Análise de Dados em Processos Produtivos

Prévia do material em texto

DESCRIÇÃO
Conceitos de ciência de dados em sistemas produtivos e utilização de DMAIC para melhoria de processos.
PROPÓSITO
Atualmente, há uma busca constante em manter a qualidade dos produtos e a produtividade dos processos produtivos. Novos
métodos vêm sendo desenvolvidos e aplicados com esse objetivo, de forma que um contribua com o outro. Vamos estudar tais
iterações.
PREPARAÇÃO
Antes de iniciar este conteúdo, tenha em mãos papel, caneta e uma calculadora, para apoiá-lo com mais eficiência.
OBJETIVOS
MÓDULO 1
Reconhecer a importância da ciência de dados em um ambiente de produção
MÓDULO 2
Identificar a aquisição e coleta de dados no contexto dos processos produtivos
MÓDULO 3
Aplicar os conceitos de PDCA X DMAIC
QUALIDADE E PRODUTIVIDADE
MÓDULO 1
Reconhecer a importância da ciência de dados em um ambiente de produção
A IMPORTÂNCIA DA CIÊNCIA DE DADOS EM UM AMBIENTE DE PRODUÇÃO
O QUE É CIÊNCIA DE DADOS?
Imagem: Shutterstock.com.
A ciência de dados, em termos mais básicos, pode ser definida como a obtenção de insights (conhecimentos) e informações, ou
seja, qualquer coisa de valor, a partir dos dados. Como qualquer novo estudo, muitas vezes é tentador, mas contraproducente, tentar
colocar limites concretos em sua definição. Na realidade, a ciência de dados vem evoluindo tão rapidamente e já mostrou uma gama
tão grande de possibilidades que uma definição mais ampla é essencial para compreendê-la.
EMBORA SEJA DIFÍCIL ESTABELECER UMA DEFINIÇÃO ESPECÍFICA, É MUITO FÁCIL
VER E SENTIR SEU IMPACTO. A CIÊNCIA DE DADOS, QUANDO APLICADA A
DIFERENTES CAMPOS, PODE LEVAR A INSIGHTS INOVADORES. E AS PESSOAS E
EMPRESAS QUE A ESTÃO UTILIZANDO JÁ COLHEM OS BENEFÍCIOS.
Data Science é uma mistura de várias ferramentas, algoritmos e princípios de aprendizado de máquina com o objetivo de descobrir
padrões ocultos dos dados brutos.
MAS COMO ISSO DIFERE DO QUE OS ESTATÍSTICOS VÊM FAZENDO
HÁ ANOS?
RESPOSTA
A resposta está na diferença entre explicar e prever.
Imagem: Mauro Rezende Filho.
Como você percebeu na imagem, um analista de dados geralmente explica o que está acontecendo processando os dados
históricos. Por outro lado, o especialista de dados não só faz a análise exploratória para descobrir insights, mas também usa vários
algoritmos avançados de aprendizado de máquina para identificar a ocorrência de determinado evento no futuro. Um cientista de
dados analisará os dados de vários ângulos, às vezes ângulos não conhecidos anteriormente.
Portanto, a ciência de dados é utilizada principalmente para tomar decisões e previsões, fazendo uso de análises causais preditivas,
análises prescritivas (ciência preditiva mais decisão) e aprendizado de máquina.
Vejamos:
ANÁLISE CAUSAL PREDITIVA
Se você deseja um modelo que pode prever as possibilidades de determinado evento no futuro, precisa aplicar a análise causal
preditiva (de previsão). Digamos que, se você estiver emprestando dinheiro, a probabilidade de seus clientes fazerem pagamentos
no prazo é um motivo de preocupação para você. Aqui, você pode construir um modelo para realizar análises preditivas sobre o
histórico de pagamento do cliente e prever se os pagamentos serão pontuais ou não.
ANÁLISE PRESCRITIVA
Se você deseja um modelo que tenha inteligência para tomar suas próprias decisões e a capacidade de modificá-lo com parâmetros
dinâmicos, certamente precisa de análises prescritivas para ele. Esse campo relativamente novo trata de fornecer conselhos. Em
outros termos, ele não apenas prevê, mas também sugere uma série de ações prescritas e resultados associados. O melhor
exemplo disso é o carro autônomo. Podem ser executados algoritmos a partir de dados coletados no veículo de forma a gerar certa
autônima. Isso permitirá que seu carro tome decisões, como quando virar, que caminho seguir, quando desacelerar ou acelerar.
APRENDIZADO DE MÁQUINA PARA FAZER PREVISÕES
Se você tem dados transacionais de uma empresa financeira e precisa criar um modelo para determinar a tendência futura, os
algoritmos de aprendizado de máquina são a melhor aposta. Isso se enquadra no paradigma da aprendizagem supervisionada. É
chamado de supervisionado porque você já tem os dados com base nos quais pode treinar suas máquinas. Por exemplo, um modelo
de detecção de fraude pode ser treinado usando um registro histórico de compras fraudulentas.
APRENDIZADO DE MÁQUINA PARA DESCOBERTA DE PADRÕES
Se você não tem os parâmetros com base nos quais pode fazer previsões, então você precisa descobrir os padrões ocultos dentro
do conjunto de dados para poder fazer previsões significativas. Isso nada mais é do que o modelo não supervisionado, pois você
não tem rótulos predefinidos para agrupamento. O algoritmo mais comum usado para descoberta de padrões é o armazenamento
em grupo (cluster). Digamos que você esteja trabalhando em uma companhia telefônica e precise estabelecer uma rede de torres
para celular em uma região. Você pode usar a técnica de agrupamento para encontrar os locais das torres que garantirão que todos
os usuários recebam a intensidade de sinal ideal.
Foto: Shutterstock.com.
ANÁLISE DE DADOS
Digamos que esteja gerando dados sobre seu negócio. Você tem dados à sua disposição e poderia abrir em uma única planilha e, se
o fizesse, passaria horas percorrendo-os sem fazer nada. Porém os dados estão aí. Ele existe e isso significa que há algo valioso
nele.
A ANÁLISE DE DADOS, A PRIMEIRA SUBCATEGORIA DA CIÊNCIA DE DADOS, TRATA
DE FAZER ESTES TIPOS DE PERGUNTAS: MAS O QUE ISSO SIGNIFICA? O QUE ESTÁ
ACONTECENDO? O QUE VOCÊ PODE APRENDER? E O MAIS IMPORTANTE, COMO
VOCÊ PODE USÁ-LO PARA TORNAR SEU NEGÓCIO MELHOR?
Então, você precisa entender como os dados surgiram e quais são os objetivos do negócio ou do processo subjacente para fazer um
bom trabalho analítico. As variações neste contexto explicam por que quase nenhuma função da ciência de dados é exatamente
igual. Você não poderia sair e tentar entender por que os usuários estão deixando uma plataforma de mídia social se não entender
como essa plataforma funciona.
EXPERIMENTAÇÃO
A experimentação está no centro de muitos trabalhos modernos com dados. O aumento significativo do uso desse tipo de técnica se
deve à melhoria dos sistemas computacionais.
Atualmente, quase qualquer interação digital está sujeita à experimentação. Se você possui uma empresa, por exemplo, pode dividir,
testar e tratar toda a sua base de usuários em um instante. Esteja você tentando criar uma página inicial mais atraente ou aumentar
a probabilidade de seus clientes abrirem e-mails que você lhes envia, tudo está aberto para experimentos.
Imagem: Shutterstock.com.
E por outro lado, embora possa não ter notado, é quase certo que você já fez parte do experimento de algumas empresas enquanto
elas tentam iterar em direção a um negócio melhor.
VOCÊ SABIA
Você certamente já comprou algum produto em um site e recebeu novas sugestões de acordo com que você comprou. Esse é um
exemplo de experimento sendo feito pelo site tentando descobrir suas preferências.
A ciência de dados é essencial nesse processo. Embora configurar e executar tais experimentos tenha ficado mais fácil, fazer da
maneira certa não ficou. Saber como executar um experimento eficaz, manter os dados limpos e analisá-los quando forem recebidos
fazem parte do repertório do especialista em dados e podem ter um enorme impacto em qualquer negócio.
Imagem: Shutterstock.
MACHINE LEARNING
O aprendizado de máquina (Machine Learning ou apenas ML) é provavelmente a parte mais em evidência da ciência de dados.
OS ESPECIALISTAS EM DADOS DEFINEM O APRENDIZADO DE MÁQUINA COMO O
PROCESSO DE USAR MÁQUINAS (TAMBÉM CONHECIDO COMO COMPUTADOR) PARA
ENTENDER MELHOR UM PROCESSO OU SISTEMA E RECRIAR, REPLICAR OU
AUMENTAR ESSE SISTEMA.
Em alguns casos, as máquinas processam dados para desenvolver algum tipo de compreensão do sistema subjacente que os
gerou. Em outros, as máquinas processam dados e desenvolvem novos sistemas para entendê-los.Esses métodos costumam ser
baseados em “algoritmos” que ouvimos tanto quando as pessoas comentam sobre o Google ou a Amazon.
Um algoritmo é basicamente uma coleção de instruções para um computador realizar alguma tarefa específica, como se fosse uma
receita. Você pode construir muitas coisas diferentes com algoritmos, e todos eles serão capazes de realizar tarefas ligeiramente
diferentes.
APRENDIZADO SUPERVISIONADO
Trata-se de prever algo que você já viu antes. Você tenta analisar qual foi o resultado do processo no passado e construir um
sistema que tenta extrair o que é importante e fazer previsões para a próxima vez que isso acontecer. Desde prever que números
podem sair em um sorteio, até em qual anúncio você tem mais probabilidade de clicar, e quem vai ganhar a próxima eleição.
O APRENDIZADO SUPERVISIONADO PODE AJUDAR A PREVER TODAS ESSAS
RESPOSTAS. FUNCIONA PORQUE JÁ VIMOS ISSO ANTES: ASSISTIMOS AO OSCAR E
PUDEMOS DESCOBRIR O QUE TORNA UM FILME COM MAIS PROBABILIDADE DE
VENCER; TIVEMOS ELEIÇÕES E PUDEMOS DETERMINAR O QUE FAZ ALGUÉM VOTAR
EM DETERMINADO CANDIDATO.
Antes de o aprendizado de máquina ser desenvolvido, as pessoas tentavam fazer algumas dessas previsões manualmente, olhando
para o número de indicações ao Oscar que um filme recebe e escolhendo aquele com mais chances de ganhar. O que o
aprendizado de máquina nos permite fazer é operar em uma escala muito maior e escolher preditores ou recursos muito melhores
para construir nosso modelo. Isso leva a previsões mais precisas, baseadas em indicadores mais sutis do que provavelmente
acontecerá.
