A fase de Medição, igualmente à fase de Definição, possui o objetivo de identificar o estado atual do processo gerador doproblema só que desta vez em mais detalhes e amparadopor mais dados e fatos. Fazendo-se uma analogia,écomo se todas ascausas potenciais levatandasfossem, agora, filtradas pelas ferramentas da qualidade, restando-se, ao final da fasede medição, então, apenas as causas críticas. Na figura 4.25 apresenta-se esquematicamente uma forma visual da analogia levantada.
Levantamento de Causas Potenciais Causas Potenciais Descartadas
F
Causas Críticas
Figura 4.25. Esquema visual da analogia da filtragem das causas potenciais levantadas inicialmente na fase de definição (fonte: o autor).
As causas críticas, então, serão repassadas à fase de análise e tratadas. Assim, conhecendo-se o processo, levanta-se as causas potenciais do problema, filtrando-as pelas ferramentas da qualidade. O diagrama de fluxo da figura 4.26 apresenta as atividades eprocessos desenvolvidos nesta etapa.
Levantamento de
dados históricos Análiseatualdodo processo estado
Identificação das saídas dos processos
envolvidos
Medição estatística
das causas mais relevantes Classificação e priorização das causas potenciais Identificação das causas potenciais
Após levantamento dos dados históricos, prossegue-se pela análise, via
brainstorm (WERKEMA, 2004), doestado atual do processo através do mapeamento dos subprocessos envolvidos e descritos no SIPOC elaborado na fase de definição. Novamente, como a premissa do projeto envolve atuação apenas nos processos relacionados à area de planejamento e produção, fez-se o Mapa do Processo de apenas um processo, a saber: processo de “Análise de viabilidade de produção”. A figura 4.27 apresenta oresultadoda construção doMapado Processo.
Afigura 4.27, apresenta omapeamentodo processo de análise de viabilidade de produçãoporque este éo principalprocesso no qual se pode atuar a fim de reduzir o custo de produção. Além disto, este é o principal processo no qual o time de planejamento poderia atuarporque uma vez que as características dos lotes forem repassadas ao timedeProdução, todasas variáveis passam a sernão controláveis. O mesmo vale para os processos anteriores ao de recebimento das amostras para análise. Assim, o que se tem no mapa éo desmembramento em sub-processos do processo emquestão, identificando, na parte inferior do mapa,o “x” de cadaprocesso, que é referente aos parâmetros do sub-processo e, na parte superior do mapa, os “y” de cada processo, que é referente aos parâmetros do produto transcorrendo o processo. Por exemplo, apósrecebimento das amostras, há aanálise dos resultados de qualidade, onde destacam-se os parâmetros de tempo para análise, veracidade das informações, conformidade das amostras e qualidade do produto, que são parâmetros relacionados aoprodutoem trânsito pelossub-processos. Aindaseguindo o exemplo, temos os parâmetros do processo de disponibilidade do sistema e capacidade de análise.
Apósobtenção de tal detalhamento, obtido peloMapadoProcesso, começou- se a verificar as especificidadesenvolvidas. Odiagrama de Ishikawafoi utilizado para levantar algumas causaspotenciais de variação,que sãoas entradas dos processos. Assim, na figura 4.28 apresenta-se o Diagrama elaborado para o processo em
Figura 4.28. Diagrama de Ishikawa relacionando as causas em forma de oportunidades de ação para o efeito observado de alto custo de produção (fonte: o autor).
Pelo diagrama acima, pode-se observar que, para o efeito em questão,alvo do projeto, que é oaltocusto de produção, há umasériede causas potenciaislistadas e classificadas de acordo com categorias prédefinidas de medição, material, mão de obra,meio,método e máquina.Assim, por exemplo, dentroda categoria de máquinas, uma causa possível para o alto custo de produção é a disponibilidade dos equipamentos, quepodemestar quebrandomuito e com baixa disponiblidade.
