Arquivos Ferramentas e Metodologias - MI Domenech

O Lean Six Sigma Estilo Startup e a métrica NPS

Carlos Domenech — Thu, 09 Mar 2023 14:21:38 +0000

Em outro artigo mostramos que o Lean Six Sigma Estilo Startup pode ser utilizado para realizar projetos de Excelência Operacional e projetos de Inovação (Figura 1). Embora as metodologias incorporem técnicas de abordagem da voz do cliente (VOC = Voice Of Customer), a maioria dos projetos Lean Six Sigma são realizados olhando a voz do negócio (VOB = Voice Of Business).

Figura 1 – Formas de lidar com as iniciativas de Melhoria e Inovação

Se meditamos um pouco, chegaremos à conclusão que poucos projetos (em algumas empresas, nenhum) são realizados para aumentar a satisfação do cliente (Figura 2). A maioria das métricas estão relacionadas com a vida da empresa e poucas são direcionadas para tratar melhor ao cliente.

Figura 2 – Métricas usuais de projetos Lean Six Sigma

A Figura 3 também ilustra esta questão. Muitos projetos são direcionados à parte VOB e poucos à parte VOC para aumentar a satisfação do cliente a fim de reter esse cliente com a empresa, e ainda mais, de torná-lo um promotor da empresa para seus conhecidos. Esse cliente que adora a empresa e a promove aos amigos, passa a gastar mais com a empresa e de forma sustentável.

Figura 3 – A maioria das métricas dos projetos Lean Six Sigma são direcionadas à parte VOB

O livro de Fred Reichheld (2021, Winning on Purpose) da consultoria Bain levanta a importância de tratar bem seu cliente; mais do que isso, de amar seu cliente, de tratá-lo como você gostaria de ser tratado. Reichheld é o criador da métrica NPS (net promoter score). Para calcular NPS você tem que fazer uma pergunta simples a seu cliente: Qual é a chance de você nos recomendar a um amigo? Se utiliza uma escala de 0 a 10. A Figura 4 ilustra o cálculo.

O livro mencionado é a continuação esperada do primeiro livro de Reichheld e Markey (A Pergunta Definitiva 2.0, tradução do livro The Ultimate Question 2.0 de 2011). No seu segundo livro, Reichheld demonstra que o propósito principal de um negócio deveria ser enriquecer a vida dos clientes.

Figura 4 – Cálculo de NPS

Reichheld demonstra que as empresas modernas têm que mudar de uma visão do capitalismo financeiro para o capitalismo do consumidor. O autor ilustra com dados reais que esse capitalismo do consumidor dá dinheiro! Ilustramos com alguns gráficos do autor.

O autor ilustra na Figura 5 como as empresas que são superestrelas na pontuação NPS superam com facilidade o índice Vanguard (um índice equivalente ao Dow Jones). Esse é o motivo pelo qual os investidores deveriam adorar o capitalismo do investidor.

Figura 5 – Empresas com valores exemplares de NPS superam a média do mercado de ações, entregando valor real aos acionistas

Fred Reichheld, Darci Darnell and Maureen Burns mostram um conceito interessante denominado “ganho de taxa de crescimento”, ilustrado na Figura 6 (nov-dez/2021, Net Promoter 3.0. A better system for understanding the real value of happy customers, https://hbr.org/2021/11/net-promoter-3-0).

Empresas com o mesmo crescimento de receita podem ter taxas de crescimento completamente diferentes. As empresas hipotéticas da Figura 6 aumentaram a receita em um ritmo semelhante. Mas, olhando atentamente para as fontes dessa receita, pode-se ver que a Empresa A conquistou seu crescimento satisfazendo os clientes existentes que voltam para mais negócios e trazem seus amigos, enquanto a Empresa B gerou uma receita significativa “comprando” agressivamente novos clientes por meio de publicidade e promoções (isso custa dinheiro!).

Figura 6 – Conceito de Ganho da taxa de crescimento. Empresas que amam o cliente (NPS)

A Figura 7 mostra que há uma relação estatisticamente significante entre o retorno acumulado para o acionista em empresas de cartão de crédito em Estados Unidos e o NPS. Essa relação explica 62% da variação do retorno acumulado. É mais, a empresa Discover que trabalha muito bem com a gestão do NPS tem um retorno acumulado superior ao índice Vanguard (VTI). Ela não incorpora nos contratos tarifas extras ou escondidas para seus serviços.

