no slide. Nenhuma das regras deve ser usada como regra de deciso. preciso
analisar o contexto para decidir se uma determinada situao ser tratada como especial.
Observao: os livros e manuais podem divergir com respeito ao nmero de pontos que formam uma sequncia:

Oito ou nove pontos acima ou abaixo da mdia;

Seis ou sete pontos em sequncia crescente ou decrescente;

Etc.

Os softwares de anlise de dados tm, em geral, essas regras automatizadas.

214

Programa 6-sigma: formao GREEN BELT

Grfico de controle alterao dos limites

167

Measure

Os limites de controle refletem o comportamento do processo e s devem ser alterados se h evidncia de que
houve alterao significante no comportamento do processo.
O exemplo no slide mostra uma situao tpica onde ocorre uma alterao nos limites de controle. Aps uma
sequncia de oito ou mais pontos abaixo da mdia os limites de controle so recalculados.

FM2S

215

Grfico de controle erros tipo I e II

168

Measure

Erros de deciso so intrnsecos ao GC. A proposta de Shewhart (limites de controle) procura um equilbrio
entre os dois tipos de erros.
ERRO 1: reagir a um resultado como se viesse de uma causa especial, quando na verdade vem de causas comuns
de variao.
ERRO 2: tratar um resultado como se viesse de causas comuns de variao, quando na verdade vem de uma
causa especial.

216

Programa 6-sigma: formao GREEN BELT

Como se pode atender as


especificaes do cliente?

60
55

LSC = 50.0
50
45

Especif. Superior
do Cliente = 40

40

X = 35.1

35
30

Especif. Inferior
do Cliente = 30

25
20
LIC = 20.2
15
10
0

9 10 11 12 13 14 15 16 17 18 19 20 21

Grfico de controle controle vs. especificao

169

Measure

Limites de Especificao:
Vm de exigncias da engenharia ou dos clientes, representam o que algum quer que o processo faa e podem
ser alterados por exigncia do cliente.

Limites de Controle:
So calculados com os dados do processo, representam o que um processo realmente capaz de fazer e s
podem ser alterados quando mudanas no processo alteram o comportamento dos indicadores (produzem
impacto). Limites de especificaes no devem ser utilizados em um grfico de controle.

Como se pode atender as especificaes do cliente?

Trabalhe com clientes para expandir as especificaes de entre 30 e 40 para entre 20 e 50


(geralmente impossvel!).

Inspecione cada item e rejeite ou descarte uma quantidade previsvel (qualidade com alto custo).

Melhore o processo reduzindo a variao de causa comum.

FM2S

217

Dentro das especificaes

Fora das especificaes

LSE
LSC

Estvel

LSC
LSE

(controlada)

LIE

Qual situao
adequada?

LIC

LIC

LIE

LSE
LSC

LSC
LSE

Instvel
(sem controle)
LIC

LIE
LIC

LIE

Grfico de controle controle vs. especificao

170

Measure

A melhor situao o processo estvel e dentro das especificaes, pois no temos problema com as
especificaes do cliente e o processo esta controlado.
O pior cenrio o processo instvel e fora das especificaes. Nesse devemos primeiro tentar estabilizar
(remover causas especiais) o processo e depois reduzir sua variao de causa comum para atender as
especificaes.
Quando o processo est estvel, mas fora das especificaes devemos trabalhar para reduzir a variao e
atender as especificaes do cliente.
Mesmo quando o processo esta dentro das especificaes, mas instvel, devemos trabalhar para estabiliza-lo,
pois assim temos mais controle de que os resultados futuros se mantero dentro das especificaes.

218

Programa 6-sigma: formao GREEN BELT

Exerccio
O absentesmo em uma empresa com 90 funcionrios foi
medido por 20 dias e esto no arquivo AULA com
MINITAB.mpj, worksheet 18 GC_ausencia. Construa um
grfico de controle adequado para o percentual de ausncias.

Grfico de controle

171

Measure

Para construirmos o grfico de controle precisamos entender primeiro qual o tipo de varivel dos dados. Com
isso saberemos qual o tipo de grfico de controle mais adequado. No caso, o absentesmo uma varivel
classificatria. O grfico mais adequado para esta varivel o grfico p. Para traa-lo, devemos ir em: Stat ->
Control Charts -> Attributes Charts -> p...

Em seguida, selecionamos na janela que se abrir a coluna da varivel ausncia. No tamanho do subgrupo
devemos selecionar a coluna referente varivel N_func.

FM2S

219

Clicando em OK, o seguinte grfico ser gerado:

P Chart of ausencias
UCL=0,2089

0,20

Proportion

0,15
_
P=0,11

0,10

0,05

LCL=0,0111

0,00
1

11
Sample

13

15

17

19

220

Programa 6-sigma: formao GREEN BELT

Exerccio
O nmero de acidentes por ms foi registrado durante dois
anos e os dados esto no arquivo AULA com MINITAB.mpj,
worksheet 19 GC_Acidentes. Construa um grfico de
controle adequado para o indicador de nmero de acidentes
por ms.

Grfico de controle

172

Measure

Para construirmos o grfico mais adequado, precisamos primeiro saber qual o tipo de varivel. Neste exerccio,
temos o nmero de acidentes, que uma varivel de contagem. O grfico mais adequado para este tipo de
varivel o grfico u. Para traa-lo, devemos ir em: Stat -> Control Charts -> Attributes Charts -> U.

Na janela que se abrir, selecionamos a coluna acidentes como varivel do grfico e definimos o subgrupo
como sendo igual a 1. O grfico gerado ser:

FM2S

221

U Chart of N_Acidentes
25

Sample Count Per Unit

20
1

15

UCL=13,63

10
_
U=6,17

LCL=0
1

11
13
Sample

15

17

19

21

23

Este grfico nos mostra duas regies bem distintas. Para traar um grfico mais adequado, podemos dividi-lo
em dois estgios. Alm disso, podemos adequar a escala do mesmo, para saber onde o ponto que divide estes
estgios. Para adequar a escala, clicamos em scale na janela de seleo de variveis. Na Janela que se abrir,
clicamos em Stamp, e selecionamos a varivel ms. Clicamos ento em OK para a janela de escala.

Para ajustar os estgios, devemos primeiramente criar uma coluna denominada estgio e numerar cada
observao como sendo do estgio 1 ou do estgio 2.

222

Programa 6-sigma: formao GREEN BELT

Em seguida, devemos ir novamente no boto do grfico U e, na tela de seleo de variveis, clicar em U Chart
Options. Ali, vamos na aba Stages, e selecionamos a coluna estgio para definir a troca de estgios.

Geramos ento o seguinte grfico:

FM2S

223

U Chart of N_Acidentes by estgio


1

Sample Count Per Unit

25

2
1

20

15

10
UCL=7,72
5

_
U=2,75

LCL=0
1

11
13
Sample

15

17

19

21

23

Neste grfico podemos observar com mais clareza as causas especiais.

Exerccio
O valor (em mil de reais) foi medido por dois anos e meio. Os
dados esto no arquivo AULA com MINITAB.mpj, worksheet
21 INVENTARIO_DEP17. Construa um grfico de controle
adequado para o indicador de inventrio.

Grfico de controle
Measure

173

224

Programa 6-sigma: formao GREEN BELT

As variveis para este exemplo so variveis contnuas. Como o tamanho do subgrupo 1, devemos fazer ento
um grfico de individuais. Devemos ir ento em: Stat -> Control Charts -> Variables Charts for Individuals ->
I-MR.

Em seguida ajustamos a escala e selecionamos inventrio para plotar.

O grfico gerado :

FM2S

225

I-MR Chart of inventario


UCL=32,89
Individual Value

30
25
_
X=20,39

20
15
10
01-jan-03 01-abr-03

LCL=7,89
01-jul-03

01-out-03 01-jan-04 01-abr-04


mes

01-jul-04

01-out-04 01-jan-05 01-abr-05

01-jul-05

Moving Range

16

UCL=15,36

12
8
__
MR=4,7

4
0
01-jan-03 01-abr-03

LCL=0
01-jul-03

01-out-03 01-jan-04 01-abr-04


mes

01-jul-04

01-out-04 01-jan-05 01-abr-05

01-jul-05

226

Programa 6-sigma: formao GREEN BELT

Exerccio
Para monitorar a qualidade de blocos de metal retirou-se de
hora em hora 5 peas e mediu-se a rugosidade de cada um
deles. Os dados esto no arquivo AULA com MINITAB.mpj,
worksheet 55 COMP_RUGOSIDADE.MTW. Construa um
grfico de controle adequado para o percentual de ausncias.

Grfico de controle

174

Measure

Para este exerccio ns temos variveis contnuas, porm o tamanho de subgrupo no 1, 3. O grfico de mais
adequado para este exerccio o grfico X barra-S. Para traa-lo, devemos ir em: Stat -> Control Charts ->
Control Charts for Subgroups -> Xbar-S.

FM2S

227

Em seguida, a janela de seleo de variveis ir se abrir. Devo ento ajustar a minha escala (clicando no boto
Scale... e selecionando Stamp -> semanas) e selecionar tempo como minha varivel. Seleciono que todas as
observaes esto em uma mesma coluna e defino como 3, o tamanho do subgrupo.

Em seguida, clico em OK e o Minitab me volta o seguinte grfico:

Xbar-S Chart of tempo


1

Sample Mean

52

UCL=51,51

48

_
X=45,8

44

LCL=40,09

40
1

11
semana

13

15

17

19

Sample StDev

UCL=7,51

6
4

_
S=2,92

2
0

LCL=0
1

11
semana

13

15

17

19

228

Programa 6-sigma: formao GREEN BELT

Exerccio
Os dados de entregas atrasadas foram monitorados durante 8
meses antes e 10 meses depois de que uma mudana para
diminuir o atraso foi implemetada. Os dados esto no arquivo
AULA com MINITAB.mpj, worksheet entregas atrasadas.
a)

Construa um grfico de controle para o percentual de entregas


atrasadas.
b) Existe evidncia de melhoria?
c) Construa um novo grfico de controle para o percentual de
entregas atrasadas, agora seprando as fases antes e depois da
mudana.

Grfico de controle

175

Measure

Neste caso queremos monitorar entregas atrasadas, que uma varivel de classificao, j que temos que
classificar entregas em atrasadas ou no atrasadas. Para esta varivel, devemos usar um grfico p. Para
traa-lo, v em: Stat -> Control Charts -> Attributes Charts -> U.

Em seguida, devemos definir a escala (em Scale) e em seguida selecionar n_atrasadas como a varivel a ser
plotada e n_entregas como tamanho do subgrupo.

FM2S

229

Em seguida, devemos ajustar os estgios. Fazemos isso clicando em P Chart Options e, na aba Stages,
selecionamos a coluna fase.

O grfico gerado ser:


P Chart of n_atrasadas by fase
antes

depois

0,4

Proportion

0,3

0,2

UCL=0,1910

0,1

_
P=0,1010

LCL=0,0111

0,0
1

Tests performed with unequal sample sizes

9
mes

11

13

15

17

230

Programa 6-sigma: formao GREEN BELT

Exerccio
Leia o contexto do exerccio na apostila e utilize os dados do
arquivo 09 Acidentes_transportadoras.mtw para responder s
seguintes perguntas:
1.
2.

Os acidentes vem de um processo estvel?


Dado o sistema atual, as empresas so capazes de no ter mais
do que dois acidentes por milho de quilmetros?

Grfico de controle

176

Measure

O padro de segurana para o registro de acidentes no setor de transporte de no mais do que 2 acidentes por
milho de quilmetros. O Departamento de Transporte dos Estados Unidos coletou dados de acidentes das 14
maiores empresas para o ltimo ano a fim de avaliar seus desempenhos em segurana. Os dados so
apresentados abaixo. Prepare um grfico de controle apropriado e responda s perguntas do slide.
Soluo:
Acidentes por milho de quilmetros uma varivel de contagem. Para monitor-la, devemos traar um grfico
de controle de tipo U. Para mont-lo, vamos em: Stat -> Control Charts -> Attributes Charts -> U.

FM2S

231

Em seguida, devemos escolher Acidentes como sendo a varivel que queremos medir e a coluna referente
aos km rodados como sendo o tamanho do subgrupo. Tambm devemos ajustar a escala para que o grfico nos
mostre no eixo X a empresa referente a cada observao.

Clicando em OK, o Minitab ir nos gerar o seguinte grfico:

U Chart of Acidentes
4

Sample Count Per Unit

UCL=3,555
3

_
U=1,957

1
LCL=0,359
0
A

G
H
Empresa

Tests performed with unequal sample sizes

232

Programa 6-sigma: formao GREEN BELT

Exerccio
Leia o contexto do exerccio na apostila e utilize os dados do
arquivo 07 Avaliao de Tempos de Entrega.mtw para
responder s seguintes perguntas:

1. O processo est em controle estatstico?


2. Caso contrrio, quais so as possveis explicaes para
causas especiais?

3. Liste algumas das causas especiais que afetariam o


grfico X-barra e liste as causas especiais que seriam
vistas por meio do grfico R.
4. Que tempo deveria ser garantido para essa viagem?
Grfico de controle

177

Measure

A satisfao neste caso uma varivel contnua de subgrupo 1. Devemos traar ento um grfico de controle
para individuais. Para isso devemos ir em: Stat -> Control Charts -> Variable Charts for Individuals -> I-MR.

FM2S

233

Em seguida, selecionamos satisfao como sendo a varivel a ser traada.

Clicamos em OK e o Minitab nos gera:

I-MR Chart of satisfao


UCL=5,656
Individual Value

5
4

_
X=3,318

3
2
1

LCL=0,980
1

11

13
15
Observation

17

19

21

23

25

Moving Range

UCL=2,872

__
MR=0,879

LCL=0
1

11

13
15
Observation

17

19

21

23

25

234

Programa 6-sigma: formao GREEN BELT

Capabilidade

Measure

CAPABILIDADE

178

Um processo produz um resultado que pode ser um produto ou um servio e que tem caractersticas que so
crticas para os clientes. Essas caractersticas tm especificaes que podem ser explicitas ou implcitas.
Uma falha com respeito a uma especificao considerada um defeito e produtos ou servios que apresentam
um ou mais defeitos so considerados defeituosos.
As medidas de capabilidade de processo medem o desempenho de um processo com respeito s especificaes
dos clientes. So indicadores de qualidade de um processo e permitem comparar diferentes processos entre si
e o mesmo processo ao longo do tempo, alm de possibilitar avaliar se os esforos de melhoria esto produzindo
os resultados desejados priorizar projetos de melhoria.
Duas perspectivas devem ser consideradas quando examinarmos um processo quanto sua capabilidade:

Passado: o que foi produzido atende as especificaes?

Futuro: podemos prever que o processo ir atender as especificaes?

Como nos grficos de controle, as medidas de capabilidade tambm dependem de como a caracterstica
medida. Nesse captulo vamos considerar medidas de capabilidade para dados classificatrios (defeituoso), de
contagem (defeitos) e contnuos.

FM2S

# de palavras

235

30

28

32

31

25

Capabilidade para atributos

29

179

Measure

Definies:
Unidade do produto: um item que est sendo processado ou um bem ou servio (produto) final entregue ao
consumidor.
Defeito: um defeito definido como qualquer parte de um produto ou servio que:

No atende uma especificao ou requerimento;

Causa insatisfao ao cliente;

No atende requisitos funcionais.

Oportunidade para defeitos: cada especificao necessria satisfao do consumidor de um produto ou


servio representa uma oportunidade para ocorrncia de um defeito ou, dito de forma resumida, representa
uma oportunidade para defeito.
Defeituoso: Uma unidade do produto que apresenta um ou mais defeitos.

236

Programa 6-sigma: formao GREEN BELT

rea:
Call Center.

Reclamao de um cliente:
Eu geralmente tenho que esperar muito tempo para ser atendido.

CTQ (Indicador, KPI) :


Tempo de Espera (segundos).

Especificao:
Menos que 60 segundos desde a conexo completada at ser atendido.

Defeito:
Chamadas cujo tempo de espera maior ou igual a 60 segundos.

Unidade:
Uma chamada.

Oportunidade:
Uma por chamada.

Defeituoso:
Chamada cujo tempo de espera maior ou igual a 60 segundos.

Capabilidade para atributos

180

Measure

Exemplo das definies aplicadas em um call center com o objetivo de monitorar chamadas com mais de 60
segundos para atendimento.

FM2S

237

rea:
Editora.

Reclamao de um cliente:
desagradvel encontrar palavras escritas de forma errada no texto.

CTQ (Indicador, KPI):


Nmero de palavras com erro por pgina.

Especificao:
Nenhuma palavra escrita de forma incorreta.

Defeito:
Palavra escrita de forma incorreta.

Unidade:
Uma pgina.

Oportunidade:
Nmero de palavras por pgina.

Defeituoso:
Uma pgina com uma ou mais palavras escritas de forma incorreta.

Capabilidade para atributos


Measure

Exemplo das definies aplicadas em uma editora com o objetivo de monitorar erros em pginas

181

238

Programa 6-sigma: formao GREEN BELT

Mtricas

Frmulas

Percentual de
defeituosos

Nmero de defeituosos

PD =

x 100
Nmero de unidades avaliadas

PPM

PPM =

PD x 10000

Rendimento final

YFinal =

100 percentual de defeituosos

Capabilidade para atributos: defeituoso

182

Measure

Os indicadores baseados em defeituoso no levam em considerao o nmero de defeitos, somente a existncia


ou no de defeito (defeituoso).

FM2S

239

106 impressoras (de um total de


850 avaliadas) so defeituosas

P=

PPM=

37 placas de circuito impresso (de


um total de 1250 avaliadas) so
defeituosas

P=

PPM=

81 solicitaes de pagamento de
seguro-sade (de um total de 450
avaliadas) so defeituosas

P=

PPM=

73 extratos de carto de crdito


(de um total de 200 avaliados) so
defeituosas

P=

PPM=

Capabilidade para atributos: defeituoso


Measure

Calcule os indicadores nas quatro situaes mostradas no slide.

183

240

Programa 6-sigma: formao GREEN BELT

DPU: Defeitos por Unidades.

=
DPO: Defeitos por Oportunidade.

DPMO: Defeitos por Milho de Oportunidades.

= DPO 0

Capabilidade para atributos: defeito

184

Measure

Os indicadores baseados em defeitos levam em considerao o nmero de defeitos. Isto , um defeituoso que
possui um defeito no equivalente a um defeituoso que apresenta cem defeitos.

Definies:
O = nmero de oportunidades de defeitos por unidade;
U = nmero de unidades processadas;
D = Nmero total de defeitos feitos.

Observaes:

importante que o nmero de oportunidades para defeitos permanea constante ao longo de sua
anlise, pois o nmero de oportunidades um ingrediente do clculo de alguns ndices de capabilidade;

O clculo dos ndices de capabilidade influenciado pela definio de oportunidade. Se o nmero de


oportunidades mudar, os ndices de capabilidade no sero comparveis, portanto importante que as
definies de defeitos e de oportunidades permaneam constantes por toda realizao do projeto de
melhoria.

FM2S

241

110 defeitos e 850 impressoras avaliadas. 10


oportunidades de defeitos por impressora.
37defeituosas

PPM=
DPU=
DPO=
DPMO=

198 defeitos em 1250 placas de circuito impresso


avaliadas. 120 oportunidades de defeitos por placa.
37defeituosos

PPM=
DPU=
DPO=
DPMO=

463 defeitos em 450 solicitaes de pagamento de


seguro-sade avaliadas. 13 oportunidades de
defeitos por solicitao. 81 defeituosos

PPM=
DPU=
DPO=
DPMO=

Capabilidade para atributos: defeito


Measure

Calcule os indicadores nas trs situaes mostradas no slide.

185

242

Programa 6-sigma: formao GREEN BELT

Histogram of tiempo
Normal

35

Mean
StDev
N

30

20.94
6.389
200

Frequency

25
20
15
10
5
0

10

15

20
25
tiempo

30

35

40

Capabilidade para variveis

186

Measure

J vimos que o histograma uma forma de representar graficamente a distribuio dos dados de uma amostra
e que histogramas de dados contnuos podem ser aproximados por uma curva continua.
Muitas caractersticas de qualidade contnuas tem distribuio razoavelmente simtrica e podem ser
aproximadas por uma curva em forma de sino conhecida como Curva Normal, que corresponde distribuio
Normal

FM2S

243

Mdia = 11
Desv. Padro = 1

Toda Curva Normal


definida por dois nmeros:
Mdia
Desvio padro.

10

11

12

13

14
Mdia = 12
Desv. Padro = 2

10

11

12

13

14

15

16

17

18

Mdia = 7
Desv. Padro = 0.5
6

Capabilidade para variveis


Measure

Toda curva normal definida por dois nmeros (chamados de parmetros):

Mdia:

Desvio padro:

187

244

Programa 6-sigma: formao GREEN BELT

Para qualquer Distribuio Normal temos:

Capabilidade para variveis

188

Measure

Para qualquer distribuio, no importa qual seja a mdia e o desvio padro, temos que:

09546

0.9973

0.68 6

Observao: como a variao inerente a todo processo, chamamos a rea definida por [ 3 ;
de variao natural do processo.

3 ]

FM2S

245

LSE

LIE

Nominal Melhor (NM)

LIE

NM

Quanto Maior Melhor (QMM)


QMM

LSE

Quanto menor melhor (Qmm)


Qmm

Capabilidade para variveis

189

Measure

Para obtermos um ndice de capabilidade do processo, comparamos a variao natural do processo com suas
especificaes. Quando uma caracterstica de um produto tem especificaes explicitas, elas podem ser de trs
tipos:

Nominal Melhor (NM): existe um limite superior e um limite inferior de especificao.

Quanto Maior Melhor (QMM): existe um limite inferior de especificao.

Quanto menor melhor (Qmm): existe um limite superior de especificao.

246

Programa 6-sigma: formao GREEN BELT

LSE

LIE

Porc. de defeituosos
Acima

Porc. de defeituosos
Abaixo

Tempo de Entrega

% de Defeituosos = % Abaixo + % Acima


PPM = % de Defeituosos x 10.000

Performance observada: PPM de itens fora da especificao na amostra.


Performance esperada: PPM calculado com a Curva Normal aproximada.

