Gestão Estratégica de Processos de Negócio

Gerenciamento de Desempenho de Processos

SÍNTESE DA DISCIPLINA – UNIDADE 2

Roberta Chendes
Sumário

Sumário
1 Classificação de variáveis................................................................................................................................... 3

1.1 Conceitos básicos ....................................................................................................................... 3

1.2 Variáveis quantitativas ................................................................................................................ 3

1.2.1 Variáveis quantitativas discretas......................................................................................................... 3

1.2.2 Variáveis quantitativas contínuas ....................................................................................................... 3

1.3 Variáveis qualitativas................................................................................................................... 4

1.3.1 Variáveis qualitativas nominais ........................................................................................................... 4

1.3.2 Variáveis qualitativas nominais ........................................................................................................... 4

2 DMAIC – Etapa Define ....................................................................................................................................... 4

2.1 Gráfico sequencial ...................................................................................................................... 5

2.1.1 Exemplo 1 .......................................................................................................................................... 5

2.2 Sumarização de dados quantitativos ........................................................................................... 6

2.2.1 Medidas de locação (ou posição) ........................................................................................................ 6

2.2.2 Medidas de variabilidade (ou dispersão)............................................................................................. 9

2.3 Boxplot .......................................................................................................................................10

2.4 Histograma ................................................................................................................................10

2.5 Estabelecimento da meta geral ..................................................................................................11

2.5.1 Método da lacuna .............................................................................................................................12

2.5.2 Método dos quartis ...........................................................................................................................12

1 Classificação de variáveis

1.1 Conceitos básicos

Toda tomada de decisão será feita com base nas medições obtidas para as métricas, sendo imprescindível
garantir a confiabilidade das mesmas.

É importante criar um plano de coleta de dados detalhado para coletas das informações.

Unidade
Frequência
Métrica Fórmula de Responsável
de Medição
Medida
Índice Não (Total de não conformidades /Total de
% Mensal Walmir
Conformidade produtos)*100

Após a coleta de dados para gerenciamento do processo, é importante a sumarização adequada dos mesmos.

As ferramentas utilizadas para sumarização de dados dependem do tipo de variável considerada.

As variáveis podem ser classificadas como:

1.2 Variáveis quantitativas

As variáveis quantitativas são aquelas expressas em escala numérica.

Elas podem ser classificadas como discretas ou contínuas.

1.2.1 Variáveis quantitativas discretas

As variáveis quantitativas discretas são variáveis cujos possíveis valores formam um conjunto finito de núme-
ros, frequentemente resultantes de contagem. A seguir são apresentados alguns exemplos:

• Número de ligações recebidas por dia

• Número de itens reprovados em um dia de produção
• Número de ocorrências de chamadas perdidas em uma central telefônica

1.2.2 Variáveis quantitativas contínuas

As variáveis quantitativas contínuas são variáveis cujos possíveis valores pertencem a um intervalo de núme-
ros reais e que resultam de mensuração.

PUC Minas Virtual • 3

Usualmente são acompanhadas de unidades de medida. Veja a seguir alguns exemplos:

• Custo do projeto (R$)

• Produtividade (t/h)
• Tempo de entrega de um produto (h)

1.3 Variáveis qualitativas

As variáveis qualitativas são aquelas provenientes de classificação e cujos valores assumidos representam
um atributo e/ou uma qualidade.

Elas podem ser classificadas como ordinais ou nominais.

1.3.1 Variáveis qualitativas ordinais

São variáveis cujas categorias podem ser ordenadas. Confira a seguir alguns exemplos:

• Nível de satisfação: 1-muito insatisfeito, 2-insatisfeito, 3-satisfeito, 4-muito satisfeito

• Risco de auditoria do projeto: 1-baixo, 2-médio, 3-alto
• Grau de escolaridade: 1- ensino fundamental, 2-ensino médio, 3-superior, 4-pós-graduação

1.3.2 Variáveis qualitativas nominais

São variáveis para as quais não faz sentido ordenar em categorias. A

• Tipo de correspondência postada: 1-carnê de pagamento, 2-aviso de cobrança

• Fornecedor: 1-Alumari, 2-Clovissur, 3-PGN, 4-TISUR
• Regional: 1-Sul, 2-Sudeste, 3-Norte

2 DMAIC – Etapa Define

Após o levantamento de indicadores do processo é importante analisar os mesmos de modo a identificar

oportunidade de melhoria.