Figura 7 – Retorno acumulado para o acionista em função de NPS. Empresas cartão de crédito

A Figura 8 mostra um gráfico similar para empresas de carros. A Tesla tem uma gestão ótima dos seus clientes e isso é revelado pelo indicador NPS. Neste caso, aparece como um ponto extremo, possivelmente por ser supervalorizada pelos consumidores.

Figura 8 – Retorno acumulado para o acionista em função de NPS. Empresas de carros

É interessante que essa relação positiva também se encontra em empresas que não tem ações na bolsa. A Figura 9 mostra o mesmo efeito usando a variável “Crescimento acumulado de vendas”. Embora os valores de R2 estejam próximo de 50%, é notável que empresas com características muito diferentes mostrem essa relação significativa das vendas com NPS.

Figura 9 – Crescimento acumulado de vendas em função de NPS. Restaurantes em Estados Unidos

Acreditamos que o Lean Six Sigma Estilo Startup pode ser de grande ajuda para que as empresas implementem e façam uma gestão adequada do NPS. Estes projetos são mais complexos e deveriam ser realizados em prazos maiores que projetos em processos com escopo reduzido porque envolvem muitos setores da empresa, precisam de envolvimento sério da direção e pela dificuldade adicional da frequência reduzida de coleta da métrica NPS (exemplo, 2-3 dados por ano).

Esse programa requer a construção de uma equipe que abraçasse plenamente o nobre propósito de ajudar seus clientes a alcançar grandes resultados. Não há como uma empresa amar de forma sustentável seus clientes sem criar equipes inspiradas e comprometidas que compartilhem esse propósito.

O retorno desse tipo de programa pode acelerar de forma significativa o crescimento das empresas.

Carlos Domenech

Master Black Belt, consultor e CEO da MI Domenech

Estudos de Fontes de variação para redução de variabilidade dos processos e otimização de amostragem

Carlos Domenech — Thu, 02 Mar 2023 14:25:09 +0000

Durante o ciclo MAI do D-MAI-C (Lean Six Sigma estilo Startup) há ferramentas subjetivas para priorizar causas raízes (matriz causa-efeito, FMEA).
Os estudos de fontes de variação particionam a variância total do processo em componentes. O conhecimento dos fatores mais importantes de variação ajuda a reduzir a variação e otimizar a amostragem.

Fontes de variação na caixa de ferramentas do LSS estilo Startup

O Lean Six Sigma estilo Startup conta com uma caixa de ferramentas muito rica para aprofundar a ciência dos dados (Figura 1). Uma dessas ferramentas é o estudo de fontes de variação que calcula a influência de fatores do processo (usualmente do tipo atributo) na variação total.

Como exemplo, suponha um processo com seis fontes de variação (x1, x2, …, x6). A variância total do processo pode ser escrita como:

Sy2 = S12 + S22 + …+ S62

Suponha que as componentes de variância fossem como na Tabela 1. A melhor estratégia neste caso vai ser trabalhar – se fosse possível – SOMENTE na variável x3.

Tabela 1 – Componentes de variância que afetam a variação de um processo

Variável x	Desvio padrão (S)	Variância
1	4	16
2	2	4
3	10	100
4	5	25
5	1	1
6	3	9

Aplicação dos estudos de fontes de variação

Uma vez que reconhecemos as fontes de variação mais importantes essa informação pode ser utilizada com os seguintes objetivos:

1) Fazer melhorias no processo para reduzir o efeito dessas fontes de variação. Reduzindo a variação podemos mudar a média do processo para uma posição economicamente mais conveniente.

2) Para otimizar amostragem de grandes volumes (bulk sampling, normas ISO 10725 (2000) e ISO 11648-1 (2003)). Exemplo: se queremos representar a média de um lote de matéria prima ou produto acabado, como se deve realizar a amostragem do material?