Capabilidade para variveis

190

Measure

O primeiro ndice de capabilidade para variveis contnuas que estudaremos a performance, onde calculamos
o PPM (partes por milho) de peas defeituosas. Existem dois tipos de performance:

Performance observada: contamos o nmero de peas abaixo e acima das especificaes, dividimos pelo
nmero de peas avaliadas e multiplicamos por um milho:

Performance esperada: calculamos a mdia ( e o desvio padro ( da amostra de peas e, utilizando


a distribuio normal, calculamos qual seria o PPM esperado de acordo com o modelo normal e
multiplicamos por um milho:

] 0

Como muitas vezes retiramos uma pequena amostra para calcular a performance (30 peas, por exemplo), uma
nica pea fora da especificao pode fazer com que a performance observada seja bastante alterada. Nesse
sentido, a performance esperada mais robusta e indica o que esperamos que acontea ao longo da produo
de milhes de peas.

FM2S

247

ndice de Capabilidade (Nominal Melhor):


Tolerncia (Tol) = LSE-LIE;

Variao Natural do Processo = 6xD.P.;


LIE

LSE
Tolerncia

. .

. .

Variao Natural

Capabilidade para variveis

191

Measure

O ndice de capabilidade definido conforme o slide. Note que quanto menor a variao natural (6 . )
maior o . Dessa forma procuramos por ndices altos de capabilidade. Alguma referncias colocam ndices
acima de 1.33 como bons e acima de 1.66 como timos, mas isso depende de cada caso (comparao com
concorrentes, outras plantas, etc.).

248

Programa 6-sigma: formao GREEN BELT

Peso declarado

Distribuio Normal X
Mdia = 200
Desvio Padro = 1

LIE

LSE

Valores de X 197

198

Cp =

199

200

201

202

203

PPM =

Capabilidade para variveis

192

Measure

Uma empresa produz pacotes de biscoito cujo peso lquido declarado 200g. As especificaes so: LIE =197g
e LSE = 203g (Voz do Cliente).

Situao 1:
De uma amostra do pacotes produzidos calculou-se a mdia e o desvio padro e obteve-se:
Mdia=200g e desvio padro=1g (Voz do Processo)
Calcular Cp e PPM:

FM2S

249

Distribuio Normal X
Mdia = 197
Desvio Padro = 1
LIE

Valores de X194

195

196

197

LSE

198

199

200

201

202

203

Peso declarado

Cp =

PPM =

Capabilidade para variveis

193

Measure

Uma empresa produz pacotes de biscoito cujo peso lquido declarado 200g. As especificaes so: LIE =197g
e LSE = 203g (Voz do Cliente).

Situao 2:
De uma amostra do pacotes produzidos calculou-se a mdia e o desvio padro e obteve-se:
Mdia=197g e desvio padro=1g (Voz do Processo)
Calcular Cp e PPM:

Porque o Cp alto e o PPM alto?


No exemplo anterior, o processo no est centrado no valor nominal.
Nessas situaes, o Cp no uma medida apropriada. Vamos introduzir outra medida de capabilidade que
adequada em qualquer situao.

250

Programa 6-sigma: formao GREEN BELT

ndice de Capabilidade
Tolerncia (Tol) = LSE-LIE
Variao Natural do Processo = 6xD.P
LIE

LSE
Tolerncia

. .

. .

Variao Natural


3 . .

Capabilidade para variveis


Measure

Calcule e Cpk da situao 1 e 2


3 . .
194

FM2S

251

Comparao
entre Cp e Cpk
(NM)

Baixo

Alto

Baixo

Ajustar a mdia no Ajustar a mdia no


valor nominal
valor nominal
Diminuir a
variao

Alto

Impossvel

O.K.
Verificar se o
processo esta
centrado

Capabilidade para variveis


Measure

O quadro do slide resume as aes a serem tomadas em cada caso do e .

195

252

Programa 6-sigma: formao GREEN BELT

ndice de Capabilidade para especificao unilateral:


Quanto menor
melhor:

Quanto Maior Melhor:


LIE

LSE


3 . .

. .

196

Capabilidade para variveis


Measure

Quando existe somente limite inferior de especificao (LIE), chamamos o

de (onde l vem de lower) e

definido por:


3 . .

J quando existe somente limite superior de especificao (LSE), chamamos o


e definido por:


3 . .

de

(onde u vem de upper)

FM2S

253

Nominal Melhor:
Ampliar as especificaes:
Geralmente essa alternativa no vivel.

Ajustar a mdia no valor nominal e Reduzir a variabilidade:


LIE

LSE

LSE

LIE

Defeitos
Defeitos

Tempo de Entrega

Reduz a
variao

Tempo de Entrega

Aumenta Cpk e reduz PPM

Capabilidade para variveis

197

Measure

Quando precisamos aumentar a capabilidade geralmente precisaremos ajustar a mdia do processo ao valor
nominal (objetivo) e reduzir a variao. Usualmente, mais simples ajustar ao valor nominal do que reduzir
variabilidade.

254

Programa 6-sigma: formao GREEN BELT

Capabilidade e
estabilidade
VOC
Situao

VOP
Situao
Processo estvel

Processo instvel

Capabilidade
alta

O.K.

Estabilizar o
processo

Capabilidade
baixa

NM - Ajustar a
mdia e diminuir a
variao
QMM Aumentar a
mdia/reduzir a
variao
Qmm Reduzir a
mdia/reduzir a
variao

Necessita muitas
melhorias

Capabilidade para variveis

198

Measure

Calcule a capabilidade do processo somente se o processo est estvel. Caso contrrio cuidado especial deve
ser tomado na interpretao e utilizao do resultado. Se o processo no est sob controle estatstico preciso
primeiro estabiliz-lo antes de se calcular os ndices de capabilidade.

FM2S

255

Capabilidade para variveis

199

Measure

Uma estatstica bastante utilizada para comparar a qualidade entre processos o nvel sigma. Um processo 6sigma definido como aquele em que o LIE esta localizado a uma distncia de 6 . . da mdia e que o LSE
esta localizada a uma distncia de

6 . . da mdia.

De acordo com os criadores dessa estatstica, esperado que mesmo os processos que atingiram o nvel 6-sigma
sofram perturbaes que causem a variao de at de .5 , conforme mostrado na figura do slide. Assim,
subtrai-se 1.5 de 6, restando 4.5 desvios para cada lado.
Ao calcular-se

4.5 . .

0.9999966

4.5 . .

supondo normalidade da

caracterstica de qualidade sendo medida que o rendimento, ou proporo de peas boas produzidas em
um processo 6-sigma. Para obtermos o PPM do respectivo processo
0.9999966 0
Assim, um processo 6-sigma possui 3.4 PPM.

3.4

256

Programa 6-sigma: formao GREEN BELT

PPM

Yield %

Sigma

PPM

Yield %

Sigma

PPM

Yield %

Sigma

3.4

99.9997

6.00

6210

99.3790

4.00

308000

69.2000

2.00

99.9995

5.92

8190

99.1810

3.90

344000

65.6000

1.90

99.9992

5.81

10700

98.9300

3.80

382000

61.8000

1.80

10

99.9990

5.76

13900

98.6100

3.70

420000

58.0000

1.70

20

99.9980

5.61

17800

98.2200

3.60

460000

54.0000

1.60

30

99.9970

5.51

22700

97.7300

3.50

500000

50.0000

1.50

40

99.9960

5.44

28700

97.1300

3.40

540000

46.0000

1.40

70

99.9930

5.31

35900

96.4100

3.30

570000

43.0000

1.32

100

99.9900

5.22

44600

95.5400

3.20

610000

39.0000

1.22

150

99.9850

5.12

54800

94.5200

3.10

650000

35.0000

1.11

230

99.9770

5.00

66800

93.3200

3.00

690000

31.0000

1.00

330

99.9670

4.91

80800

91.9200

2.90

720000

28.0000

0.92

480

99.9520

4.80

96800

90.3200

2.80

750000

25.0000

0.83

680

99.9320

4.70

115000

88.5000

2.70

780000

22.0000

0.73

960

99.9040

4.60

135000

86.5000

2.60

810000

19.0000

0.62

1350

99.8650

4.50

158000

84.2000

2.50

840000

16.0000

0.51

1860

99.8140

4.40

184000

81.6000

2.40

860000

14.0000

0.42

2550

99.7450

4.30

212000

78.8000

2.30

880000

12.0000

0.33

3460

99.6540

4.20

242000

75.8000

2.20

900000

10.0000

0.22

4660

99.5340

4.10

274000

72.6000

2.10

920000

8.0000

0.09

Capabilidade para variveis

200

Measure

Utilizando a tabela do slide possvel fazer converses entre o PPM de defeituosos, o rendimento de peas boas
(em percentual) e o respectivo nvel sigma.

FM2S

257

Exerccio
Os dados no arquivo engine.mtw contm o peso de 25
motores de jato. Supondo que os limites de especificao
sejam 1200 e 1260, qual a Capabilidade do processo?

Capabilidade

201

Measure

O primeiro passo para uma anlise de capabilidade realizar o teste de normalidade dos dados. Para isso
devemos ir em: Graph -> Probability Plot.

Na janela que se abrir, selecionamos a coluna weight para plotar.

258

Programa 6-sigma: formao GREEN BELT

Clicamos em Ok e o Minitag gera o seguinte teste de normalidade:


Probability Plot of Weight
Normal - 95% CI
99

Mean
1256
StDev
12,18
N
25
AD
0,601
P-Value 0,106

95
90

Percent

80
70
60
50
40
30
20
10
5
1

1210

1220

1230

1240

1250 1260
Weight

1270

1280

1290

1300

Como podemos ver, os dados so razoavelmente normais. Prosseguindo a anlise, devemos ir em: Stat ->
Quality Tools -> Cabability Analysis -> Normal.

FM2S

259

Na janela que se abrir, devemos inserir a coluna a ser analisada (no vaso a coluna Weight) e inserir os limites
superior e inferior de especificao, bem como o tamanho do subgrupo.

Em seguida, clicamos em OK e gerada a seguinte analise:

Process Capability of Weight


LSL

USL

Process Data
LSL
1200
Target
*
USL
1260
Sample Mean
1255,92
Sample N
25
StDev(Within) 11,8203
StDev(Overall) 12,303

Within
Overall
Potential (Within) Capability
Cp
0,85
CPL
1,58
CPU 0,12
Cpk
0,12
CCpk 0,85
Overall Capability
Pp
PPL
PPU
Ppk
Cpm

1200
Observed Performance
PPM < LSL
0,00
PPM > USL 200000,00
PPM Total 200000,00

1220

1240

Exp. Within Performance


PPM < LSL
1,12
PPM > USL 364984,04
PPM Total 364985,16

1260

1280

0,81
1,52
0,11
0,11
*

1300

Exp. Overall Performance


PPM < LSL
2,74
PPM > USL 370085,44
PPM Total 370088,18

Nele podemos ver os indicadores de processo (Cp, Cpk, etc.) bem como uma viso de como est a distribuio
dentro dos limites de tolerncia.

260

Programa 6-sigma: formao GREEN BELT

Exerccio
Os dados do arquivo wire.mtw contem medidas de fora de
ruptura registrados em libras por polegadas para 25 amostras,
cada uma com tamanho de subgrupo diferente, de um
processo de fabricao de fibras metlicas.
Supondo que a fora mnima que essas fibras devem ter 56
libras por polegada, qual a Capabilidade desse processo?

Capabilidade

202

Measure

Novamente, devemos comear com uma anlise de normalidade. Para isso vamos em: Graph -> Probability
Plot e selecionamos a opo simple.

Plotamos ento a varivel Breakstrengh. A anlise ser a seguinte:

FM2S

261

Probability Plot of Breakstrength


Normal - 95% CI
99,9

Mean
StDev
N
AD
P-Value

99

Percent

95
90

59,98
2,101
124
0,237
0,781

80
70
60
50
40
30
20
10
5
1
0,1

52

54

56

58
60
62
Breakstrength

64

66

68

Essa anlise nos mostra que os dados esto normalmente distribudos. Agora, precisamos traar um grfico de
controle para saber se o processo est estvel. Para isso vamos em: Stat -> Control Charts -> Control Charts for
Subgroups -> Xbar-S. Nele devemos plotar os dados:

O grfico gerado mostra que h estabilidade no processo.


Xbar-S Chart of Breakstrength
64

Sample Mean

UCL=62,894
62
_
_
X=59,977

60
58

LCL=57,059
56
1

11

13
Sample

15

17

19

21

23

25

4,8
Sample StDev

UCL=4,270
3,6
_
S=2,044

2,4
1,2
0,0

LCL=0
1

11

13
Sample

15

17

19

21

23

25

Continuando a anlise, vamos em: Stat -> Quality Tools -> Capability Analysis -> Normal.

262

Programa 6-sigma: formao GREEN BELT

Em seguida, devemos selecionar a varivel Breakstrengh como sendo a de interesse e colocar os limites de
especificao. Nota-se aqui, que o o tamanho de subgrupo no 1. Ele est definido pela coluna Sample,
ento devemos indicar isso para o Minitab.

A anlise gerada ser a seguinte:

Process Capability of Breakstrength


LSL
Process Data
LSL
56
Target
*
USL
*
Sample Mean
59,9766
Sample N
124
StDev(Within) 2,17479
StDev(Overall) 2,10523

Within
Overall
Potential (Within) Capability
Cp
*
CPL
0,61
CPU
*
Cpk
0,61
CCpk 0,61
Overall Capability
Pp
PPL
PPU
Ppk
Cpm

54
Observed Performance
PPM < LSL 24193,55
PPM > USL
*
PPM Total 24193,55

56

58

Exp. Within Performance


PPM < LSL 33736,95
PPM > USL
*
PPM Total 33736,95

60

62

64

Exp. Overall Performance


PPM < LSL 29451,04
PPM > USL
*
PPM Total 29451,04

66

*
0,63
*
0,63
*

FM2S

263

Exerccio
Os dados dos arquivos Brick_1 e Brick_2 refer-se a uma
fbrica que produz blocos de metal.
Leia a descrio na apostila e verifique a estabilidade e
capabilidade para cada CTQ do bloco de metal.

Capabilidade

203

Measure

Os dados do arquivo Brick_1.mtw e Brick_2.mtw contem dados sobre uma empresa que produz blocos de metal.
Existem 4 caractersticas de qualidade importantes:

Rebarbas (tem ou no tem) arquivo Brick_1.mtw

Riscos (nmero de riscos na pea) arquivo Brick_1.mtw

Rugosidade (especificao: < 250) arquivo Brick_2.mtw

Comprimento (especificao: 4+-0.03) arquivo Brick_2.mtw

Para avaliar a estabilidade e Capabilidade do processo a equipe 6-sigma resolveu coletar dados de hora em hora
sobre cada uma dessas variveis. Para a varivel rebarbas anotou-se o nmero de peas produzidas em cada
hora e o nmero de peas com rebarbas.
Para a varivel riscos, retirou-se 5 peas por hora e contou-se o nmero de riscos nessas cinco peas. Para as
variveis rugosidade e comprimento retirou-se 5 peas de hora em hora e anotou-se os valores.
Prepare um relatrio com informaes relativas a estabilidade e Capabilidade desse processo. Voc
recomendaria a abertura de um projeto 6-sigma para essa empresa? Discuta possveis estratgia para esse
projetos
Soluo:

264

Programa 6-sigma: formao GREEN BELT

Para o caso das Rebarbas:


Rebarbas uma varivel classificatria. Para analisa-la, devemos usar a distribuio binomial. Para isso
devemos ir em: Stat -> Quality Tools -> Capability analysis -> Binomial.

Para esta distribuio, devemos dizer em qual coluna guardamos a informao do nmero de defeituosos
(n_rebarbas) e qual o total de peas para cada anlise (total_prod).

Clicando em OK, a seguinte anlise ser mostrada:

FM2S

265

Binomial Process Capability Analysis of n_rebarbas


Rate of Defectives
UCL=0,9946

0,8

_
P=0,7610

0,6
0,4

96
%Defective

Proportion

P Chart
1,0

LCL=0,5274
1

7
9
11
Sample

13

84
72
60
20

15

25
Sample Size

30

Tests performed with unequal sample sizes


Cumulative %Defective

Dist of %Defective
Summary Stats

%Defective

80

(using 95,0% confidence)

75
70
65
5

10
Sample

15

%Defective:
Lower CI:
Upper CI:
Target:
PPM Def:
Lower CI:
Upper CI:
Process Z:
Lower CI:
Upper CI:

76,10
71,67
80,15
0,00
760976
716673
801465
-0,7094
-0,8469
-0,5730

Tar
4,8
3,6
2,4
1,2
0,0

15

30

45

60

75

90

Nela podemos ver os indicadores para atributos.


Para o caso do nmero de riscos devemos fazer uma anlise similar, porm como esta uma varivel de
contagem, devemos usar a distribuio de Poisson. Para isso vamos em: Stat -> Quality Tools -> Capability
Analysis -> Poisson.

266

Programa 6-sigma: formao GREEN BELT

Em seguida, devemos inserir as informaes necessrias. N_riscos a varivel a ser analisada e total_prod a
informao de tamanho da amostra.

Clicando em Ok, temos a seguinte anlise:

U Chart

Defect Rate

0,75

UCL=0,7673

0,50

_
U=0,4146

0,6
DPU

Sample Count Per Unit

Poisson Capability Analysis of n_riscos

0,4

0,25
LCL=0,0619

0,00
1

7
9
11
Sample

13

0,2
20

15

25
Sample Size

30

Tests performed with unequal sample sizes


Cumulative DPU

Dist of DPU
Summary Stats

0,50

(using 95,0% confidence)


Mean DPU:
Lower CI:
Upper CI:
Min DPU:
Max DPU:
Targ DPU:

DPU

0,45
0,40
0,35
5

10
Sample

15

0,4146
0,3546
0,4819
0,2000
0,6500
0,0000

Tar
4,8
3,6
2,4
1,2
0,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6

FM2S

267

Para o caso da rugosidade, temos novamente uma varivel contnua, dentro da distribuio normal. A primeira
etapa ento analisar a normalidade dos dados. V em Graph -> Probability Pot e insira os dados necessrios.
O grfico da rugosidade ser:
Probability Plot of rugosidade
Normal - 95% CI
99,9

Mean
StDev
N
AD
P-Value

99

Percent

95
90

240,3
13,41
80
0,192
0,893

80
70
60
50
40
30
20
10
5
1
0,1

200

220

240
260
rugosidade

280

300

Em seguida vamos em: Stat -> Quality Tools -> Capability Analysis -> Normal. Em seguida inserimos os dados:

A seguinte anlise ser gerada:


Process Capability of rugosidade
USL
Process Data
LSL
*
Target
*
USL
250
Sample Mean
240,324
Sample N
80
StDev(Within) 13,4496
StDev(Overall) 13,4527

Within
Overall
Potential (Within) Capability
Cp
*
CPL
*
CPU 0,24
Cpk
0,24
CCpk 0,24
Overall Capability
Pp
PPL
PPU
Ppk
Cpm

208
Observed Performance
PPM < LSL
*
PPM > USL 225000,00
PPM Total 225000,00

224

Exp. Within Performance


PPM < LSL
*
PPM > USL 235934,13
PPM Total 235934,13

240

256

272

Exp. Overall Performance


PPM < LSL
*
PPM > USL 235983,83
PPM Total 235983,83

*
*
0,24
0,24
*

268

Programa 6-sigma: formao GREEN BELT

Para o comprimento o procedimento o mesmo. O teste de normalidade revelar o seguinte grfico:

Probability Plot of comp_com ACME


Normal - 95% CI
99,9

4,001
Mean
0,01159
StDev
80
N
0,336
AD
0,503
P-Value

99

Percent

95
90
80
70
60
50
40
30
20
10
5
1
0,1

3,96

3,97

3,98

3,99 4,00 4,01 4,02


comp_com ACME

4,03

4,04

4,05

E a anlise de capabilidade revelar:

Process Capability of comp_com ACME


LSL

USL

Process Data
LSL
3,97
Target
*
USL
4,03
Sample Mean
4,00071
Sample N
80
StDev(Within) 0,01259
StDev(Overall) 0,0116284

Within
Overall
Potential (Within) Capability
Cp
0,79
CPL
0,81
CPU 0,78
Cpk
0,78
CCpk 0,79
Overall Capability
Pp
PPL
PPU
Ppk
Cpm

3,97 3,98 3,99 4,00 4,01 4,02 4,03


Observed Performance
PPM < LSL
0,00
PPM > USL 25000,00
PPM Total 25000,00

Exp. Within Performance


PPM < LSL
7365,18
PPM > USL 9989,14
PPM Total 17354,33

Exp. Overall Performance


PPM < LSL 4137,69
PPM > USL 5881,75
PPM Total 10019,44

0,86
0,88
0,84
0,84
*

FM2S

269

Medio de desempenho do processo e do sistema

Clientes

Fornecedores

Direcionamento

Produo

Entradas

Sadas
Suporte

Measure

MEDIO DE DESEMPENHO DO
PROCESSO E DO SISTEMA

204

Sistema: grupo interdependente de itens, pessoas e processos com um propsito comum.


Processo: conjunto de causas e condies que repetidamente ocorrem juntos para transformar entradas em
resultados (sadas).
Indicadores de desempenho de processos ou sistemas: Podem ser identificados, mensurados e acompanhados
para observar o comportamento do processo/sistema com a finalidade de gerenci-lo.

Tipos de Indicadores
Indicadores do resultado de um processo (eficcia - Voz do Cliente): avaliar o resultado comparando-o com a
expectativa do cliente.
Indicadores de processo (eficincia): os passos/especificaes esto sendo executados como planejado? H
desperdcios que devem ser reduzidos?
Indicadores do sistema: famlia de indicadores para medir a sade de um sistema organizacional. Deve
contemplar os vrios aspectos do sistema: clientes, empregados, acionistas, operaes, meio ambiente, etc.

270

Programa 6-sigma: formao GREEN BELT

Exemplos de Indicadores:
Tempo de espera para ser atendido por doador;
Tempo de atendimento ;
Quantidade de sangue retirado por doador;
Nmero de parciais por dia.