APRENDIZADO NÃO SUPERVISIONADO
Você pode trabalhar muito em aprendizado de máquina sem um objetivo ou resultado observado. Esse tipo de aprendizado de
máquina, denominado aprendizado não supervisionado, está menos preocupado em fazer previsões do que em entender e
identificar relacionamentos ou associações que possam existir nos dados.
Uma técnica comum de aprendizado não supervisionado é o algoritmo K-Means. Essa técnica calcula a distância entre diferentes
pontos de dados e agrupa dados semelhantes.
K-MEANS
Algoritmo que “clusteriza” – agrupa dados e os classifica em conjuntos que se assemelham de alguma forma.
EXEMPLO
No recurso de “sugestões de novos amigos”, o Facebook calcula a distância entre os usuários medida pelo número de “amigos” que
esses usuários têm em comum. Quanto mais amigos mútuos entre dois usuários, “menor” será a distância entre dois usuários.
Depois de calcular essas distâncias, surgem padrões, e os usuários com conjuntos semelhantes de amigos em comum são
agrupados em um processo chamado clustering (agrupamento).
Embora a resposta da aprendizagem supervisionada e a da não supervisionada tenham objetivos diferentes, é importante notar que,
em situações do mundo real, muitas vezes elas ocorrem simultaneamente. A Netflix é o exemplo mais notável disso, pois usa um
algoritmo frequentemente conhecido como sistema de recomendação para sugerir novos conteúdos aos seus clientes.
APRENDIZAGEM POR REFORÇO
O aprendizado por reforço pode ser um fator crucial para o aprendizado de máquina.
O QUE DIFERENCIA O APRENDIZADO POR REFORÇO DOS OUTROS TIPOS DE
APRENDIZADO DE MÁQUINA É A NECESSIDADE DE UM CICLO DE FEEDBACK ATIVO.
ENQUANTO O APRENDIZADO SUPERVISIONADO E NÃO SUPERVISIONADO PODE
DEPENDER DE DADOS ESTÁTICOS (UM BANCO DE DADOS, POR EXEMPLO) E
RETORNAR RESULTADOS ESTÁTICOS PORQUE OS RESULTADOS OU DADOS NÃO
MUDARÃO, O APRENDIZADO POR REFORÇO REQUER UM CONJUNTO DE DADOS
DINÂMICO QUE INTERAGE COM O MUNDO REAL.
Por exemplo, pense em como as crianças pequenas exploram o mundo. Elas podem tocar em algo quente, receber feedback
negativo (uma queimadura) e eventualmente (com sorte) aprender a não fazer isso novamente. Na aprendizagem por reforço, as
máquinas aprendem e constroem modelos da mesma maneira.
EXEMPLO
Há muitos casos de aprendizagem por reforço em ação nos últimos 25 anos. Um dos primeiros e mais conhecidos foi o Deep Blue,
um computador para jogar xadrez criado pela IBM. Usando o aprendizado por reforço (entender quais movimentos eram bons e
quais eram ruins), o Deep Blue jogava cada vez melhor após cada oponente. Ele logo se tornou uma força formidável dentro da
comunidade do xadrez e, em 1996, derrotou o famoso campeão Garry Kasparov.
Foto: Shutterstock.com.
CIÊNCIA DE DADOS NA MANUFATURA
Nos últimos anos, a ciência de dados viu um imenso influxo em várias aplicações industriais em vários processos. Atualmente,
podemos ver a ciência de dados aplicada na área de saúde, no atendimento ao cliente, entre governos, na segurança cibernética, na
mecânica, na indústria aeroespacial etc.
Entre eles, a manufatura ganhou mais destaque para atingir um objetivo simples de Just-in-Time (JIT). Nos últimos 100 anos, a
manufatura passou por três grandes revoluções industriais, e atualmente estamos passando pela quarta revolução industrial, em que
dados de máquinas, ambiente e produtos estão sendo coletados para nos aproximarmos desse objetivo simples do Just-in-Time:
“Fazendo os produtos certos, nas quantidades certas e na hora certa”.
MAS POR QUE O JIT É TÃO IMPORTANTE NA MANUFATURA?
RESPOSTA
A resposta é simples: reduzir o custo de fabricação, melhorar a qualidade com monitoramento das não conformidade/defeitos e
tornar os produtos mais acessíveis a todos.
As aplicações da ciência de dados na manufatura são diversas: manutenção preditiva, qualidade preditiva, análise de segurança,
análise de garantia, monitoramento de instalações de fábrica, visão computacional, previsão de vendas, previsão de KPIs
(indicadores) e muitos mais.
A implantação dos processos de qualidade gera oportunidades de melhorias na fabricação, conforme ilustra a imagem.
Imagem: Mauro Rezende Filho.
DESAFIOS PARA A APLICAÇÃO DA CIÊNCIA DE DADOS
Os desafios da utilização da ciência dos dados estão relacionados tanto à sua implantação como à continuidade de uso. A
implantação da ciência de dados na produção ainda é um grande desafio.
Uma vez implantada, a ciência de dados precisa ser frequentemente atualizada. As fontes e os tipos de dados disponíveis mudam
rapidamente, assim como os métodos disponíveis para sua análise.
Tal crescimento contínuo de possibilidades torna muito limitado confiar em padrões cuidadosamente projetados e acordados ou
trabalhar somente dentro da estrutura de ferramentas proprietárias.
À primeira vista, colocar a ciência de dados em produção pode parecer trivial: basta executá-lo no servidor de produção ou no
dispositivo escolhido, certo? Mas, em um exame mais detalhado, fica claro que o que foi construído durante a criação da ciência de
dados não é o que está sendo colocado em produção.
Como exemplo, vamos comparar isso ao chefe de um restaurante classe A que cria receitas em sua cozinha experimental e, após
aprovadas, publica em sua rede social. O caminho para a receita perfeita envolve experimentar novos ingredientes e otimizar
parâmetros: quantidades, tempos de cozimento, temperos etc. Somente quando satisfeitos, os resultados, ou seja, a lista de
ingredientes, quantidades e procedimento para preparar o prato são escritos como uma receita, a qual então é disponibilizada via
site para os milhões de cozinheiros domésticos.
Foto: Shutterstock.com.
Trata-se de algo muito semelhante a encontrar uma solução para um problema de ciência de dados. Durante a criação da ciência de
dados, diferentes fontes de dados são investigadas, os dados são combinados, agregados e transformados. Em seguida, vários
modelos (ou mesmo combinações de modelos) com muitas configurações de parâmetros possíveis são testados e otimizados.
ATENÇÃO
O que colocamos em produção não é toda essa experimentação e otimização de parâmetro/modelo, mas, sim, a combinação das
transformações de dados escolhidas com os melhores (conjunto de) modelos finais aprendidos.
Isso ainda parece fácil, mas é aqui que a lacuna geralmente é maior. A maioria das ferramentas permite que apenas um subconjuntode modelos possíveis seja exportado, sendo que muitos até ignoram o pré-processamento completamente. Como resultado, o
especialista em dados ou a equipe de analistas/programadores precisa adicionar a combinação de dados e transformações
selecionadas manualmente, juntar isso com a biblioteca de modelos e agrupar tudo em outro aplicativo para que possa ser colocado
em produção. Muitos detalhes podem se perder nas transformações. É o que em tecnologia da informação chamamos de bugs
(erros).
Para o nosso chefe de cozinha acima, essa tradução do manual não é um grande problema. Ele só cria ou atualiza suas receitas a
cada dois anos e pode passar um dia traduzindo os resultados de sua experimentação em uma receita que funciona em uma
cozinha típica de uma casa.
PARA NOSSA EQUIPE DE CIÊNCIA DE DADOS, TRATA-SE DE UM PROBLEMA MUITO
MAIOR: ELES QUEREM SER CAPAZES DE ATUALIZAR MODELOS, IMPLANTAR NOVAS
FERRAMENTAS E USAR NOVAS FONTES DE DADOS SEMPRE QUE NECESSÁRIO, O
QUE PODE SER DIARIAMENTE OU MESMO DE HORA EM HORA. ADICIONAR ETAPAS
MANUAIS INTERMEDIÁRIAS NÃO APENAS TORNA ESSE PROCESSO UM
RASTREAMENTO LENTO, MAS TAMBÉM ADICIONA MUITAS FONTES ADICIONAIS DE
ERRO.
O diagrama a seguir mostra como a criação e a produção da ciência de dados se entrelaçam. Isso é inspirado no ciclo clássico do
CRISP-DM (Cross Industry Standard Process for Data Mining - Processo Padrão Interindústrias para Mineração de Dados), mas dá
ênfase à natureza contínua da implantação da ciência de dados e à necessidade de monitoramento constante, atualização
automática e feedback do lado dos negócios para melhorias e otimizações contínuas. Ele também distingue mais claramente as
duas atividades diferentes: criar ciência de dados e colocar o processo de ciência de dados resultante em produção.
Imagem: Mauro Rezende Filho.
A implantação integrada remove a lacuna entre a criação e a produção da ciência de dados, permitindo que o especialista em dados
modele a criação e a produção no mesmo ambiente, capturando as partes do processo que são necessárias para a implantação. Por
isso, qualquer alteração feita na criação de ciência de dados é refletida automaticamente na extração implementada também. Isso é
conceitualmente simples, mas não necessariamente fácil de realizar.
ATENÇÃO
Se o ambiente de ciência de dados for uma linguagem de programação ou script (roteiro), você deve ser extremamente detalhista
sobre a criação de sub-rotinas adequadas para cada aspecto do processo geral, que pode ser útil para a implantação, garantindo
que os parâmetros necessários sejam passados corretamente entre as bases de código. Na verdade, você deve escrever dois
programas ao mesmo tempo, garantindo que todas as dependências entre os dois sejam sempre observadas. É fácil perder uma
pequena parte da transformação de dados ou um parâmetro necessário para aplicar o modelo de maneira adequada.
APLICAÇÃO DA CIÊNCIA DE DADOS NA MANUFATURA
A manufatura enfrenta grandes transformações atualmente. Devido ao rápido desenvolvimento do mundo digital e ampla aplicação
da ciência de dados, vários campos da atividade humana buscam melhorias.
A MANUFATURA MODERNA É FREQUENTEMENTE REFERIDA COMO INDÚSTRIA 4.0,
QUE É A MANUFATURA SOB AS CONDIÇÕES DA QUARTA REVOLUÇÃO INDUSTRIAL,
A QUAL TROUXE A ROBOTIZAÇÃO, A AUTOMAÇÃO E A AMPLA APLICAÇÃO DE
DADOS.
