BIG DATA NO SIX SIGMA, UMA REVISÃO
BIBLIOGRÁFICA SISTEMÁTICA
Daniele dos Reis Pereira (UFScar) danieledrpmaia@gmail.com Fabiane Leticia Lizarelli (UFScar)
fabiane@dep.ufscar.br Thais Moreira Tavares (UFScar)
Thaism0405@gmail.com João José Medeiros Alfineto (USP )
joaoalfineto@usp.br Igor Roberto Amancio (UFScar) iramancio@gmail.com
Nos últimos anos, o desenvolvimento dos processos produtivos tem se apoiado nos avanços tecnológicos da indústria 4.0. Com este cenário, as melhorias e otimização dos processos são ainda mais necessárias para potencializar os efeitos da introdução das tecnologias da Indústria 4.0. Neste sentido, as abordagens de melhoria como Seis Sigma e Lean Seis Sigma se tornam ainda mais úteis para as empresas. Porém, as introdução das tecnologias geram um grande volume de dados, que podem ser investigados em busca de melhorias potenciais. Para este estudo tem como objetivo revisar pesquisas científicas sobre a utilização do Big Data em projetos de melhoria das abordagens Seis Sigma e Lean Seis Sigma. O método utilizado foi a Revisão Bibliográfica Sistemática e o estudo analisou artigos acadêmicos de revistas, livros, e periódicos considerados relevantes sobre o tema. A revisão Bibliográfica Sistemática permitiu identificar os principais autores, artigos, revistas e tendências sobre a utilização do Big Data por estas abordagens. Este trabalho contribui para a teoria por meio da identificação dos principais estudos e lacunas de pesquisa, e prática, auxiliando no desenvolvimento de ações para o uso do Big Data em projetos de melhoria.
Palavras-chave: Big Data, Big Data Analysis, Six Sigma, Lean Six Sigma Big Data, Revisão bibliográfica Sistemática
1
Atualmente os principais impulsionadores da competitividade são as decisões sobre a qualidade nos processos (REJIKUMAR; ASWATHY ASOKAN; SREEDHARAN, 2020). A qualidade dos dados é base íntegra conectada diretamente ao funcionamento do sistema produtivo, portanto é um fator que influencia as decisões dos negócios (CHEN et al., 2017).
Filosofias como Seis Sigma (SS), e Lean Seis Sigma (LSS), são excelentes ferramentas, indicadas para atingir esse objetivo da qualidade (SAIDI; SOULHI, 2018).
A metodologia SS, por exemplo, incorpora os dados e análises estatísticas em um fluxo de trabalho permitindo às empresas tomar decisões inteligentes sobre onde e como incorporar melhorias (OKTADINI; SURENDRO, 2014). Arcidiacono e Pieroni (2018) explicam que a maioria das ferramentas do LSS contam com dados para identificar problemas de maneira detalhada, e que a integridade e disponibilidade dos dados em tempo real permitem melhores análises. Porém, a limitação no momento é a complexidade dos cálculos estatísticos aplicados aos grandes conjuntos de dados (STOJANOVIC; DINIC; STOJANOVIC, 2015; STOJANOVIC; MILENOVIC, 2018).
Atualmente uma quantidade crescente de dados ou Big Data (BDA) , “Internet of Things” (IoT) e Cyber Physical Systems (CPS) levaram a sistemas de fabricação complexos com o surgimento da Indústria 4.0 (SAIDI; SOULHI, 2018). As tecnologias da Indústria 4.0 concentra-se na automação de processos, e fornece informações em tempo real aos sistemas avançados (ARCIDIACONO; PIERONI, 2018). Um dos principais focos destacados dessa transformação inteligente é a análise de Big Bata (HE; WANG, 2018).
Um sistema BDA é complexo e sua capacidade de análise está além das ferramentas típicas de softwares existentes, visto que os dados são transmitidos a centenas de data centers que os verificam, registram, armazenam e analisam continuamente fornecendo funções para lidar com diferentes fases dos dados (FAROUKHI et al., 2020).