Medio de desempenho do processo e do sistema

205

Measure

Muitas vezes, a coleta dos indicadores definidos perde-se com o tempo. Para evitar esse problema sugerido
documenta-lo conforme o formulrio a seguir:

1. Nome do indicador.
2. Definio:
Definio operacional do
indicador.
Outros indicadores ou dados
necessrios para o clculo.
Frmula de clculo e unidades de
medida.
3. Relao com outros indicadores.
4. Objetivo do Indicador.
5. Relao do Indicador com o
Propsito, Estratgia, etc.

6.

7.

Amostragem:
Tamanho da amostra;
Frequncia de coleta;
Perodo da coleta;
Local da coleta;
Fonte dos dados.
Estratificao:
Outras variveis que devem ser
coletadas junto com o indicador.
8. Tcnicas de anlise/
acompanhamento:
9. Administrao:
Quem ir:
Realizar medies;
Coletar dados;
Desenvolver grficos.

FM2S

Data
05/01/2009
05/01/2009
05/01/2009
06/01/2009
06/01/2009
06/01/2009
06/01/2009
06/01/2009
06/01/2009
06/01/2009
06/01/2009
06/01/2009
06/01/2009
06/01/2009

271

Sala
1
2
8
1
2
3
4
4
6
6
7
10
12
12

Entrada
6:25
6:30
15:30
6:30
7:45
11:40
6:00
14:30
6:00
10:10
12:20
13:40
6:00
15:00

Sada
Espera (minutos)
8:05
100
7:52
82
17:05
95
8:10
100
8:50
65
12:08
28
7:57
117
14:40
10
8:25
145
13:05
175
13:05
45
14:10
30
8:30
150
15:15
15

Especialidade
Cardio
Ortop
Gastro
Cardio
Ortop
Vasc
Ortop
Ortop
Ortop
Ortop
Uro
Uro
Ortop
Ortop

Medio de desempenho do processo e do sistema

206

Measure

Considere o exemplo de um centro cirrgico. O tempo de espera, definido como o tempo transcorrido desde o
momento que o paciente d entrada no CC at o momento que ele vai para sala cirrgica (em minutos) um
indicador crtico, pois a demora pode acarretar em complicaes para o paciente. A tabela do slide mostra o
indicador coletado pela equipe do hospital.

272

Programa 6-sigma: formao GREEN BELT

Ms
Gasto
jan/2001
97
fev/2001
104
mar/2001
99
abr/2001
94
mai/2001
100
jun/2001
99
jul/2001
96
ago/2001
96
set/2001
94
out/2001
96
nov/2001
98
dez/2001
99
jan/2002
96
fev/2002
100
mar/2002
99
abr/2002
96
mai/2002
103
jun/2002
97
jul/2002
96
ago/2002
91
set/2002
98
out/2002
96
nov/2002
95
dez/2002
105

Medio de desempenho do processo e do sistema

207

Measure

Regras para apresentao de dados:


O contexto para os dados deve ser descrito: O que? Por que? Quem? Como? Quando?
Sempre que um resumo numrico ou um grfico de distribuio (histograma, por exemplo) de dados coletados
ao longo do tempo for apresentado, ele deve vir acompanhado de um grfico de tendncia:

Mdia, mediana, amplitude, desvio padro, histograma, etc. no permitem descobrir uma
informao importante que o comportamento dos dados ao longo do tempo.

FM2S

273

Um cliente de uma empresa de logstica entrou na sala do diretor


de operaes e observou o grfico abaixo na parede da sala e
perguntou por que o diretor tinha esse grfico.

O Diretor ento respondeu que era para saber como estava a


operao.
O Cliente ento perguntou: Como vocs esto se saindo?
O Diretor respondeu: Bem, alguns meses so melhores, outro so
piores!

Medio de desempenho do processo e do sistema

208

Measure

Algumas abordagens comuns em anlise de dados:

Comparar com especificaes: compara o valor obtido com um valor especificado e decide se o valor
aceitvel ou no (deciso binria).

Tipos de especificaes: especificao de produto; necessidades para planejamento (previses,


oramentos etc.); metas.

Outra prtica comum comparar valores com mdias. Nesse tipo de comparao, o valor a ser comparado
estar abaixo ou acima da mdia. Como a mdia est aproximadamente no centro dos dados, 50% dos valores
ficam acima e 50% ficam abaixo da mdia. Consequncia: 50% das vezes estamos satisfeitos, 50% das vezes
estamos insatisfeitos.

274

Programa 6-sigma: formao GREEN BELT

Medio de desempenho do processo e do sistema

209

Measure

comum tambm comparar a porcentagem da diferena em relao mdia. A interpretao da porcentagem


de variao em relao mdia depende:

Do valor da mdia (10% de 50 diferente de 10% de 500);

Da quantidade de variao presente nos dados: 2% de variao da mdia pode ser causa especial e 20%
pode ser causa comum.

FM2S

275

Relatrio de Julho de 2005


Acumulado no ano
Valor
Planejado
Atual

%
Dif.

% Dif.
YTD/05
YTD/04

0.9

90.8

91.3

0.6

0.3

10.0

69.3

70

1.0

0.4

3.9

0.0

132

129

+2.3

+1.5

33

+4.5

+2.0

251.5

252

0.2

+8.0

198.29

201.22

1.5

1.9

198.46

201.22

1.4

3.6

13
13

4.45
11.34

4.16
11.27

+7.0
+0.6

+4.5
+11.3

4.46
11.02

4.16
11.27

+7.2
2.2

+9.3
+9.2

Custo Total de
Produo/100 Kg

13

280.83

278.82

+0.7

+0.9

280.82

278.82

+0.7

+0.4

Inventrio em
processo (100 Kg)

17

28

19.7

+42.0

+12.0

21.6

19.7

+9.6

+5.9

06

74.3

95

21.8

-23.5

87.8

95

7.6

2.7

Indicadores

Depto

Valor
Atual

Mdia
Mensal

%
Dif.

% Dif.
Julho/05
Julho/04

20

91.0

91.3

0.3

12

54

70

23.0

19

124

129

Volume Produzido
(1000 Kg)
Custo de Material
($/100 Kg)

13

34.5

13

HH/ 100 Kg
Energia e Custos
Fixos/100 Kg

Qualidade
Entregas no prazo
(%)
Aprovao na
primeira vez (%)
Sucata/por 1000 Kg
produzidos)

Produo

Operaes
% Faturam. no
prazo

Medio de desempenho do processo e do sistema

210

Measure

Os relatrios mensais gerenciais geralmente contm diversas pginas com tabelas de nmeros e comparaes
do valor mensal com mdias, especificaes, projees, etc.
Cada linha do relatrio do slide contm:

Um indicador (qualidade, produo e operao) e Departamento responsvel pelo mesmo;

O valor corrente e a mdia mensal;

Comparao percentual do valor corrente com a mdia mensal;

Comparao percentual com o valor do ano anterior;

O valor acumulado real e o planejado;

Comparao percentual do valor acumulado atual com o do ano anterior.

Frente a um relatrio desse tipo, a maioria dos gestores procura por diferenas percentuais grandes
(comparaes com especificaes, metas, valor planejado, mdias, valor do mesmo ms no ano anterior, etc.).
H uma inteno de responder a seguinte questo: Como estamos nos saindo esse ms?.
Explicaes so solicitadas pela direo para cada comparao cujo resultado no est como devia estar ou
que apresenta resultados insatisfatrios.
Problemas com essa abordagem:

276

Programa 6-sigma: formao GREEN BELT

O percentual depende:

Do valor da base de clculo;

Da quantidade de variao (causa comum ou especial?).

Comparao entre linhas assume que os indicadores de cada linha tem mesma quantidade de variao;

Grande diferena pode ser devido a uma causa especial no valor de referncia e no no valor presente.

H uma forma melhor?

1. Colete os dados ao longo do tempo


2003

2004

2005

Jan

19

20

20

Fev

27

22

15

Mar

20

19

27

Abr

16

16

25

Mai

18

22

17

Jun

25

19

19

Jul

22

25

28

Ago

24

22

Set

17

18

Out

25

20

Nov

15

16

Dez

17

17

2. Faa um grfico de tendncia

Julho/05 uma causa especial?

Medio de desempenho do processo e do sistema

211

Measure

A melhor maneira de estudar os indicadores por meio de um grfico de tendncia (ou de controle).

Consequncias de tratar Jul/2005 como causa especial


Um relatrio explicando o resultado e um plano de ao solicitado pela direo. Um relatrio explicando o
resultado elaborado e um plano de ao proposto pelo responsvel pelo Depto 17 (muitas vezes com muita
criatividade!). Os relatrios se tornam obras de fico cujo nico objetivo dar direo a sensao de que algo
est sendo feito para resolver o problema. O plano de ao executado consumindo recursos preciosos da
organizao.

Princpios da teoria da variao

Devemos esperar que as coisas variem. Elas sempre variam;

FM2S

277

Entendimento da variao nos diz o que esperar em termos de resultados;

Trabalhe sempre nas causas de variao, as quais so sempre encontradas no sistema;

Entendimento de variao nos diz quando algo especial aconteceu.

Se voc estabelece uma meta para um gerente ele vai atingi-la,


mesmo que para isso tenha que destruir a empresa (W. Deming)

Quando pressionados para alcanar uma meta, pessoas podem reagir


de trs formas:
Trabalhar para melhorar o sistema;
Distorcer os dados;

Distorcer o Sistema. (Brian Joiner)

Medio de desempenho do processo e do sistema

212

Measure

Muitos indicadores so acompanhados de metas. O lder deve ter cuidados na maneira pela qual ele cobra as
metas, caso contrrio os resultados podem ser adversos.

278

Programa 6-sigma: formao GREEN BELT

Resumo do captulo

O segundo passo de um projeto de melhoria o Measure,


cujo objetivo medir o desempenho atual.
As principais atividades dessa fase so:
Elaborar um fluxograma do processo;
Avaliar a estabilidade do processo (grfico de controle);
Avaliar a capabilidade do processo.

Measure

RESUMO DO CAPTULO

213

FM2S

279

Analyse

Analyse
214

Objetivo:
Identificar causas razes e confirma-las com dados.

Atividades:

Localizar os problemas.

Encontrar relaes causais entre Y e Xs

Encontrar desconexes e desperdcios nos processos.

280

Programa 6-sigma: formao GREEN BELT

Desenvolvimento de mudanas

COMO DESENVOLVER
MUDANAS QUE
RESULTEM EM
MELHORIA?
Analyse

DESENVOLVIMENTO DE MUDANAS

215

Melhoria requer mudana, mas nem toda mudana resulta em melhoria. Como desenvolver mudanas que
resultem em melhoria? Algumas mudanas so obvias, outras no e para essas precisaremos de ferramentas de
anlise crtica do processo, pensamento criativo e conceitos de mudana para as encontramos. Importante
salientar que mudanas no tem que ser necessariamente caras ou demoradas.

Problemas no desenvolvimento de uma Mudana

Fazer mais do mesmo: mais pessoas, mais dinheiro, mais exortaes;

Procurar a perfeio (sndrome da utopia e sndrome da paralisia), o que causa paralisia de ao:
ocupados com a perfeio, as pessoas no tem tempo para testar novas ideias.

Resultam em melhorias de curto prazo, porm:

No alteram a estrutura do sistema;

Adicionam despesa e complexidade ao sistema, em geral;

FM2S

281

Podem contribuir com o problema ou tornar-se o problema.

Exemplos de mudanas mais do mesmo:

Problemas com especificaes dos clientes: mais recursos ($, tempo, pessoas);

Problemas com o produto: introduzir ou adicionar inspeo;

Problemas com a variao do processo: mais ajustes;

Problemas com disciplina: mais restries.

Tipo de mudana
1 Ordem 2 Ordem
Sistema

No alterado

alterado

Percepo do cliente

Soluo do problema

Melhoria

Prazo

Imediato, curto

Mdio, longo

Analyse

DESENVOLVIMENTO DE MUDANAS

As mudanas realizadas no processo podem ser de primeira ou segunda ordem.

Mudanas de Primeira Ordem:


So mudanas necessrias para:

Manter a organizao em funcionamento no dia a dia;

Manter o sistema no nvel de desempenho atual;

Lidar com problemas.

Caractersticas:

216

282

Programa 6-sigma: formao GREEN BELT

Realizadas rotineiramente para resolver problemas ou reagir a uma circunstncia especial;

Devolvem o sistema situao anterior;

Reflexos sentidos imediatamente ou em curto prazo;

s vezes, trazem conflito de interesses: qualidade, mas custo;

Depois delas, os clientes percebem que um problema foi resolvido.

Mudanas de Segunda Ordem:


So mudanas necessrias para:

Prevenir problemas;

Elevar o desempenho do sistema a nveis superiores ao atual.

Caractersticas:

Resultam na criao de um novo processo ou na modificao de um processo existente;

Alteram como o sistema funciona e como as pessoas trabalham;

Afetam positiva e simultaneamente vrios indicadores de desempenho;

Seu impacto sentido a mdio e longo prazo;

Depois delas os clientes percebem que uma melhoria foi feita.

Algumas consideraes sobre mudanas e melhoria:

O importante no o tamanho da mudana, mas o impacto produzido;

Grandes melhorias podem ser alcanadas com pequenas mudanas;

Se problemas inesperados ocorrerem aps uma mudana de segunda ordem:

Use mudanas de 1 ordem para remov-los;

Use mais mudanas de 2 ordem para elimin-los.

FM2S

283

Entender e analisar criticamente o processo atual

Usar Tecnologia

Usar Criatividade

Usar os Conceitos de Mudana

Desenvolvimento de Mudanas

217

Analyse

Para desenvolver mudanas que resultem em melhoria devemos utilizar uma das quatro abordagens descritas
no slide, que so completares.

A primeira faz uso do pensamento analtico crtico;

O Segundo procura se beneficiar de tecnologias j desenvolvidas;

A criatividade um meio de escapar dos modelos mentais estabelecidos para encontrar alternativas;

Processos que tem bom desempenho so estruturados em bons conceitos. Esses conceitos, se
identificados, podem ser utilizados para encontrar boas mudanas.

A seguir sero apresentadas tcnicas teis para cada abordagem. Observaes sobre as tcnicas:

A dependncia de coleta e anlise de dados varia de tcnica para tcnica;

Para cada tcnica ser apontada a necessidade de coletar e analisar dados, mas as tcnicas de coleta e
anlise de dados sero tratadas separadamente;

O praticante da atividade de melhorar processos, produtos e servios deve, com o tempo e com a
experincia, procurar integrar sistemicamente essas tcnicas.

284

Programa 6-sigma: formao GREEN BELT

Diagrama de causa e efeito

Analyse

DIAGRAMA DE CAUSA E EFEITO

218

Tambm conhecido como diagrama espinha de peixe ou diagrama de Ishikawa, fornece uma conexo visual
entre o efeito observado e todos os fatores que contribuem para ele, incentivando os membros da equipe a
visualizarem os sintomas e as possveis causas de um problema como parte de todo um sistema (pensamento
sistmico).
Antes de tentar criar um diagrama de causa e efeito, preciso identificar um efeito que servir como ponto focal
da sua iniciativa. Em seguida, voc pode usar tcnicas de brainstorm para gerar causas provveis. Uma vez
concludo, o diagrama de causa e efeito fornece uma base slida para as tarefas de identificar solues ou
desenvolver mudanas.

Benefcios do Diagrama:

Muito de seu valor est em sua elaborao, pois as partes interessadas se renem e organizam
conhecimentos.

Reduo da tendncia de achar uma verdadeira causa;

Meio efetivo para compartilhar conhecimento.

FM2S

285

Mtodo

Mquina
Presso do
pneu

Marcha
Velocidade

Ajuste do
bico injetor

Consumo de
Combustvel

Lubrificao

Manuteno

Tipo de
Combustvel

Forma de
dirigir

Pessoas

Material

Diagrama de Causa e Efeito

219

Analyse

Elaborao:
1.

Identifique o efeito a ser estudado e coloque-o na estrutura do diagrama em uma caixa do lado direito.
O efeito pode ser positivo (objetivo) ou negativo (problemas);

2.

Desenhe uma espinha de peixe no quadro branco ou em um pedao de papel, apontando para o efeito;

3.

Desenvolva uma lista de possveis causas e/ou fatores que contribuam para o efeito, utilizando, se
necessrio, um Brainstorming ou fluxograma do assunto que esteja sendo tratado;

4.

Os seis Ms (mquinas, mtodos, meio ambiente, medio, materiais, mo de obra) ou os 4 Ps (polticas,


procedimentos, pessoas e planta) so comumente utilizados como ramos iniciais.

5.

Crie sub-ramos com possveis sub-causas para cada causa;

6.

Antes de passar para uma ideia ou causa diferente, explore cada causa ou "ramificao" at sua
concluso, usando a tcnica conhecida como Cinco Porqus;

7.

Reserve tempo suficiente para esgotar essas discusses em extenso e profundidade;

8.

Mantenha o foco na definio do problema, para assegurar que a sesso no se torne muito ampla;

9.

Quando a dinmica do grupo diminuir um bom indicador de que as ideias mais importantes esto
listadas;

286

Programa 6-sigma: formao GREEN BELT


10. Identifique as causas mais importantes e priorize-as.

Observaes:
As causas identificadas no diagrama so, nesse momento, teorias que as pessoas tm sobre as possveis
causas. necessrio testar essas teorias. Uma forma de testar reunir evidncias, geralmente com dados. Outra
forma mais adequada realizar experimentos.

Diagrama de Causa e Efeito


Analyse

Mtodo alternativo
1.

Fazer primeiro um Brainstorming de todas a possveis causas e anot-las em um post-it;

2.

Fazer um Diagrama de Afinidades com os post-its;

3.

Construir o Diagrama de Causa e Efeito com:

Os ttulos das colunas como ramos;

Os post-its como causas.

FM2S

287

Diagrama de Causa e Efeito os cinco porqus

Analyse

A tcnica dos Cinco Porqus ajuda na identificao da causa raiz do problema. Para cada causa, pergunte
por que o problema ocorreu? para descobrir as causas que contriburam para o problema ocorrer.
Continue perguntando por que o problema ocorreu? para descobrir nveis adicionais de causas. Cinco no
um nmero mgico. Algumas vezes suficiente usar dois ou trs Por Que.

Exemplo:
Por que a entrega atrasou?

Houve uma quebra do caminho.

Por que o caminho quebrou?

A mangueira do radiador quebrou.

Por que a mangueira do radiador quebrou?

A mangueira tinha mais de dois anos de uso.

Por que a mangueira tinha mais de dois anos de uso?

288

Programa 6-sigma: formao GREEN BELT

Estamos atrasados com o programa de manuteno preventiva.

Por que estamos atrasados com a manuteno preventiva?

A equipe da manuteno esteve envolvida em um projeto especial que durou mais do que o esperado.

Crticas ao mtodo

Tendncia de parar nos sintomas ao invs de aprofundar no nvel de causas;

Incapacidade de ir alm do conhecimento atual do investigador, pois no possvel encontrar as causas


que ainda no so conhecidas.

Falta de apoio para ajudar o investigador a fazer o porqu correto;

Os resultados no so repetveis: pessoas diferentes, utilizando os Cinco Porqus chegam a diferentes


causas para o mesmo problema.

Nvel de entendimento de um problema


H uma poa de leo no cho.

Nvel da mudana correspondente


Limpe o leo.

- Por qu h uma poa de leo no cho?


Porque est vazando leo da mquina.
- Por qu est vazando leo da mquina?

Porque a junta se estraga fcil.

Troque a junta (temos vrias em estoque)

- Por qu a junta se estraga fcil?


Porque a pior do mercado.

Compre melhores (e jogue fora as outras)

- Por que adquirimos a pior?


Porque fizemos um bom negcio com elas.
- Por que considerado um bom negcio a
compra de um item que d problema no uso?
Porque Compras avaliado pela economia
feita no momento da compra.

Mude a poltica.

Diagrama de Causa e Efeito os cinco porqus

Analyse

Ao usar os Porqus atente para o fato de que a resposta em cada estgio corresponde a um determinado nvel
de entendimento do problema. Para cada nvel de entendimento do problema h uma mudana
correspondente.

FM2S

289

Exerccio
Elabore um diagrama de causa e efeito para as possveis
causas de alto consumo de combustvel em um carro.

Diagrama de Causa e Efeito


Analyse

290

Programa 6-sigma: formao GREEN BELT

Desconexes

Processo 1

Processo 2

Analyse

DESCONEXES

Uma desconexo um desvio, erro ou no conformidade que impede o alcance de uma situao desejada. So
os fios desligados do processo: entradas e sadas faltantes, redundantes ou ilgicas que podem afetar o
processo. Desconexes podem ser identificadas com uma anlise detalhada do Fluxograma.

Identificando desconexes:
Quanto s SADAS do processo, identificadas no SIPOC:

Esta produzindo alguma sada desnecessria?

Esta deixando de produzir sadas para os clientes adequados?

Esta deixando de atender expectativas de qualidade dos clientes? De prazo?

Est deixando de atender expectativas internas de produtividade? De custos?

Quanto s ENTRADAS do processo, identificadas no SIPOC:

Est deixando de receber alguma entrada necessria?

Est recebendo alguma entrada desnecessria?

FM2S

291

Existem entradas chegando de fornecedores errados?

Existem entradas deixando de atender expectativas de qualidade dos clientes ou de prazo? Expectativas
internas de produtividade/custos?

Quanto s ATIVIDADES do processo, identificadas no SIPOC:

Alguma atividade necessria est faltando?

As atividades existentes:

Produzem alguma sada desnecessria?

Esto sendo realizadas na hora certa no processo?

Esto sendo realizadas pelas reas/pessoas certas?

Esto criando gargalo?

Agregam valor para o cliente?

Apresentam redundncia?

um ponto de inspeo ou de deciso?

Apresentam ciclos de retrabalho?

Esto sendo executados no tempo programado?

292

Programa 6-sigma: formao GREEN BELT

DESCONEXES

SUGESTES

Desconexes

Analyse

As desconexes e/ou oportunidades de melhorias identificadas durante o mapeamento do processo e suas


respectivas sugestes de implantao, se surgirem, devem ser registradas numa planilha de desconexes,
conforme tabela do slide.
Alm disso, deve-se marcar no mapa do processo o ponto em que essa desconexo foi identificada, colocando
uma identificao para ela em um crculo, referenciando essa identificao na planilha, na frente de sua
descrio.
Caso alguma desconexo identificada possa ser alvo de um esforo de melhoria imediato, identificar na planilha
a pessoa ou grupo que ficar responsvel por essa ao.