Devo coletar amostras em quais posições de uma carreta de grãos?
Em quais profundidades?
Quantas amostras devo realizar para diminuir a variabilidade da medição (repetibilidade e reprodutibilidade)?

Passos de um estudo de fontes de variação

Há cinco passos para realizar um estudo de fontes de variação:

Escolha as fontes de variação e plano de amostragem
Determine os níveis de cada fonte de variação
Colete os dados
Realize análise gráfica e numérica
Utilize as descobertas para melhorar o processo ou otimizar os planos de amostragem

Escolha das fontes de variação, plano de amostragem e níveis dos fatores

As fontes de variação, ou fatores xs, podem ser selecionados usando o diagrama e matriz causa-efeito. Os fatores a considerar para este tipo de estudo devem ser de tipo atributo, exemplo, máquina, turno, local, dia.

O plano de amostragem pode ser hierárquico ou cruzado e – se possível – o número de dados coletados para cada nível deve ser igual (plano balanceado). Exemplo: como exemplo considere um estudo realizado em uma máquina de fiação de um fio artificial. O pessoal mede a tensão do fio, que influencia na afinidade tintorial. O plano escolhido foi o da Figura 2: foram medidas 12 posições (gomos) de cada lado da máquina e, em cada posição foram realizadas 20 medidas da tensão. O total de observações foi igual a 480 (2 x 12 x 20).

Análise gráfica

A análise gráfica pode ser realizada usando vários gráficos do Minitab:

Gráfico\Gráfico de intervalos\Com grupos
Estat\ANOVA\Gráfico de Efeitos principais
Estat\ANOVA\Gráfico de interações
Estat\Ferramentas de Qualidade\Carta multi-vari

Mostramos a utilização do gráfico multi-vari. O gráfico multi-vari Inventados por Leonard Seder (1950), engenheiro de controle de qualidade da Gillette. É uma ferramenta de diagnóstico comparável a ferramentas de diagnóstico médico, como raios-X ou eletrocardiogramas. Como exemplo genérico de três grandes fontes de variação que podem estar atuando no processo, temos (Figura 3):

Temporal: variação do processo ao longo do tempo, entre lançamentos, entre dias, entre lotes, entre entregas.
Entre partes: máquina, operador, turno, fábrica, aparelho de medição, rolos de tecidos diferentes (tempo curto), caminhões.
Dentro de partes: dentro de uma máquina (em um espaço curto de tempo), dentro de um turno, dentro de um rolo, dentro de um caminhão.

Em nosso exemplo utilizamos o procedimento do Minitab: Estat\Ferramentas de qualidade\Carta Multi-Vari. Na janela resposta colocamos a variável medida (tensão) e nas janelas de fatores colocamos, Fator 1 = Gomo, Fator 2 = Lado. No botão “Opções” ativamos a opção: “Exibir pontos de dados individuais”. Na Figura 4 fica visível que a variação de Lado é dominante e que a variação das medidas (dentro de cada lado e gomo) é pequena.

Análise de componentes de variância

Usamos ANOVA (efeitos aleatórios) para quantificar as componentes de variância das variáveis de processo que afetam certa resposta. As componentes de variância serão úteis para:

Determinar os fatores xs mais importantes para redução da variabilidade. O uso somente da análise gráfica pode ser inconcludente.
Para quantificar a influência da repetibilidade e reprodutibilidade em sistemas de medição e daí fazer melhoria na medição.
Para otimizar os esquemas de amostragem de lotes de matéria prima ou lotes fabricados.

O Minitab tem vários procedimentos para realizar a estimação das componentes de variância:

“Estat\ANOVA\ANOVA balanceada”: utilizado quando o planejamento tem o mesmo número de observações para cada combinação de fatores (balanceado). Pode ser utilizado para planos cruzados ou hierárquicos. A numeração dos níveis dos fatores hierarquicamente inferiores deve ser como para o gráfico multi-vari.
“Estat\ANOVA\ANOVA completamente aninhada”: utilizado quando o planejamento é completamente hierárquico, balanceado ou não. A numeração dos níveis dos fatores hierarquicamente inferiores pode ser diferente para cada nível superior.
“Estat\ANOVA\Modelo linear generalizado”: pode ser utilizado para planejamentos hierárquicos, cruzados ou uma combinação de ambos, e para planejamentos não balanceados. A numeração dos níveis dos fatores hierarquicamente inferiores pode ser diferente para cada nível superior.