A quantidade de dados a serem armazenados e processados cresce a cada dia. Portanto, as empresas de manufatura de hoje
precisam encontrar novas soluções e casos para uso desses dados. Claro, os dados trazem seus benefícios para as empresas, pois
permitem automatizar processos em grande escala e acelerar o tempo de execução, mas devem sempre ser analisados com
cuidado.
Veja a seguir alguns métodos de aplicação da ciência de dados na manufatura:
ANÁLISE PREDITIVA
A análise preditiva é a análise dos dados atuais para prever e evitar situações problemáticas com antecedência. Os gestores estão
interessados em monitorar o funcionamento da empresa e seu alto desempenho. Encontrar a melhor maneira possível de conter
questões problemáticas, superar dificuldades ou impedir que elas aconteçam são oportunidades para os gestores que usam a
análise preditiva. A implementação de análises preditivas permite lidar com os desperdícios (superprodução, tempo ocioso, logística,
estoque etc.).
Imagem: Shutterstock.com.
PREVISÃO DE FALHA E MANUTENÇÃO PREVENTIVA
Imagem: Shutterstock.com.
Ambos os modelos de previsão têm como objetivo prever o momento em que o equipamento deixa de realizar a tarefa. Como
resultado, o objetivo secundário pode ser alcançado, ou seja, evitar que essas falhas aconteçam ou, pelo menos, reduzir seu
número. Isso se torna possível devido às inúmeras técnicas preditivas.
A manutenção preventiva geralmente é aplicada ao equipamento que ainda está funcionando para diminuir a probabilidade de falha.
Existem 2 tipos principais de manutenção preventiva: baseada no tempo e baseada no uso. O maior ponto forte da manutenção
preventiva é o planejamento.
ATENÇÃO
Tendo em mãos a previsão de problemas futuros com o equipamento, o fabricante pode planejar uma pausa ou parada para reparo.
Essas interrupções geralmente são feitas para evitar atrasos e falhas consideráveis.
PREVISÃO DE DEMANDA E GERENCIAMENTO DE ESTOQUE
A previsão de demanda é um processo complexo que envolve análise de dados e trabalho massivo de analistas e especialistas.
Além disso, tem fortes relações com a gestão de estoque. Um simples fato pode explicar essa inter-relação: a previsão de demanda
usa os dados da cadeia de suprimentos.
Imagem: Shutterstock.com.
Tal processo traz muitos benefícios para os fabricantes. Em primeiro lugar, dá a oportunidade de controlar melhor o estoque e reduzir
a necessidade de armazenar quantidades significativas de produtos inúteis. Além disso, o software de gerenciamento de inventário
on-line ajuda a coletar dados que podem ser de grande utilidade para análises posteriores.
SAIBA MAIS
A previsão de demanda e o gerenciamento de estoque levam em consideração vários fatores, entre os quais fatores externos, como
a economia ou mercados, disponibilidade de matéria-prima etc.
OTIMIZAÇÃO DE PREÇOS
A fabricação e venda do produto envolve levar em consideração vários fatores e critérios que influenciam o preço do produto. Todos
os elementos desde o preço inicial da matéria-prima até os custos de distribuição contribuem no preço final do produto.
Imagem: Shutterstock.com.
E O QUE ACONTECE QUANDO O CLIENTE ACHA ESSE PREÇO
INADEQUADO?
A otimização de preços é o processo de encontrar o melhor preço possível tanto para o fabricante quanto para o cliente, nem muito
alto nem muito baixo. As soluções modernas de otimização de preços podem aumentar seu lucro de forma eficiente. Essas
ferramentas agregam e analisam dados de preços e custos de fontes internas e de seus concorrentes e derivam variantes de preços
otimizados.
ATENÇÃO
Sob condições de mercado altamente competitivo e mudanças nas necessidades dos clientes, a otimização de preços se torna uma
obrigação e cresce em um processo contínuo.
ANÁLISE DE GARANTIA
Os fabricantes gastam altos valores todos os anos para apoiar reclamações de garantia. As reivindicações de garantia divulgam
informações valiosas sobre a qualidade e confiabilidade do produto. Eles ajudam a revelar avisos precoces ou defeitos do produto.
Usando esses dados, o fabricante pode fazer melhorias nos produtos existentes ou desenvolver novos, mais eficazes e eficientes.
Imagem: Shutterstock.com.
SAIBA MAIS
As soluções de análise de garantia modernas ajudam os fabricantes a processar grandes volumes de dados relacionados à garantia
de diversas fontes e a aplicar esse conhecimento para descobrir onde os problemas de garantia estão aumentando e os motivos de
sua ocorrência.
ROBOTIZAÇÃO
Os robôs estão mudando a cara da manufatura. Atualmente, é uma causa comum utilizar robôs para realizar tarefas rotineiras, que
podem ser difíceis ou perigosas paraas pessoas.
As fábricas tendem a investir mais a cada ano na robotização de suas empresas. Os modelos de robôs com IA (Inteligência Artificial)
ajudam a satisfazer a demanda cada vez maior. Além disso, os robôs industriais contribuem amplamente para o aumento da
qualidade do produto. Todos os anos, modelos atualizados chegam ao chão de fábrica para revolucionar as linhas de produção. Eles
são diretos e estão cada vez mais acessíveis às empresas.
Foto: Shutterstock.com.
DESENVOLVIMENTO DE PRODUTO
Big Data trouxe grandes oportunidades para empresas de manufatura no que diz respeito ao desenvolvimento de produtos. Os
fabricantes usam a vantagem do Big Data para entender melhor seus clientes, atender à demanda e satisfazer suas necessidades.
Assim, os dados podem ser usados para desenvolver novos produtos ou para melhorar os já existentes.
Imagem: Shutterstock.com.
Usando Big Data para o desenvolvimento de produtos, os fabricantes podem projetar um produto com maior valor para o cliente e
minimizar os riscos associados à introdução de um novo produto no mercado.
As percepções acionáveis são levadas em consideração durante a modelagem e o planejamento. Esses dados podem fortalecer o
processo de tomada de decisão. Além disso, as ferramentas de gerenciamento de dados são amplamente aplicadas para otimizar os
aspectos operacionais da cadeia de distribuição.
VOCÊ SABIA
O processamento do feedback do cliente e o fornecimento desses dados aos profissionais de marketing de produto podem contribuir
para o estágio de geração de ideias. Assim, pode-se desenvolver um novo produto que se mostre mais útil para os clientes e mais
lucrativo para os fabricantes.
APLICATIVOS DE VISÃO COMPUTACIONAL
As tecnologias baseadas em IA e os aplicativos de visão computacional encontraram seu uso na fabricação no estágio de controle
de qualidade. Nesse sentido, a identificação e a detecção e classificação de objetos provaram ser muito eficientes. Normalmente, o
monitoramento do controle de qualidade era realizado por pessoas. No entanto, agora é mais comum confiar na visão computacional
do que na visão humana.
Imagem: Shutterstock.com.
Esses sistemas de monitoramento geralmente consistem em hardware e software de computador, câmeras e iluminação para
captura de imagens. Depois disso, essas imagens são comparadas algoritmicamente aos padrões para identificar discrepâncias.
ENTRE AS PRINCIPAIS VANTAGENS DOS APLICATIVOS DE VISÃO COMPUTACIONAL
ESTÃO:
Controle aprimorado da qualidade
Diminuição no custo mão de obra
Capacidade de processamento de alta velocidade
Operabilidade contínua
GERENCIANDO O RISCO DA CADEIA DE SUPRIMENTOS
As cadeias de suprimentos sempre foram complexas e imprevisíveis. O risco sempre fez parte dos processos de fabricação e
entrega do produto. Usar a análise de Big Data para gerenciar o risco da cadeia de suprimentos pode ser bastante benéfico para os
fabricantes. Com a ajuda de análises, as empresas podem prever atrasos potenciais e calcular as probabilidades das questões
problemáticas. As empresas usam análises para identificar fornecedores de backup e desenvolver planos de contingência.
Imagem: Shutterstock.com.
ATENÇÃO
Para acompanhar as tendências em constante mudança, a aplicação da análise de dados em tempo real é essencial. A previsão e o
gerenciamento do possível risco são cruciais para a operação de um negócio de manufatura de sucesso.
Usualmente as empresas coletam grandes quantidades de dados que são negligenciados ou subutilizados. A aplicação dos métodos
estudados acima permite a extração de informações significativas e da descoberta de insights aplicáveis. Esses dados podem ser
usados para tomar decisões críticas e gerar mudanças significativas nos negócios. Também podem ser usados para otimizar o
sucesso do cliente e subsequente aquisição, retenção e crescimento.
A área de manufatura está passando por mudanças consideráveis devido ao desenvolvimento de tecnologias e ao surgimento de
soluções de ML e IA. Junto com a previsão de possíveis riscos, demanda e requisitos do mercado, a análise de dados pode ajudar a
acompanhar os padrões de alta qualidade e métricas de qualidade. Além disso, a incorporação de técnicas de dados inteligentes na
fabricação pode ajudar a prever desperdícios ou problemas inesperados.
VERIFICANDO O APRENDIZADO
1. (FCC 2018 - MPE-PE - ANALISTA MINISTERIAL - INFORMÁTICA) UMA ORGANIZAÇÃO QUE LIDA
COM UM GRANDE VOLUME DE DADOS ESTRUTURADOS E NÃO ESTRUTURADOS OBJETIVA
ORGANIZAR ESSES DADOS PARA ENCONTRAR INSIGHTS NECESSÁRIOS PARA O NEGÓCIO
USANDO TÉCNICAS DE APRENDIZAGEM DE MÁQUINA. TERÁ MAIORES CHANCES DE SUCESSO
PARA ATINGIR SEUS OBJETIVOS INVESTINDO NA ÁREA DE:
A) Data Science (Ciência de Dados)
B) Business Intelligence
C) Big Data
D) Governança de Dados
E) Qualidade de Dados
2. À MEDIDA QUE A MANUFATURA AVANÇA MAIS PROFUNDAMENTE NA ERA DIGITAL, HÁ MAIS
OPORTUNIDADES DO QUE NUNCA PARA TRANSFORMAR A PRODUÇÃO DE ROTINA EM DADOS QUE
FAZEM A DIFERENÇA. ISSO OCORRE PRINCIPALMENTE DEVIDO À MATURAÇÃO DO BIG DATA — UM
TERMO GENÉRICO PARA UM CONJUNTO DE TÉCNICAS DE ARMAZENAMENTO, ORGANIZAÇÃO E
ANÁLISE DESENVOLVIDAS PARA CONJUNTOS MASSIVOS DE DADOS. PORTANTO, É CORRETO O
QUE SE AFIRMA EM:
A) O grande volume e a complexidade de grandes conjuntos de dados, bem como o número de ferramentas, técnicas e práticas
recomendadas específicas para trabalhar com eles, levaram ao amadurecimento do campo da ciência de dados e da análise de Big
Data dentro e ao redor da manufatura.