FM2S

293

Os oito desperdcios
Os oito desperdcios:
Transporte;
Estoque (inventrio);
Movimento;
Espera;
Excesso de processamento;
Excesso de produo;
Defeitos;
Habilidades subutilizadas.

Analyse

OS OITO DESPERDCIOS

Segundo o pensamento enxuto (LEAN) moderno, existem 8 desperdcios. A seguir so definidos e apresentados
exemplos de cada um deles.

Transporte: movimento de partes que no agrega valor.


Exemplos

Causas

Movendo peas para


dentro

fora

Movendo material de
uma

estao

Linhas em fluxo

grandes

Sistema puxado

Produo empurrada

Organizao por fluxo de valor

Estoque

Kanban

Layout no funcional

Reduo de espao

do

estoque

de

trabalho para outra.

Mudanas
Produo

em

lotes

294

Programa 6-sigma: formao GREEN BELT

Estoque: mais materiais, peas ou produtos disponveis do que o cliente necessita neste momento.
Exemplos

Causas

Mudanas
Lead-times

dos

fornecedores

Kanban externo

Falta de fluxo

Desenvolvimento do fornecedor

elaborao

Set-ups longos

Sincronizao

Produto acabado

Lead-times longos

Suprimentos

Papis e formulrios em

Matria-prima

Produto

em

de

consumveis

Ordem

fluxo

de

trabalho (one-piece flow)

processo

Componentes

do

no

Reduo de set-up

Kanban interno

processamento

Movimento: movimento de pessoas que no agregam valor.


Exemplos

Causas

Mudanas
rea

de

trabalho

desorganizada

Procura

por

peas,

ferramentas,
desenhos, etc

Itens faltantes

Design ruim da estao


de trabalho

Escolha de material

rea de trabalho sem

5S

Disposio no ponto de Uso

One-piece flow

Layout da estao de trabalho

segurana

Espera: Tempo ocioso porque materiais, pessoas, equipamentos ou informaes no esto prontos.
Exemplos

Causas

Mudanas

Espera por peas

Produo empurrada

Espera por desenhos

Trabalho desbalanceado

Espera pela inspeo

Inspeo centralizada

Implantao de clulas

Espera

Atrasos na entrada dos

Balanceamento nas etapas de

por

Espera
informao

por

Sincronizao do fluxo entre


estgios

carga/descarga

pedidos

mquinas

Falta de prioridade

Produo no Takt time

Falta de comunicao

Jidoka

FM2S

295

Espera pelo reparo

TPM

da mquina

Excesso de produo: produzindo mais do que cliente necessita neste momento.


Exemplos

Produzindo

Causas

Mudanas

produtos

para o estoque baseado


na previso de vendas

Produzindo mais para


evitar set-ups

Programao Puxada

Reduo de tamanho de
lote

Previses incorretas

Setups demorados

Nivelamento da carga

Reduo do tempo de

Processamento em lotes

setup

grandes

TPM

Excesso de processamento: esforo que no agrega valor do ponto de vista do cliente.


Exemplos

Causas

Mltiplas limpezas das peas

Preenchimento de folhas

Tolerncias

apertadas

demais

Ferramenta ou pea de difcil


manuseio

Mudanas

Atrasos entre os processos

Linhas em fluxo

Sistema empurrado

One-piece pull

Voz

Office Kaizen

compreendida

3P

Layout ruim

Lean design

do

Cliente

no

Defeitos: trabalho que contm erros, retrabalho, enganos ou falta de alguma coisa necessria.
Exemplos

Sucata

Retrabalho

Defeitos

Correo

Falha em campo

Causas

Mudanas

Falha do processo

Falta de carregamento da pea

Processo em grandes lotes

Inspeo dentro do processo

296

Programa 6-sigma: formao GREEN BELT

Subutilizao das habilidades: Alocar pessoas atividades que esto abaixo de sua capacitao.
Exemplos

Causas

Tcnico

Mudanas

fazendo

atividade de auxiliar

No ouvir as pessoas
que

executam

Diretor

assinando

documentos

Dara acesso a informaes

responsabilidade no clara

Avaliar competncias

Autoritarismo

Estabelecer responsabilidades

Falta

as

atividades

de

que

poderiam

ser

assinados

pela

Delegao

de

avaliao

competncias

em funo do risco

de

Prover treinamento

secretria

Encontre os desperdcios

Os oito desperdcios
Analyse

FM2S

297

Encontre os desperdcios

Os oito desperdcios
Analyse

298

Programa 6-sigma: formao GREEN BELT

Diagrama AV/ NAV

percebido
pelo
cliente

Valor

Reflete no
preo do
produto

So
definidas
pela tica
do cliente

Analyse

DIAGRAMA AV/ NAV

10

O valor de um produto ou servio seu contedo inerente, segundo o julgamento do cliente, refletido em seu
preo de venda e demanda de mercado.
O valor em um produto tpico criado pelo fabricante por meio de uma combinao de aes, algumas das
quais produzem valor conforme percebido pelo cliente e outras so meramente necessrias devido atual
configurao do projeto e do processo de produo.
O objetivo do Pensamento Lean eliminar as atividades desnecessrias e preservar e aumentar aquelas que
agregam valor para o cliente.

FM2S

299

Atividade
AV

NAV

Necessria

Desnecessria

Reduza

Elimine

Acerte o fluxo

Coloque as atividade em
uma sequncia natural .

Reduza essas atividades e sua


interferncia no fluxo de
valor.

Diagrama AV/ NAV

11

Analyse

Atividade que agrega valor (AV):


Atividade necessria para produzir um produto ou um servio e que adiciona valor sob o ponto de vista do
cliente.

Atividade que no agrega valor, mas necessria (NAV):


Atividade realizada para produzir um produto ou um servio mas que no adiciona valor sob o ponto de vista
do cliente. Podem ser separadas em trs categorias:

So realizadas para direcionar ou apoiar as atividades que agregam valor (financeiro, RH, planejamento
etc.);

Foram incorporados ao sistema para:

Detectar erros, omisses e defeitos;

Corrigir erros, omisses e defeitos;

Acomodar desperdcios no sistema como: demoras, tempos de espera, etc.

Podem ser simplesmente eliminadas.

300

Programa 6-sigma: formao GREEN BELT

Exerccio
Escolha uma atividade na qual voc trabalha. Imagine o que aconteceria se voc parasse de execut-la:

Se o cliente externo reclamar provavelmente uma atividade que agrega valor;

Se o cliente interno reclamar, provavelmente uma atividade que no agrega valor, mas necessria
(atividades para reduzir risco financeiro, exigidas por lei, para elaborar relatrios financeiros, etc.)

Se o cliente externo e o cliente interno no reclamarem provavelmente uma atividade que no agrega
valor (desperdcio palavras como espera, verificao e movimentao so indicativos de
desperdcio).

Processos com muita atividade NAV geralmente so passveis de melhorias sem alterao profunda da
tecnologia atual. J em processos com pouca atividade NAV pense em mudar a tecnologia em uso.

Distribuio de Tempo para os Tipos de Atividades


Organizao de Manufatura (Hines e Taylor, 2000)
Atividades que
agregam valor (5%)

Atividades
necessrias que no
agregam valor (35%)

Atividades que no
agregam valor (60%)

Diagrama AV/ NAV

12

Analyse

Segundo Hines e Taylor (2000), as atividades que agregam valor correspondem a 5% do tempo nas organizaes
de manufatura.

FM2S

301

Distribuio de Tempo para os Tipos de Atividades


Organizao de Servios (Hines e Taylor, 2000)
Atividades que
agregam valor (1%)

Atividades
necessrias que no
agregam valor (50%)

Atividades que no
agregam valor (49%)

Diagrama AV/ NAV

13

Analyse

Segundo Hines e Taylor (2000), as atividades que agregam valor correspondem a 1% do tempo nas organizaes
de servios.

302

Programa 6-sigma: formao GREEN BELT

Diagrama AV/ NAV

14

Analyse

O ponto de partida crtico para o pensamento enxuto o valor, que s pode ser definido pelo cliente final. Valor
s significativo quando expresso em termos de um produto especfico que atenda s necessidades especficas
do cliente a um preo especfico em um momento especfico. Esse o nico valor que o cliente est disposto a
pagar. Todas as outras atividades NAV realizadas para produzir o produto so desperdcios.
Precisamos desenvolver a habilidade de reconhecer e identificar desperdcio;

Ter a coragem de cham-lo desperdcio;

Ter o desejo de elimin-lo.

Entender que desperdcio:

Aumenta os custos;

No produz benefcios;

Ameaa nossos empregos.

Para diminuir o tempo gasto com atividades que no agregam valor, o passo inicial construir o diagrama
AV/NAV. Procedimento:
1.

Liste os processos/passos;

2.

Classifique cada passo como AV, NAV necessrio e NAV desnecessrio;

FM2S
3.

303

Preencha o Diagrama AV/NAV.

Diagrama AV/ NAV - ECRS

15

Analyse

A Ferramenta ECRS (Eliminar Combinar Reduzir Simplificar) muito simples e muito importante para
encontrar mudanas que aumentam o valor:

Com o diagrama AV/NAV em mos, sob a tica dos Desperdcios, se podem ser:

Eliminadas;

Combinadas;

Reduzidas;

Simplificadas.

304

Programa 6-sigma: formao GREEN BELT

Diagrama AV/ NAV anlise do tempo

16

Analyse

Atividades em processos demandam tempo para serem executadas. No atividades muitas vezes demandam
um tempo que no agrega valor ao processo e afetam custo e qualidade. Componentes do tempo de processo:

Tempo de atividades;

Tempo de espera.

Em projetos de melhoria em que o objetivo a reduo do tempo de ciclo, a anlise do tempo fundamental.

Como fazer
1.

Com o diagrama AV/NAV ECRS calcule a proporo de atividades em cada categoria;

2.

Mea o tempo de cada atividade;

3.

Calcule a porcentagem do tempo do processo que adiciona valor sob a tica do cliente;

4.

Escolha os passos que no agregam valor e os passos que consomem mais tempo como focos de
mudanas.

FM2S

305

Exerccio
Classifique cada passo do processo descrito na apostila como
AV ou NAV. Propor um novo fluxo contendo somente as
atividades que agregam valor.
O fluxo descreve as atividades de um funcionrio que tem
necessidade de viajar a trabalho e utiliza carro providenciado
pela empresa. A empresa tem um departamento de
transportes que providencia o veculo.

Diagrama AV/ NAV - exerccio

17

Analyse

Imagine que voc trabalha no setor de transportes de uma grande empresa. Voc listou os passos mais comuns
do processo que seus clientes (os funcionrios da empresa) tm de fazer para obter um carro para viajar a
trabalho. Descreva esse processo num fluxograma de oportunidades do ponto de vista do cliente (funcionrio
da empresa que necessita do carro).
Dicas:
Leia todos os passos
Classifique cada passo como AV (VA) ou NVA (CA). Lembre-se que no h uma classificao certa ou perfeita,
chegue com seu grupo a um resultado satisfatrio.
Passos para se obter o carro:
1.

Cliente liga p/ Transportes para verificar a disponibilidade de carro da empresa na data

2.
a.

Se sim, cliente pede para reservar carro da frota, informando a data de uso e pronturio

b.

Se no, cliente pede para alugar um carro, informando a data de uso e pronturio

3.

Cliente preenche solicitao em papel (tanto faz, para carro da frota ou alugado)

4.

Cliente passa solicitao para superior carimbar e assinar

306

Programa 6-sigma: formao GREEN BELT


5.

Cliente espera retorno da solicitao carimbada e assinada

6.

Cliente envia solicitao para transportes

7.

Cliente liga para transportes para informar que foi enviada a solicitao

8.

Transportes espera chegada da solicitao

9.

Transportes providencia o carro (da empresa ou alugado) p/ a data de uso

10. Cliente liga para Transportes na vspera para ver se est tudo ok
11. Cliente passa no transportes para pegar a chave e ticket combustvel
12. Cliente pega o carro

FM2S

307

Processo prova de erros

Conte o nmero de vezes que a sexta letra do alfabeto


aparece no seguinte texto. Voc tem um minuto:
The necessity of training farm hands for first class farms in the
fatherly handling of farm live stock is foremost in the eyes of farm
owners. Since the forefathers of the farm owners trained the farm
hands for first class farms in the fatherly handling of farm live stock,
the farm owners feel they should carry on with the family tradition of
training farm hands of first class farmers in the fatherly handling of
farm live stock because they believe it is the basis of good
fundamental farm management.

Analyse

PROCESSOS PROVA DE ERROS

18

O exerccio do slide chama a ateno que a inspeo no evita o envio de produtos defeituosos aos clientes.
preciso desenvolver dispositivos que evitem a ocorrncia de problemas (poka yoke).

308

Programa 6-sigma: formao GREEN BELT

Processos prova de erros

19

Analyse

Podemos reduzir os erros reprojetando o sistema, para fazer com que os erros sejam menos provveis. Este tipo
de projeto ou reprojeto chamado de prova de erros.
Uma vez que os erros so predominantemente deslizes do subconsciente, prova de erros apropriada para
a reduo da probabilidade destes deslizes, ao invs de mudanas no comportamento consciente. prova de
erros usa dispositivos de baixo custo ou tcnicas que permitem inspecionar 100% como meio de eliminar
defeitos.
Poka Yoke ou prova de erros so sinnimos. O pensamento Poka Yoke:

Assume que mesmo o funcionrio mais consciente e bem treinado ir ocasionalmente cometer erros;

Previne que erros se transformem em produtos defeituosos;

uma parte de um sistema de inspeo.

tornar fcil fazer certo e impossvel fazer errado.

Benefcios esperados:
Melhorar a qualidade (reduzir PPM e refugo);
Tornar o processo mais fcil e capaz;
Aumentar a Segurana no local de trabalho;

FM2S

309

Manter mtodos de produo e inventrio enxutos;


Reduzir custos;
Manter a satisfao do cliente.

H algum procedimento de prova de


erros que poderia ser utilizado?

Processos prova de erros


Analyse

Cinco princpios de prova de erros

Controle na fonte, o mais perto possvel da fonte dos defeitos;

Estabelea controles apropriados severidade dos potenciais defeitos;

No exagere nos controles se atenha ao mtodo mais eficaz e mais econmico;

Desenvolva cooperao entre operadores, tcnicos e engenheiros;

No atrase a melhoria com anlise exagerada.

20

310

Programa 6-sigma: formao GREEN BELT

Preventivo
Poka Yoke
Detectivo
Processos prova de erros

21

Analyse

prova de erros (Preventivo):


Previnem a ocorrncia de um defeito. Exemplos do dia a dia:

Micro-ondas no funciona com porta aberta;

Moto no liga se estiver engrenada e com o pezinho abaixado;

Boia da caixa dgua evita que gua vaze da caixa;

Farol dos carros se apaga quando a chave retirada do contato.

prova de falhas (Detectivo):


Indicam quando um defeito acontece, mas no previnem seu acontecimento. Previne que a no conformidade
chegue no cliente. Exemplos do dia a dia:

Indicador no painel dos automveis, que indica que o motorista no est utilizando o cinto de
segurana;

Carros que emitem som ao abrir a porta quando o farol est aceso e o veculo desligado.

311

Mtodos prova de erros

FM2S

Lembretes

Diferenciaes
Restries
Exibies
Processos prova de erros

22

Analyse

Existem quatro mtodos que podem ser utilizados para evitar a ocorrncia de erros:

Lembretes:
Muitos erros so cometidos pelo esquecimento de fazer algo. Os lembretes auxiliam a recordao. Eles podem
vir de muitas formas diferentes.
Um aviso escrito, uma chamada telefnica, um checklist das coisas a realizar, um alarme, um formulrio padro
ou a documentao das etapas a serem seguidas em um processo. Os lembretes so simples de fazer e fceis de
usar, mas exigem esforos conscientes para serem efetivos.

Diferenciaes:
Os erros podem ocorrer quando estamos lidando com coisas similares, realizando aes parecidas ou porque
as instrues ou procedimentos so similares a outros que podemos ter usado em outra situao.
Para reduzir os erros, devem ser adotadas etapas para quebrar os padres. Isto pode ser conseguido de
diversas maneiras como cdigo de cores, ndices, uso de smbolos diferentes ou separao fsica de itens
similares.

312

Programa 6-sigma: formao GREEN BELT

Restries:
Uma restrio delimita o desempenho de certas aes que conduzem a erros. Ter de remover o carto
instantneo antes de o dinheiro ser liberado um exemplo de restrio.
A restrio o mtodo mais desejvel de prova de erros porque normalmente no requer um
comportamento consciente para ser efetiva na reduo de erros.
Um atributo importante de uma restrio efetiva que a restrio delimita a ao indesejvel enquanto no
impede a ao desejvel.

Exibies:
Uma obviedade fornece previsibilidade, sem a necessidade de explicaes de como alguma coisa deva ser
usada. Uma coisa bvia traz uma incitao visual (ou de outro sentido) para as aes que devam ser realizadas.
Ao vermos as dobradias de uma porta, estamos aptos a determinar se ela abre para dentro, para fora ou se
desliza. Se um processo ou produto pode ser projetado para levar o usurio a realizar as aes corretas, ento
menos erros ocorrero.

Exerccio
1. Nossa empresa vende arruelas em conjunto de 10 unidades.
Como garantir que estes no saiam nem com arruelas a
menos, nem a mais?
2. Na rea de embalagem de produtos, frequentemente as
colheres para dosagem de produto so esquecidas fora da
lata. Como evitar isto ?
3. Normalmente o tempo escasso e preparativos de viagem
so sempre feitos na ltima hora s pressas. Como
assegurar partida para uma viagem de negcios sem
esquecer os itens essenciais na bagagem pessoal?
Processos prova de erros

23

Analyse

Realize o exerccio proposto no slide, exemplificando possveis dispositivos Poka Yoke para cada uma das
situaes.

FM2S

313

Diagrama de rvore

Nvel de detalhe

Problema ou
oportunidade

Analyse

DIAGRAMA DE RVORE

24

O Diagrama de rvore uma ferramenta utilizada para visualizar a estrutura de uma situao, um plano ou
outra oportunidade de interesse. O diagrama de rvore:

Auxilia o pensamento sistmico;

Auxilia a organizar informaes;

Facilita o dilogo e concordncia entre membros de um grupo;

Evidencia detalhes mesmo em situaes complexas;

Permite o desenvolvimento de estratgias para se alcanar um objetivo.

314

Programa 6-sigma: formao GREEN BELT

Esposa no
abasteceu o carro
Sem combustvel

Motor no
funciona

Carburador

Distribuidor
Carro no d
partida
Esqueceu
luzes acesas
Sem bateria

Fluido baixo
No carrega
Gerador no
funciona

Diagrama de rvore
Analyse

O diagrama de rvore de soluo de problemas:

Uso reativo na soluo de problemas;

semelhante ao diagrama de causa e efeito;

Vrios porqus?;

Utilizado para tentar estabelecer causas, antes de uma coleta de dados.

25

FM2S

315

Operaes
Tticas

Objetivos
Estratgicos

Meta
Misso

Diagrama de rvore

26

Analyse

O diagrama de rvore de planejamento utilizado para detalhar um plano complexo e reduzi-lo a partes
gerenciveis.

316

Programa 6-sigma: formao GREEN BELT

Tempo (dias)
Tempo

Menos que 2 dias


teis

- Tempo par enviar a fatura (dias)


- % de faturas enviadas fora do prazo

Valor

Valor da fatura de
acordo com
contrato

- % de faturas com valor incorreto

Envio

Enviar a fatura(Y/N)

- % de faturas enviadas

Fatura
registrada(Y/N)

- % de faturas registradas

fatura enviada com


qualidade

Controle

- % de notas de crdito

Diagrama de rvore

27

Analyse

O diagrama de rvore CTC (ou CTQ) utilizado para detalhar as caractersticas de qualidade em variveis
mensurveis.

FM2S

317

28

Em um projeto de melhoria, pode-se utilizar um diagrama de rvore para organizar os esforos da equipe.

318

Programa 6-sigma: formao GREEN BELT

Diagrama de rvore

29

Analyse

Uma Estrutura Analtica de Projetos (EAP), do Ingls, Work breakdown structure (WBS) um processo de
subdiviso das entregas e do trabalho do projeto em componentes menores e mais facilmente gerenciveis.
estruturada em rvore exaustiva, hierrquica (de mais geral para mais especfica) orientada s entregas, fases
de ciclo de vida ou por sub-projetos (deliverables) que precisam ser feitas para completar um projeto.

FM2S

319

Analyse

TECNOLOGIA

30

Tecnologia
Alguns aspectos:

Se bem empregadas, do empresa a oportunidade de grandes melhorias, aplicando o que os outros j


desenvolveram;

Requerem $ e tempo;

necessrio testar em pequena escala p/ minimizar o risco;

necessrio ter plano de transio do velho para o novo.

Cuidados nas mudanas que envolvem tecnologia:

No automatize um sistema ruim: erros ocorrero mais rpido e custos sero mais altos;

Reserve solues tecnolgicas p/ melhorar sistemas estveis em vez de solucionar causas especiais;

Concentre as mudanas nos gargalos;

Uma tecnologia no confivel pior que nenhuma tecnologia.

320

Programa 6-sigma: formao GREEN BELT

Padro normal de pensamento:

Uso de criatividade:

Conhecimento Atual

Conhecimento Atual

Caminho
Normal

Caminho
Normal

Possveis Mudanas

Possveis Mudanas

Resultado = mais do mesmo

Resultado = Novas ideias de


mudana

Analyse

CRIATIVIDADE

31

Criatividade
Definio operacional de criatividade: Gerao de forma deliberada de novas ideias, novos conceitos e novas
percepes de valor.
A mente um sistema de informao que se auto organiza. Conforme experincias e percepes ocorrem, a
mente tenta encontrar significado e ordem. Esse processo de organizao usa padres de pensamento existentes
para julgar o significado de novas experincias. O uso de padres existentes restringe severamente as opes
de mudanas que as pessoas enxergam.
O uso de criatividade uma forma de atravessar padres e encontrar mudanas que no seriam consideradas
pelo uso normal do processo de pensamento. Remover inibies no suficiente, preciso usar tcnicas
apropriadas e qualquer pessoa pode ser criativa.