Seguindo-se com a filtragem das causas potenciais, uma vez que foram detalhadasdo ponto de vista dos 6M's, utiliza-se a MatrizdeCausa&Efeito a fimde quantificara pertinencia decada variávelde entrada nas causas levantadas. Na figura 4.29 apresenta-se, visualmente, asinergiaentreo Diagrama de Ishikawa e a Matriz de Causa & Efeitouma vez que são ferramentas complementares.
Diagrama
Matriz de
de Ishikawa
Causa &
• Objetivo:
Efeito
Levantar as • Objetivo: causas Quantificar a potenciais relevância de cada variável de entradaFigura 4.29. Relação de sinergia entre as ferramentas Diagrama de Ishikawa e Matriz de Causa & Efeito (fonte: o autor).
Na tabela 4.6 apresenta-se a Matriz de Causa & Efeito elaborada para quantificar as variáveis de entrada e causasrelacionadas no Diagrama de Ishikawa.
Tabela 4.6. Matriz de Causa e efeito relacionado as causas levantadas anteriormente e as variáveis de entrada identificadas no Mapa do Processo (fonte: o autor).
MATRIZ CAUSA & EFEITO
Legenda para índice e Esforço: 10-9-8: Forte Correlação 7 - 6 - 5 - 4: Média Correlação 3-2-1: Baixa Correlação
índice de Importância da causa potencial 10 8 3 7
Total ESFORÇO
Variáveis de entrada Análise das informações de qualidade Capacitação dos times envolvidos Disponibilidade dos materiais e
frete Coleta de dados
X1 Número de amostras recebidas/enviadas 3 3 6 7 121 1
X2Capacidade de recebimento/envio de amostras 3 1 8 5 97 1
X3Planejamento de envio de amostras 1 1 10 8 104 9
X4Capacidade de análise das informações de qualidade 10 5 8 1 171 4
X5Disponibilidade do sistema 3 8 1 7 146 8
X6Fatores climáticos 10 10 1 10 253 10
X7Análise da qualidade 10 5 5 6 197 3
O que podemos observar é que, na listagem da Matriz de Causa & Efeito, denominado por X1 até X7, estãoas variáveis de entrada doprocesso de análise de viabilidade de produção e nas colunasestão as informaçõesde causas (listadas no DiagramadeIshikawa),que foramfiltradas de acordo comrelevância parao projeto, por exemplo, embora a causa listada no Diagrama de Ishikawa de “formação de amostras imprecisas” seja altamente relevante, por se tratar de um processo que também envolve processosde produção, do time de Produção, a causa em questão foi automaticamente excluída da análise. Acima dascausas potenciais, há um fator de multiplicação que relaciona um índice numérico com a relevância da causa potencial, sendo que, de acordo coma Matriz, acausa de “análise de informações de qualidade” é mais importante e relevante que a causa de “disponibilidade dos materiais e frete”. A seguir, os valores da Matriz representam a correlação das variáveis de entrada com as causas potenciais, sendo o índice final a soma da respectiva correlação multiplicada pelo índice de importânciada causa. À direita da colunada pontuação total, há uma coluna que indicao nível de esforço para tratara variável de entrada, sendo 1para pouco esforço e 10 para muitoesforço,sendo que, porexemplo a variávelde fator climático apresenta um nível deesforço muitogrande para se tratar enquanto as variáveis de “número deamostras recebidas/enviadas” e “capacidade de recebimento/envio de amostras” apresenta um nível deesforço muito pequeno.
Enquanto a Matriz de Causa & Efeito quantifica as causas potenciais em relação ao efeito possível de se gerar, a próxima ferramenta, que é a Matriz de Esforço x Impacto, analisa a relação de cada causacom o esforço demandado para
implementação. Esta etapaé especialmente importante para projetos lean six sigma
porque representa o motivo de tamanho fascínio de parte das empresas por estes projetos, que é a resolução dos problemas com pouco ou nenhum investimento (LINDERMAN, 2003). Assim, quando uma causa demandar pouco ou nenhum investimento, seja ele financeiro ou intelectual, por partedas pessoas, este fato sera captadopela Matriz de Esforçox Impacto. Nafigura4.30 apresenta-se o resultado da utilização daferramenta de Matriz deEsforço x Impacto, nas causas levantadas pela Matriz deCausa & Efeito.