B) Seja um pequeno desvio das normas de qualidade de uma peça fresada ou na quantidade de calor gerada pela própria usina, a
análise de Big Data dificilmente possibilitará separar o sinal do ruído.
C) Existem inúmeros fatores que afetam o rendimento da produção. A análise de dados terá dificuldade em monitorá-los.
D) Em alguns ramos de atividade (indústria farmacêutica e biotecnológica), as indústrias que estão no mercado encontram
dificuldade em multiplicar todos os meses o valor da vida útil de um produto.
E) É importante entender que a análise de Big Data não é apenas uma questão de software.
GABARITO
1. (FCC 2018 - MPE-PE - Analista Ministerial - Informática) Uma organização que lida com um grande volume de dados
estruturados e não estruturados objetiva organizar esses dados para encontrar insights necessários para o negócio usando
técnicas de aprendizagem de máquina. Terá maiores chances de sucesso para atingir seus objetivos investindo na área de:
A alternativa "A " está correta.
Ciência de dados é a área do conhecimento que estuda como tratar, analisar e obter informações a partir de conjuntos de dados
grandes demais para serem analisados por sistemas tradicionais.
2. À medida que a manufatura avança mais profundamente na era digital, há mais oportunidades do que nunca para
transformar a produção de rotina em dados que fazem a diferença. Isso ocorre principalmente devido à maturação do Big
Data — um termo genérico para um conjunto de técnicas de armazenamento, organização e análise desenvolvidas para
conjuntos massivos de dados. Portanto, é correto o que se afirma em:
A alternativa "B " está correta.
Alternativa A errada: Big Data não é apenas uma questão de software. Há uma quantidade enorme de hardware e infraestrutura
necessária para oferecer suporte à Inteligência Artificial (IA), aprendizado de máquina e algoritmos de aprendizado profundo.
Alternativa C errada: Algoritmos modernos tornam possível identificar anomalias com muita significância estatística.
Alternativa D errada: O Big Data pode ajudá-lo a encontrar padrões ocultos em seus processos, permitindo que você busque
iniciativas de melhoria contínua com maior certeza.
Alternativa E errada: A IA obtém informações de produtos anteriores e fatores críticos de mercado para ajudar a otimizar o valor que
seus produtos criam no decorrer do tempo.
Única alternativa correta é a B.
MÓDULO 2
 Identificar a aquisição e coleta de dados no contexto dos processosprodutivos
A AQUISIÇÃO E COLETA DE DADOS NO CONTEXTO DOS PROCESSOS
PRODUTIVOS
Foto: Shutterstock.com.
DEFINIÇÃO E OBJETIVOS DE UM SISTEMA PDA
(PRODUCTION DATA COLLECTION)
À medida que avançamos em direção à Indústria 4.0, fica claro que a coleta e a utilização de dados de qualidade serão essenciais
para o sucesso na nova era de produção. A coleta de dados de qualidade não apenas ajuda a criar percepções que permitem aos
fabricantes melhorar a produtividade, a qualidade e a lucratividade, mas também é um primeiro passo em direção à indústria de
manufatura baseada em dados de alta tecnologia.
EMBORA JÁ EXISTAM MUITOS SISTEMAS QUE PERMITEM ÀS EMPRESAS COLETAR,
ANALISAR E AGIR RAPIDAMENTE COM BASE NOS DADOS QUE SAEM DO CHÃO DE
FÁBRICA, OS INDICADORES MOSTRAM QUE ELES CAPTURAM APENAS UMA
PEQUENA PARTE DO PROCESSO DE PRODUÇÃO. AS ESTIMATIVAS SÃO DE QUE
MENOS DE 5% DAS MÁQUINAS SEJAM MONITORADAS DIGITALMENTE, COM ÊNFASE
PRINCIPAL EM PROCESSOS DE ESTÁGIO FINAL OU DE ALTO VALOR.
Mas suponha que os dados do chão de fábrica contribuam para um processo de produção inovador e altamente competitivo. Nesse
caso, um grande esforço deve ser feito para adquirir um conjunto de dados que seja representativo de todo o processo de produção.
É aqui que a aquisição de dados de produção e suas ferramentas relacionadas são vitais.
O QUE É AQUISIÇÃO DE DADOS DE PRODUÇÃO?
Aquisição de dados de produção (PDA) coleta dados sobre os processos de uma empresa. É o monitoramento, o rastreamento e a
coleta deliberados de dados de produção ou operação, de maneira que os tornem úteis e relevantes para atingir metas, produção ou
produtividade em uma organização.
PDA
Também chamada de BDE (Borland Database Engine - motor de banco de dados) ou PDC (Process Data Collection - processo
de coleta de dados).
O OBJETIVO DO PDA É COLETAR DADOS QUE AJUDEM A TORNAR O PROCESSO DE
PRODUÇÃO MAIS ENXUTO, MAIS FLEXÍVEL, DE FORMA SUSTENTÁVEL E MAIS
LUCRATIVA.
Embora a última metade do século tenha testemunhado inovações incrementais que permitiram aos fabricantes reduzir o
desperdício e a variabilidade enquanto melhoravam drasticamente a qualidade e o rendimento, ainda há um caminho a percorrer. A
variabilidade no processo de fabricação continua sendo um fato em vários setores, como mineração, produtos farmacêuticos e
produtos químicos etc.
Imagem: Shutterstock.com.
Coletar e explorar dados de alto valor sobre todo o processo de produção, ou segmentos incrementais, pelo menos, pode ajudar as
empresas a avaliar e melhorar suas práticas de produção. As medidas atuais de coleta de dados em vários setores já permitem uma
abundância de dados de chão de fábrica em tempo real.
Quando isso é combinado com um sistema de PDA que pode coletar e agregar esses dados da maneira mais significativa em todo o
espectro de produção, as organizações podem começar a desfrutar do verdadeiro valor de seus dados.
Ao implementar um sistema PDA, as empresas podem ganhar maior transparência no processo de produção e aprender mais sobre
quantidades, qualidade, tempos ou processos de produção operacionais. Com essa transparência elevada e controle preciso sobre o
processo, o sistema PDA pode isolar os elementos mais significativos do processo de produção e melhorar continuamente esses
componentes. Também podem obter maior controle sobre os custos de produção, garantindo que a organização possa crescer de
forma sustentável.
O QUE SÃO DADOS OPERACIONAIS NA PRODUÇÃO?
O PDA trata da coleta de dados sobre os processos de produção. Mas quais tipos de dados exatamente são relevantes para a coleta
por meio de um sistema de PDA? Certamente estamos nos referindo a dados operacionais.
OS DADOS OPERACIONAIS EM UMA ORGANIZAÇÃO SÃO OS DADOS
ORGANIZACIONAIS E TÉCNICOS TOTAIS QUE CONTRIBUEM PARA OU SÃO
PRODUZIDOS DURANTE O PROCESSO DE PRODUÇÃO. ESSES DADOS ASSUMEM
VÁRIAS FORMAS E INCLUEM DADOS DE PEDIDO, PESSOAL, MÁQUINA E PROCESSO.
ANTES DE CONSIDERARMOS OS ELEMENTOS DE CADA UM DESSES GRUPOS DE
DADOS, É CRUCIAL ENTENDER POR QUE A ÊNFASE ESTÁ NOS DADOS
OPERACIONAIS.
As organizações estão cada vez mais aproveitando o acesso a uma abundância de dados. Fluxos de dados massivos diários são
produzidos no chão de fábrica em muitas formas, incluindo a eletrônica, a automatizada e manual. Porém, nem todos esses dados
podem ser úteis para melhorar o processo de produção.
ATENÇÃO
Alguns dos dados que estão sendo coletados podem ser sobre eventos que não são úteis para reunir informações importantes ou
derivar insights valiosos. Por isso, é necessário ter certeza de que rastreia e coleta os dados corretos.
Veja a seguir os tipos de dados coletados que podem ser úteis:
DADOS RELACIONADOS A PEDIDOS
DADOS DE PESSOAL
DADOS DA MÁQUINA
DADOS DO PROCESSO
DADOS RELACIONADOS A PEDIDOS
Os dados relacionados a pedidos no processo de PDA incluem dados de fabricação, como qualidades, quantidades, pesos,
contagens e tempos. Eles também fornecem o status do pedido, o andamento do trabalho e a confirmação do trabalho executado
em operações individuais. Este grupo de dados representa os elementos relacionados à origem dos pedidos e ao início do ciclo de
vida dos produtos na fabricação.
DADOS DE PESSOAL
Os dados de pessoal incluem dados relativos à mão de obra do chão de fábrica, como horas de trabalho, controle de acesso e
responsabilidades da linha de montagem. Também incluem atendimento e trabalho real executado na linha.
DADOS DA MÁQUINA
Os dados da máquina cobrem todos os dados relativos ao núcleo das atividades da linha de produção. Incluem a frequência de
comutação das máquinas, interrupções, duração e quantidades de produção. Além disso, cobrem falhas, mensagens, intervenções
do pessoal de serviço, dados de manutenção, consumo de materiais, temperatura e outros pontos de dados estatisticamente
significativos.
DADOS DO PROCESSO
Por último, os dados do processo rastreiam os parâmetros do processo, modificações do projeto, análise de qualidade, testes e
pontos de dados semelhantes.
APLICAÇÃO DE UM SISTEMA PDA
Um sistema PDA facilita a coleta, o armazenamento e a transmissão de dados relativos a todo o processo de produção. Pode-se
dizer que um sistema PDA visa coletar automaticamente os dados de produção que são gerados durante o processamento das
ordens de produção e operações associadas.
Os dados podem ser registrados diretamente por meio do sistema de controle da máquina ou de forma manual. Um trabalhador
transmite mensagens de status ou quantidade para o sistema PDA por meio de um terminal em produção. Obviamente, é mais
desejável implementar um sistema automático de aquisição e armazenamento de dados. A aquisição manual de dados apenas
aumenta a possibilidade de erros e reduz a produtividade do trabalhador.
USANDO UM SISTEMA PDA, OS DADOS REGISTRADOS PODEM SER TRANSFERIDOS
PARA UM SISTEMA PPS (SISTEMA DE PLANEJAMENTO DE PRODUÇÃO) OU ERP
(PLANEJAMENTO DE RECURSOS EMPRESARIAIS). A TRANSFERÊNCIA DE DADOS
BIDIRECIONAL OCORRE EM TEMPO REAL E, PORTANTO, CRIA UMA BASE DE DADOS
VÁLIDA E CONSISTENTE PARA TODOS OS OUTROS SISTEMAS DE CONTROLE DE
PRODUÇÃO.