No contexto da melhoria contínua, sem dúvida essa nova tendência representa uma oportunidade eminente no sentido de alavancar os recursos existentes de melhorias para explorar o potencial de criação de novos conhecimentos, principalmente nas decisões de qualidade em tempo real (GIANNETTI; RANSING, 2016).
Analisando o possível potencial do uso de Big Data Analytics (BDA) em projetos SS ou LSS, o objetivo de pesquisa é realizar uma revisão bibliográfica sistemática (RBS) e apresentar o
2 estado da arte no campo de BDA conjuntamente com SS e LSS e revelar possíveis direções futuras nesse domínio.
2. Definição de Seis Sigma e Lean Seis Sigma
O Seis Sigma desde a sua origem, em meados da década de 1980, é considerado uma das estratégias de melhoria de processos mais poderosas aplicadas por inúmeras organizações de manufatura e serviços em diversos países (ANTONY et al., 2019).
Suas ferramentas podem ser usadas para reduzir a variação nos processos, por meio do controle estatístico do processo, análise da capacidade do processo e a redução de erros (SHAH; CHANDRASEKARAN; LINDERMAN, 2008).
Sua abordagem padrão é definida pelo ciclo Definir, Medir, Analisar, Melhorar e Controlar (DMAIC), que é uma versão aprimorada do ciclo PDCA (JAYARAM, 2016).
A metodologia incorpora dados e análises estatísticas no fluxo DMAIC que permite às empresas tomar decisões inteligentes sobre onde e como incorporar melhorias (OKTADINI; SURENDRO, 2014).
O processo de melhoria do SS usa dados e análises estatísticas bem estruturadas continuamente para identificar defeitos em um processo ou produto, e reduzir a variabilidade o mais próximo possível de zero (OKTADINI; SURENDRO, 2014; NICOLETTI, 2013; ANTONY et al., 2019). Seu conceito está além da interpretação estatística, o método é aplicável ao gerenciamento da cadeia de suprimentos e de outras áreas (CHEN et al., 2017).
Outra grande estratégia de melhoria de processos é o Lean Seis Sigma. A história do LSS pode ser definida pela junção da metodologia SS, desenvolvida na Motorola por de Bill Smith na década de 1980 e por Jack Welch da General Electric em 1995 (PEPPER; SPEDDING, 2010). De acordo com Stojanovic e Milenovic (2018) a metodologia SS é baseada no conceito de que a variação de processos pode ser reduzida usando ferramentas estatísticas, e o Lean, na identificação e eliminação de etapas sem valor para o processo, otimizando a produção e melhorando a qualidade.
A metodologia integrada pode atender às crescentes necessidades organizacionais nos processos de melhoria contínua envolvendo a robustez de uma abordagem disciplinada e sistemática da solução de problemas com rapidez para gerar fluxos otimizados dos processos (ANTONY et al., 2018).
3 2.1 Big Data
Como parte da transformação digital, novas ferramentas de análise precisarão ser desenvolvidas para acessar e integrar a utilização dos vastos conjuntos de dados que serão produzidos, incluindo dados coletados por humanos, gerados por máquinas, sensores ou outros sistemas (GIANNETTI; RANSING, 2016).
Essa transformação é conectada ao uso de tecnologias avançadas (NICOLETTI, 2017). Ainda de acordo com o autor, cinco principais tendências são destacadas: computação em nuvem, computação móvel, inteligência artificial, redes sociais e análise de Big Data. No entando, segundo Belhadi et al. (2020), o BDA é a principal consequência lógica dessa transformação. BDA caracteriza o grande volume de conjunto de dados tanto estruturados quanto os não estruturados (KARNJANASOMWONG; THAWESAENGSKULTHAI, 2019). É definido por sete critérios classificados como 7Vs: Volume, Velocidade, Variedade, Veracidade, Valor, Variabilidade e Visualização (FAROUKHI et al., 2020).