Modos de pensamento utilizados quando mudanas so desenvolvidas:


Criativo:

Resulta em novas ideias e possibilidades;

Sem ele, em geral resulta em mais do mesmo.

Lgico Positivo:

FM2S

Como fazer novas ideias funcionarem;

Sem ele mudanas no sero prticas e funcionais.

321

Lgico Negativo (Crtico):

Busca por falhas na nova ideia;

Sem ele problemas podem no vir tona.

Devemos utilizar um modo de pensamento de cada vez, dependendo do estgio de desenvolvimento da


mudana.

Mtodos para provocar novos padres de pensamento:

D um tempo;

Esteja no lugar certo na hora certa;

Desafie as fronteiras em que a mudana pode ser desenvolvida;

Ataque a soluo;

Use objetivos irrealistas;

Concentre-se na necessidade.

322

Programa 6-sigma: formao GREEN BELT

Why C (cortar)
Why B (razes)

Why A (alternativivas)
Criatividade- desafio

32

Analyse

Desafio fundamental para o processo criativo. Pensadores criativos necessitam ter a habilidade de olhar para
algo e desafi-lo. Desafio nunca um ataque ou uma crtica. Alm disso, possvel ter uma boa ideia desafiando
algo que parece estar perfeito. O desafio sempre baseado na situao existente e pode ser dirigido para:

Todo ou parte de um objeto;

Uma atividade de um processo;

Um processo ou um sistema;

Um conceito;

Nosso pensamento sobre um assunto.

O processo de Desafio:
Por que dessa forma?
Por que tem que ser feito dessa forma?
Por que pensamos dessa forma sobre isso?

Exemplos:
Por que os nmeros das pginas de um livro comeam com o 1 na primeira pgina?

FM2S

323

Por que a asa de uma xcara de caf vertical?


Por que cada pessoa tem s um voto?
Por que necessitamos de um carto de embarque para entrar no avio?

Os trs tipos de Desafios:


Why/C (Cut) Necessidade;
Why/B (Because) Validade das razes para se fazer algo;
Why/A (Alternatives) Singularidade.

Criatividade- desafio
Analyse

Why/C: CUT:
Desafiamos a necessidade:
Por que isso assim?
Isso necessrio?
Podemos eliminar (fazendo pequenos ajustes)?
Sim ou No?

33

324

Programa 6-sigma: formao GREEN BELT

Motivos para cortar:


As condies podem ter mudado;
Pode haver novos procedimentos;
Pode haver novos materiais.

Resultados possveis:
O item pode ser simplesmente cortado ou eliminado;
O item pode ser eliminado, mas devem ser feitos ajustes em outras reas;
O item no pode ser eliminado. Caso no possa ser eliminado, passe para o passo Why/B

Why/B: Because:
Desafie a validade das razes:
Essas razes ainda se aplicam ?
As razes ainda so vlidas?
Podemos satisfaz-las de outra forma?

Tipos de razes:
Razes histricas: essa a forma como as coisas evoluram e como vem sendo feitas.
Razes atuais: tem que se ajustar a leis, regras e procedimentos.
Falta de alternativas: nunca pensamos em outra forma de fazer isso.

Procedimento:
Descrevemos as razes;
Desafiamos as razes.

Resultados possveis:
As razes so ainda vlidas e temos que continuar fazendo da mesma forma;
As razes so ainda vlidas, mas poderia haver outra maneira de satisfaz-la;
As razes no so mais vlidas e podemos mudar a forma de fazer as coisas.

Why/A: Alternativas:
Desafiamos a exclusividade da maneira que fazemos algo:

Esta pode ser uma maneira, mas a nica maneira?

Quais so as alternativas?

FM2S
Olhe para o que e imediatamente tente encontrar alternativas.

325

326

Programa 6-sigma: formao GREEN BELT

Conceitos de mudana
Alternativas

Conceito

Analyse

CONCEITOS DE MUDANA

34

Conceito uma noo abstrata que aplicada atravs de uma ideia mais especfica. Conceito de mudana
uma noo geral para desenvolver mudana que tem se mostrado til no desenvolvimento de ideias especficas
para mudanas que resultam em melhoria.

Como Usar os Conceitos de Mudana:


Selecione um grupo geral que caracterize as mudanas que se deseja fazer e use os conceitos do grupo para
provocar ideias especficas de mudana;

FM2S

327

Eliminar
disperdcios
Focar no
produto ou
servio

Planejar
sistemas e
evitar erros

Melhorar
fluxo de
trabalho

Conceitos
de
mudana

Otimizar
inventrio

Mudar o
ambiente
de trabalho

Genrenciar
variao

Gerenciar o
Tempo

Incrementar
a Relao
Produtor /
Consumidor

Conceitosde mudanas- categorais

35

Analyse

Os conceitos de mudana expostos nessa apostila foram extrado de Provost e. al. (2011).

A Eliminar Desperdcio:
Eliminar coisas que no so usadas; Eliminar entradas mltiplas de dados; Reduzir ou eliminar o uso de
recursos excessivos; Reduzir controles dos sistemas; Reciclar ou reutilizar; Usar produtos substitutos; Reduzir
classificaes; Reduzir intermedirios; Compatibilizar a quantidade ao necessrio; Usar amostragem; Mudar
alvos ou set points.

B Melhorar o Fluxo de Trabalho:


Sincronizar; Programar em processos mltiplos; Minimizar trfego de mo-em-mo / tramitaes; Aproximar
fisicamente os passos do processo; Achar e remover gargalos; Usar automao; Suavizar o fluxo de trabalho;
Fazer tarefas em paralelo; Considerar pessoas como parte do mesmo sistema; Usar mltiplas unidades de
processamento; Ajustar a picos previstos de demanda.

C - Otimizar Inventrio:
Compatibilizar estoque demanda prevista; Usar sistemas que demandam (puxam); Reduzir escolhas de
caractersticas; Reduzir marcas mltiplas dos mesmos itens.

328

Programa 6-sigma: formao GREEN BELT

D Mudar o Ambiente de Trabalho:


Dar acesso informao s pessoas; Usar medidas apropriadas; Cuidar do bsico; Reduzir aspectos
desmotivadores do sistema de pagamento; Conduzir treinamento; Implementar treinamento cruzado; Investir
mais recursos na melhoria.; Focar nos processos essenciais e no propsito; Compartilhar riscos; Enfatizar
consequncias naturais e lgicas; Desenvolver alianas e relaes cooperativas.

E Incrementar a Relao Produtor / Consumidor:


Ouvir os clientes; Treinar clientes quanto uso ao produto / servio; Focar no resultado oferecido ao cliente; Usar
um coordenador; Alcanar expectativas despertadas; Surpreenda com o grtis"; Otimizar nvel de inspeo;
Trabalhar com os fornecedores.

F - Gerenciar o Tempo:
Reduzir tempo de set-up e de start-up; Definir tempo para usufruir descontos; Otimizar manuteno; Aumentar
os tempos dos especialistas; Reduzir tempo de espera.

G - Gerenciar Variao:
Padronizao (criar um processo formal); Parar o tampering (intromisso no processo estvel); Desenvolver
definies operacionais; Melhorar previses; Desenvolver planos de contingncia; Distribuir produtos em
graduaes; Amenize a sensibilidade; Tire proveito da variao.

H Planejar Sistemas e Evitar Erros:


Usar lembretes; Usar diferenciao; Usar restries; Usar referncias formais

I - Focar no Produto ou Servio:


Customizar em massa; Oferecer produto / servio a qualquer hora; Oferecer produto / servio em qualquer
lugar; Enfatizar o intangvel; Influenciar ou aproveitar as tendncias da moda; Reduzir o nmero de
componentes; Disfarar defeitos ou problemas; Diferenciar produtos usando dimenses da qualidade

FM2S

329

Associao (correlao) entre variveis

Sistema de Causas:
S

I
Variveis
de Input

Variveis de
Processo

Variveis de
Output

X1,, X2 , ... , Xk

Y = f(X1,, X2 , ... , Xk)

Analyse

ASSOCIAO (CORRELAO) ENTRE


VARIVEIS

36

O SIPOC uma ferramenta utilizada para identificar os elementos relevantes de um processo e aplica-se a todo
tipo de trabalho, seja ele repetitivo ou pouco frequente, ajudando a ter uma viso macro do processo:

Definindo seus limites (pontos de incio e fim);

Permitindo localizar pontos de coleta de dados.

As variveis medidas no resultado (output) so denotas por Y. As variveis medidas no processo e nas entradas
so denotas por X. Em projetos de melhoria, pode ser necessrio entender as relaes entre os Ys e os Xs.
Tcnicas estatsticas so usadas para entender relaes entre variveis.

330

Programa 6-sigma: formao GREEN BELT

Y numrica

X numrica

X categrica

Grfico de disperso
Grfico de disperso
estratificado

Dot-plot estratificado
Grfico de Tendncia
estratificado

Y categrica

Dot-plot estratificado
Grfico de Tendncia
estratificado

Tabela de contingncia
Grfico de barras

Associao (correlao) entre variveis

37

Analyse

Para identificao da ferramenta estatstica adequada, classifique as variveis sob dois aspectos:
1.

A varivel Y ou X?
o

Y: Variveis de sada do processo cujo comportamento voc quer explicar e obter um modelo.
Nomenclatura: variveis resposta, variveis dependentes.

X: 1) Variveis de processo ou de entrada, candidatas a explicar o comportamento das variveis


resposta. Nomenclatura: variveis explicativas, variveis independentes, fatores; 2) Variveis
de estratificao.

2.

A varivel numrica ou categrica?

Depois basta localizar a tcnica adequada na tabela do slide.

FM2S

331

Dados sobre satisfao e atraso de 24 projetos: a


satisfao depende do atraso?
Projeto

Dias de
atraso

ndice
Satisfao

Projeto

Dias de
atraso

ndice
Satisfao

1
2

-3
-6

3.90
3.42

13
14

-8
8

3.91
3.57

3
4

-1
0

3.10
2.95

15
16

-15
-15

4.40
4.63

1.83

17

10

2.98

6
7

5
9

2.25
1.92

18
19

-11
11

4.11
1.83

11

3.15

20

-13

4.57

9
10

19
12

2.85
3.00

21
22

4
0

2.92
3.70

11
12

-5
-6

2.64
3.96

23
24

10
-7

2.63
4.51

Associao (correlao) entre variveis grfico de disperso

38

Analyse

Uma equipe estava incumbida de elevar a satisfao dos clientes com a entrega dos projetos do escritrio. Existia
uma forte convico de que a satisfao era influenciada pelos dias de atraso.
Para comprovar essa teoria, a equipe coletou a satisfao e os dias de atraso (dias de atraso negativo significam
entrega antes do prazo) para 24 projetos. Olhando os dados da tabela do slide, voc consegue perceber se a
satisfao influenciada pelos dias de atraso com a entrega do projeto?

332

Programa 6-sigma: formao GREEN BELT

Associao (correlao) entre variveis grfico de disperso

39

Analyse

Olhando o grfico de disperso, onde cada ponto representa um projeto, com o respectivo atraso e satisfao,
fica fcil perceber que quando maior o atraso, menor a satisfao.

FM2S

n
n
n

333

Aspectos a serem observados


em um Grfico de Disperso:
Direo;
Forma;
Fora.

Associao (correlao) entre variveis grfico de disperso

40

Analyse

Alguns aspectos devem ser observados na anlise do grfico de disperso:

Direo: positiva (quando x aumenta y tambm aumenta) ou negativa (quando x aumenta y


diminui).

Forma: a relao linear (pode ser aproximada por uma reta) ou no linear.

Fora: quanto mais aproximados os pontos esto da forma da relao identificada entre x e y, maior
a fora dessa relao.

334

Programa 6-sigma: formao GREEN BELT

r=

Associao (correlao) entre variveis grfico de disperso

41

Analyse

O coeficiente de relao linear mede a fora da relao linear entre x e y:

R=1 indica relao positiva perfeita (extremamente forte);

R=-1 indica relao negativa perfeita (extremamente forte);

R=0 indica a ausncia de relao linear entre x e y.

Observaes:
1.

O coeficiente r mede o grau de associao linear entre duas variveis. Valor de r baixo (prximo de
zero) no indica que as variveis no esto relacionadas. Indica que elas no esto linearmente
relacionadas. No interprete o valor de r sem o grfico de disperso;

2.

A interpretao de r (se alto) depende do contexto.

FM2S

335

Sem correlao

Correlao
positiva forte

Correlao
negativa forte

Correlao
negativa mdia

Correlao
positiva mdia

Associao (correlao) entre variveis grfico de disperso


Analyse

No slide so apresentadas diferentes relaes entre x e y.

42

336

Programa 6-sigma: formao GREEN BELT

25

20

Espessura

Mquina A
Mquina B

15

10

0
65

70

75

80

85

90

Prreso

Associao (correlao) entre variveis grfico de disperso

43

Analyse

Se h variveis de estratificao, geralmente til fazer o grfico de disperso estratificado para verificar se o
padro encontrado no conjunto de dados se repete em cada estrato.

FM2S

337

Produto B

Fornecedor A
Fornecedor B

Rapidez de romper

Fora para romper

Produto A

Fornecedor A
Fornecedor B

Rigidez

Rigidez

H relao para cada fornecedor


mas no h no total.

No h relao para cada


fornecedor mas h no conjunto.

Associao (correlao) entre variveis grfico de disperso


Analyse

Quando analisamos correlao com dados estratificados, diversas situaes podem ocorrer:

Existe correlao no geral e em cada estrato e a direo a mesma;

Existe correlao no geral e em cada estrato e a direes so diferentes;

Existe correlao no geral mas no em cada estrato;

Existe correlao em cada estrato, mas no no geral;

outras.

44

338

Programa 6-sigma: formao GREEN BELT

EVOLUO DA POPULAO DE OLDENBURG E DO


NMERO DE CEGONHAS (1930-1936)

POPULAO (EM MILHARES)

78

74

70

66

62

58

54
120

140

160

180

200

220

240

260

NMERO DE CEGONHAS

Associao (correlao) entre variveis grfico de disperso

45

Analyse

Considere o exemplo de Gustav Fisher, que coletou o nmero de cegonhas e a populao da cidade de
Oldenburgo, atualmente pertencendo ao territrio alemo, entre os anos de 1930 e 1936.
A direo positiva, a relao linear e a correlao forte. O grfico sugere que quanto maior o nmero de
cegonhas, maior a populao. Podemos concluir que cegonhas trazem os bebs?!
Claramente Fisher no fez essa brincadeira por acreditar no mito infantil, mas sim para mostrar que nem sem
correlao implica causalidade.

FM2S

339

Entre os anos 1920 e 1935 foram coletados os dados


relativos ao nmero de aparelhos de rdio e nmero de
doentes mentais por 100.000 habitantes na Inglaterra:

Associao (correlao) entre variveis grfico de disperso

46

Analyse

Entre os anos 1920 e 1935 foram coletados os dados relativos ao nmero de aparelhos de rdio e nmero de
doentes mentais por 100.000 habitantes na Inglaterra:
A direo positiva, a direo linear e a correlao forte. O grfico sugere que quanto maior o nmero de
aparelhos de rdio, maior o nmero de doentes mentais. Podemos concluir que ouvir rdio provoca doena
mental?!
Correlao no implica causalidade. Duas variveis podem estar correlacionadas porque a varivel X causa
direta da varivel Y ou varivel Y causa direta da varivel X; a varivel X contribui para a variao em Y, mas
no a nica causa; outras variveis podem estar provocando a correlao; ambas as variveis esto mudando
com o tempo; a associao no passa de coincidncia.
Em estudos observacionais no se pode atribuir relao de causa e efeito a variveis correlacionadas. Para
atribuir relao de causa e efeito, preciso realizar experimentos planejados.

340

Programa 6-sigma: formao GREEN BELT

Tempo de espera para ser atendido em um restaurante (Y)


antes e depois de uma mudana (X): Y depende de X?
Dot Plot Estratificado:

Grfico de Tendncia Estratificado:

Associao (correlao) entre variveis estratificao

47

Analyse

Quando a varivel x numrica e a varivel y categrica estratifica-se os dados nos grupos definidos pela
varivel y.

FM2S

341

Varivel B

Tabela de Contingncia
Varivel A
Categorias
A1
A2
B1
n11
n12
B2
n21
n22
Total
n+1
n+2

Definies
n11
n12
n21
n22
n1+
n2+
n+1
n+2
n++

Total
n1+
n2+
n++

Freqncia de indivduos nas categorias A1 e B1


Freqncia de indivduos nas categorias A2 e B1
Freqncia de indivduos nas categorias A1 e B2
Freqncia de indivduos nas categorias A2 e B2
Freqncia de indivduos nas categorias B1
Freqncia de indivduos nas categorias B2
Freqncia de indivduos nas categorias A1
Freqncia de indivduos nas categorias A2
Total de indivduos na amostra

Associao (correlao) entre variveis tabela de contingncia

48

Analyse

Quando as variveis x e y so categorias, constri-se tabelas de contingncia ou tabelas cruzadas. Por


convenincia, a varivel x a varivel linha (suas categorias ficam nas linhas) e a varivel y a varivel
coluna.
No cruzamento entre cada categoria das variveis x e y coloca-se o respectivo nmero de indivduos amostrados
no estudo.

342

Programa 6-sigma: formao GREEN BELT

Tabela de Contingncia:
Tratamento
Ciclosporina
Placebo

Resultado
N
S
15
22
(40.54%)
(59.46%)
23
11
(67.65%)
(32.35%)

Total
37
(100%)
34
(100%)

Chart of Tratamento; Melhorou?

Grfico de Barras:

70

Melhorou?
N
S

60

Percent

50
40
30
20
10
0
Melhorou?
Tratamento

N
S
Ciclosporina

N
S
Placebo

Percent within levels of Tratamento.

Associao (correlao) entre variveis tabela de contingncia

49

Analyse

Considere os dados de comparao entre a ciclosporina (uma droga imunossupressora que reduz a
probabilidade de rejeio de rgos transplantados) e o placebo (um frmaco inerte). A pergunta de interesse
o resultado da ciclosporina melhor que o resultado do placebo, assim a varivel x (linha) o tratamento e a
varivel y (coluna) o resultado.
Para responder a essa pergunta fazemos o percentual de linhas, ou seja, do total de pacientes para os quais a
ciclosporina foi administrada (37), 22 melhoraram, assim a melhora foi de 59.46%. J para o placebo a melhora
foi de 11/34x100%=32.35%. Portanto conclumos que a ciclosporina melhor do que o placebo.
Esse dados tambm podem ser apresentados na forma de grfico de barras, onde a altura das barras calculada
pelo percentualmente de linhas.

FM2S

343

Associao (correlao) entre variveis tabela de contingncia

50

Analyse

Uma empresa de crdito classifica seus clientes como BOM, MAU e OUTROS. Uma amostra de 9946 clientes foi
selecionada e foi verificado se o cliente estava ATRASADO ou EM DIA com o pagamento. Os dados foram
cruzados com a classificao utilizada para verificar se h correlao entre as duas variveis.
Nesse exemplo, a varivel x (linha) o STATUS e a varivel y (coluna) a situao. Como 98% da categoria
BOM esto em dia, contra 45% da categoria MAU, conclumos que existe relao entre x e y.

344

Programa 6-sigma: formao GREEN BELT

Antibitico

Infeco
A

12

60

28

Total

100

Associao (correlao) entre variveis tabela de contingncia

51

Analyse

O procedimento de um hospital era aplicar antibitico antes da cirurgia em pacientes para minimizar a chance
de infeco hospitalar. Com o objetivo de avaliar a eficcia de trs tipos de antibiticos, foram coletados dados
de 100 pacientes que desenvolveram infeco aps a cirurgia. A tabela abaixo apresenta a frequncia por tipo
de antibitico. Qual o melhor antibitico?

FM2S

345

Infeco

Antibitico

Sim

No

12

10

60

20

28

70

Associao (correlao) entre variveis tabela de contingncia

52

Analyse

A tabela abaixo apresenta dados sobre 100 pacientes que desenvolveram infeco e 100 que no desenvolveram
infeco aps cirurgia e tipo de antibitico administrado. Qual antibitico melhor?
Ao construirmos tabelas cruzadas, devemos apresentar todas as categorias de cada varivel.

346

Programa 6-sigma: formao GREEN BELT

Exerccio
Considere os dados sobre os tempso de dowload de trs
provedores no arquivo AULA com MINITAB.mpj, worksheet
25 provedor_estrat. Qual provedor mais rpido?

Associao (correlao) entre variveis

53

Analyse

Para responder esta questo precisamos de uma maneira de comprar os dados, respeitando a variao nos
tempos dos provedores. A ferramenta mais adequada para esta comparao o Dot Plot. Para traa-lo, vamos
em: Graph -> Dotplot.

Selecionamos ento a opo With Groups.

FM2S

347

Em seguida, a janela de variveis ir se abrir. Definimos o tempo como varivel e provedor como varivel
categrica.

Clicamos em OK e ento o dot plot ser gerado:

Provedor

Dotplot of tempo vs Provedor

A
B
C

18

20

22

24
tempo

26

28

Com esse grfico, podemos ver claramente que o provedor A o mais rpido.

30

348

Programa 6-sigma: formao GREEN BELT

Exerccio
Pediu-se a um grupo de gerenciamento de projeto que
estudasse e melhorasse o sistema de entrega de projetos.
Leia a descrio do exerccio na apostila e encontre focos de
mudana por meio de grficos de disperso. Os dados esto
no arvquivo 08 Ativ_gerenc_projetos.mtw.

Associao (correlao) entre variveis

54

Analyse

Pediu-se a um grupo de gerenciamento de projeto que estudasse e melhorasse o sistema de entrega de projetos.
Depois de analisar os resultados de entrevistas, a equipe decidiu coletar as seguintes medidas dos ltimos 25
projetos: Verba original, Verba final, Custo total, Dias de atraso, Nmero de mudanas no projeto e ndice de
Satisfao (pontuao variando de 1 (no satisfeito) at 5 (muito satisfeito).
Faa Grficos de Disperso para pares de variveis e calcule a correlao entre elas. Comente os resultados
obtidos.
Soluo:
Como se tratam todos os dados de variveis contnuas, vamos avaliar as correlaes com grficos de disperso.
Para plot-los devemos ir em: Graph -> Scatterplot.