Tabela 2 – Resumo dos planos para calcular componentes de variância no Minitab

O exemplo da máquina de fiação será analisado com o procedimento ANOVA completamente aninhada. No Minitab encontra-se em “Estat\ANOVA\ANOVA completamente aninhada”. Entre com a variável medida em Respostas e os fatores devem ser entrados em função da hierarquia, primeiro o fator hierarquicamente superior, neste caso: Lado, e depois Gomo (veja Figura 2). A Figura 5 tem os resultados observados. A partir dos resultados observa-se que a variância da tensão pode ser decomposta como:

V(tensão) = V(Lado) + V(Gomo) + V(Medição-erro) = 8.32 = 6.81 + 1.36 + 0.14

O gráfico de Pareto ilustra a importância do fator Lado. Por outro lado, mostra que a variação da medição (Erro) é pequena.

Ações de melhoria no processo

Cada lado da máquina é acionado por um eixo comum a todas as posições. Se pode simular o efeito da redução da diferença entre lados utilizando ANOVA para comparação de médias. Isso pode ser feito no procedimento Estat\ANOVA\Um fator. Entramos com Resposta = Tensão e Fator = Lado. Pressione o botão armazenamento e selecione “Resíduos”. Os resíduos são calculados igual que na regressão, como a diferença entre o valor de tensão e sua média (dependendo do lado). Ao fazer isso eliminamos a diferença entre lados!

O valor do R2 (coeficiente de determinação = 71,33%) representa – aproximadamente – o efeito do lado. Para comparar a variabilidade inicial do processo (variável Tensão) com a nova variável eliminando o efeito do lado, criamos uma coluna a partir da coluna de resíduos (que tem média = 0). Chamamos a nova variável “Tensão sem lado” = Resi + 17,118, onde 17,118 = média da variável Tensão.

A Figura 6 mostra o efeito de igualar os dois lados da máquina. A primeira figura mostra a variável Tensão original. A segundo tem a tensão eliminando o efeito do lado. A variância da tensão passou de 4,86 para 1,39 (redução de 71,33%), equivalente ao R2 calculado anteriormente.

Conseguimos reduzir a variabilidade da tensão regulando os dois lados da máquina da mesma forma. Podemos agora reduzir a amostragem? Como a componente de variância do lado foi reduzida a zero (não há diferença entre lados), a variância da tensão fica igual a:

V(tensão) = V(Lado) + V(Gomo) + V(Medição-erro)

V(tensão) = 1,50 = 0,00 + 1,36 + 0,14

Poderíamos coletar uma medida por gomo; nesse caso reduziríamos o esforço de amostragem de 480 (2 x 12 x 20) para 24 (2 x 12 x 1)! Chequemos se essa redução de amostragem gera perda de informação. A Figura 7 mostra que reduzindo a amostragem a 1 medida x gomo não há perda significativa de informação sobre o comportamento do processo. Os dois gráficos de controle foram feitos imputando a média = 17,12 e desvio padrão = 1,18 da série “Tensão sem lado” (gráfico superior).

Conclusões:

Há várias melhorias que podem ser feitas quando se conhecem as fontes de variação de um processo. O segredo para o uso dos estudos de fontes de variação é um planejamento adequado do plano do estudo e da coleta dos dados. Caso tenha alguma dúvida ou queira trocar figurinhas conosco, ligue ou envie um e-mail!

Referências:

ISO 10725:2000. Acceptance sampling plans and procedures for the inspection of bulk materials
ISO 11648-1:2003. Statistical aspects of sampling from bulk materials — Part 1: General principles

Carlos Domenech

Master Balck Belt, consultor e CEO da MI Domenech

Tamanho de amostra para RR

Carlos Domenech — Wed, 28 Dec 2022 05:23:51 +0000

A coleta de dados durante o ciclo MAI do Lean Six Sigma Estilo Startup é usualmente a mais complicada e demorada pela baixa qualidade dos sistemas de medição da maioria das empresas. Neste artigo mostramos como calcular o tamanho das amostras para um estudo de repetibilidade e reprodutibilidade quando os dados são contínuos.