Seus recursos incluem a infraestrutura e os sistemas de informações necessários para coletar, armazenar, processar e analisar dados continuamente (BELHADI et al., 2020). E sua análise conta com a atualização constante de dados em tempo real gerando informações importantes e ordenadas (NICOLETTI, 2017).
Evidentemente, Big Data oferece grandes perspectivas para as indústrias, principalmente aos sistemas avançados de manufatura (HE; WANG, 2018). De acordo Hämäläinen e Inkinen (2019), as empresas podem processar dados de diferentes fontes, oferecer informações detalhadas, e alternativas aos sistemas de decisão, especialmente quando existirem vários objetivos simultâneos.
2.3 Conexão de Seis Sigma, Lean Seis Sigma com Big Data
Diversas organizações buscam desenvolver a capacidade para revelar e alcançar informações valiosas ocultas em suas próprias bases de dados (HÄMÄLÄINEN; INKINEN, 2019). Nesse sentido, medidas preditivas em sistemas modernos inteligentes exigirão novas ferramentas analíticas em conjunto com as ferramentas de melhoria contínua (ANTONY et al., 2019). O BDA pode oferecer grandes perspectivas nesse sentido, por possuir maior capacidade
4 dinâmica de dados, seu entendimento é capaz de diferir em diferentes partes de projetos de LSS (GUPTA; MODGIL; GUNASEKARAN, 2020). Isso porque possui a capacidade de prever e analisar centenas de variáveis importantes em bancos de dados estruturados ou não, e o LSS fornece uma abordagem estruturada para a análise dos mesmos.
Por exemplo, as técnicas de gráficos de controle são tradicionalmente aplicáveis a apenas uma única variável havendo aumento de complexidade quando aplicado a processos de produção modernos, com centenas de variáveis (STOJANOVIC; MILENOVIC, 2018). Certamente as análises poderiam ser consolidades com BDA (FOGARTY, 2015).
As duas abordagens juntas permitiriam aos profissionais tirarem proveito de centenas de informações para avaliar e obter insights profundos sobre o comportamento dos processos, estimulando a melhoria contínua (DOGAN; GURCAN, 2018; FOGARTY, 2015).
3. Caracterização da Revisão Bibliográfica Sistemática
A RBS é bem frequente em algumas áreas, como a medicina. Porém, mais recentemente, outras áreas também começaram a adentrar nesse tipo de pesquisa. As pesquisas em gestão de produção são um exemplo disso (TRANFIELD; DENYER; SMART, 2003).
Seu objetivo é cobrir uma grande quantidade de trabalhos e, ao mesmo tempo, não favorece apenas trabalhos alinhados com o ponto de vista dos pesquisadores (BADGER et al., 2000). A RBS é reconhecida por ser metódica, transparente e replicável (COOPER, 1998).
Segundo Biolchinni et al. (2005), a RBS é uma abordagem de pesquisa que possui etapas bem definidas, planejadas de acordo com protocolo e objetivos previamente estabelecidos. As etapas são: definição da questão fundamental da pesquisa, estabelecimento de uma estratégia de pesquisa, definição de critérios de seleção, avaliação da qualidade dos arquivos selecionados, síntese dos dados encontrados e resumo de resultados (SUTHERLAND, 2004).
A RBS deste estudo é estruturada seguindo o método PRISMA de (MOHER et al. 2009), composto por quatro etapas: Identificação, Triagem, Elegibilidade e Inclusão. Na primeira etapa há a identificação da literatura relevante na área e elaboração da String de busca. Na etapa seguinte, a Triagem, há uma seleção de artigos, removendo aqueles não aderentes de acordo com critérios de inclusão e exclusão. Na etapa de Elegibilidade, há a leitura integral dos artigos filtrados anteriormente, com a eliminação dos artigos não aderentes ao tema de pesquisa. Finalmente, na etapa de inclusão, artigos são incluídos na análise quantitativa e qualitativa.