Selecionamos ento a opo simple e, em seguida, definimos a satisfao como varivel resposta e todos os
demais itens como variveis de entrada.

FM2S

349

Clicando em Ok, o Minitab ir gerar os 6 grficos:


Scatterplot of satisfao vs verba original
5,0
4,5

satisfao

4,0
3,5
3,0
2,5
2,0
500

750

1000
verba original

1250

1500

Scatterplot of satisfao vs verba final


5,0
4,5

satisfao

4,0
3,5
3,0
2,5
2,0
500

750

1000
verba final

1250

1500

350

Programa 6-sigma: formao GREEN BELT

Scatterplot of satisfao vs custo total


5,0
4,5

satisfao

4,0
3,5
3,0
2,5
2,0
500

750

1000
custo total

1250

1500

Scatterplot of satisfao vs CT-VF


5,0
4,5

satisfao

4,0
3,5
3,0
2,5
2,0
-150

-100

-50

50
CT-VF

100

150

200

250

Scatterplot of satisfao vs dias_atraso_adiant


5,0
4,5

satisfao

4,0
3,5
3,0
2,5
2,0
-30

-20

-10
0
dias_atraso_adiant

10

20

FM2S

351

Scatterplot of satisfao vs N_mudanas


5,0
4,5

satisfao

4,0
3,5
3,0
2,5
2,0
5

10

15
N_mudanas

20

25

Analisando os grficos gerados, podemos ver que apenas o nmero de dias atrasados tem uma correlao com
o ndice de satisfao.

Exerccio
Gorjeta em restaurante pode ser influenciada por muitos
fatores incluindo o tipo de restaurante, tamanho, localizao
da mesa, etc.
Leia a descrio do exerccio na apostila. Alguma varivel
explica o aumento da gorjeta?
Os dados esto no arquivo 20 Ativ_Gorjeta.mtw.

Associao (correlao) entre variveis


Analyse

55

352

Programa 6-sigma: formao GREEN BELT

Gorjeta em restaurante pode ser influenciada por muitos fatores incluindo o tipo de restaurante, tamanho,
localizao da mesa, etc. Em um restaurante os garons registraram os seguintes dados de todos os clientes que
atenderam num intervalo de dois meses e meio.
TOT_CONTA Total da conta
GORGETA Total da gorjeia
SEXO Sexo da pessoa que pagou a conta (0=masc, 1=fem)
FUMANTE Fumou no restaurante (0=no, 1=sim)
DIA 3=Quinta, 4=Sexta, 5=sbado, 6=domingo
PERIODO 0=dia, 1=noite
TAMANHO Numero de pessoas na mesa
Os dados so provenientes de um estudo observacional. No houve tentativa de alterar procedimentos normais
de atendimento que pudessem influenciar no quanto o cliente dava de gorjeta. No se deve realizar inferncias
a partir do estudo dos dados. A nfase deve ser em explorar os dados e formular hipteses a serem verificadas
em um estudo experimental a ser realizado no futuro. Explore os dados usando tcnicas bsicas de descrio
de dados e relaes entre variveis.
Soluo:
Vamos avaliar cada uma das possveis correlaes entre as variveis e o total da gorjeta.
Primeiramente vamos analisar o total da conta versus o total da gorjeta. Aqui temos duas variveis contnuas,
portanto temos que fazer um Grfico de Disperso para analisa-las. Para isso vamos em Graph -> Scatterplot,
selecionamos a opo simple e inserimos os dados:

Clicamos em OK e o Minitab ir gerar o grfico:

FM2S

353

Scatterplot of GORJETA vs TOT_CONTA


10

GORJETA

0
0

10

20

30
TOT_CONTA

40

50

Nele, podemos notar que h uma correlao positiva entre o total da conta e o valor da gorjeta.
Para correlacionar sexo (varivel classificatria) com total da gorjeta (varivel contnua), devemos montar um
Dot Plot. Para isso vamos em: Graph -> Dotplot. Selecionamos a opo With Groups e inserimos os dados:

SEXO

Dotplot of GORJETA vs SEXO

0
1

1,2

2,4

3,6

4,8
6,0
GORJETA

Each symbol represents up to 2 observations.

Vemos ento que no h uma correlao.

7,2

8,4

9,6

354

Programa 6-sigma: formao GREEN BELT

O Dotplot tambm deve ser utilizado para avaliar a correlao de Fumante, Dia, Periodo e Tamanho da mesa
(todas variveis classificatrias) com o total da gorjeta (varivel numrica). Os grficos que devem ser gerados
sero os seguintes:

FUMANTE

Dotplot of GORJETA vs FUMANTE

1,2

2,4

3,6

4,8
6,0
GORJETA

7,2

8,4

9,6

8,4

9,6

Each symbol represents up to 2 observations.

Dotplot of GORJETA vs DIA

DIA

3
4

5
6

1,2

2,4

3,6

4,8
6,0
GORJETA

Each symbol represents up to 2 observations.

7,2

FM2S

355

PERIODO

Dotplot of GORJETA vs PERIODO

1,2

2,4

3,6

4,8
6,0
GORJETA

7,2

8,4

9,6

8,4

9,6

Each symbol represents up to 2 observations.

Dotplot of GORJETA vs TAMANHO

TAMANHO

2
3
4
5
6

1,2

2,4

3,6

4,8
6,0
GORJETA

7,2

Each symbol represents up to 2 observations.

Podemos ver que nenhuma dessas variveis possui correlao com o valor da gorjeta.

356

Programa 6-sigma: formao GREEN BELT

Exerccio
Leia a descrio do exerccio na apostila e responda s
perguntas propostas. Sobre qual evento histrio os dados do
arquivo Ativ_evento historico.mtw se referem?

Associao (correlao) entre variveis

56

Analyse

Objetivo: Esta atividade tem o objetivo de ilustrar o uso de tabelas de contingncia (tabelas cruzadas).
Fatos Importantes: O arquivo evento_historico.mtw contm dados sobre um evento histrico. A populao em
risco totalizava 2201 pessoas. Esta populao estava subdividida por classe social (I alta, II mdia, III baixa,
e Outros), idade (criana ou adulto), sexo (masculino ou feminino) e sobrevivncia (sobreviveu ou no
sobreviveu). No possvel explicitar detalhes sobre a categoria outros da classe social, pois forneceria a
resposta do desafio.
Use os dados do arquivo para construir tabelas.
Instrues: Examine os dados cuidadosamente.

Procure por caractersticas interessantes. Para ajudar a

construir uma fotografia mais completa de cada varivel explanatria (classe social, idade e sexo) e suas relaes
com a varivel resposta (sobrevivncia), complete as questes abaixo. Aps analisar os dados e responder as
questes abaixo, d seu melhor palpite quanto a que evento histrico esse conjunto se refere.
1.

Calcule o percentual geral de mortes.

2.

Soluo:

3.

Para calcularmos o percentual de mortes, devemos fazer uma tabela. Para isso, devemos ir em: Stat->
Tables -> Descriptive Statistics.

FM2S

357

4.
5.

Em seguida, entramos com os dados. Como neste primeiro momento s queremos ver a taxa de
sobrevivncia, em porcentagem, devemos selecionar sobrevivncia nas linhas e clicar em Categorical
Variables para escolher que queremos as porcentagens assinaladas.

6.
7.

8.

Clicamos em OK duas vezes e o Minitab ir gerar a tabela, que ficar disponvel no pergaminho.

358

Programa 6-sigma: formao GREEN BELT


9.
10. Construa uma tabela de contingncia entre Sobrevivncia (Y) e sexo (X). Existe relao entre essas duas
variveis?
11. Soluo:
12. Para criar esta visualizao, devemos ir no mesmo lugar que fomos anteriormente: Stat -> Tables ->
Descriptive Statistics. Em seguida, inserimos os dados, porm pedindo para a varivel sexo estar nas
colunas.

13.
14. Clicando em OK, a seguinte tabela ser gerada:

15.
16. Construa uma tabela de contingncia entre Sobrevivncia (Y) e classe social (X). Existe relao entre
essas duas variveis?
17. A tabela construda pelo mesmo procedimento. O resultado :

18.

FM2S

359

19. Construa uma tabela de contingncia entre Sobrevivncia (Y) e idade (X). Existe relao entre essas
duas variveis?
20. A tabela feita da mesma forma. O resultado :

21.
22. Para o sexo masculino, construa uma tabela de contingncia entre Sobrevivncia (Y) e idade (X). Existe
relao entre essas duas variveis?
23. Para fazer esta segregao de dados, devemos escolher uma varivel para layer. Neste caso, os dados
devem ser inseridos da seguinte maneira:

24.
25.
26.
27.
28.
29.
30.

360

Programa 6-sigma: formao GREEN BELT


31. A Tabela gerada ser:

32.
33. Para o sexo feminino, construa uma tabela de contingncia entre Sobrevivncia (Y) e classe social (X).
Existe relao entre essas duas variveis?
34. Os dados devem ser inseridos da seguinte maneira:

35.
36. A tabela:

37.
38.
39. A que evento raro histrico este conjunto de dados se refere? Justifique sua resposta.

FM2S

361

Experimento fatorial completo

Analyse

EXPERIMENTO FATORIAL COMPLETO

57

Experimentos ou testes so realizados por pessoas em todos os campos do conhecimento. O objetivo dos
mtodos estatsticos fazer desse processo o mais eficiente possvel e suas bases remontam Sir Ronald Fisher,
formado em biologia e matemtica pela universidade de Cambrigde (Inglaterra), que em 1909 foi trabalhar em
uma estao agrcola experimental chamada Rothamsted Station. Esse centro de pesquisas tinha o objetivo de
desenvolver tecnologias capazes de aumentar a produtividade agrcola, como novos fertilizantes ou espcies.
Em experimentos desse tipo o tempo de espera pelos resultados muito alto, muitas vezes maior do que um
ano. Nesse contexto, a eficincia e garantia de que as concluses fossem vlidas e objetivas era fundamental e o
Fisher desenvolveu nos 7 anos seguintes de seu trabalho as bases das metodologias de experimentao.
A indstria logo percebeu o potencial dessa tcnica para desenvolver produtos cada vez mais baratos e
robustos. Nos dias de hoje observado uma adoo cada vez maior das tcnicas de delineamento de
experimentos por empresas da rea de servios, como bancos, empresas de marketing, entre outras, onde o
Google um grande representante.

362

Programa 6-sigma: formao GREEN BELT

Xp+1
Xp+2

Fatores de
processo

Xp+n

Fatores de
entrada
X1

X2

Varivel
Resposta

Xn
Variveis
do bloco

Variveis
do rudo

Experimentofatorialcompleto

58

Analyse

Nos experimentos temos a necessidade de estudar o efeito de diversas variveis de input ou de processo
(fatores) em uma varivel de output (varivel resposta). Uma forma de estudar esse sistema de causas utilizar
dados histricos do processo, mas essa abordagem tem limitaes:

A qualidade dos dados histricos no adequada;

Nem todos os fatores (variveis Xs) foram medidos;

As variveis de input e de processo so controladas durante a operao e no apresentam variao


suficiente que permita avaliar seu efeito;

No permite estabelecer relao de causa e efeito mesmo que exista correlao com a varivel resposta.

Por essas razes geralmente ser necessrio obter dados corretos e confiveis.
Uma forma adequada de se medir o efeito de variveis de Input e de Processo em variveis de Output realizar
experimentos planejados.
Em um experimento planejado, ns fazemos mudanas deliberadas em uma ou mais variveis de processo ou
de entrada (fatores) com o objetivo de observar o efeito dessas mudanas em uma ou mais variveis respostas;
O planejamento estatstico do experimento um procedimento eficiente e eficaz para obter e analisar dados e
obter concluses vlidas e objetivas.

FM2S

363

Nveis
Fatores (X)

(-)

(+)

Tipo de papel

75 g

120 g

Comprimento da
Asa

3 cm

6 cm

Largura do corpo

5 cm

8 cm

Comprimento da
perna

4 cm

10 cm

Largura da perna

2 cm

3 cm

Experimentofatorialcompleto

59

Analyse

Como um exemplo ilustrativo, considere uma empresa de brinquedos que produz helicpteros de papel (vide
desenho do slide). Duas caractersticas de qualidade so importantes:

O helicptero tem que girar enquanto cai;

O tempo de permanncia no ar tem que ser o maior possvel.

Quais fatores potencialmente influenciam o tempo de permanncia no ar? No slide so apresentados alguns
possveis fatores.

364

Programa 6-sigma: formao GREEN BELT

X1
Variar 1 fator de
cada vez

Vrios nveis

X2
Escolhe os
pices

X3

X4

Experimentofatorialcompleto variar um fator de cada vez

60

Analyse

Uma estratgia muito utilizada para se estudar quais desses fatores realmente influenciam o tempo e em quais
nveis variar um fator de cada vez. Nessa estratgia escolhemos um ponto inicial, ou baseline de nveis de cada
fator, e variamos sucessivamente os nveis de um fator por vez, mantendo os outros fixos.
a maneira mais intuitiva de se realizar o experimento, mas geralmente no leva ao melhor resultado quando
existe interao entre os fatores (o melhor nvel de um fator depende do nvel do outro fator).

FM2S

365

1. Fixe o Comp da Asa em 3 e


varie a Larg do Corpo;
2. O melhor valor para a Larg
do corpo 5;
Comp
Asa

Larg
corpo

Tempo

1.7

1.2

2.0

1.5

Trat

3. Fixe a Larg do Corpo em 5


e varie o Comp da Asa;
4. O melhor valor para o
Comp da Asa 6;
5. A Melhor combinao
(6,5).

Experimentofatorialcompleto variar um fator de cada vez

Analyse

Considere apenas dois fatores com dois nveis cada um e que essa a situao real (porm desconhecida). Qual
o efeito de Comprimento da Asa e da Largura do Corpo no tempo de permanncia no ar?
Seguindo os passos 1, 2, 3, 4 e 5 detalhados no slide obtm-se o tempo de permanncia igual a 2.0, que o
melhor possvel.

366

Programa 6-sigma: formao GREEN BELT

1. Fixe a Larg do Corpo em 8 e


varie o Comp da Asa;
2. O melhor valor para a Comp
da Asa 3;
Comp
Asa

Larg
corpo

Tempo

1.7

1.5

2.0

1.2

Trat

3. Fixe a Comp da Asa em 3 e


varie a Larg do Corpo;

4. O melhor valor para Larg do


Corpo 5;
5. A Melhor combinao
(3,5) ?

Experimentofatorialcompleto variar um fator de cada vez

Analyse

Considere agora que essa a situao real. Qual o efeito de Comprimento da Asa e da Largura do Corpo no
tempo de permanncia no ar? Nesse caso, seguindo os passos 1, 2, 3, 4 e 5 detalhados no slide obtm-se o tempo
de permanncia igual a 1.7 (combinao comp. asa= 3 e larg. do corpo = 5), que no o melhor possvel.
Na combinao comp. asa= 6 e larg. do corpo = 5 obtm-se um tempo igual a 2.0, mas essa combinao no foi
realizada! Como nesse caso existe interao entre os fatores comprimento da asa e largura do corpo no chaga-se
ao melhor resultado com a estratgia de variar um fator por vez. Problemas com a estratgia de variar um fator
por vez:

Para que essa estratgia funcione (encontrar a melhor combinao dos nveis dos fatores) necessrio
que os efeitos dos fatores sejam aditivos (no existe interao);

Mesmo que os efeitos sejam aditivos, essa estratgia ineficiente;

Caso haja interaes entre os fatores, essa estratgia no consegue identific-las e estim-las.

FM2S

367

X1; X2; X3; X4; ...Y


X1 = a1; b1
X2 = a2; b2
...

Identificar os fatores,
os nveis e a varivel
resposta

Dois nveis
a=(+)
b=(-)

Nmero de
nveis

n
2

Nmero de
fatores

Experimentofatorialcompleto definies

Analyse

A melhor forma de conduzir experimentos por meio da tcnica de experimentos fatoriais. O passo inicial
determinar quais sero os fatores a serem estudados, seus respectivos nveis e a varivel resposta.
Um experimento fatorial completo quando todas as combinaes dos nveis dos fatores esto presentes no
experimento.
Vamos estudar somente experimentos fatoriais com

fatores e cada fator com apenas dois nveis. Essa classe

de experimentos chamada por 2n e denotada de fatoriais

368

Programa 6-sigma: formao GREEN BELT

fcil de ser analisado


Verstil

Menos experimentos

Experimentofatorialcompleto vantagens

Analyse

Essa classe de experimentos estudada por que:

fcil de ser planejada e analisada. A anlise pode ser feita essencialmente com grficos;

Requer poucas rodadas experimentais (reduz custo e tempo de experimentao);

Pode ser aplicada em uma ampla gama de situaes onde necessrio melhorar produtos ou processos.

FM2S

369

Definies
Varivel resposta

Unidade experimental

Fatores

Replicao

Nveis dos fatores

Repetio

Tratamento

Interao

Experimentofatorialcompleto definies

Analyse

Definies
Fatores: so as variveis cuja influncia sobre a varivel resposta est sendo estudada no experimento.
Nveis de um fator: os diferentes modos de presena do fator no estudo.
Varivel resposta: a varivel de interesse cujo resultado ser registrado em cada ensaio.
Unidade experimental: a unidade bsica na qual ser aplicado um tratamento e ser medida uma resposta.
Replicao: utilizar o mesmo tratamento em duas ou mais unidades experimentais.
Repetio: medir duas ou mais vezes a mesma unidade experimental.
Tratamento: qualquer combinao de nveis dos fatores.
Interao: falha de um fator em produzir os mesmos efeitos na resposta em diferentes nveis de outro fator.

370

Programa 6-sigma: formao GREEN BELT

N0 Fatores

16

32

A, B

A, B, C

A, B, C, D

A, B, C, D, E

AB

AB, AC, BC

AB, AC, AD, BC,


BD, CD

AB, AC, AD, AE,


BC, BD, BE, CD,
CE, DE

ABC

ABC, ABD, ACD,


BCD

ABC, ABD, ABE,


ACD, ACE, ADE,
BCD, BCE, BDE,
CDE

ABCD

ABCD, ABCE,
ABDE, ACDE,
BCDE

N0 rodadas
Efeitos
principais
Interaes de
2 fatores

Interaes de
3 fatores

Interaes de
4 fatores
Interaes de
5 fatores

ABCDE

Experimentofatorialcompleto

Analyse

Nos experimentos fatoriais as interaes so denotadas de diferentes formas: Fornecedor*Tamanho; Fornecedor


X Tamanho; A*B; A x B; AB.
Em um experimento 22 temos:

2 efeitos principais: A e B;

1 interao de 2 fatores: AB.

Em um experimento 23 temos:

3 efeitos principais: A, B e C;

3 interaes de 2 fatores: AB, AC, BC;

1 interao de 3 fatores: ABC.

Em um experimento 24 temos:

6 interaes de 2 fatores: AB, AC, AD, BC, BD, CD;

4 interaes de 3 fatores: ABC, ABD, ACD, BCD;

1 interao de 4 fatores: ABCD.

FM2S

371

k fatores 2k testes
2

16

32

64

6
7
8
...
10

20

128
256
...
1.024
1.048.576

Experimento fatorial completo


Analyse

O nmero de testes aumenta exponencialmente conforme se aumenta o nmero de fatores.

372

Programa 6-sigma: formao GREEN BELT

Fatorial 23

22

Fatorial

Trat
Trat

Resposta

Resposta

-1

-1

-1

y1

-1

-1

y1

-1

-1

y2

-1

y2

-1

-1

y3

-1

y3

-1

y4

y4

-1

-1

y5

-1

y6

-1

y7

y8

Experimentofatorialcompleto

Analyse

Codifica-se os dois nveis de cada fator em -1 e +1. Em um experimento fatorial completo realiza-se pelo menos
uma corrida experimental com cada tratamento possvel.

Com 2 fatores tem-se

4 tratamentos.

Com 3 fatores tem-se

8 tratamentos.

Com 5 fatores tem-se

3 tratamentos.

FM2S

373

Considere o seguinte
exemplo:
YA(+) = (1.6 + 1.8)/2 = 1.7
YA(-) = (1.2 +1.2)/2 = 1.2

Trat

1.2

1.6

1.2

1.8

Efeito de A = [1.7 1.2] =


0.5

Exerccio: calcule o efeito


de B
Experimentofatorialcompleto efeito pincipal

Analyse

A primeira etapa da anlise de um experimento fatorial decidir quais fatores so importantes (tem efeito
significante). Para isso calculamos o efeito de cada fator. Considere um fator A com dois nveis:

Codificamos os dois nveis como alto (+) e baixo (-);

Seja yA(+) a mdia das respostas obtidas quando o fator est no nvel (+) e y A(-) a mdias das respostas
quando o fator est no nvel (-);

Para um fator A com dois nveis o efeito do fator (efeito principal) a diferena das respostas y A(+) e yA(),

ou seja:

Efeito de A = [yA(+) - yA(-)]

Observe que o efeito de um fator a soma do produto da coluna do fator pela coluna de respostas, dividido
pela quantidade de linhas com sinal (+).

374

Programa 6-sigma: formao GREEN BELT

Considere novamente o exemplo:


Trat

Efeito de A para B=(+)


AB=(+) = 1.8 1.2 = 0.6

Efeito de A para B=(-)


AB=(-) = 1.6 1.2 = 0.4

AB

1.2

1.6

1.2

1.8

Interao de A com B
AB = (AB=(+) - AB=(-))/2

= (0.6 0.4)/2 = 0.1

Experimentofatorialcompleto efeito da interao

10

Analyse

Observe que:

A coluna AB igual ao produto das colunas A e B;

O efeito da interao de A com B igual a soma do produto da coluna AB pela coluna de respostas,
dividido pela quantidade de linhas com sinal (+).

FM2S

375

Interaction Plot

Interaction Plot
A
-1
1

2.00

1.75

Mean

1.75

Mean

A
-1
1

2.00

1.50

1.50

1.25

1.25

1.00

1.00
-1

Sem Interao

-1

Interao moderada

Interaction Plot

Interaction Plot
A
-1
1

2.00

A
-1
1

2.00

1.75

Mean

1.75

Mean

1
B

1.50

1.25

1.50

1.25

1.00

1.00
-1

Interao moderada

-1

Interao forte

1
B

Experimentofatorialcompleto efeito da interao

11

Analyse

A interao de A com B pode ser mostrada graficamente. Quando no existe interao as retas so paralelas
(grfico acima esquerda).
Quando existe interao forte as retas se cruzam (grfico abaixo a direita). Para o nvel -1 do fator B o nvel de
A que maximiza o rendimento +1 (linha tracejada). J para o nvel +1 de B o nvel de A que maximiza o
rendimento -1 (linha contnua).