Mensurando a variação da análise

A variação de uma análise tem duas grandes fontes envolvidas:

⦁ Variação entre as medições realizadas num mesmo material feitas pelo mesmo analista, usando o mesmo equipamento em um curto espaço de tempo.
⦁ Variação das medições realizadas num mesmo material feita por analistas diferentes e/ou usando equipamentos diferentes em diferentes dias.

À primeira fonte de variação, ou seja, aquela variação dos resultados da análise quando um mesmo analista repete a análise sob as mesmas condições, damos o nome de repetibilidade e é caracterizada pelo desvio padrão da repetibilidade (Srepe). À segunda fonte de variação, ou seja, aquela variação dos resultados da análise quando analistas diferentes fazem a análise ou o mesmo analista faz a análise em equipamentos diferentes, e/ou em diferentes dias, damos o nome de reprodutibilidade e é caracterizada pelo desvio padrão da reprodutibilidade (Srepro).

O desvio padrão do sistema de medição é igual a:

Para medirmos a variabilidade da medição (ou precisão da medição), temos que estimar os desvios padrão da repetibilidade e da reprodutibilidade.

Para mensurar a variação da análise basta pegarmos algumas amostras, repetir a análise diversas vezes e calcularmos o desvio padrão, certo? Para isto deve-se ter em conta que a “confiança” no desvio padrão depende da quantidade de analistas que participam das medições e do número de repetições realizadas em cada amostra. Vemos a seguir o procedimento para desenhar um plano de amostragem para medir a precisão da análise.

Selecionando o plano

Há dois tipos básicos de planos: Cruzados e Hierárquicos. A utilização de um ou de outro depende das características das amostras, mas sempre que possível sugerimos utilizar o plano cruzado.

No plano cruzado todos os analistas fazem as análises nas mesmas amostras. Este tipo de plano é comum quando a mesma amostra pode ser analisada mais de uma vez, como, por exemplo, quando diversos analistas medem o comprimento dos mesmos parafusos. O nome “cruzado” deriva do fato de que todas as amostras são “cruzadas” entre todos os analistas (Figura 2).

O plano hierárquico é utilizado quando os analistas não conseguem fazer a análise nas mesmas amostras. Um exemplo deste plano é numa análise química, onde a amostra degrada com o tempo e os analistas trabalham em turnos diferentes. Com isto o primeiro analista consegue repetir a análise algumas vezes na mesma amostra, mas quando o outro analista vai medi-la horas depois, os resultados são completamente diferentes. Neste caso selecionamos amostras diferentes para cada analista. O nome “hierárquico” é porque certas amostras estão alocadas a um analista e outras amostras a outro analista.

A seguir algumas dicas para a condução dos planos de medição:

⦁ Quando estamos fazendo um levantamento inicial ou melhorando o procedimento de análise, não precisamos fazer a análise com todos os analistas. Podemos fazer a análise com alguns e ir melhorando a procedimento de análise até chegarmos num ponto considerado ideal e aí então fazer um plano mais completo. Mas atenção, cuidado para não selecionar somente os melhores analistas, nem somente os piores, pois senão teremos uma visão deturpada da realidade.

⦁ Enquanto estivermos melhorando a análise, não precisamos também trabalhar com muitas amostras diferentes. Podemos trabalhar com amostras na faixa mais crítica, pois se o método ficar bom para esta faixa, será também adequado nas faixas menos críticas.

⦁ Não é necessário realizar o estudo com mais de uma amostra, mas quando trabalhamos somente com uma única amostra precisamos ter em mente que os resultados são válidos para aquele tipo de amostra. Não podemos simplesmente inferir que o resultado vale para outros tipos de amostra.

Uma vez escolhido o plano do estudo, precisamos definir o número de repetições necessárias para calcular o desvio padrão com um nível de confiança adequado.

Determinando o tamanho de amostra para calcular o desvio padrão da medição

Suponha que um Belt deseje calcular o desvio padrão da medição medindo 3 vezes a mesma amostra.