Figura 4.30. Matriz de Esforço x Impacto considerando-se as variáveis de entradas relacionadas na Matriz de Causa & Efeito anterior (fonte: o autor).
A
l
© 10 X6 © X3 X5 ©t
o
5B
© X4a
i
© X7x
X1 ©o
X2 0 300Alto
150Baixo
0 IMPACTOPela matriz apresentada na figura 4.30, o que se pode observar é que, enquanto o eixo das abscissas representa o impacto gerado na resolução do problema ou oportunidade da variável deentrada, o eixo das ordenadas representa o esforço demandado para solução. Assim, como era de se esperar, preza-se por variáveis que estejam no terceiro quadrante, pois estas são as que terão maior impactoaummenoresforço.Ainda deacordocom amatrizacima,podemos observar que asvariáveis 1e 2, embora apresentembaixíssimo esforço na resolução,também apresentam baixo impacto, não devendo, portanto, ser priorizadas.No pior caso, ou seja, um grandeesforço gerando um pequeno impacto, temos asvariáveis de entrada
3 e 5. Já em um cenário improvável, que também não deve ser priorizado, está a variável deentrada 6, que apresenta umgrandeesforço mas gera umgrande impacto. Assim, as variáveis de “análise da qualidade” (variável 7) e “capacidade de análise das informaçõesda qualidade” (variável 4), sãoas que apresentam maior viabilidade deimpactar o projetosem que se tenhagrande despendimento de recursos.
Em uma situação ideal, sugere-se que a atuação do projeto fique restrita à tratativa de causas que demandem pouco esforço e que tenham grande pontuação de acordo com a Matriz de Causa & Efeito. Sabendo-se, no entanto, que nem sempre isso é possível, casos nos quais sugere-se que a equipe tenha bom senso na determinação das causas a serem tratadas, escolhendo aquelas que certamente demandem o menor esforço e que, sejam relevantes parao projeto. Na figura 4.31 apresentam-se quais foram as variáveis priorizadas na atuação do projeto, com o adendo de que não é porque a variável fora selecionada que ela prosseguirá até o fimdoprojetocomo variável asertratada.
Variável 1
Variável 2
• Capacidade de análise das informações de
qualidade
• Análiseda qualidade
Figura 4.31. Variáveis priorizadas após filtragem pelas ferramentas do Diagrama de Ishikawa, Matriz de Causa & Efeito e Matriz de Esforço x Impacto (fonte: o autor).
Após a filtragem das variáveis pelas ferramentas da qualidade, as causas críticas são analisadas na próxima sub-etapa dentro daetapa de mediçãoatravésdo levantamento de informaçõesestatísticas. Por mais que seja possível, porexemplo, fazer umaanálise estatística descritiva da variável de capacidade de análise, porse tratar de uma variável relacionada a treinamento e conhecimento de pessoas, diferentemente da análise daqualidade, queérelacionada adados e informações do produto, esta variável foi tratada paralelamente, sendo que, para tanto, sugeriu-se revisar o plano de treinamentos das áreas envolvidas, especialmente de Planejamentoe aplicação de novos treinamentos. O que ocorreu com estavariável, de ser imediatamente tratada, ocorre por diversas vezes em vários projetos, sendo isto uma dasqualidadesdos projetos lean sixsigma: a identificação de oportunidades
que possam sertratadas rapidamente e em paraleloao projeto principal (SMITH, et al., 2007).