376

Programa 6-sigma: formao GREEN BELT

Trat

Comp
Asa

Larg
corpo

Tempo

Trat

Comp
Asa

Larg
corpo

Tempo

1.7

1.7

1.2

1.5

2.0

2.0

1.5

1.2

Experimentofatorialcompleto efeito da interao

12

Analyse

Considere novamente os exemplos 1 e 2 apresentados anteriormente. Os grficos das interaes para os dois
exemplos so:

Ex.1 (esquerda): no h interao entre Largura do Corpo e Comprimento da Asa

Ex. 2 (direita): h interao entre Largura do Corpo e Comprimento da Asa;

A estratgia de mudar um fator de cada vez no consegue identificar quando h interao entre os fatores.

FM2S

377

Exerccio
Veloc

Avano

V_cod

A_cod

Acabamento

100

-1

-1

216

120

-1

221

100

-1

235

120

223

Calcular:
1.

Efeito de Veloc;

Fazer:

2.

Efeito de Avano;

1.

Grfico dos Efeitos principais;

3.

Interao Veloc*Avano.

2.

Grfico da Interao.

Experimentofatorialcompleto
Analyse

Efeito de V = (223+221)/2 (235+216)/2 = -3.5


Efeito de

35

0.5

Efeito da interao VA:

Efeito de

Efeito de

=4

Efeito de VA = (Efeito de

3 35

6
=

5
- Efeito de =4 )/2 = -8.5

13

378

Programa 6-sigma: formao GREEN BELT

Um experimento foi realizado para avaliar o efeito de


Temperatura (T), Presso e Catalisador no rendimento de uma
reao qumica. Foram utilizados dois nveis de cada fator:

Temperatura: 160, 180;


Concentrao: 20%, 40%;
Catalisador: A, B.
Foi realizado um experimento fatorial completo, replicado,
perfazendo um total de 16 rodadas experimentais.

Experimentofatorialcompleto fatorial 23 : Exemplo

14

Analyse

Nesse exemplo foi realizado um fatorial

, com 8 corridas experimentais.

Nesse caso temos 3 fatores (Temperatura, Concentrao e Catalisador), cada um com 2 nveis. A varivel
resposta o rendimento da reao qumica e o objetivo maximizar o rendimento. Os dados esto no arquivo
07_doe_BHH_fat2^3_rend. Analise-os.

FM2S

379

Quais efeitos so significantes?

Experimentofatorialcompleto fatorial 23 : Exemplo

15

Analyse

Aps calcular os efeitos fatoriais (efeitos principais e interaes) preciso responder seguinte pergunta: quais
efeitos so significantes?
Embora o resultado do clculo dos efeitos seja geralmente um nmero diferente de zero, preciso verificar se
esse nmero significativamente diferente de zero.
Uma tcnica grfica usualmente utilizada para responder essa questo o grfico de Pareto dos efeitos (slide).
Os efeitos de cada fator so calculados, ordenados e representados por meio de um grfico de barras. Os efeitos
significantes so aqueles que tem comprimento destacado em relao aos demais (efeito de Pareto).
Inicie a anlise pelas interaes: h alguma interao significante?

Quando a interao de dois fatores significante, a anlise dos efeitos dos fatores na varivel resposta
deve ser feita em conjunto por meio do grfico da interao. Nesses casos no se analisa os efeitos
principais isoladamente.

Para os efeitos que no interagem a anlise de cada fator feita isoladamente por meio do grfico dos
efeitos.

No exemplo, a interao Temp*Catal e a Conc so significantes (observao: como a interao Temp*Catal


significante, no vamos analisar os fatores Temp e Catal separadamente).

380

Programa 6-sigma: formao GREEN BELT

Experimentofatorialcompleto fatorial 23 : Exemplo

16

Analyse

Depois de encontrar os fatores significantes precisamos responder a seguinte pergunta: em quais nveis
encontro as melhores respostas? Para isso fazemos os grfico de efeitos principais e interaes (somente para
os efeitos principais e interaes vitais).
Examinando o grfico do efeito de Concentrao e o grfico da interao de Temperatura por Catalisador,
recomendamos o uso da Concentrao a 20%, da Temperatura a 1800 e do Catalisador B.

FM2S

381

Plan

1. Estabelecer o objetivo do
experimento
2. Identificar a varivel resposta
3. Identificar os fatores e seus nveis

Do

4. Realizar o Experimento

Study

5. Determinar os efeitos significantes


6. Determinar a melhor combinao

Act

7. Consolidar o aprendizado e decidir o


que fazer

Experimentofatorialcompleto fases de um experimento


planejado

17

Analyse

Em um experimento utilizamos a estrutura de aprendizagem do mtodo cientfico, que pode ser estruturado
no ciclo PDSA [P - Plan (Planejar); D - Do (Executar o plano), S - Study (Estudar os resultados), A - Act (Agir
com base no que foi aprendido)].

Plan

Estabelecer o objetivo do experimento;

Formular as questes que se pretende responder;

Identificar a varivel resposta;

Identificar os fatores;

Escolher os nveis dos fatores;

Decidir sobre o plano experimental;

Aleatorizar as corridas experimentais.

Realizar o Experimento;

Observar e anotar outros eventos que ocorram durante a realizao do experimento.

Do

382

Programa 6-sigma: formao GREEN BELT

Study

Analisar os dados;

Determinar os efeitos significantes;

Determinar a melhor combinao;

Confirmar os resultados.

Responder as questes;

Consolidar o aprendizado;

Decidir que aes sero realizadas.

Act

Exerccio
A equipe resolveu realizar um experimento fatorial 23 com os seguintes
fatores e nveis:
Fator:

Nveis

Fornecedor:
Tamanho:

ABC, CdM
P, G

Tratamento trmico: Sim, No

Replicou-se o experimento.
Varivel resposta: nmero de dobras at quebrar.
Analise o experimento!

Experimentofatorialcompleto

18

Analyse

Nossa empresa utiliza clips de metal de dois tamanhos: pequeno e grande. Os funcionrios esto reclamando
da qualidade dos clips que tem sido comprado eles tm pouca durabilidade. O setor de compras foi acionado
para fazer algo para minimizar as reclamaes. O processo de compras o seguinte:

Compras necessita fazer um pedido;

FM2S

383

Compras envia o pedido para diversos fornecedores cadastrados;

Compras recebe propostas;

Compras escolhe a proposta com menor custo;

Compras efetua a compra;

Compras recebe o pedido;

Compras disponibiliza o produto no almoxarifado.

A equipe responsvel pela melhoria levanta as seguintes informaes junto ao setor de compras:

Existem dois fornecedores cadastrados: ABC e CdM;

A empresa utiliza dois tamanhos: P e G.

A equipe entra em contato com os fornecedores e expe a reclamao quanto qualidade do clips fornecido.
Os fornecedores informam que desenvolveram um novo processo para melhorar a qualidade dos clips que
consiste na aplicao de um tratamento trmico.
A equipe resolveu realizar um experimento fatorial

com os seguintes fatores e nveis:

Fator:
Fornecedor:
Tamanho:
Tratamento trmico:

Nveis
ABC, CdM
P, G
Sim, No

Decidiu-se replicar o experimento, totalizando 16 corridas experimentais.


Varivel resposta: nmero de dobras at quebrar.

Os dados esto no arquivo 08_doe_clip. Analise-os.


Soluo:
Para analisar este experimento, devemos primeiro descobrir qual o fator mais significante. Para isso
vamos em: Stat -> DOE -> Factorial -> Analyse a Factorial Design.

384

Programa 6-sigma: formao GREEN BELT

Na janela que se abrir, devemos colocar durabilidade como varivel resposta e clicar em Graph,
para pedirmos o Pareto. L, setamos o alpha como sendo 0,99.

O grfico gerado ser:


Pareto Chart of the Standardized Effects
(response is Durabilidade, Alpha = ,99)
0,013
Factor
A
B
C

C
AB

Term

ABC
AC
BC
B
A
0

2
3
Standardized Effect

Name
A
B
C

FM2S

385

Por ele vemos que C e a interao AB so significativos. Portanto vamos plotar o efeito destas
interaes. Para isso vamos em: Stat -> DOE -> Factorial -> Factorial Plots.

Em seguida, dissemos quais efeitos isolados (no caso apenas C) queremos o plot.

Repetimos a operao para as interaes:

386

Programa 6-sigma: formao GREEN BELT

Em seguida clicamos em OK e ele ir nos gerar os grficos:

Main Effects Plot (data means) for Durabilidade


20

Mean of Durabilidade

19
18
17
16
15
14
13
12
11
N

S
C

FM2S

387

Interaction Plot (data means) for Durabilidade


20

A
ABC
CdM

19

Mean

18
17
16
15
14
13
P

G
B

Com eles vemos que sempre melhor ter o tratamento trmico e que qual fornecedor escolher
depende do tamanho do clip.

Fatorial 23 com o objetivo de descobrir os fatores responsveis


pela colorao opaca

Emulsificador B (%)
1
0
2

0.5

Concentrao
do catalisador

Emulsificador A (%)

Opaca

Clara

Experimento fatorial completo fatorial com respostas qualitativas


Analyse

19

388

Programa 6-sigma: formao GREEN BELT

Um experimento foi realizado para avaliar o efeito de 3 fatores na aparncia de um filme. Os seguintes fatores
foram utilizados:

Quantidade de um emulsificador A;

Quantidade de um emulsificador B;

Concentrao do catalisador produzido.

Foi realizado um fatorial

. Oito formulaes foram preparadas, cada uma com uma combinao dos nveis

dos fatores, e uma poro do preparado resultante foi espalhada em uma placa de vidro;
A resposta avaliada foi o aspecto da placa.
Quando analisamos o experimento (pelo grfico cbico do slide) percebemos que quando a quantidade do
emulsificador B esta no nvel 2 gera a opacidade, independente dos nveis dos outros fatores.

varivel

resposta

formulao

1
2
3
4
5
6
7
8

+
+
+
+

+
+
+
+

+
+
+
+

leitoso? viscoso? amarelo?


sim
no
sim
no
sim
no
sim
no

varivel
1 quantidade de monmero (%)
2 tipo de regulador
3 quantidade de regulador (%)

sim
sim
sim
sim
no
no
no
no

no
no
no
levemente
no
no
no
levemente

10
A
1

30
B
3

Quais fatores so responsveis pelo aspecto leitoso? Viscoso? Amarelo?

Experimento fatorial completo fatorial com respostas qualitativas

20

Analyse

Experimento 23 para avaliar o efeito de trs fatores em propriedades de um produto. Quais fatores so
responsveis pelo aspecto leitoso? Viscoso? Amarelo?

FM2S

389

Exerccio
Experimento realizado para estudar o efeito de quatro fatores
no rendimento de uma reao qumica.
A varivel resposta foi a porcentagem de converso.
Fatores

Nvel -

Nvel +

A = carga catalisador (lb)

10

15

B = temperatura (C0)

220

240

C = presso (psi)

50

80

D = concetrao (%)

10

12

Experimentofatorialcompleto

21

Analyse

Os dados do experimento esto no arquivo 09_doe_rend_%conv.mtw. Analise-os.


Soluo:
Para analisar o DOE, devemos primeiramente analisar o Pareto dos efeitos. Para isso vamos em: Stat -> DOE > Factorial -> Analyse Factorial Design. Ento inserimos os dados:

390

Programa 6-sigma: formao GREEN BELT

Em seguida o Minitab nos devolve o seguinte grfico:

Pareto Chart of the Effects


(response is %Conv, Alpha = ,99)

Term

0,01
Factor
A
B
C
D

A
D
C
AC
AB
AD
ABC

Name
Temp
Pressao
Conc
Carga_Catal

BD
ABD
ACD
ABCD
BCD
BC
B
CD

10

15

20

25

Effect
Lenth's PSE = 0,75

Nele, vemos que o fator principal D e a interao de A com B so importantes. Ento, em seguida temos que
traar o grfico de efeito para estes efeitos. Para isso temos que ir em: Stat -> DOE -> Factorial -> Factorial Plots.
Em seguida inserimos os seguintes dados:

FM2S

391

392

Programa 6-sigma: formao GREEN BELT

O Minitab ento ir gerar os seguintes grficos:

Main Effects Plot (data means) for %Conv


77
76

Mean of %Conv

75
74
73
72
71
70
69
68
15

10
Carga_Catal

Interaction Plot (data means) for %Conv


Temp
220
240

85
80

Mean

75
70
65
60
55
10

12
Conc

Com base neles, podemos escolher a receita mais adequada.

FM2S

393

Exerccio
Experimento realizado para testar uma resina nova (mais barata)
proposta pelo fornecedor pode substituir a utilizada na formulao e
uma tinta automotiva.
A varivel resposta foi a dureza da tinta.
Fatores

Nvel -

Nvel +

A = tipo de resina

atual

alternativa

B = temperatura do processo

130

160

C = relao poli/resina

baixa

alta

D = tipo de polister

tipo I

tipo II

Podemos substituir o fornecedor?

Experimentofatorialcompleto

22

Analyse

Problema: Testar se uma resina nova (mais barata) proposta pelo fornecedor pode substituir a utilizada na
formulao e uma tinta automotiva.
Objetivo: Verificar se a mudana da resina provoca algum efeito na dureza da tinta (resposta), mesmo sob
diferentes condies dos fatores temperatura de processo, relao polister/resina e o tipo de polister. O
objetivo trocar de resina caso no se verifique tais efeitos.

Os dados esto no arquivo 10_doe_contratipo2.mtw. Analise-os.


Soluo:
Mais uma vez, devemos comear com o Pareto dos efeitos. O grfico gerado dever ser:

394

Programa 6-sigma: formao GREEN BELT

Pareto Chart of the Effects


(response is dureza, Alpha = ,99)

Term

0,02
Factor
A
B
C
D

B
D
C
CD
AC
ABCD
AB

Name
tipo_resina
temperatura
rel_poli_resina
tipo_poli

AD
ABC
BD
A
ABD
BC
ACD
BCD

10

15

20
Effect

25

30

35

Lenth's PSE = 1,875

Em seguida, devemos plotar os grficos de efeito pra entender a melhor receita. Neste caso, os efeitos
significativos so B e a interao de CD. Os grficos a serem gerados so:
Main Effects Plot (data means) for dureza
110

Mean of dureza

105
100
95
90
85
80
75
-1

1
temperatura

Interaction Plot (data means) for dureza


115

rel_poli_resina
-1
1

110

Mean

105
100
95
90
85
80
-1

1
tipo_poli

FM2S

395

Exerccio
Objetivo: desenvolver uma tinta automotiva com uma formulao que
comtemple duas variveis respostas aparentemente discordantes: dureza
(QMM) e flexibilidade (Qmm) (quando uma frmula tem boa dureza sua

flexibilidade ruim e vice-versa).


Fator

Nvel -

Nvel +

A = presena de uria

presente

ausente

B = tipo I de melanina

M11

M12

C = tipo II de melanina

M21

M22

D = relao poli/mela

baixa

alta

E = tipo de polister

P1

P2

Experimentofatorialcompleto
Analyse

Os dados esto no arquivo 11_doe_tinta_dureza_flexib.mtw. Analise-os.

23

396

Programa 6-sigma: formao GREEN BELT

Experimentofatorialcompleto escolha dos nveis

24

Analyse

Uma deciso crtica no planejamento de qualquer experimento relacionada aos nveis de cada fator presente
no estudo. A escolha baseada no conhecimento disponvel sobre o processo ou produto e nas condies do
estudo. desejvel que os nveis estejam com afastamento suficiente para que:

Efeitos existentes possam ser identificados;

Nveis possam estar claramente definidos.

Por outro lado, os nveis no devem estar to afastados para evitar problemas como:

Condies que afetam a segurana dos testes;

Condies que afetam os resultados (em experimentos em condies normais de operao;

Forte no linearidades, quando o efeito na mdia dos nveis de um fator no igual ao efeito mdio do
fator.

Alteraes substncias no mecanismo de causa e efeito.

FM2S

397

Experimentofatorialcompleto replicao

25

Analyse

A replicao fornece informao sobre o erro experimental (influncia de fatores desconhecidos ou no


controlados). Em experimentos fatoriais o mais comum no replicar o experimento.
Experimentos fatoriais

possuem uma estrutura que permite a obteno de informao sobre o erro

experimental na ausncia de replicao. Os fatores e interaes no significantes podem ser combinados para
fornecer uma medida do erro experimental.

398

Programa 6-sigma: formao GREEN BELT

Experimentofatorialcompleto aleatorizao

26

Analyse

Sempre que for possvel, a ordem de realizao das corridas experimentais deve ser aleatorizada.
Caso haja dificuldade em aleatorizar o experimento, deve-se estar atento para possveis confundimentos entre
fatores do experimento e variveis ambientais.

FM2S

399

Experimentofatorialcompleto experimentosconfirmatrios

27

Analyse

Antes de gastar tempo e dinheiro implementando as concluses de um experimento recomendvel verificar


as concluses. Verificar envolve realizar corridas adicionais nas condies indicadas pelo experimento para
confirmar as concluses tiradas do experimento. Razes para confirmar:

Os resultados obtidos no experimento podem no ser obtidos no futuro;

As concluses podem ter sido influenciadas por fatores desconhecidos presentes durante a realizao
do experimento;

Problemas de escala.

400

Programa 6-sigma: formao GREEN BELT

Experimento fatorial completo aplicaes em servios e administrao

28

Analyse

Apesar de ser muito utilizado na indstria, os experimentos fatoriais tem sido cada vez mais utilizados na rea
de servios. Algumas possveis aplicaes:

Encontrar aspectos atrativos em abordagem de vendas;

Aumentar a efetividade de campanhas de marketing;

Estudo de diferentes mtodos de precificao;

Avaliar formas de mostrar produtos em prateleiras de supermercado ou lojas;

Encontrar fatores que influenciam taxa de reteno de clientes.

Aumentar a legibilidade e completeness de formulrios preenchidos manualmente;

Otimizar sistemas tecnolgicos;

Encontrar melhores formas de operar um processo;

Encontrar melhores formas de medir um resultado;

Otimizar planejamento de alocao de recursos humanos;

Aumentar a velocidade e acurcia na entrega de servio a clientes.

FM2S

401

Passos

Comando MINITAB

Planejar o Experimento (P)


1. Identifique as respostas
2. Identifique os fatores
3. Identifique os nveis dos fatores
4. Escolha o Plano Experimental
5. Gere o plano no MINITAB

Stat>DOE>Factorial>Create Factorial Design>Display


Available Designs
Stat>DOE>Factorial>Create Factorial Design>(Number of
Factors; Design; Factors; Options)>OK

Realizar o Experimento (D)


6. Realize o Experimento
Analisar o Experimento (S)
7. Analise os dados
a) Faa o Run Chart dos resultados
Graph>Time Series Plot
b) Calcule os Efeitos e faa o Grfico Stat>DOE>Factorial>Analyse Factorial
de Pareto dos Efeitos e o Grfico
Design>[Response; {Graphs>Effect Plots
Normal dos Efeitos
(Pareto;Normal)}]
c) Faa o Grfico dos Efeitos
Stat>DOE>Factorial>Factorial Plots>Main Effec
Principais para os efeitos principais
Plots>Setup
que so significantes e no interagem
entre si
d) Faa o Grfico da Interao para
Stat>DOE>Factorial>Factorial Plots>Interaction
as interaes significantes
Plot>Setup
8. Escreva a melhor combinao
9. Verifique as concluses com um
experimento confirmatrio
Implementar aes em funo do aprendizado (A)

Experimentofatorialcompleto etapas de um experimento


fatorial

29

Analyse

A tabela do slide resume os passos que devem ser realizados em um experimento, desde o planejamento at o
estudo e concluso do experimento.
Na tabela tambm se encontra os comandos do MINITAB respectivos a cada passo da experimentao.

402

Programa 6-sigma: formao GREEN BELT

Resumo do captulo

O terceiro passo de um projeto de melhoria o Analyse, que


tem o objetivo de localizar os problemas e desenvolver
mudanas que resultem em melhoria.
Existem quatro abordagens para desenvolver mudanas:
Anlise crtica do processo

Diagrama AV/ NAV


Desconexes
Anlise dos desperdcios
Associao (correlao) entre variveis
DOE

Tecnologia
Criatividade (desafio)
Conceitos de mudana
Analyse

RESUMO DO CAPTULO

30

FM2S

403

Improve

Improve
31

Objetivo:

Desenvolver e testar as ideias de mudana propostas na fase ANALYSE

Atividades:

Desenvolver mudanas;

Testar mudanas;

Adequar s ideias de mudana em funo dos resultados do teste.

404

Programa 6-sigma: formao GREEN BELT

Exerccio

Testede mudanas card deck

32

Improve

O que queremos realizar?


Ns temos um deck de cartes que incorpora uma nova tecnologia. A tecnologia (representada pelos nmeros
nos cartes) fornece informaes potencialmente valiosas para os nossos negcios. Cada equipe de melhoria
dever desenvolver um mtodo para predizer os nmeros nos cartes e ento implementar a tecnologia nos
negcios.

Como saberemos que a mudana uma melhoria?


1.

Predies corretas dos nmeros em cada carto

2.

Uma teoria para as predies dos nmeros

3.

Lucros para a companhia

Que mudanas poderemos fazer que resultem em melhoria?


1.

Somente um carto poder ser usado em cada etapa (tarefa, projeto, etc.)

2.

Todas as vezes que um carto estiver disponvel, a equipe tem trs

3.

Alternativas:

FM2S

405

a.

Coletar dados a partir do carto (saber o valor do carto: Custo=$ 1.000)

b.

Realizar um teste da tecnologia:

Receita (se a predio estiver correta) = $ 7.000


Custo = $ 1.000 + se a predio estiver incorreta por diferena de:
1 = $ 1.000 2 = $ 3.000 3 = $ 7.000 >3 = $ 15.000
c.