Por fim, o PDA automático também reduz a carga de trabalho dos funcionários, uma vez que não há mais anotações a serem
preenchidas e entregues em mãos. Os funcionários podem se concentrar mais em suas tarefas principais. Assim, o sistema de PDA
de certa forma será a base para o cálculo de índices como a eficiência geral do equipamento (OEE) e uma infinidade de avaliações
que podem ser usadas para otimizar o processo de produção.
Imagem: Shutterstock.com.
CARACTERÍSTICAS DE UM SISTEMA PDA
Um sistema PDA moderno deve ter características específicas para garantir a eficiência ideal.
FACILIDADE DE USO
A usabilidade ou facilidade de iteração do sistema PDA é decisiva para a aceitação do usuário. Se o sistema for de uso intuitivo, ele
pode apoiar o usuário em seu trabalho de forma otimizada. Isso garante que os dados estão corretos e formam uma base válida.
TECNOLOGIAA atualidade da tecnologia também é essencial. Quando ela está desatualizada, toda expansão se torna um risco. Infelizmente,
como todo usuário de smartphone sabe, a tecnologia se torna obsoleta muito rapidamente. Assim, mesmo os sistemas que eram
modernos há alguns anos já estão muito desatualizados atualmente. Os sistemas de hoje devem ser baseados na web e
controláveis a partir de qualquer dispositivo. Ao mesmo tempo, eles precisam oferecer alto desempenho para lidar com qualquer
volume de dados.
IMPLEMENTAÇÃO
O sistema PDA deve garantir um desempenho rápido e suave para evitar atrasos e custos adicionais.
FLEXIBILIDADE
Um sistema deve ser capaz de coletar uma grande quantidade de dados. Portanto, a aquisição de dados sem erros é o recurso mais
crítico. O sistema pode precisar coletar dados sobre o uso de materiais, controles de qualidade, reclamações e muitos outros fatores.
Portanto, deve-se garantir que ele possa atender às necessidades atuais e futuras. O sistema PDA deve garantir uma
implementação rápida e tranquila para evitar atrasos e custos adicionais.
INTEROPERABILIDADE
A coleta de dados deve ser compatível com os sistemas de negócios existentes. Isso ocorre porque a falta de interoperabilidade com
sistemas ERP ou outros sistemas de TI que deveriam ter acesso aos dados representa um risco significativo para a segurança
futura.
IMPLEMENTANDO UM SISTEMA PDA DE FORMA EFICAZ
Capitalizar a riqueza de dados disponíveis para as organizações começa com a implementação de um sistema de PDA eficaz. Com
as características acima em mente, os fabricantes devem começar por considerar os dados já disponíveis para eles.
ESSES POOLS DE DADOS SÃO ÚTEIS PARA MELHORAR OS
RESULTADOS DA PRODUÇÃO E O PROCESSO GERAL?
RESPOSTA
Se não forem, o foco deve mudar para a formulação de estratégias sobre as formas de proteger a coleta de dados na fonte. As
estratégias comuns incluem o uso de etiquetas RFID (identificação por rádio frequência), sensores e outras tecnologias de coleta e
transmissão de dados. A tarefa de coletar dados do zero pode exigir muitos recursos.
Para os fabricantes que já possuem uma grande quantidade de dados disponíveis, a tarefa será investir em sistemas e habilidades
que permitirão a exploração adequada desses dados para otimizar os processos existentes.
Em ambos os casos, deve haver ênfase específica no monitoramento dos pontos de dados mais relevantes que representam todo o
processo de fabricação. Com a visão geral que esses dados fornecem, os líderes da organização estarão mais bem posicionados
para detectar, analisar e reagir rapidamente aos insights dos dados.
ATENÇÃO
O PDA deve ser executado de maneira padronizada, consistente e confiável. Isso significa contar com sistemas PDA automatizados
de provedores de soluções igualmente confiáveis.
Foto: Shutterstock.com.
DISCIPLINAS MULTICRUZADAS NA MANUFATURA
A manufatura também se beneficia do desenvolvimento da teoria relacionada da ciência da computação e matemática. Sistemas de
computador multimídia e redes de comunicação realizam paralelismo, distribuição, cooperação virtual, operação remota e
monitoramento. Por exemplo, o comércio eletrônico e a rede de computadores podem realizar vendas, produção, manutenção e
gerenciamento remotos.
PARA EXPRESSAR, CALCULAR E DEDUZIR OS PARÂMETROS FÍSICOS E DE
PROGRAMAÇÃO E GERENCIAMENTO NO PROCESSO DE MANUFATURA, DEVEMOS
USAR MÉTODOS INTELIGENTES DA CIÊNCIA DA COMPUTAÇÃO E MATEMÁTICA PARA
ESTABELECER UM MODELO DE CÁLCULO. A CIÊNCIA DA MANUFATURA
COMPUTACIONAL E A CIÊNCIA DA INTELIGÊNCIA DA MANUFATURA SURGIRÃO COMO
CIÊNCIA DA MANUFATURA.
A teoria da informação também promoveu o desenvolvimento do campo da manufatura. Em um escopo mais amplo, todas as
atividades de manufatura envolvem fatores humanos, bem como processamento de informações, expressão, transmissão e assim
por diante. A configuração ótima e as operações eficazes dos recursos de manufatura estão todas relacionadas à teoria da
informação. Essas pesquisas relacionadas serão resolvidas pela informática na fabricação baseada na tecnologia da informação.
ATENÇÃO
A fabricação deve ter gestão e operação de alta qualidade. Fatores humanos, cooperação e competição entre empresas,
colaboração e integração de recursos de manufatura não são apenas problemas técnicos. O gerenciamento de tecnologia é a base
dessas questões de fabricação.
Com base nas características acima, a manufatura se desenvolveu como um sistema integrado multidisciplinar e, portanto, como
uma ciência da manufatura. Manufatura de arquitetura aberta, manufatura ágil, manufatura em rede e corporação virtual parecem
empolgantes. Novas tecnologias da ciência da engenharia, como a Web, oferecem novas maneiras de criar produtos e serviços.
No entanto, devido a cada vez mais formas digitalizadas e representação do conhecimento das atividades de manufatura, as
informações de manufatura, o processo de manufatura e o gerenciamento de manufatura exigem uma perspectiva mais nova e
ampla do que os métodos antigos. A Manufatura Digital (DM) entrou silenciosamente nas fábricas.
DEFINIÇÃO DE MANUFATURA DIGITAL (DM)
A Manufatura Digital é um processo de manufatura que, com o apoio de tecnologias, como realidade virtual, redes de computadores,
prototipagem rápida e banco de dados, é baseado na demanda do cliente de forma a analisar, organizar e recombinar as
informações do produto, informações do processo e informações dos recursos, implementar o projeto do produto e simulação de
função e, em seguida, executar a produção rápida para atender à demanda do cliente e aos padrões de qualidade.
A concepção do DM originou-se da tecnologia de controle numérico (NC) ou controle numérico computadorizado (CNC) e da
máquina-ferramenta CNC. O projeto digital e o gerenciamento digital foram totalmente desenvolvidos com o avanço do CAD e o
desenvolvimento do planejamento de requisitos de material (MRP).
Todos os processos envolvidos com as atividades digitais acima estão relacionados ao DM. No processo, os parâmetros de controle
e o fluxo de controle para o equipamento de manufatura são sinais digitais.
SAIBA MAIS
Todos os tipos de sinais para empresas de manufatura, incluindo informações de projeto, informações de processo, informações de
manufatura, informações de gerenciamento e conhecimento e habilidade de manufatura, são transmitidos na forma de sinais digitais
entre empresas de manufatura por meio da rede digital.
Por falar em manufatura global, todos os usuários emitem suas demandas por meio de uma rede digital, e as empresas podem
projetar e fabricar o produto correspondente de acordo com sua própria predominância, com a ajuda de alianças dinâmicas. O
próprio produto se tornará um código digital ou uma marca digital com o surgimento da logística digital.
Foto: Alexander Tolstykh / Shutterstock.com.
Simulação de fabricação de automóveis por robôs.
Um componente-chave da DM é a Internet das Coisas, caracterizada por dispositivos conectados. Isso não apenas ajuda as
operações internas, mas por meio do uso do ambiente de nuvem onde os dados são armazenados, os equipamentos e as
operações podem ser otimizados, aproveitando os insights de outras pessoas que usam o mesmo equipamento ou para permitir que
pequenas empresas tenham acesso à tecnologia que não seriam capazes por conta própria.
Para que a tecnologia digital consiga fazer uma diferença considerativa na vida humana e impactar positivamente a sociedade, é
necessário haver projetos interdisciplinares que atuem simultaneamente, considerando os mundos: biológico, digital e físico.
VERIFICANDO O APRENDIZADO
1. ASSINALE A ALTERNATIVA QUE SE REFERE AO CONCEITO DESCRITO ABAIXO:
AS PRINCIPAIS TECNOLOGIAS QUE PERMITEM A FUSÃO DOS MUNDOS FÍSICO, DIGITAL E
BIOLÓGICO SÃO: A MANUFATURA ADITIVA, A INTELIGÊNCIA ARTIFICIAL, A IOT (INTERNET DAS
COISAS), A BIOLOGIA SINTÉTICA E OS SISTEMAS CIBER FÍSICOS (CPS).
A) Singularidade
B) Terceira Onda
C) Indústria 4.0
D) InterdisciplinaridadeE) Big Data
2. UM SISTEMA DE INFORMAÇÃO FOI IMPLANTADO ENTRE O SISTEMA DE NEGÓCIO DA COMPANHIA
E OS SISTEMAS DE CHÃO DE FÁBRICA QUE OPERAM EM TEMPO REAL. A FINALIDADE DESSE
SISTEMA CONSISTE EM OTIMIZAR E SINCRONIZAR A UTILIZAÇÃO DOS RECURSOS, SUPORTANDO O
INTERCÂMBIO DE INFORMAÇÕES ENTRE O PLANEJAMENTO DA PRODUÇÃO E O CONTROLE DO
PROCESSO DE PRODUÇÃO ATRAVÉS DO MONITORAMENTO, ACOMPANHAMENTO E CONTROLE DA
MATÉRIA-PRIMA, EQUIPAMENTO, PESSOAL, INSTRUÇÕES E INSTALAÇÕES DE PRODUÇÃO. TAL
SISTEMA DE INFORMAÇÃO É DENOMINADO:
A) Sistema de Planejamento de Recursos da Empresa (Enterprise Resource Planning – ERP).
B) Sistema de Automação do Controle de Qualidade (Automated Quality Control – AQC).
C) Sistema Integrado de Controle da Produção (Manufacturing Execution System – MES).
D) Sistema de Gestão de Relacionamento com Clientes (Customer Relationship Management – CRM).
