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 subconjunto de 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 para as 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 processos produtivos

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.

TECNOLOGIA
A 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) Interdisciplinaridade

E) 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:

 Identificação do problema D

Análise do problema M

Análise do processo A

Elaboração e plano de ação

D Execução

C Verificação

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.

Os custos aumentaram fortemente devido aos custos com funcionários, aluguel de

Definir
espaço para 50 lojas e estoque.

Os custos são comparados ao do ano passado e são 20% maiores, sem gerar mais
Medir
receita.

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%
Analisar
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.

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
Melhorar 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 de funções. 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:

Defeitos  × 1000000
DPMO   =    
Oportunidade   de   defeitos   por   unidade  × N úmero  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

10 × 1000000
DPMO   =     =  100
10 × 10000

 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 sempre melhor
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 abordagem padrão da indústria para monitoramento de processos é o Controle
Estatístico de Processos.

O Controle Estatístico de Processos (SPC) foi originalmente desenvolvido em 1924 por Walter Shewhart. É
usado para monitorar e controlar os parâmetros de saída de um processo.

ESTUDO DE CASO
Foto: Shutterstock.com.

Vivência com DMAIC em uma indústria de embalagens flexíveis. Aquelas que são utilizadas, por exemplo,
para embalar cereais, ração animal, alimentos congelados, packs de bebidas etc.

Tínhamos um grave problema de produção de filmes para a embalagem de packs de bebidas. Somente a
matéria-prima (PEBD – polietileno de baixa densidade) representa 80% do preço de venda, ou seja, com os
demais custos oferecia uma margem líquida de 3% do preço de venda. Nossa produção era de
aproximadamente 200 toneladas mensais.

Nosso maior problema era a perda de 8% no processo de extrusão, representando 16 toneladas mensais,
ou seja, anualmente perdíamos em torno de um mês de produção.

Resolvemos então aplicar DMAIC para analisar e buscar melhorias no processo de extrusão. Reconheço
que foi um processo complexo e longo, pois tivemos que montar uma equipe multidisciplinar e, mesmo
assim, demoramos 14 meses entre experimentos, implantação de novas metodologias e criação de novos
dispositivos.

Após esse longo processo, conseguimos reduzir as perdas para aproximadamente 2% e aumentar nossa
margem de lucro para 12%.

Devido ao bom resultado obtido, tomamos a decisão de estender esse tipo de procedimento para os
demais setores da empresa, mas essa é uma história para ser contada futuramente.

VERIFICANDO O APRENDIZADO
1. AS FERRAMENTAS DA QUALIDADE FORAM CONCEBIDAS PARA AUXILIAR E
FACILITAR NO AUXÍLIO DA IDENTIFICAÇÃO E SOLUÇÃO DOS PROBLEMAS. TAIS
FERRAMENTAS ANALISAM FATOS E DADOS QUANTITATIVOS OU ELEMENTOS
QUALITATIVOS QUE PROPORCIONAM UMA TOMADA DE DECISÃO FIDEDIGNA.
TOMADAS DE DECISÕES PODEM SER CRUCIAIS PARA SANAR PROBLEMAS NO
PROCESSO RELACIONADOS À QUALIDADE. AVALIE AS FERMENTAS DE
QUALIDADE ABAIXO E ASSINALE A ALTERNATIVA CORRETA NA SUA APLICAÇÃO
NA METODOLOGIA DMAIC:

A) A matriz GUT (Gravidade, Urgência e Tendência) é uma técnica muito empregada para descobrir a
relação entre um efeito e as causas para que esse efeito esteja ocorrendo. Também é chamado de Espinha
de Peixe, por causa do formato do seu diagrama.

B) Os 5 porquês é um método muito simples de ser aplicado e muito utilizado em chão de fábrica, basta
perguntar cinco vezes o porquê de aquele problema acontecer e para cada resposta dada, uma
interrogação. Utilizando este método é possível encontrar a causa raiz do problema.

C) O ciclo PDCA (Plan-Do-Check-Act) é uma ferramenta que se caracteriza em reunir um grupo de

pessoas, em busca de novas ideias, portanto, a livre expressão de ideias dos participantes deve ser
assegurada. O principal objetivo é o de potencializar o fluxo de ideias, a criatividade e a capacidade
analítica do grupo em prol da solução de algum problema.