A utilização do método DMAIC aliado a utilização de ferramentas do Seis Sigma propiciarão o alcance das
metas propostas para melhoria do processo.

Figura extraída de WERKEMA, Cristina. Criando a Cultura Seis

Sigma. Nova Lima: Werkema Editora, 2004. 253 p

PUC Minas Virtual • 4

O objetivo da etapa Define é definir com precisão o escopo do projeto.

Para isso é necessário o levantamento e análise dos dados históricos do indicador a ser otimizado e a defini-
ção da meta geral do projeto.

A seguir serão apresentadas ferramentas com potencial de serem utilizadas na etapa Define.

2.1 Gráfico sequencial

O gráfico sequencial apresenta o comportamento do indicador em função do tempo (horas, dias, meses, etc).

Possibilita a detecção de mudanças de patamar, sazonalidade, tendências, melhores e piores resultados ob-
tidos.

2.1.1 Exemplo 1
A Temditudo.com, uma empresa de e-commerce atuante no Sul e Sudeste do país, vem suspeitando que o
número de reclamações de clientes está elevado.
Dessa forma, foi feito levantamento de dados referente ao período de fevereiro/15 a abril/17 considerando o
indicador de índice de reclamações recebidas (%).
Para avaliação do comportamento do indicador foi construído gráfico sequencial:

A partir da análise do gráfico sequencial é possível perceber que houve uma mudança de patamar no indica-
dor ao longo do tempo.
O período que representa a realidade atual do processo (Baseline) é de setembro/2015 a abril/2017.

PUC Minas Virtual • 5

Dessa forma, caso seja interesse da empresa realizar um projeto para melhoria para reduzir o índice de
reclamação seria recomendado considerar como Baseline do projeto o período referente a setembro/2015 a
abril/2017.

2.2 Sumarização de dados quantitativos

Através da sumarização de dados quantitativos é possível conhecer as propriedades da distribuição dos da-
dos, sendo elas:

• Locação (ou posição)

• Variabilidade (ou dispersão)
• Forma

A figura a seguir apresenta visualização das propriedades de uma distribuição.

Os produtos de um processo apresentam variabilidade

Refugo Refugo Refugo Refugo

mas eles formam um padrão que, se for estável, é denominado distribuição.

Refugo Refugo Refugo

As distribuições podem diferir em:

Locação Variabilidade Forma

Refugo Refugo Refugo

... ou em qualquer combinação dos três.

Figura extraída de Werkema, M. C. C. Ferramentas estatísticas básicas para o gerenciamento de processos.

Belo Horizonte: Fundação Christiano Ottoni, Escola de Engenharia da UFMG, 1995, 404p

Conheça a seguir as principais medidas de locação e variabilidade.

2.2.1 Medidas de locação (ou posição)

As medidas de posição (ou locação) mostram o valor em torno do qual os dados tendem-se a agrupar. Sinte-
tizam em um único número, o conjunto de dados.

• Média: É o centro da distribuição. Ponto de equilíbrio do conjunto de dados.

Calculada pela soma dos valores das observações dividido pelo número de observações (n). É uma
medida influenciada por valores discrepantes do conjunto de dados.
n

x i
x= i =1
n

PUC Minas Virtual • 6

 Exemplo de cálculo da média para dados de altura (m) considerando uma amostra de 12 alunos.

Media = (1,71+1,56+1,62+....+1,78+1,67) / 12 = 1,71

Conclusão: A altura média dos alunos é de 1,71m. Note que a média é influenciada pela altura do
aluno bem alto. Quando há valores muito atípicos no conjunto de dados, a média pode ser uma me-
dida de centralidade destorcida.

• Mediana: é o valor que divide o conjunto de dados ao meio. Ocupa a posição central dos dados
ordenados.
Dessa forma, é necessária a ordenação dos dados para obtenção dessa medida.

A mediana é uma medida de centralidade mais robusta que a média, pois não é influenciada
por valores discrepantes do conjunto de dados.
~
x = x0,5(n +1)

Mediana = é a observação na amostra ordenada que ocupa a posição x0,5(n+1) = x6,5 = 1,68

Nesse caso será a média dos dois valores centrais.

Conclusão: 50% dos alunos tem altura igual ou inferior a 1,68m e 50% dos alunos tem altura igual ou
maior a 1,68m.