5 4. A Revisão bibliográfica da literatura
O principal ponto de interesse desta revisão é investigar as relações entre SS, LSS e BDA por meio de uma RBS conduzida utilizando-se o método PRISMA.
As bases selecionadas para esta revisão foram Web of Science, Scopus e Scielo. As duas primeiras foram escolhidas por sua abrangência internacional, enquanto a terceira foi escolhida por sua importância no cenário Brasileiro, porém, não retornou nenhum documento.
Os termos utilizados foram: "Lean Seis Sigma" ou "Six Sigma" ou "DMAIC" ou "6 sigma") e ("Big Data"). A String utilizada foi: ("Lean Seis Sigma"OR"Six Sigma"OR"DMAIC"OR"6 sigma")AND("Big Data").
A busca incluiu artigos (1) publicados on-line até 01 de maio de 2020; (2) que continham pelo menos um dos termos identificados no resumo, título e palavras-chave e (3) publicados em periódicos ou anais de conferências. Os resultados de forma compilada são apresentados na Figura 1.
Figura 1 – Resultados da RBS
6 Após a identificação dos dados, foram exportados ao Software Mendeley para passar pelo primeiro critério de triagem de “documentos duplicados”. Mais sete critérios de inclusão e exclusão foram explicitamente criados e podem ser vistos no Quadro 1.
Quadro 1 - Critérios de inclusão e exclusão dos documentos
Fonte: Autores
Os documentos foram revisados por mais dois processos de triagens sucessivas: (1) leitura dos títulos, resumos e palavras chaves e (2) leitura completa do documento.
Nas duas primeira triagens, 15 artigos foram excluídos, restaram 27 artigos para leitura completa. Desses 7 foram excluídos pelo critério de exclusão por não apresentarem conexão entre os temas apresentados conforme o Quadro 1. Portanto, a análise foi realizada com 20 artigos de revistas acadêmicas e congressos que contribuíssem a responder à questão de pesquisa: “De que forma as abordagens SS e LSS estão alinhadas a análise de grandes conjuntos de dados?”.
Os documentos inclusos foram exportado ao Software N Vivo e o conteúdo científico foi investigado.
5. Resultados
A análise dos resultados foi dividida em três seções. Inicialmente, a análise quantitativa, em que as características dos documentos foram analisadas. A segunda seção salientou a análise de conteúdo fornecida pelos autores. E por fim, a síntese dos resultados.
7 Considerando a classificação dos 20 artigos inclusos, esta seção representa a análise bibliométrica dos documentos. É possível notar na (Figura 2) que a sua maior parte é composta de journals (14). O restante é composto por artigos de conferências (6).
Figura 2 - Quantidade de artigos de eventos e journals
Fonte: Autores
Além disso, foi realizado o levantamento da quantidade de publicações de artigo que correlaciona os temas BDA e Lean Seis Sigma por ano. Vê-se (Figura 3) que há uma tendência de crescimento de publicações sobre o tema, embora tenha havido uma queda no ano de 2018. Apesar de os dados terem sido coletados somente até maio de 2020, esse já é o ano com maior número de publicações. À medida que as tecnologias da indústria 4.0 se tornam mais evidentes e necessárias, mais as pesquisas sobre esse tema aumentam.
Figura 3 – Quantidade de publicações por ano
Fonte: Autores
Os journals e anais de publicação são bastante variados, não havendo concentração sobre 0 1 2 3 4 5 6 7 2014 2015 2016 2017 2018 2019 2020 Quantidade de publicação por ano
0 2 4 6 8 10 12 14 16 conferência Journal Número de Eventos e Journals
8 nenhum. A Figura 4 mostra que o único journal com mais de uma publicação sobre o tema é o Journal of cleaner Production.