E) Sistemas de Planejamento da Cadeia de Suprimentos (Supply Chain Planning – SCP).
GABARITO
1. Assinale a alternativa que se refere ao conceito descrito abaixo:
As principais tecnologias que permitem a fusão dos mundos físico, digital e biológico são: a manufatura aditiva, a
Inteligência Artificial, a IoT (Internet das Coisas), a Biologia Sintética e os Sistemas Ciber Físicos (CPS).
A alternativa "D " está correta.
IoT (Internet das Coisas) é um conceito que se refere à interconexão digital de objetos cotidianos com a internet, conexão dos
objetos mais do que das pessoas. Em outras palavras, a Internet das Coisas nada mais é do que uma rede de objetos físicos capaz
de reunir e de transmitir dados.
2. Um sistema de informação foi implantado entre o sistema de negócio da companhia e os sistemas de chão de fábrica que
operam em tempo real. A finalidade desse sistema consiste em otimizar e sincronizar a utilização dos recursos, suportando
o intercâmbio de informações entre o planejamento da produção e o controle do processo de produção através do
monitoramento, acompanhamento e controle da matéria-prima, equipamento, pessoal, instruções e instalações de
produção. Tal sistema de informação é denominado:
A alternativa "C " está correta.
O único sistema das alternativas apresentadas que suporta o intercâmbio de informações entre o planejamento da produção e o
controle do processo de produção, e também acompanha tanto o controle da matéria-prima quanto o controle de pessoal, além de
monitoramento é o Sistema Integrado de controle da produção (Manufacturing Execution System – MES).
MÓDULO 3
Aplicar os conceitos de PDCA X DMAIC
OS CONCEITOS DE PDCA X DMAIC
Quando se trata de técnicas de melhoria contínua, você tem muitas opções. No caso de PDCA e DMAIC, pode ser ainda mais
confuso, porque eles são bastante semelhantes. PDCA (planejar, fazer, verificar, agir) e DMAIC (definir, medir, analisar, melhorar,
controlar) são abordagens de solução de problemas. Em qualquer dos casos, o objetivo é estruturar os esforços de melhoria e
interromper o hábito comum de fazer mudanças sem um entendimento completo das causas básicas dos problemas.
PDCA
As organizações gostam da abordagem PDCA porque é ideal para melhorias incrementais. PDCA é frequentemente descrito como
um ciclo. Isso porque deve ser algo aplicado repetidamente.
Ele pode ser implantado rapidamente e é particularmente eficaz para problemas de pequeno e médio porte. É uma maneira útil de
controlar a experimentação do tipo tentativa e erro dentro da estrutura de melhoria. Quando o PDCA é implantado, as organizações
podem esperar uma série de “vitórias” rápidas que resultam em um impacto significativo nos resultados de negócios.
PDCA É UM MODELO REPETITIVO DE QUATRO ESTÁGIOS (PLANEJAR, EXECUTAR,
VERIFICAR E AGIR) USADO PARA ALCANÇAR A MELHORIA CONTÍNUA NO
GERENCIAMENTO DE PROCESSOS DE NEGÓCIOS E FOI INTRODUZIDO PELO DR.
EDWARD DEMING EM 1950.
As etapas do PDCA formam a base para os padrões de qualidade TQM (Total Quality Management) e ISO 9001. Esse modelo é
implementado com sucesso em muitas áreas de negócios, incluindo, mas não se limitando, a gestão de produção, gestão da cadeia
de suprimentos, gestão de projetos e gestão de recursos humanos.
Imagem: Shutterstock.com.
Os seguintes elementos devem ser considerados em cada etapa:
Imagem: Adobe Stock.
PLANEJAR (PLAN)
É o início do processo, e os tomadores de decisão devem tomar as iniciativas necessárias para entender a natureza das atuais
ineficiências no processo e a necessidade de mudanças. Nessa fase, também é importante fazer perguntas, como: Quais são as
melhores maneiras de realizar a mudança? Quais são os custos e benefícios de realizar tais mudanças?
Imagem: Adobe Stock.
FAZER (DO)
É a etapa de implementação das melhorias planejadas. O apoio dos colaboradores que são afetados pela mudança é fundamental,
portanto, em primeiro lugar, eles devem ser claramente informados sobre as mudanças, e por que devem ser implementadas. Em
seguida, as mudanças podem ser efetuadas conforme o planejado.
Imagem: Adobe Stock.
VERIFICAR (CHECK)
Nesse estágio, os tomadores de decisão avaliam se o resultado pretendido foi alcançado. Para "Verificar", os resultados reais devem
ser comparados com os resultados esperados.
Imagem: Adobe Stock.
AGIR (ACT)
O procedimento para o estágio “Agir” depende das descobertas no estágio “Verificar”. Se a etapa “Verificar” comprovar que as
melhorias do processo foram alcançadas durante a etapa “Fazer”, a empresa deve continuar a atuar nos novos processos.
DMAIC
O DMAIC vem do Seis Sigma e dá grande ênfase aos dados. Ao contrário do PDCA, que coloca a etapa "Fazer" em segundo lugar,
você não chega à etapa de ação “Melhorar” no DMAIC até cumprir quatro etapas.
É IDEAL PARA PROBLEMAS GRANDES OU COMPLEXOS, ESPECIALMENTE AQUELES
QUE EXIGEM COLABORAÇÃO MULTIFUNCIONAL. TAMBÉM É USADO COM MAIS
FREQUÊNCIA QUANDO HÁ MUITOS DADOS PARA ORIENTAR A TOMADA DE DECISÃO.
DMAIC se refere a um ciclo de melhoria baseado em dados usados para melhorar, aprimorar e estabilizar os processos de negócios.
Esse ciclo é a ferramenta central usada para conduzir projetos Seis Sigma e contém 5 etapas que são sequenciais por natureza:
Imagem: Shutterstock.com.
Imagem: Adobe Stock.
DEFINIR (DEFINE)
Envolve a identificação do problema e a razão pela qual essa melhoria é necessária. Os tomadores de decisão devem especificar
objetivos claros nessa fase.
Imagem: Adobe Stock.
MEDIR (MEASURE)
Etapa que envolve quantificar o problema identificado na etapa “Definir”. Isso é importante porque é difícil entender a quantidade de
recursos que serão necessários para corrigir o problema sem medi-lo.
Imagem: Adobe Stock.
ANALISAR (ANALYSE)
A etapa de análise é dedicada ao entendimento da causa raiz do problema, ou seja, o principal contribuinte para o problema atual.
Uma vez que isso seja identificado, torna-se fácil entender os outros fatores que afetam o problema devido à causa raiz.
Imagem: Adobe Stock.
MELHORAR (IMPROVE)
Etapa em que as melhorias planejadas são implementadas. As habilidades de gerenciamento de mudanças dos tomadores de
decisão são importantes nesse estágio para se comunicar claramente com os funcionários que são afetados, a fim de obter seu
apoio para o processo de mudança.
Imagem: Adobe Stock.
CONTROLAR (CONTROL)
Controlar equivale ao monitoramento contínuo das mudanças feitas para garantir que a mudança de processo implementada
continue e esteja colhendo os benefícios esperados.
SAIBA MAIS
A abordagem DMAIC é a base subjacente para Seis Sigma, que é uma técnica de gestão que fornece às organizações as
ferramentas necessárias para melhorar a competência dos processos de negócios.
Veja no quadro a seguir uma comparação entre as abordagens PDCA e DMAIC:
P
Identificação do problema D
Análise do problema M
Análise do processo A
Elaboração e plano de ação
I
D Execução
C Verificação
C
A Padronização e conclusão
Atenção! Para visualização completa da tabela utilize a rolagem horizontal
Quadro: PDCA versus DMAIC.
Extraído de: MORGAN, BRENIG-JONES,2012, p. 278.
EXEMPLO DE PROCESSO DMAIC
Vejamos uma loja com 50 locais especializados em pneus para automóveis. Até agora, em cada filial, eles mantêm estoque de
vários tipos de pneus, e isso permite que atendam rapidamente ao cliente, proporcionando satisfação e boa publicidade boca a boca.
Parece que os custos foram muito altos no ano passado. A gerência então decide falar com todas as 50 filiais para descobrir o
porquê.
Foto: Shutterstock.com.
Definir
Os custos aumentaram fortemente devido aos custos com funcionários, aluguel de espaço para 50 lojas e
estoque.
Medir Os custos são comparados ao do ano passado e são 20% maiores, sem gerar mais receita.
Analisar
O item de maior custo é examinado com todas as 50 lojas. Vários fatores diferentes são então identificados.
Em média, parece que os custos de estoque foram 15% maiores do que no ano anterior; entre outras coisas,
devido à variedade insuficiente em que os modelos menos vendidos são deixados por mais tempo no estoque.
Melhorar
A administração analisa métodos de melhoria com as 50 lojas. Por exemplo, propõem trabalhar a partir de um
armazém central, abastecendo as filiais 3 vezes por semana. Outra opção é ter apenas pneus convencionais
em estoque e, ao mesmo tempo, manter tipos específicos de pneus no depósito central. A primeira solução é
escolhida por unanimidade.
Controlar
Após um período de teste, é realizada uma avaliação com todas as filiais e gerências. Acontece que os
funcionários precisaram cancelar vendas com mais frequência ou apenas atender aos clientes depois de
alguns dias. Após a avaliação, eles examinam a outra solução que tinham à disposição e decidem estocar
pneus convencionais e fazer com que o restante seja entregue do depósito central. Essa solução, é claro,
também passará por um período de avaliação e visão geral de custo total.
Atenção! Para visualização completa da tabela utilize a rolagem horizontal
Imagem: Shutterstock.com.
QUANDO USAMOS DMAIC?
Algumas organizações adicionam uma etapa extra ao DMAIC no início, chamada “Reconhecer”. Nessa etapa, avaliam se o DMAIC é
a ferramenta correta a ser usada para suas necessidades. Embora não estejamos reconhecendo formalmente essa etapa, seria
negligente não avaliar a importância dessa adição.
O DMAIC NÃO PODE SER USADO EM TODAS AS SITUAÇÕES. DIZ
RESPEITO A OPORTUNIDADES ESPECÍFICAS PARA MELHORIA DE
PROCESSOS. ENTÃO, QUAIS SÃO ESSAS CONDIÇÕES
ESPECÍFICAS?
Há três coisas principais que valem a pena considerar ao avaliar uma situação para saber se o DMAIC se encaixaria:
Existe um problema óbvio de alguma forma com um processo existente ou conjunto de processos?
Que potencial existe para reduzir variáveis como prazos de entrega ou defeitos, enquanto melhora variáveis como economia de
custos ou produtividade?