Você acha isto suficiente? 🤔

Para responder, fizemos uma simulação supondo que o desvio padrão da análise é igual a 1,2 e repetimos 900 vezes a análise de resistência. Separamos os valores em grupos de 3 medidas e calculamos os desvios padrão para cada grupo (300 valores de desvios padrão). Repetimos o mesmo procedimento para grupos de 10 e de 20 medidas. Note na Figura 3 como o desvio padrão pode ser bem diferente quando utilizamos amostras pequenas, indo desde o valor 0,1 até 3,5 na simulação com três valores. Fica claro também que quanto maior o tamanho da amostra, mais precisa é a medição do desvio padrão (com 20 repetições obtivemos desvios padrão entre 0,8 e 1,6).

Como se conclui da Figura 3, a variação na mensuração do desvio padrão pode ser controlada pela escolha do número de repetições que fazemos. Mas quanto é um nível aceitável de variação? No geral, é de consenso que uma variação em relação ao valor nominal entre 10% e 15% é adequada para estimar o desvio padrão.

Existe uma fórmula para medir esta “variação em relação ao valor nominal”: o coeficiente de variação (CV). Para o desvio padrão da repetibilidade, esta medida pode ser calculada por:

onde v (letra grega “ni”) representa o número de graus de liberdade (gl) utilizados no cálculo do desvio padrão. Exemplo: no caso da empresa que fazia a medição do desvio padrão com 3 amostras, o número de graus de liberdade será igual a 2 (no caso de 1 amostra o gl é igual ao número de repetições menos 1). O CV será de 50%, valor bem acima do limite de 15% recomendado:

Notamos que quanto mais repetições realizarmos na mesma amostra, menor será o CV do desvio padrão. Quanto mais informações temos (mais repetições) maior a certeza do que estamos medindo (menor é o CV).

O número de graus de liberdade depende do plano utilizado. Imagine as seguintes situações (Figura 4):

⦁ Situação 1: um GB está fazendo o estudo para uma medida de viscosidade com 2 analistas. Ele preparou 3 amostras com viscosidades diferentes e cada analista repetiu 4 vezes a análise em cada amostra.
⦁ Situação 2: um outro GB está fazendo o estudo para uma medida de resistência e ele dispõe de 4 analistas. Neste caso ele preparou 2 amostras com resistências diferentes e as deu para cada analista repetirem 3 vezes a análise em cada amostra.

Nas duas situações temos um plano cruzado, onde a mesma amostra é analisada por todos os analistas.

Para as duas situações o número total de análises feitas é o mesmo, ou seja, 24 análises (Tabela 1). Mas apesar disto, o número de repetições feita na mesma amostra pelo mesmo analista é diferente.

O cálculo dos graus de liberdade do desvio padrão da repetibilidade pode ser determinado multiplicando o número de analistas pelo número de amostras e depois pelo número de repetições menos 1:

Na Situação 1 temos 18 gl e na Situação 2 temos 16 gl, valores que mostram um CV% ainda acima dos 15% (Tabela 2).

Na Figura 5 há gráficos representando a variação do CV% do desvio padrão da repetibilidade em função de “a”, “p” e “n”. Destaca-se também a faixa com valores adequados de CV% (retângulo azul). Na Situação 1 (3 amostras e 2 analistas) precisaríamos de no mínimo 5 repetições para que o CV estivesse abaixo de 15% e no mínimo 10 repetições para que ele estivesse abaixo de 10% (veja gráfico inferior esquerdo da Figura 5). Para a Situação 2 (2 amostras e 4 analistas) precisaríamos de no mínimo 4 repetições para que o CV estivesse abaixo de 15% e no mínimo 8 repetições para que ele estivesse abaixo de 10% (gráfico superior direito da Figura 5).

Conclusões

Vimos que o desvio padrão da medição tem que ser baixo para aumentar a confiança nos dados e para não classificarmos erroneamente a nossa produção. Além disso, a precisão adequada da medição é um ingrediente essencial para realizar experimentos no processo ou para extrair conclusões dos dados históricos.

Mostramos como escolher o plano, cruzado ou hierárquico e como definir o número de repetições necessárias para que a mensuração do desvio padrão da repetibilidade seja confiável.