Para avariável de “análise da qualidade”, que é compostabasicamente de três indicadores, a saber,índicede germinação, peso de mil sementese índicedeoutras cultivares,fazemos asseguintes considerações:
-Índice de germinação: é oprincipalindicador daqualidadedo produto e,como foi identificado com grande importância, a liderança da empresa tratou de elaborar uma iniciativa a fim de impulsionar a produção com altos índices de germinação. Deste modo, novamente, de maneira semelhante à variável de capacidade de análise, identificou-se uma oportunidade rápida na qual projetos pontuais e paralelos foram elaborados para tratar tais lacunas, não sendo, portanto,alvodeste projeto;
- Pesode mil sementes: este é o segundoindicadorda qualidadedo produto mais importante porque relaciona a quantidade de produto presente em um saco, dado seu peso fixo de40 kg;
- Outras cultivares: não é um indicador muito importante dado que as anomalias de processo estão controladas e a variabilidade esta dentro de níveis aceitáveispara o produto. É, no entanto, um indicador crítico uma vez que a presença acimade níveis esperados,ocasionano descarte imediato dolote.
Deste modo, levantou-se informações de estatística descritiva apenas do indicador de “peso de mil sementes”, queestão apresentadas nas figuras 4.32e4.33 e na tabela 4.7, sendo a figura 4.32 o gráfico Box Plot dos dados, a figura 4.33 o histograma com ajuste de curva normal e a tabela 4.7 é a tabela que contém as estatísticas descritivas propriamente ditas da variável em questão.
160 155 150 145 140 165
Figura 4.32. Gráfico Boxplot do indicador da qualidade do produto "peso de mil sementes" (fonte: o autor).
Figura 4.33. Histograma com ajuste de curva normal para os dados da qualidade de "peso de mil sementes" (fonte: o autor).
Tabela 4.7. Estatísticas descritivas para os dados da qualidade de “peso de mil sementes” (fonte: o autor).
Estatísticas Descritivas: Cl
Variável N N* Média EP Média DesvFad Minimc Q1 Mediana Q3 Máximc
Cl 361 0 153.SI 0.199 3.73 140.90 151.60 153.30 156.10 162.70
Pelas figuras e tabela acima, de acordo com o gráfico boxplot podemos observarque háapresença dealguns outliers que, noentanto,não serecomenda a exclusão de tais dados porque à medida que são excluídos, outros outliers podem aparecer. Como tais dados não representam anormalidades críticas,os dados foram mantidos. Em seguida, pelohistograma observa-se um fato interessante: apesar de existir umpico próximo a 158, no geral pode-se dizer que a distribuição dos dados, ao menos visualmente, obedece uma distribuição normal. Deve-se lembrar que a aderência àcurva normal é considerado uma premissa para o desenvolvimento de
projetosleansix sigma, e, portanto, além do histogramaapresentado anteriormente, segue também, otestede normalidade para os dadosem questão:
Figura 4.34. Teste de normalidade para os dados de qualidade do produto de "peso de mil sementes", evidenciando o Valor-P superior a 0,15, que é maior que 0,05, valor limítrofe para
considerar que os dados assumem distribuição normal (fonte: o autor).
Oque podemos observar pelográficodo testede normalidade acima é que os dados são considerados normais (Valor-P > 0,05 - valor limítrofe para assumirdados com distribuição normal), com um número de amostras de 361, um valor de média dos dados de 153,8 g e desvio padrão de 3,784 g. Ainda pelo gráfico, percebe-se claramente o distanciamento da reta em vermelho de alguns pontos. Estes pontos, possivelmente, são osoutliers identificados pelo gráfico de boxplot.
Como todos os dados referentes às causas críticas seguem comportamento normal, pode-se seguir com a etapa de Análise. Caso, no entanto, algumas dessas causas não fossem normais, poderíamos utilizar qualquer método de transformação normal (Johnson, Box-Cox, etc.). Caso ainda, nem mesmo sobtransformação normal os dados assumissem comportamento normal, deveríamos descartar tal causa e priorizar outras.