A situação é quantificável? O processo em si envolve dados mensuráveis e os resultados podem ser apropriadamente entendidos
por meios quantificáveis?
Depois de reconhecer se o processo é adequado ou não para o DMAIC, você pode dar início. Segundo Pyzdek e Keller (2010),
devemos seguir os seguintes passos:
DEFINIR: MAPEIE O PROJETO E ENTENDA SEUS OBJETIVOS
O estágio “Definir” é essencialmente a parte de planejamento do exercício. Consiste em 7 seções principais:
DEFINIR CLIENTES E REQUISITOS
O modo como você realiza essa etapa depende de quem são seus clientes. Existem dois tipos de clientes, internos ou externos.
Clientes internos: São níveis de gerenciamento dentro da sua organização ou outros departamentos que dependem do resultado
do processo específico que você está tentando melhorar.
Clientes externos: São os usuários finais de seus produtos ou serviços. Normalmente, são seus clientes empresariais, mas também
podem ser os acionistas da empresa.
Temos a tendência de dividir as expectativas desses clientes em duas categorias relacionadas:
Necessidades referem-se aos objetivos finais de um produto: alguém compra um aparelho de ar-condicionado porque quer manter
um ambiente frio, certo?
Requisitos referem-se a características ou aspectos de um produto: uma unidade de ar-condicionado precisa ter um termostato
para controlar a temperatura desejada pelo cliente.
DESENVOLVA A DECLARAÇÃO DO PROBLEMA, METAS E BENEFÍCIOS
A próxima etapa é transformar as informações do cliente em etapas acionáveis.
Queremos desenvolver uma declaração clara de problema a fim de comunicar o propósito do processo e nos ajudar a entender
como nossas ações se relacionarão diretamente com os resultados. Imagine o processo de enfermaria em um hospital onde um
paciente encontra-se com dor e o médico deve definir a solução, focando nos seguintes aspectos:
Qual é o ponto de dor?
Onde está doendo?
Desde quando está doendo?
Qual é a extensão da dor?
Ao fazer isso, devemos definir claramente quais serão nossos objetivos finais a partir do trabalho de melhoria de processos que
realizamos. Isso pode ser a identificação de algo simples, como a necessidade de aumentar a produção por hora de 100 unidades
para 200 unidades.
IDENTIFIQUE O CHAMPION (CAMPEÃO) E O OWNER (PROPRIETÁRIO)
Para que possamos implementar essa melhoria de processo, precisamos determinar os papéis dos diferentes funcionários para levar
o projeto à conclusão. Diferentes empresas colocarão diferentes ênfases em funções.
O Owner é a pessoa responsável pelo projeto de melhoria do processo. Essa é a posição prática em que a pessoa se envolve com
cada equipe do processo, analisa e rastreia os dados e a saída, e procura gerenciar o processo de cima para baixo, da primeira à
última etapa. A principal função do Owner do processo é fornecer o planejamento e a visão geral para permitir que todos os outros
floresçam.
O Champion é um indivíduo dentro da organização que tem o poder de tomar decisões importantes e facilitar o trabalho do Owner.
Provavelmente seria um executivo que pode ajudar a alocar recursos para atender às necessidades do Owner. O Champion visa
remover as barreiras que o Owner está enfrentando e ajudar a facilitar o projeto de melhoria de processo da outra etapa acima.
DEFINIR RECURSOS
Para realizar este projeto de melhoria de processo, precisamos saber quais recursos estão disponíveis para o Owner utilizar.
Isso pode incluir um orçamento para a contratação de serviços externos, aquisição de ferramentas adicionais ou despesas com
viagens. Também pode se referir a quantos funcionários serão necessários para fazer essa mudança com eficácia, ou seja, os
funcionários precisam ser trazidos de outros departamentos ou novos funcionários precisam ser contratados?
A quantidade de recursos necessários será definida pelas declarações do problema e das metas. Você não quer gastar US$ 1
milhão de dólares para economizar meio milhão para a empresa. Precisamos entender quais recursos são necessários para lidar
com o projeto e quais recursos estão razoavelmente disponíveis.
AVALIE O SUPORTE ORGANIZACIONAL
Você já sabe de quais recursos precisa para iniciar o projeto, porém falta ainda saber que suporte pode obter de outros atores de
sua organização. O Champion ficará encarregado de tentar mobilizar esse apoio de outras áreas da empresa. Para fazer isso,
provavelmente tentará criar um Caso de Negócio.
O objetivo de um Caso de Negócio é demonstrar a importância desse processo para as operações mais amplas da empresa. O Seis
Sigma nos dá um exemplo de 7 perguntas que um Business Case (Caso de Negócio) deve responder:
Por que vale a pena fazer o projeto? Justifique os recursos necessários para se engajar no projeto.
Por que isso é importante para os clientes?
Por que isso é importante para o negócio?
Por que isso é importante para os funcionários?
Por que é importante fazer isso agora?
Quais são as consequências de não fazer o projeto agora?
Como isso se encaixa nas iniciativas e metas operacionais?
DESENVOLVA O PLANO E AS METAS DO PROJETO
Agora devemos estar em uma posição em que entendemos os diferentes requisitos, os recursos disponíveis e a alocação defunções. Nesse ponto, podemos começar a desenvolver um plano de projeto detalhado com metas alcançáveis e realistas.
A primeira etapa do planejamento do nosso projeto é desenvolver o seu escopo. Devemos também definir uma data de início e de
término.
Assim que tivermos isso em vigor, podemos planejar as metas para quando diferentes momentos-chave no processo DMAIC serão
alcançados. Em que data iniciaremos a primeira etapa de Medição? Em que data iniciaremos o estágio de Melhoria? Quando
concluiremos o processo DMAIC?
Recomenda-se definir metas agressivas, pois a economia de eficiência se beneficia por ser alcançada mais cedo ou mais tarde,
naturalmente. No entanto, definir metas que são muito agressivas pode resultar no que é chamado de soluções de band-aid, em que
a qualidade é sacrificada para atingir alvos arbitrários.
DESENVOLVER MAPA DE PROCESSO
Para se ter uma visão geral clara e fácil de entender do processo planejado de DMAIC, é útil traçar um mapa de processo. Isso
servirá para demonstrar a cada jogador onde ele se encaixa no processo e como seu papel se relaciona com o próximo.
MEDIR: REÚNA OS DADOS PARA COMPREENDER O DESEMPENHO
Nas próximas subseções, veremos alguns termos-chave do Seis Sigma para entender o que estamos medindo, então iremos
desenvolver uma metodologia de pesquisa e colocá-la em prática.
DEFINIR DEFEITO, OPORTUNIDADE, UNIDADE E MÉTRICAS
No início do estágio de “Medir”, precisamos primeiramente definir o que devemos medir. Para fazer isso, devemos entender alguns
termos-chave:
Unidade: No contexto Seis Sigma, refere-se a um único item do produto. Esse é o nosso menor ponto de referência indivisível.
Defeito: Refere-se a um problema com o produto que surgiu de um problema no processo.
Oportunidade: Refere-se aos pontos potenciais dentro de um processo em que a possibilidade de ocorrência de um defeito
está presente.
Depois de entender esses termos, podemos ver como eles começam a se encaixar para nos ajudar a tomar decisões:
Defeitos por unidade (DPU): número de defeitos / número total de unidades.
Defeitos por oportunidade (DPO): número de defeitos / (número de unidades x número de oportunidades de defeito por
unidade).
Proporção defeituosa (p): número de unidades defeituosas / número total de unidades.
Calcule todas as oportunidades possíveis de problemas e comece a filtrar essa lista para remover eventos extremamente raros ou
agrupar problemas com causas relacionadas. Isso deve fornecer uma estimativa viável para sua oportunidade.
DESENVOLVER PLANO DE COLETA DE DADOS
Para que possamos fazer os cálculos necessários, precisamos coletar nossos dados sobre o processo. Para isso, criaremos um
plano de coleta de dados que delineará nossa abordagem e ajudará a esclarecer nossos métodos.
Essa análise se concentrará nas minúcias do que exatamente queremos medir, como os dados serão coletados e a metodologia
pela qual queremos lidar com os dados, incluindo:
Quantas observações são necessárias.
Qual intervalo de tempo deve fazer parte do estudo.
Se dados passados, presentes e futuros serão coletados.
Se esse projeto de melhoria de processo for voltado para processos internos, então seu cliente — outro departamento, por exemplo
— também pode estar coletando esses dados. Isso é útil para “Verificar”, porque fornece um controle com o qual você pode
confirmar seus dados depois de coletados, desde que todas as variáveis sejam levadas em consideração.
Também é importante observar que, embora os dados históricos possam ser usados nessa análise, eles provavelmente não foram
coletados por meio das mesmas estruturas e metodologias que você está criando nessa etapa. Isso apresenta um problema, pois
despadroniza os dados, ou seja, use os dados históricos com cuidado.
Ter um processo de coleta de dados padronizado oferece melhores dados e, em última análise, melhores resultados.
VALIDAR O SISTEMA DE MEDIÇÃO
Existem 4 coisas específicas que queremos testar antes de lançarmos nosso projeto de coleta de dados completo:
Repetibilidade: Se o mesmo operador atingir praticamente o mesmo resultado várias vezes no mesmo item com o mesmo
equipamento, podemos ver um nível adequado de repetibilidade.
Reprodutibilidade: Torna-se reproduzível se vários operadores medindo os mesmos itens com o mesmo equipamento
obtiverem os mesmos resultados.
Precisão: É um pouco mais complicado ter certeza sobre a precisão, mas podemos dizer que, de maneira geral, isso pode ser
visto na diferença entre uma medição média observada e o valor padrão conhecido associado.
Estabilidade: O nível de estabilidade é, em certo sentido, uma extensão adicional de repetibilidade e reprodutibilidade. A
estabilidade pode ser vista em até que ponto o mesmo operador obtém os mesmos resultados medindo o mesmo item com o
mesmo equipamento por um período mais longo. Uma das coisas que esta verificação de estabilidade está procurando é se
existem variáveis externas que podem afetar a reprodutibilidade ao longo do tempo.
COLETE OS DADOS
Não é preciso escrever muito sobre a coleta de dados real, pois todas as etapas anteriores foram construídas até este ponto. O
principal a ser lembrado é simplesmente seguir o plano conforme você o definiu e aderir rigorosamente às práticas e aos métodos de
pesquisa que você validou.
O Black Belt deve ser o principal ponto de comando nesse processo de coleta de dados, garantindo que todos os procedimentos
sejam cumpridos. O Black Belt precisa assumir a responsabilidade por todos os Green Belts, compreendendo as etapas, definições
e metas necessárias.
Para usar uma analogia esportiva, os jogadores são Green Belts, o capitão é o Black Belt, o Owner é o técnico principal e o
Champion é o presidente do clube.