Figura 4 – Anais e journals de publicação
Fonte: Autores
Em relação aos artigos mais citados, foi utilizada o Google acadêmico para análise, onde foram encontrados 19 dos 20 artigos analisados, sendo 4 ainda sem citações. Os resultados podem ser observados na Figura 5:
Figura 5 - Total de citação por artigo
Fonte: Autores 1 1 2 4 4 6 8 8 11 12 14 16 19 22 41 0 10 20 30 40 50 Belhadi et al. (2020) Karnjanasomwong;… Stojanovic; Milenovic (2018) Antony et al. (2019) Shivajee; Singh; Rastogi (2019) Dogan; Gurcan (2018) Arcidiacono et al. (2016) Basios; Loucopoulos (2017) Rejikumar; Asokan;… Laux et al. (2017) Antony et al. (2018) Stojanovic; Dinic; Stojanovic… Gupta; Modgil; Gunasekaran… Ge; Jackson (2014) Lei et al. (2017)
Total de citações por artigo Google Academics 0 0,5 1 1,5 2 2,5 International Journal of Production… International Journal of Quality and… 2017 3rd International Conference on… Computers in Industry IEEE 19th Conference on Business… International Journal of Six Sigma and… Proceedings - 2015 IEEE International… Quality Engineering SAE International TQM Journal
9 Após a leitura dos artigos na íntegra, foi realizada uma análise de conteúdo para identificar assuntos importantes na relação entre SS, LSS e BDA.
5.2 Análise de conteúdo
As informações referentes aos documentos, como título, autores, objetivo e principais contribuições de conexão de BDA e SS ou LSS foram separadas efetivamente como mostrado no Quadro 2.
11
12 Os artigos científicos de Antony et al. (2019), Antony e Sony (2019), Basios e Loucopoulos (2017), Chen et al. (2017), Fahey, Jeffers e Carroll (2020), Jensen (2019), Laux et al. (2017), Lei et al. (2017), Karnjanasomwong e Thawesaengskulthai (2019), Shivajee, Singh e Rastogi, (2019) abordam BDA em projetos SS.
Já Antony et al. (2018), Arcidiacono et al. (2016), Belhadi et al. (2020), Dogan e Gurcan (2018), Ge e Jackson (2014), Gupta, Modgil e Gunasekaran (2020), Park, Dhalgaard-park e Kim (2020), Rejikumar, Aswathy Asokan e Sreedharan, (2020), Stojanovic, Dinic, Stojanovic (2015), Stojanovic e Milenovic (2018), abordam BDA em projetos LSS.
A identificação das relações apontou que o tema ainda é bastante novo. Contudo, em síntese, foi possível perceber dois conjuntos de percepções distintas. O primeiro diz respeito a adequação das práticas benéficas à melhoria nos processos operacionais, como volume, velocidade, variedade, veracidade dos dados, redução dos custos, conhecimento estratégico, medição e análise de dados e melhoria das análises estatísticas. O segundo conjunto, ressalta o contexto da automação inteligente, robusto, autoconsciente, inovador. Essas dimensões referem-se principalmente aos objetivos de alcançar melhores oportunidades, vantagens competitivas, e ao interesse dos padrões da indústria 4.0.
5.3 Síntese dos resultados
A metodologia SS é estruturada para a solução de problemas, contudo é limitada no tratamento de grande volume de dados ou em problemas complexos (LAUX et al., (2017); JESEN, 2020). BDA oferece uma maior visão dinâmica em capacidade de dados, graças aos capacitadores de volume, velocidade, variedade, veracidade dos dados (GUPTA; MODGIL; GUNASEKARAN, 2020).
A abordagem SS poderia minimizar os pontos fracos dos esforços de BDA, como por exemplo, falta de uma abordagem estrutural no processo de análise, em compensação, BDA fortaleceria o SS com ênfase em grandes conjuntos de dados (LAUX et al., 2017).