D) O diagrama de Ishikawa é uma técnica em que os problemas são separados em partes, assim eles são
analisados entre si. Geralmente, para a produção do diagrama, é utilizado um gráfico de barras verticais.

E) A matriz de Pareto é utilizada para fazer análises de ambientes (internos ou externos), que auxiliam a
gestão e o planejamento estratégico de uma organização.

2. O SEIS SIGMA (SIX SIGMA OU Σ-SIGMA) É UMA FERRAMENTA PARA MELHORIA

DE PROCESSOS, COM O INTUITO DE MEDIR E ELIMINAR DEFEITOS NA
PRODUÇÃO DE UMA EMPRESA. ACERCA DESSE TEMA, É CORRETO AFIRMAR
QUE, PARA APRESENTAR SOLUÇÕES DE MELHORIA, UTILIZA-SE UMA
METODOLOGIA COM CINCO FUNÇÕES CHAMADA DE:

A) DMAIC (Definição, Medição, Análise, Melhoria e Controle)

B) DMAIC (Definição, Medição, Agregação, Melhoria e Controle)

C) Cinco S (Seiri, Seiton, Seiso, Seiketsu e Shitsuke)

D) Lean Manufacturing

E) Ciclo PDCA
GABARITO

1. As ferramentas da Qualidade foram concebidas para auxiliar e facilitar no auxílio da identificação

e solução dos problemas. Tais ferramentas analisam fatos e dados quantitativos ou elementos
qualitativos que proporcionam uma tomada de decisão fidedigna. Tomadas de decisões podem ser
cruciais para sanar problemas no processo relacionados à qualidade. Avalie as fermentas de
qualidade abaixo e assinale a alternativa correta na sua aplicação na metodologia DMAIC:

A alternativa "B " está correta.

• Alternativa A: errada, a matriz GUT (Gravidade, Urgência e Tendência) é utilizada para priorização em
FMEA.
• Alternativa B: correta.
• Alternativa C: errada, trata-se do Brainstorming.
• Alternativa D: errada, trata-se do diagrama de Pareto.
• Alternativa E: errada, trata-se de SWOT.

2. O Seis Sigma (Six Sigma ou σ-Sigma) é uma ferramenta para melhoria de processos, com o
intuito de medir e eliminar defeitos na produção de uma empresa. Acerca desse tema, é correto
afirmar que, para apresentar soluções de melhoria, utiliza-se uma metodologia com cinco funções
chamada de:

A alternativa "A " está correta.

Somente a alternativa A identifica corretamente as funções do DMAIC.

CONCLUSÃO

CONSIDERAÇÕES FINAIS
A ciência de dados vem evoluindo rapidamente e tem sido usada principalmente para tomar decisões a
partir de análises de dados e aprendizado de máquina. No módulo 1, tratamos de Data Science e Machine
Learning, além de explorarmos o impacto e a utilização da ciência de dados na produção e manufatura. No
segundo módulo, aprendemos sobre o sistema de aquisição e a coleta de dados em processos produtivos.
Para finalizar, conhecemos os conceitos e a metodologia PDCA e DMAIC, suas diferenças e aplicações.
 AVALIAÇÃO DO TEMA:

REFERÊNCIAS
LÖDDING, H. Handbook of manufacturing control: Fundamentals, description, configuration. New York:
Springer, 2013.

PYZDEK, T.; KELLER, P. A. Six Sigma Handbook: A Complete Guide for Green Belts, Black Belts, and
Managers at All Levels. New York: McGraw-Hill, 2010.

MORGAN, J.; BRENIG-JONES, M. Lean Six Sigma For Dummies. Great Britain: John Wiley & Sons,
2012.

EXPLORE+
Para quem deseja se aprofundar neste conteúdo, recomendamos:

Portal da Associação Brasileira de Engenharia de Produção – ABEPRO.

Portal ABEPRO, a partir do qual você pode acessar o site do Encontro Nacional de Engenharia de
Produção – ENEGEP.

Portal de Periódicos da Capes.

Biblioteca Digital de Domínio Público.

CONTEUDISTA
Mauro Rezende Filho