COMECE A DESENVOLVER O RELACIONAMENTO Y = F (X)
É aqui que as coisas começarão a soar um pouco técnicas.
Pense em Y como uma representação da saída de um processo. Portanto, Y é a saída de um processo e X é a entrada. O f
representa a função da variável X. Neste ponto, você não precisa resolver a relação Y = f (x) por completo, mas pode começar a ter
isso em mente. É considerada prática recomendada manter o trabalho orientado em torno da fórmula Y = f (x).
ESTIMAR A LINHA DE BASE SIGMA
Para calcular seu Sigma, você pode calcular seus defeitos por milhão de oportunidades (DPMO) e executá-lo por meio de um
gráfico. Você calcula seu DPMO simplesmente multiplicando seu DPO por um milhão:
DPMO =
DEFEITOS × 1000000
OPORTUNIDADE DE DEFEITOS POR UNIDADE × NÚMERO DE OPORTUNIDADES
Atenção! Para visualização completa da equação utilize a rolagem horizontal
Veja um exemplo:
Número de defeitos = 10
Número de oportunidades = 10000
Oportunidade de defeitos por unidade = 10
DPMO =
10 × 1000000
10 × 10000
= 100
Atenção! Para visualização completa da equação utilize a rolagem horizontal
Portanto, da tabela de Seis Sigma, a seguir, e fazendo a extrapolação, teremos 5,3.
Nível Sigma Defeitos por milhão % de defeitos
1 691462 69,15%
2 308538 30,85%
3 66807 6,68%
4 6210 0,62%
5 233 0,0233%
6 3,4 0,00034%
7 0,019 0,0000019%
Atenção! Para visualização completa da tabela utilize a rolagem horizontal
Tabela: Seis Sigma.
Elaborada por Mauro Rezende Filho.
ANALISAR
A etapa de análise é onde temos que nos aprofundar nos processos existentes e descobrir as causas raízes dos problemas.
Encontrar essas causas deve nos permitir enfrentá-las em nosso estágio de “Melhoria”. É tudo uma questão de encontrar os X
pertinentes para a fórmula Y = f (x).
DEFINIR OBJETIVOS DE DESEMPENHO
Tendo medido o processo nas etapas anteriores, devemos estar em uma posição em que sabemos aproximadamente o que
queremos melhorar. Antes de começarmos a analisar em profundidade, devemos estabelecer quais são nossos objetivos para que
eles possam nos guiar. Pense no processo e nos dados de que você dispõe para calcular quais seriam os principais objetivos de
desempenho.
Esses objetivos podem ser ligeiramente flexíveis à medida que sua análise avança, mas é sempremelhor começar com metas
claras.
DESENVOLVA UM MAPA DETALHADO DO PROCESSO DE NEGÓCIOS
O mapa de processo deve ser analisado para áreas potenciais de variação. Essas variações, ou potenciais de variação,
provavelmente nos levarão às causas básicas por trás de nossas oportunidades (para defeitos).
DETERMINAR A(S) CAUSA(S) RAIZ
Existem muitas técnicas diferentes que você pode utilizar para tentar descobrir quais são as causas raízes de uma variação. Veja
três exemplos específicos de métodos que você pode usar:
Análise dos 5 porquês
Diagrama em Espinha de Peixe
Diagrama de Pareto
DETERMINE A RELAÇÃO Y = F (X)
Depois de identificar os pontos vitais, podemos retornar à nossa fórmula Y = f (x). Lembre-se de que Y é simplesmente uma variável
definida pela relação entre nossos X e suas funções. Portanto, se quisermos melhorar Y, devemos identificar qual X tem o maior
impacto no valor de Y e melhorar esse X.
Nosso objetivo final é compreender a relação representada por essa fórmula e eliminar os seus erros. Por exemplo, pode haver um
X que tem um grande impacto em Y, mas não é devido a um problema de processo, mas simplesmente um elemento natural ou
imutável do processo de fabricação. Nesse caso, precisamos identificar que este X em particular, embora importante, não é aquele
que podemos abordar como parte de nossa melhoria de processo.
Nosso trabalho não é apenas encontrar os X que contribuem para Y, mas encontrar os X certos.
MELHORAR
Descubra como os defeitos podem ser reduzidos. A seção de melhoria do processo DMAIC é onde aproveitamos todo o trabalho
preparatório que fizemos até agora.
Nosso objetivo aqui é destacar nossos X e procurar maximizar o desempenho dessas entradas. O elemento-chave da abordagem
Seis Sigma é a importância de fazer isso por meios matemáticos e científicos.
REALIZAR PROJETO DE EXPERIMENTOS
Nosso Projeto de Experimentos (DOE) é provavelmente a etapa-chave para acertar e alcançar as melhorias que queremos fazer.
A abordagem DOE destaca as relações entre os diferentes X e a saída (Y). Experimentos fatoriais são um dos métodos cruciais para
mostrar como diferentes X podem se relacionar.
Primeiro, vamos dar uma olhada em algumas das principais terminologias:
Fatores de entrada controláveis (são os seus X): Essas são variáveis dentro do processo que podemos experimentar e
mudar. Ao assar um bolo, por exemplo, isso pode incluir o número de ovos ou a quantidade de farinha.
Fatores de entrada incontroláveis: Essas são variáveis que podem ter surgido no início da investigação, mas não podemos
agir sobre elas. Em um cenário de cozimento, pode se referir à temperatura de repouso da cozinha. Ou, para fazer uma
analogia infraestrutural, a capacidade do forno — uma fábrica poderia produzir mais bens se fosse maior, mas aumentar seu
tamanho poderia ser proibitivamente caro, por exemplo.
RESPOSTAS
Esse é o grau em que os serviços de saída o cliente precisa e deseja. Na panificação, isso pode se referir a um simples teste de
sabor. Tal fator, como os outros, precisaria ser quantificado. “Bom ou mau” não é suficiente. Uma pontuação de 1 a 10 por parte do
cliente calculada como uma porcentagem final de todos os testes seria uma abordagem mais eficaz.
BLOQUEIO E REPLICAÇÃO
Felizmente, o bloqueio e a replicação são conceitos muito mais simples. O bloqueio é apenas garantir que as condições para cada
experimento sejam as mesmas, por exemplo usar o mesmo agitador e bandeja para assar os bolos. E a replicação é simplesmente o
princípio de executar o experimento várias vezes para obter resultados mais precisos.
INTERAÇÃO
Isso se refere a uma situação em que um experimento tem três ou mais variáveis e a influência simultânea de duas das variáveis na
terceira não é aditiva.
PROJETO FATORIAL DE DOIS NÍVEIS
Experimento construído para observar 3 variáveis. Cada variável pode ser testada em um nível baixo ou alto. Esse tipo de estrutura
nos dá a capacidade de investigar mais profundamente em um processo, mas ainda é simples o suficiente para vermos como o
experimento funciona.
Considere nosso processo como assar um bolo. Nossas três variáveis são os pontos vitais que identificamos em nosso estágio de
análise. Eles são:
Marca de farinha
A temperatura de cozimento
O tempo de cozimento
DESENVOLVA SOLUÇÕES POTENCIAIS
Com um forte conhecimento prático de seus processos e sistemas de negócios, agora você é capaz de desenvolver soluções que
podem resolver os principais problemas que impedem a produção dentro da empresa.
Os resultados dos testes DOE também podem auxiliar nesse processo de otimização. Os dados coletados a partir de iterações
variáveis de seus principais X potenciais fornecem uma série de caminhos potenciais a serem explorados.
Ao construir as diferentes opções de soluções, certifique-se de propor o suficiente para testar e avaliar. Essas soluções devem ser
baseadas na análise profunda que você realizou.
AVALIE OS MODOS DE FALHA DE SOLUÇÕES POTENCIAIS
A análise dos modos e efeitos de falha (FMEA) é um método que pode identificar o risco com antecedência. Essa ferramenta de
análise de processos quase preditiva pode ajudá-lo a avaliar os detalhes de suas soluções de processos de negócios propostas.
VALIDAR: MELHORIA POTENCIAL POR ESTUDOS PILOTO
Por último, para completar a seção “Melhorar” de nosso processo DMAIC, é importante testar as soluções que chegaram até este
ponto. As poucas soluções que restam podem ser parcialmente implantadas em condições controladas como parte de um estudo
piloto para avaliar sua eficácia relativa.
O Owner do processo pode mapear o projeto para esses pilotos e o Black Belt pode gerenciar os pilotos na prática. O desempenho
das soluções propostas deve deixá-lo com uma solução geral de melhoria de processo de melhor desempenho com base na saída.
Para medir essas soluções propostas com eficácia, tente calcular a linha de base Sigma, como já mostrado.
CONTROLAR
A seção de controle trata da implementação de processos e procedimentos para garantir que a implementação da nova solução seja
executada sem problemas e possa ser rastreada e otimizada ao longo do tempo.
Em última análise, o resto do processo DMAIC, anterior a este estágio, foi dedicado aos X, enquanto o estágio de controle é
dedicado ao Y, a saída.
PADRONIZAR E DOCUMENTAR PROCESSOS
Para implementar um novo processo, você precisa se certificar de que cada etapa está documentada completamente e mapeada de
uma forma que seja acionável e forneça espaço para medição.
Tais processos devem ser consistentes em todos os momentos e isso pode ser alcançado simplesmente padronizando abordagens
entre as equipes.
PREPARAR PLANO DE IMPLEMENTAÇÃO
Tarefa que pode ser planejada pelo Owner do processo e implementada pelo Black Belt, embora diferentes empresas possam fazer
isso de maneiras diferentes. Os fatores importantes aqui dizem respeito a como o novo processo pode ser efetivamente integrado ao
fluxo de trabalho da empresa:
Quais equipes dentro da empresa precisam se adaptar para atender ao novo processo?
Essa mudança precisa ser simultânea ou pode ser implementada iterativamente?
Exigimos que vários defensores do Seis Sigma incorporem em cada equipe para implementação?
Qual orçamento ou recursos o Champion precisa para garantir uma implementação eficaz?
Quando começa a implementação?
Qual é a data prevista para a implementação completa do novo processo?
Todas essas questões devem ser respondidas na elaboração de um relatório para que a empresa possa atuar em nosso trabalho de
DMAIC.
Além disso, é importante criar um plano de resposta que aborde os problemas de gerenciamento do processo. Isso ficaria sob o
domínio do gerenciamento de risco, uma vez que analisa a implementação de processos e procedimentos para caso ocorram
problemas dentro do processo ou sejam vistos na saída.
IMPLEMENTAR CONTROLE ESTATÍSTICO DE PROCESSO
Uma vez que seu processo esteja padronizado e documentado, a implementação deve passar por monitoramento. Uma