Implementar a tecnologia na empresa:

Receita (se a predio estiver correta) = $ 21.000


Custo = $ 1.000 + se a predio estiver incorreta = $ 49.000
Ciclo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Deciso

Predio

Resultado

Ganho no ciclo

Ganho total

406

Programa 6-sigma: formao GREEN BELT

Exerccio

Testede mudanas sequncia 2-4-6

33

Improve

Instrues:
1.

Seu objetivo descobrir a regra para a seguinte sequncia de trs nmeros: 2-4-6

2.

Escreva uma regra inicial que voc acha correta;

3.

Escreva uma sequncia de trs nmeros cuja finalidade testar se sua regra a regra correta;
(PLANEJAR)

4.

Pergunte ao instrutor se a sequncia proposta est ou no de acordo com a regra correta. Ele vai
responder sim ou no, somente; (FAZER)

5.

Analise o resultado e decida o que fazer em seguida (ESTUDAR) (AGIR)

6.

Repita esse processo at que voc acredite estar de posse da regra correta; (P,F,E,A)

7.

Compartilhe com a classe sua regra final;

8.

Liste os aprendizados relacionados com esse exerccio.

FM2S
Ciclo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

407
Regra

Sequncia teste

Resultado

408

Programa 6-sigma: formao GREEN BELT

Alto

Uma mudana
vitoriosa

Grau de
convico de
que a mudana
uma
melhoria

Mudana
necessita
de mais
testes

Mudana
fracassada
Baixo
Desenvolvendo
uma mudana

Testando uma
mudana: ciclos 1, 2,
...

Implementand
o uma
mudana

Testede mudanas desenvolver, testare implementar

34

Improve

Implementao significa incorporar uma mudana como parte das operaes do dia a dia. O teste utilizado
para avaliar uma ou mais mudanas. importante testar em pequena escala para obter conhecimento,
minimizando o risco. Em um teste falhas so esperadas e lies so aprendidas.

Mudana como uma Predio


Definies para predio:

Dizer antecipadamente, prognosticar, conhecimento antecipado baseado em suposies;

Desempenho esperado de um sistema, produto ou processo, baseado no conhecimento das pessoas


envolvidas com a mudana ou suportado pelos dados coletados durante um teste.

Est implcito em cada mudana uma predio de que a mudana resultar em melhoria. Resultados dos testes
predio podem levar a reformulao da teoria. A toda predio esta associado um grau de convico sobre
ela (alto, mdio ou baixo). O grau de convico:

uma medida de quo seguro se est com a predio;

Avalia se uma mudana resultar em uma melhoria no futuro.

Depende de dois fatores:

FM2S

409

Evidncia que fornece suporte predio;

Similaridade entre as condies da evidncia e as condies em que predio se aplica.

Quanto maior o nosso grau de convico, mais prontos para a implementao estamos.

Objetivos dos Testes:


Aumentar o grau de convico de que a mudana resultar em melhoria;
Decidir entre diversas mudanas propostas, qual resultar na melhoria pretendida;
Avaliar o impacto da mudana nos indicadores;
Decidir se a mudana proposta funcionar no ambiente de interesse;
Decidir que combinaes de mudanas ter o efeito desejado nos indicadores;
Avaliar custos, impacto social e efeitos colaterais das mudanas propostas.

Antes e depois
antes

depois

Variable
Nov o
Antigo

35

40

30

30

25
Data

Individual Value

50

Comparao simultnea

20

UCL=19,69

10

20

_
X=12,06

15

LCL=4,44

10

0
1

11 13
15
Observation

17

19

21

23

25

10

12 14
Index

Teste de mudanas tipos de estudos

16

18

20

22

24

35

Improve

Diferentes tipos de estudos podem ser usados para testar mudanas. O nvel de formalidade e complexidade
depender da situao. Dois tipos de estudos so muito teis: antes e depois e comparao simultnea.

410

Programa 6-sigma: formao GREEN BELT

Estudo antes e depois:

Base de comparao histrica;

Pontos vulnerveis:
o

Ocorrncia de causas especiais ao mesmo tempo em que mudanas so feitas;

Efeito Hawthorne.

Estudo comparao simultnea:

Duas ou mais alternativas so comparadas ao mesmo tempo, mesmo espao ou sob outras condies
similares;

Usar aleatorizao.

Considere o tipo Antes e Depois quando:


Os dados encontram-se disponveis ou podem ser coletados antes da mudana;
H pequena ameaa de eventos externos ocorrerem ao mesmo tempo em que realizada uma mudana;
Os dados sero coletados por um longo perodo de tempo aps a realizao da mudana;
Grandes melhorias so esperadas;
Grupos necessrios para a comparao simultnea no podem ser isolados.

Considere o tipo Comparao Simultnea quando:


Duas ou mais alternativas esto sendo testadas;
Uma alternativa est sendo testada mas eventos externos podem atrapalhar a interpretao dos resultados
(formam-se dois grupos: sistema atual x grupo sendo testado);
Deseja-se acrescentar condies diversas durante o teste (planejamento de grupos).

FM2S

411

Testede mudanas princpios

36

Improve

Quando testamos temos o objetivo de construir o conhecimento sequencialmente. Devemos utilizar mltiplos
ciclos para conhecer o sistema quando afetado por mudanas sob diferentes condies. Para aumentar a
habilidade de predizer os resultados do teste:

Colete dados ao longo do tempo;

Teste sob uma ampla gama de condies;

Use de grupos planejados;

Use amostragem estratificada.

Baseado no aprendizado nos testes, uma mudana pode ser:

Implementada;

Abandonada;

Sofrer aumento de escopo;

Modificada;

412

Programa 6-sigma: formao GREEN BELT

Testada sob outras condies.

Impacto vs Esforo
5
Prop 4

Impacto

Prop 1
Prop 3

3
2

Prop 5
Prop 2

1
0
0

Esforo

A proposta 1 poderia ser escolhida pois tem alto impacto e baixo esforo.

Testede mudanas matriz impacto/ esforo

37

Improve

Muitas vezes a equipe desenvolve mais que uma mudana durante a fase analyse/improve. Quando no h
tempo ou recurso para implementar todas as mudanas, ou quando duas ou mais mudanas foram
desenvolvidas com o mesmo objetivo, preciso priorizar qual mudana ser implementada;
Uma mudana desenvolvida produz um determinado impacto e requer um determinado esforo. Se o grupo
conseguir quantificar, em uma escala de 1 a 5 o esforo para implementar a mudana e o impacto que ir
produzir, possvel colocar esses valores em uma matriz.

Instrues:
1.

Liste as alternativas;

2.

Para cada alternativa, avalie com a equipe o impacto e o esforo em uma escala de 1 a 5 (1:baixo; 5: alto);

3.

Coloque os valores obtidos no grfico;

4.

Decida qual mudana implementar.

Algumas perguntas para conduzir a avaliao do impacto:


Os clientes notaro um benefcio imediato?

FM2S

413

A Mudana causar um alvio nas pessoas que utilizam os resultados desse processo?
Essa mudana ir causar impacto nas maiores fontes de problemas identificadas nas fases anteriores do projeto?

Algumas perguntas para conduzir a avaliao do esforo:


Ser necessrio muito treinamento para que a mudana seja implementada?
Ns temos recursos para implementar a mudana (monetrios/equipamentos/conhecimentos)?
A resistncia das pessoas mudana ser muito grande?

414

Programa 6-sigma: formao GREEN BELT

Resumo do captulo

O quarto passo de um projeto de melhoria o Improve, cujo


objetivo e testar as mudanas desenvolvidas na fase anterior.
Os teste devem ser, inicialmente, em pequena escala.
A escala do teste aumenta conforme a convico sobre as
predies aumentam.
Duas prossibilidade de testes so:
Compao simultnea;
Estudo antes e depois.

Improve

RESUMO DO CAPTULO

38

FM2S

415

Control

Control
39

Objetivo: perpetuar os conhecimentos e as melhorias conquistadas.


Nas fases anteriores, mudanas foram desenvolvidas e testadas. Agora, o enfoque est em implementar
efetivamente as mudanas que resultaram em melhoria nos ciclos de teste de pequena escala e entregar o
processo modificado para a rotina da organizao.
Atividades:

Realizar efetivamente o plano de implementao;

Documentar o novo sistema;

Treinar os envolvidos;

Monitorar o sistema;

Estender o conhecimento e as melhorias conquistadas;

Avaliar os ganhos e celebrar a conquista.

416

Programa 6-sigma: formao GREEN BELT

A abordagem de implementao depender dos resultados dos


testes:
Abordagem "Simplesmente Faa";
Abordagem paralela;

Abordagem sequencial.

Implementao opes

40

Control

Abordagem "Simplesmente Faa:


Use essa abordagem para implementar mudanas simples com riscos mnimos. Os ciclos PDSA so teis para
estudar o impacto das mudanas e assegurar que os resultados previstos sero alcanados.

Abordagem paralela:
Use essa abordagem para implementar uma mudana enquanto o sistema antigo ainda estiver operando. Voc
pode reduzir alguns dos riscos associados a mudanas introduzindo o sistema novo em etapas, enquanto vai
desativando gradualmente o sistema existente.

Abordagem sequencial:
Use esta abordagem para implementar uma mudana ao longo do tempo ou por local. medida que o processo
de implementao for progredindo, faa melhorias com base no que voc for aprendendo. Planeje vrios ciclos
PDSA para conduzir esta abordagem e incorporar os itens a seguir em sua estratgia:

Caminho de menor resistncia;

Impacto para melhorias maiores;

Aprendizagem potencial;

FM2S

417

Disponibilidade e programao de recursos;

Dependncia entre locais.

Padronize

Documente
Treine

Mea
Implementao- etapas

41

Control

Aps a implementao das melhorias, necessrio estabelecer prticas que assegurem que as mudanas se
tornaro procedimentos usuais nos negcios. Muitas empresas fazem melhorias no trabalho e depois
descobrem que as pessoas voltaram forma antiga de fazer as coisas ou que algum novo problema foi
identificado. A seguir descreve-se os componentes que precisam ser considerados para implementao e
controle das mudanas.

Padronizao:
Estabelecer prticas e polticas especficas e reconhecidas para servir como um modelo ou diretriz para um
processo. As polticas, materiais, mtodos e treinamentos documentados costumam ser chamados de "padres"
ou "melhores prticas".

Documentao Instruo operacional


Conceito: orientao sobre a forma de executar uma tarefa.

418

Programa 6-sigma: formao GREEN BELT

Objetivo: servir como guia para a realizao de tarefas crticas comunicando de maneira direta e objetiva o que
e como deve ser executado o trabalho.
Contedo: resultado esperado da tarefa; O QUE e COMO a tarefa deve ser realizada (objetivamente); Aes
corretivas; Instrues relacionadas a segurana e meio ambiente especficas da tarefa.
Responsvel: cargo do executante da tarefa.

Treinamento:
Treinamento quase sempre necessrio para implementar mudanas. Se a mudana for uma mera extenso do
trabalho atual, ento uma simples discusso poder ser suficiente. Entretanto, se a mudana for complexa, um
treinamento extensivo poder ser necessrio;
Considere o tipo de mudana que est sendo proposta, quem ser incumbido de implement-la e o nvel de
conhecimento e experincia dos participantes para determinar quanto tempo de treinamento ser necessrio.

Medio:
A documentao adequada no garante que o processo opere como proposto. Monitorar o processo atravs de
indicadores um meio de verificar se as mudanas propostas esto sendo efetivamente implementadas. A
Medio fornece uma fonte de aprendizagem durante a implementao e um mtodo de manuteno aps a
implementao. Grficos de tendncia (ou de controle) dos indicadores devem ser utilizados para monitorar o
processo depois das mudanas implementadas;

Comparao do Desempenho com os Objetivos :


No possvel tornar um processo perfeito em um dia ou em uma nica iniciativa de melhoria. A melhoria de
processos normalmente leva vrios ciclos de desenvolvimento, teste e implementao das mudanas que
possuem maior probabilidade de produzir melhoria.
Comparar o desempenho com os objetivos uma forma de acompanhar seu progresso. Retorne aos objetivos
da melhoria, definidos ao responder segunda pergunta: Como saberemos que uma mudana uma melhoria?
Em seguida, compare o desempenho das medidas aps a implementao, para verificar se sero necessrias
mudanas adicionais. Se as medidas de melhoria foram alcanadas, ento continue com a implementao. Se as
medidas de melhoria no foram alcanadas. Ento retorne s fases de Desenvolvimento, Teste e Implementao
e continue com esses ciclos at que os objetivos sejam alcanados.

FM2S

O que
(What)

419

Quem
(Who)

Quando
(When)

Onde
(Where)

Porque
(Why)

Implementao 5W2H

Como
(How)

Quanto
(How
much)

42

Control

Uma ferramenta bastante til para gerenciar a implementao de mudanas 5W2H, definindo as atividades e
responsabilidade em um plano de ao. Para cada atividade de implementao, preencha os 5W2H da planilha
do slide.

Desenvolvimento de um Plano de Implementao :


Lembre-se de que as mudanas implementadas passaro a fazer parte da rotina operacional do sistema. Execute
a implementao em fases, para aprender enquanto progride.
Tenha a expectativa de que ao implementar mudanas em grande escala, haver maior resistncia s mesmas
do que durante a fase de teste (o aumento do escopo da mudana geralmente aumenta a resistncia).
Planeje os ciclos de implementao de forma a durarem mais tempo do que os ciclos de teste (isso geralmente
acontece).
Planeje a coleta de dados medida que a implementao progride.

420

Programa 6-sigma: formao GREEN BELT

Dando-se oportunidade de escolha entre mudar e provar


que no necessrio mudar, a maioria das pessoas prefere
a segunda alternativa. (John Galbraith)

Implementao pessoas e mudanas

43

Control

A frase de John Galbraith mostra a importncia de no se permitir que a maneira anterior de se fazer as coisas
seja uma alternativa.
Para resumir, a mudana deve:

Ser fisicamente possvel;

Fazer sentido (isto , ser lgica);

Fazer com que nos sintamos bem.

Antes de dar incio a uma mudana, estes trs aspectos devem ser considerados. A Declarao de Propsitos da
organizao sempre proporcionar orientao durante uma mudana importante.

FM2S

421

Resuma os aprendizados:
Finalize a documentao sobre as melhorias;
Faa um sumrio de planos e recomendaes futuras;

Comunique a finalizao do projeto;


Celebre!

Implementao checklist de encerramento


Control

44

422

Programa 6-sigma: formao GREEN BELT

Resumo do captulo

O quinto e ltimo passo de um esforo de melhoria o


control, que tem o objeito de tornar permanente
(implementar) as mudanas que se mostrarem melhorias nos
testes.
As paincipais atividades para uma boa implementao so:

Padronizao;
Documentao;
Treinamento;
Medio.

Control

RESUMO DO CAPTULO

45

FM2S

423

Estudo de caso: reduo de refugo

Estudo de caso:
Reduo de refugo
46

424

Programa 6-sigma: formao GREEN BELT

Nome do projeto: reduo de refugo e custo de produo


Integrantes: Marcelo, Guilherme, Murilo; Patrocinador: Ademir
1. O que queremos realizar?
Reduzir para 0,5% o ndice de refugos da pea Pea #1 (5877) na
mquina 25, em 4 meses, sem aumentar o peso da pea.
2. Como saberemos que uma mudana uma melhoria?
Se o ndice de refugos da produo da pea Pea #1 na mquina M25 for reduzido de
5% para menos que 0,5%, em 4 meses e,
O peso da pea manter-se igual ou inferior a 463 gramas

3. Restries/ primeiras atividades


No existem restries
Elaborar rvore CTC e SIPOC
4. Cronograma
D (01/04); M (01/05); A (01/06); I (01/07); C(01/07)

Define contrato de melhoria


Estudo de caso: reduo de refugo

47

FM2S

425

ACABAMENTO

MANCHAS

(%) de peas com


manchas (0)

TEXTURA

(%) de peas
Textura errada (0)

PEA COMPLETA

(%) de peas
Incompleta (0)

REBARBA

(%) de peas com


rebarbas (0)

COR

(%) de peas com


cor errada (0)

PESO

(%) de peas fora


do peso (0)

MEDIDAS

(%) de peas fora


da medida (0)

PEAS COM
QUALIDADE

DIMENSIONAL

48

Define - rvore CTC


Estudo de caso: reduo de refugo

Fornecedores

Entradas

Processista

Parmetros

Processo

Sadas
Pea

PCP

OS

Injetado

Processista

Refrigerao

Relatrio
de refugos

Engenharia

Molde

Relatrio
de peso

Almoxarifado

Clientes

Montagem

Qualidade

Matria prima

Passos do Processo
Preparara
mquina

Alimentar
mquina

Injetar

Extrair
pea

Define SIPOC
Estudo de caso: reduo de refugo

Inspecionar
Pea

49

426

Programa 6-sigma: formao GREEN BELT

Measure estabilidade e capabilidade de refugo

50

Estudo de caso: reduo de refugo

O processo produzia refugos com um ndice de 9,25% (ou 92500 PPM), o que era considerado alto. Processo era
estvel, assim precismos entender os problemas que afetavam a produo todos os dias.
Depois desse estudo, a equipe resolveu se reunir e elaborar um diagrama de causa e efeito para entender quais
as possveis causas de refugo, conforme slide seguinte.

FM2S

427

MP

MO
Alterada
a regra

- Matria prima fora da


especificao

Item ok

Alterada a
regra

- Processista altera
parametros de
injeo
- Operador altera
parametros de
injeo

Refugo
Possvel
causa

Possvel
causa

- Parmetros de
injeo incorretos
- Alta presso de
injeo

Processo

- Manuteno deficiente nos


moldes

Item ok
Item ok

- Manuteno deficiente
na mquina

Manuteno
Analyse

51

Estudo de caso: reduo de refugo

Aps testar as hipteses geradas pela causa-efeito inicial, a equipe aprendeu que as causas para os refugos eram
advindas das alteraes no programadas nos parmetros de injeo. Diante disto, aplicou-se uma anlise 5
porqus.
Fato: operadores alteram os parmetros de injeo de maneira no programa durante a injeo da pea.
Por que? Porque a mquina produziu uma pea com refugo.
Por que? Porque os parmetros de injeo no foram ajustados corretamente na primeira vez.
Por que? Porque a equipe no conhece a fundo os efeitos dos parmetros no resultado da pea injetada.
Por que? Nunca foi realizado um estudo detalhado, com experimentao programada para entender os efeitos.

428

Programa 6-sigma: formao GREEN BELT

PDSA
#

Objetivo

Aprendizado

Prximo passo

Testar
parmetros de
injeo

Temperatura
>3000 gera
refugo
Parmetros no
devem ser
alterados pelo
processista

Montar outro DOE 2 na


direo apontada pelo
estudo atua

Testar
parmetros de
injeo

A receita 6 produziu Produzir durante um dia


os melhores
com a receita 6 para
resultados.
verificar se os resultados
so mantidos

Analise DOEs realizados

52

Estudo de caso: reduo de refugo

Aps a constatao, a equipe decidiu rodar experimentos planejados para entender o impacto da variao dos
parmetros de injeo nos problemas de injeo.

Experimento 1:
Objetivo: entender qual a melhor receita de injeo da mquina M25 para a pea #1, isto , que proporcione
menor peso da pea injetada com menor ndice de refugo.
Aprendizado: proibir a utilizao da temperatura 300 graus nas prximas rodadas. Proibir alteraes no
programadas durante a injeo das peas. Aumentar o entendimento sobre a influncia da presso de recalque
no peso e na qualidade da pea. Verificar se existe uma temperatura de cmara quente maior que 210 graus,
mas menor que 300 graus que possibilite uma reduo no peso.
Prximo passo: Montar outro DOE 2 para verificar se uma variao de maior amplitude na presso de injeo
ir continuar reduzindo o peso da pea injetada sem produzir no conformidades. Verificar no prximo PDSA
o impacto da presso de recalque no peso e na qualidade da pea e, verificar se possvel a utilizao de uma
temperatura de cmara quente que reduza o peso da pea sem gerar no conformidades.

Experimento 2:
Objetivo: entender qual a melhor receita de injeo da mquina M25 para a pea Pea #1, isto , que
proporcione menor peso da pea injetada com menor ndice de refugo.

FM2S

429

Concluso: utilizar a receita 6 nas prximas injees da pea Pea #1, na mquina M25. Acompanhar o ndice
de refugo da mquina na receita 6, para verificar se no ir ocorrer problemas de no conformidade.
Prximo passo: montar outro DOE 2 para verificar se a mesma receita se aplica a outra mquina ou outra
pea. Comear por peas que apresentam alto volume de refugo.

Mudanas verificadas:
Proibir alteraes nos parmetros de injeo
Em caso de produo de itens no conforme, parar a mquina e
estudar as causas e no sair alterando a bel-prazer. Isto mascara
os problemas.
Alterar parmetros de injeo da pea Pea #1 na M25 para:
Presso de injeo: 100 bar
Presso de recalque: 20 bar
Temperatura de Cmara Quente: 210 C

Improve
Estudo de caso: reduo de refugo

53

430

Programa 6-sigma: formao GREEN BELT

Aes de controle:
Treinar envolvidos
Monitorar ndice de
refugos e peso, pela
carta de controle
Elaborar relatrios de
capabilidade para cada
rodada de produo
Alterar folhas de
processo

Control
Estudo de caso: reduo de refugo

54

FM2S

431

Referncias
Langley, G.; Moen, R.; Nolan, K.; Nolan, T.; Norman, C.; Provost, L. (2005) The improvement Handbook:
Models, Methods and Tools for Improvement. API
Langley, Gerald J.; Moen, Ronald D.; Nolan, Kevin M.; Nolan, Thomas W.; Norman, Clifford L.; Provost, Lloyd
P. (2011) Modelo de Melhoria. Mercado de Letras.
Hines, P.; Taylor, D. (2000) Going Lean. A guide to implementation. Lean Enterprise Research Center. Cardiff,
UK.
Moen, Ronald D.; Nolan, Thomas W.; Provost, Lloyd P. (1999) Quality Improvent through Planned
Experimentation. McGraw Hill.
Scholtes, P.; Joiner, B.; Streibel, B. (2003). The Team Handbook. Oriel.
Wheeler, Donald J (2000) Understanding Variation: The Key to Managing Chaos. SPC Press.