O sistema eficiente de gerenciamento de dados é a condição essencial para dependência da qualidade operacional (REJIKUMAR; ASOKAN; SREEDHARAN, 2020). As empresas podem não ter benefícios da implementação do LSS se não tiverem sistemas adequados de análise de dados (BELHADI et al., 2020).
13 qualidade (DOGAN; GURCAN, 2018; REJIKUMAR; ASOKAN; SREEDHARAN, 2020; STOJANOVIC; DINIC; STOJANOVIC, 2015), principalmente, nas etapas de medição e análise (DOGAN; GURCAN, 2018). Permitindo melhor entendimento dinâmico do processo impulsionado também inovações (STOJANOVIC; DINIC; STOJANOVIC; 2015).
Essa conexão propocionaria evitar a limitação de falta de dados, permitindo a identificação, análise e melhoria dos processos operacionais ineficientes e, ao mesmo tempo, considerar as condições de uma perspectiva estratégica, automatizando e otimizando funções, por meio de categorização, classificação, agrupamento e digitalização (BASIOS; LOUCOPOULOS, 2017; ARCIDIACONO et al., 2016).
A conexão pode lidar com a multidimensionalidade e a complexidade do processo, atenuando a necessidade de gráficos visuais capazes de fornecer modelos quantitativos em termos de tolerâncias de fabricação, dado que um número maior de informação estará disponível possibilitando a produção inteligente. Permite também a agilidade na resolução de problemas complexos, raciocinio sobre comportamentos produtivos, baixo custo, alta qualidade, impactando a robustez e eficiência do processo (FAHEYA; JEFFERSA; CARROLL, 2020; LEI et al., 2017, STOJANOVIC; MILENOVIC, 2018).
A integração tornará as organizações sustentavéis em um ambiente competitivo (ANTONY et al., 2018; SHIVAJEE; SINGH; RASTOGI, 2019; CHEN et al., 2017). Ampliando a capacidade de lidar com melhorias contínuas (BELHADI et al., 2020). Com base em dados abertos, BDA e inteligência artificial, será estabelecido um novo paradigma ao LSS, simples, rápido e inteligente (PARK; DAHLGARRD-PARK; KIM, 2020).
6. Conclusão
O principal objetivo desta pesquisa foi analisar por meio de uma RBS o progresso acadêmico relacionados à BDA em projetos SS e LSS, com o propósito de fornecer possíveis relações entre os temas. Primeiramente, o estudo destaca que a relação entre BDA e SS/LSS ainda é um tópico imaturo. Mas foi possível identificar avanços na relação entre os temas, do ponto de vista teórico.
A pesquisa forneceu um quadro completo das características da literatura internacional da base Web of Science e Scopus sobre BDA e destacou relações positivas do BDA em projetos SS,
14 como poder lidar com a multidimensionalidade e a complexidade do processo na existência de produção inteligente. Também foi ressaltada a melhoria na agilidade em resolução de problemas complexos, na qualidade de dados, as decisões assertivas, impactando em baixo custo, alta qualidade e, impacto significativo na robustez e eficiência do processo.
Tais aspectos salientam a empregabilidade dos sistemas digitais inteligentes na otimização e implementação de atividades produtivas orientadas a BDA em projetos SS e LSS.
De fato, o trabalho pode ser útil tanto para os acadêmicos quanto para os gestores que pretendem adotar essa abordagem. Para a academia, percebe-se que é um tema que ainda precisa ser explorado, de forma empírica nas empresas Brasileiras. As implicações gerenciais indicam que gestores que visarem esta integração conseguirão alcançar melhores resultados.
Duas principais limitações de pesquisa foram consideradas, a revisão de literatura considerou apenas artigos de periódicos e anais de congressos (não foram abordados livros), e foram coletados documentos da Scopus e Web of Science por sua abrangência internacional (outros bancos de dados não foram explorados).