• Quartis: Os quartis dividem o conjunto de dados em quatro partes iguais e são obtidos a partir da
ordenação (crescente) dos dados. São comumente utilizados para dados não simétricos.

- 1º quartil (Q1): deixa abaixo de si, 25% dos elementos. Posição no conjunto de dados:
Q1 = x0,25(n+1)

PUC Minas Virtual • 7

 Q1 = é a observação na amostra ordenada que ocupa a posição x0,25(n+1) = x3,25 = 1,63

Conclusão: 25% dos alunos tem altura igual ou inferior a 1,63m e 75% dos alunos tem altura igual ou
maior a 1,63m.

- 2º quartil = mediana: deixa abaixo de si, 50% dos elementos. Posição no conjunto de dados:

Q2 = ~
x = x0,5(n+1)

- 3º quartil: deixa abaixo de si, 75% dos elementos. Posição no conjunto de dados:
Q3 = x0,75(n+1)

Q3 = é a observação na amostra ordenada que ocupa a posição x0,75(n+1) = x9,75 = 1,74

Conclusão: 75% dos alunos tem altura igual ou inferior a 1,74m e 25% dos alunos tem altura igual ou
maior a 1,74m

Confira a seguir o resumo da representação gráfica dos quartis.

PUC Minas Virtual • 8

2.2.2 Medidas de variabilidade (ou dispersão)

As medidas de variabilidade (ou dispersão) mostram o grau de afastamento dos valores observados em rela-
ção ao centro.

• Amplitude: Medida mais simples. É definida como a diferença entre o maior e menor valor do conjunto
de dados
R = Máximo – Mínimo
É denotada pela letra R do inglês “Range”.

Para o exemplo da altura dos alunos a amplitude é igual a:

R = 2,05 – 1,56 = 0,49
Conclusão: a amplitude entre o maior e menor valor da amostra é igual a 0,49m.

• Desvio padrão: É uma medida de variação em torno da média.

n

 (x − x)
i
2

s= i =1
n −1

Aplicando a fórmula aos dados da altura dos alunos temos:

s = 1,71
Conclusão: O desvio padrão da altura dos alunos é da ordem de 1,71m. Quanto maior o valor do
desvio padrão maior a dispersão dos dados em relação à média.

PUC Minas Virtual • 9

2.3 Boxplot

Boxplot é um “gráfico de caixas” que permite a visualização de medidas de posição, da variabilidade e da

forma da distribuição dos resultados, além da presença de possíveis observações discrepantes denominadas
outliers.

Os Outliers (representados por asteriscos) são valores superiores a Q3+1,5(Q3-Q1) ou valores inferiores a
Q1-1,5(Q3-Q1).

Retornando ao exemplo do índice de reclamação, foi construído Boxplot e calculadas as medidas descritivas.

Variável N Média Desvio Padrão Mínimo 1o. Quartil Mediana 3o.Quartil Máximo Amplitude
Índice de Reclamação (%) 20 41,66 2,60 36,10 39,50 41,70 43,60 45,90 9,80

Observa-se que o índice de reclamação varia de 36,1% a 45,9%, com média de 41,66%. Além disso, não há
nenhuma ocorrência de valores atípicos (outliers) para o indicador.

2.4 Histograma

Histograma é um gráfico utilizado para representar a distribuição de um conjunto de dados.

A partir da análise do Histograma é possível perceber o centro da distribuição, a variação em torno do valor
central e a forma da distribuição (simétrica ou assimétrica).

PUC Minas Virtual • 10

Para construção do histograma os valores amostrais são divididos em intervalo de classe e o comprimento
de cada barra é proporcional a frequência de ocorrência de dados dentro de cada intervalo de classe.

Abaixo é apresentado o histograma para os dados do exemplo referente ao índice de reclamação.

A distribuição dos dados referentes ao índice de reclamação de clientes não é perfeitamente simétrica.

O intervalo de classe que tem a maior é frequência é compreendido entre 38,55 a 41%, com 7 ocorrências.
Isso quer dizer que, durante sete meses o índice de reclamação variou entre 38,55 a 41%.

2.5 Estabelecimento da meta geral

Após o levantamento e análise dos dados históricos do indicador, é importante estabelecer uma meta para o
mesmo.

Conheça a seguir os componentes de uma meta:

1. Objetivo: Definido sobre os fins, nunca sobre os meios

2. Valor: Definido a partir da análise histórica e benchmarking (processo de pesquisa e comparação do
desempenho de diferentes sistemas ou do desempenho de um sistema em diferentes tempos)
3. Prazo: Coerente com a complexidade do problema

O valor da meta pode ser estabelecido por meio do método da lacuna ou quartil.

PUC Minas Virtual • 11

2.5.1 Método da lacuna

A lacuna pode ser definida como:

• Lacuna: é a diferença entre o patamar atual no qual o indicador se encontra e o valor considerado
como Benchmark (valor considerado como referência)

Para estabelecimento do valor da meta utilizando esse método, é proposto um percentual sobre a lacuna
encontrada. Usualmente, o valor de 50%.

Se o indicador é do tipo quanto menor melhor, utilizar como meta:

• Meta = Média – Lacuna/2. Sendo que o valor da lacuna = média – valor de referência

Contudo, se o indicador é do tipo quanto maior melhor, utilizar como meta:

• Meta = Média + Lacuna/2. Sendo que o valor da lacuna = valor de referência – média

Retornando o exemplo 1 que trata do índice de relação de uma empresa de e-commerce atuante no Sul e
Sudeste do país, temos como meta:

Valor da meta = média – lacuna/2 = 41,66 – 2,78 = 38,88

Dessa forma a meta pode ser definida como:

• Reduzir o índice de reclamações em 6,7%, saindo de 41,66 % para 38,88%, até dezembro/2017

2.5.2 Método dos quartis

No caso de valores discrepantes nos dados históricos, recomenda-se utilizar o método dos quartis para defi-
nição da meta do projeto.

Se o indicador é do tipo quanto menor melhor, utilizar como meta:

• Meta = Q1 (1º. Quartil)

PUC Minas Virtual • 12

Contudo, se o indicador é do tipo quanto maior melhor, utilizar como meta:

• Meta = Q3 (3º. Quartil)

Acompanhe os exemplos abaixo para definição de metas utilizando o método dos quartis.

2.5.2.1 Exemplo 2

Uma empresa está conduzindo um projeto de melhoria com a proposta de reduzir o consumo específico de
água de um de seus processos.
Para avaliação do histórico do indicador foi construído gráfico sequencial e proposta inicialmente uma meta
por meio do método da lacuna.

Ao observar o gráfico sequencial com a linha meta, verificou-se que a mesma estava bastante desafiadora.
Isso ocorreu em função do valor mínimo ser bem discrepantes dos demais valores da amostra.

Logo foi utilizado o método do quartil para definição da meta.

Como taxa de consumo específico de água é um indicador do tipo “quanto menor melhor” utilizou-se como
meta o 1º. Quartil.

Dessa forma, foi definida como meta:

• Reduzir em 12% o consumo específico de água, passando de 1,34 m3/t para 1,18 m3/t, até de-
zembro/2017

PUC Minas Virtual • 13

Os responsáveis pelo projeto consideraram essa meta factível, pois já haviam alcançado a mesma em 25%
das vezes e ao mesmo tempo era bastante desafiadora, uma vez que em 75% das vezes não haviam alcan-
çado o valor da meta.

2.5.2.2 Exemplo 3

Uma empresa está conduzindo um projeto de melhoria com a proposta de aumentar a produtividade de uma
de suas linhas de produção.

Para avaliação do histórico do indicador foi construído gráfico sequencial e proposta inicialmente uma meta
por meio do método da lacuna.

Ao observar o gráfico sequencial com a linha meta, verificou-se que a mesma estava bastante desafiadora.
Isso ocorreu em função do valor máximo ser bem discrepantes dos demais valores da amostra.

Logo foi utilizado o método do quartil para definição da meta.

Como a produtividade é um indicador do tipo “quanto maior melhor” utilizou-se como meta o 3º. Quartil.

PUC Minas Virtual • 14

Dessa forma, foi definida como meta:
• Aumentar em 1,6% a produtividade da linha, passando de 5.050,8 t/h para 5.129,8 t/h, ate de-
zembro/2017

Os responsáveis pelo projeto consideraram essa meta factível, pois já haviam alcançado a mesma em 25%
das vezes e ao mesmo tempo era bastante desafiadora, uma vez que em 75% das vezes não haviam alcan-
çado o valor da meta.

A sugestão é utilizar o método dos quartis para estabelecimento da meta quando houver dados muito
discrepantes no histórico dos dados, conforme exemplos 2 e 3.

PUC Minas Virtual • 15