Apesar das limitações, há campos diversos para pesquisas futuras, como estudos de casos em empresas que têm utilizado uma abordagem integrada e mesmo um levantamento sobre como isso tem ocorrido.
7. Agradecimentos
O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) – Código de Financiamento 001.
REFERÊNCIAS
ANTONY, J. et al. Ten commandments of Lean Six Sigma: a practitioners’ perspective. International Journal
of Productivity and Performance Management, v. 67, n. 6, p. 1033–1044, 2018.
ANTONY, J. et al. An evaluation into the limitations and emerging trends of Six Sigma: an empirical study.
TQM Journal, v. 31, n. 2, p. 205–221, 2019.
ANTONY, J.; SONY, M. An empirical study into the limitations and emerging trends of Six Sigma in manufacturing and service organisations. International Journal of Quality and Reliability Management, v. 37, n. 3, p. 470–493, 2019.
ARCIDIACONO, Gabriele et al. The use of Lean Six Sigma methodology in digital curation. In: DHC@
15 Science, Engineering and Information Technology, v. 8, n. 1, p. 141–149, 2018.
BADGER, D. et al. Should all literature reviews be systematic?. Evaluation & Research in Education, v. 14, n. 3-4, p. 220-230, 2000.
BASIOS, Athanasios; LOUCOPOULOS, Pericles. Six sigma DMAIC enhanced with capability modelling. In: 2017 IEEE 19th Conference on Business Informatics (CBI). IEEE, 2017. p. 55-62.
BELHADI, Amine et al. The integrated effect of Big Data Analytics, Lean Six Sigma and Green Manufacturing on the environmental performance of manufacturing companies: The case of North Africa. Journal of Cleaner
Production, v. 252, p. 119903, 2020.
BIOLCHINI, Jorge et al. Systematic review in software engineering. System Engineering and Computer Science Department COPPE/UFRJ, Technical Report ES, v. 679, n. 05, p. 45, 2005.
CHEN, S.-Y. et al. Research on Quality Management of Supply Chain Based on Information Quality in the Context of Big Data. DEStech Transactions on Computer Science and Engineering, n. csma, p. 60–65, 2017. COOPER, Harris M. Synthesizing research: A guide for literature reviews. Sage, 1998.
DOGAN, Onur; GURCAN, Omer Faruk. Data perspective of Lean Six Sigma in industry 4.0 Era: a guide to improve quality. In: Proceedings of the international conference on industrial engineering and operations
management Paris. 2018.
FAHEY, W.; JEFFERS, P.; CARROLL, P. A business analytics approach to augment six sigma problem solving: A biopharmaceutical manufacturing case study. Computers in Industry, v. 116, p. 103153, 2020. FAROUKHI, Abou Zakaria et al. Big data monetization throughout Big Data Value Chain: a comprehensive review. Journal of Big Data, v. 7, n. 1, p. 1-22, 2020.
FOGARTY, D. Lean Six Sigma and Big Data: Continuing to Innovate and Optimize Business Processes.
Journal of Management and Innovation, v. 1, n. 2, p. 2–20, 2015.
GE, X.; JACKSON, J. The Big Data Application Strategy for Cost Reduction in Automotive Industry. SAE
International Journal of Commercial Vehicles, v. 7, n. 2, p. 588–598, 2014.
GIANNETTI, C.; RANSING, R. S. Risk based uncertainty quantification to improve robustness of manufacturing operations. Computers and Industrial Engineering, v. 101, p. 70–80, 2016.
GUPTA, S.; MODGIL, S.; GUNASEKARAN, A. Big data in lean six sigma: a review and further research directions. International Journal of Production Research, v. 58, n. 3, p. 947–969, 2020.
HÄMÄLÄINEN, Esa; INKINEN, Tommi. Industrial applications of big data in disruptive innovations supporting environmental reporting. Journal of Industrial Information Integration, v. 16, p. 100105, 2019. HE, Q. P.; WANG, J. Statistical process monitoring as a big data analytics tool for smart manufacturing.
Journal of Process Control, v. 67, p. 35–43, 2018.
JAYARAM, Athul. Lean six sigma approach for global supply chain management using industry 4.0 and IIoT. In: 2016 2nd international conference on contemporary computing and informatics (IC3I). IEEE, 2016. p. 89-94.
JENSEN, W. A. Statistics = Analytics? Quality Engineering, v. 32, n.2, p. 133-144, 2019.
KARNJANASOMWONG, J.; THAWESAENGSKULTHAI, N. Dynamic sigma-TRIZ solution model for manufacturing improvement and innovation, case study in Thailand. International Journal of Six Sigma and
16
LAUX, C. et al. Impacting Big Data analytics in higher education through Six Sigma techniques. International
Journal of Productivity and Performance Management, v. 66, n. 5, p. 662–679, 2017.
LEI, G. et al. A review of design optimization methods for electrical machines. Energies, v. 10, n. 12, 2017. MOHER, David et al. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. Annals of internal medicine, v. 151, n. 4, p. 264-269, 2009.
NICOLETTI, B. Lean six sigma and digitize procurement. International Journal of Lean Six Sigma, v. 4, n. 2, p. 184–203, 2013.
NICOLETTI, Bernardo. Agile Procurement: Volume I: Adding Value with Lean Processes. Springer, 2017. OKTADINI, Nabiła Rizky; SURENDRO, Kridanto. SLA in cloud computing: Improving SLA's life cycle applying six sigma. In: 2014 International Conference on Information Technology Systems and Innovation
(ICITSI). IEEE, 2014. p. 279-283.
PARK, S. H.; DHALGAARD-PARK, S. M.; KIM, D. C. New paradigm of lean six sigma in the 4th industrial revolution era. Quality Innovation Prosperity, v. 24, n. 1, p. 1–16, 2020.
PEPPER, M. P. J.; SPEDDING, T. A. The evolution of lean Six Sigma. International Journal of Quality and
Reliability Management, v. 27, n. 2, p. 138–155, 2010.
REJIKUMAR, G.; ASWATHY ASOKAN, A.; SREEDHARAN, V. R. Impact of data-driven decision-making in Lean Six Sigma: an empirical analysis. Total Quality Management and Business Excellence, v. 31, n. 3–4, p. 279–296, 2020.
SAIDI, R.; SOULHI, A. Applying six sigma in smart factory: Limits and problems. ARPN Journal of
Engineering and Applied Sciences, v. 13, n. 20, p. 8317–8326, 2018.
SHAH, R.; CHANDRASEKARAN, A.; LINDERMAN, K. In pursuit of implementation patterns: the context of Lean and Six Sigma. INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH, v. 46, n. 23, p. 6679–6699, 2008.
SHIVAJEE, Veer; SINGH, Rajesh Kr; RASTOGI, Sanjay. Manufacturing conversion cost reduction using quality control tools and digitization of real-time data. Journal of Cleaner Production, v. 237, p. 117678, 2019. STOJANOVIC, N.; DINIC, M.; STOJANOVIC, L. Big data process analytics for continuous process
improvement in manufacturing. Proceedings - 2015 IEEE International Conference on Big Data, IEEE Big
Data 2015, p. 1398–1407, 2015.
STOJANOVIC, Nenad; MILENOVIC, Dejan. Data-driven Digital Twin approach for process optimization: an industry use case. In: 2018 IEEE International Conference on Big Data (Big Data). IEEE, 2018. p. 4202-4211.
SUTHERLAND, S. E. An introduction to systematic reviews. Journal of Evidence-Based Dental Practice. v. 4, n. 1, p. 47-51, 2004.
TRANFIELD, David; DENYER, David; SMART, Palminder. Towards a methodology for developing evidence‐ informed management knowledge by means of systematic review. British journal of management, v. 14, n. 3, p. 207-222, 2003.