⦁ Referência bibliográfica

Mandel, J. (1972). Repeatability and Reproducibility, Journal of Quality Technology, 4, 74-85.

Marcus Vinícius de Castro

Master Black Belt e consultor da MI Domenech

Como eliminar valores extremos rapidamente no Minitab?

Carlos Domenech — Mon, 21 Jun 2021 14:31:43 +0000

Fizemos um gráfico de séries temporais no Minitab (Gráfico\Gráficos de Séries Temporais\ Simples) e ele tem o aspecto da figura abaixo. Você pode consultar outra matéria de nosso blog que discute sobre o assunto, mas há vários valores que você pode reconhecer como outliers de forma rápida (aqueles valores que machucam a vista!).

Você pode usar a ferramenta “Selecionar Pontos de Dados” do Minitab, presente no menu superior, clicar no gráfico e abraçar os pontos que deseja eliminar. Se houver pontos em setores não contínuos (como neste caso que há valores abaixo e acima do gráfico) pressione a tecla “shift” e abrace o seguinte conjunto de pontos extremos. Depois que selecionou todos os pontos extremos, pressione “Dados\Subconjunto da Worksheet” e preencha o menu conforme a figura abaixo. Pronto, seu novo arquivo não terá mais os pontos extremos selecionados. Quanto você tem arquivos com muitas linhas, esta é uma forma ótima e rápida de “limpar” os dados.

Carlos Domenech

Master Black Belt , consultor e CEO da MI Domenech

Cuidados importantes na inspeção de aceitação por amostragem

Carlos Domenech — Fri, 19 Mar 2021 23:22:40 +0000

Neste artigo apresentamos para você quais são os cuidados importantes que você deve ter na inspeção de aceitação por amostragem.

Muitas vezes, as empresas se deparam com a necessidade de examinar visualmente os seus produtos a fim de detectar possíveis defeitos ou, ainda, de examinar diversas características em materiais de fornecedores.

Uma vez que o custo torna inviável a inspeção de 100% dos produtos, as empresas adotam a inspeção de aceitação por amostragem para aprovar ou rejeitar lotes de produtos acabados ou de materiais de fornecedores.

No caso de produtos acabados, a inspeção é realizada no final do processo de fabricação para avaliar características qualitativas, tais como rasgo, amassado e manchado. Para os materiais de fornecedores, a inspeção é realizada no recebimento do lote para avaliar características qualitativas (por exemplo: cor, presença de impurezas) e quantitativas (por exemplo: concentração, densidade).

Em geral, a inspeção de aceitação por amostragem segue o esquema da figura abaixo.

Os valores do tamanho da amostra (n) e do número de aceitação (Ac) definem o plano de amostragem.

Existem diversos tipos de planos de amostragem, sendo que os mais utilizados são os planos inspeção de aceitação por atributos, definidos na norma Mil-Std 105E ou nas normas derivadas a partir dela: ANSI/ASQC Z1.4, ISO 2859 e NBR 5426.

A vantagem de adotar um plano de amostragem por atributos é permitir que várias características sejam avaliadas em um mesmo plano, ao contrário dos planos de amostragem por variáveis contínuas que podem exigir um plano distinto para cada característica.

Apesar de bastante utilizada, ignora-se muitas vezes as limitações de um plano de aceitação por atributos e os cuidados necessários para a correta aplicação da Mil-Std 105E. Alguns desses aspectos são aqui destacados.

1. A inspeção de aceitação não separa lotes ruins de lotes bons.

Em um sistema estável, no qual a taxa de defeitos dos lotes é aproximadamente a mesma ao longo do tempo, a qualidade de um lote reprovado na inspeção por amostragem e a mesma de um lote aprovado.

Para mostrar isso, vejamos um exemplo bem simples. Suponha que existam 5 lotes com 12 peças, todos com exatamente 3 peças defeituosas (pontos em vermelho na figura abaixo).

Vamos numerar a posição das peças no lote conforme a figura abaixo.

O plano de amostragem do lote é bem simples. Vamos sortear um número de 1 a 12 e examinar a peça que ocupa a posição do número sorteado. Se a peça for preta, aceitamos o lote; se a peça for vermelha, rejeitamos o lote.

O resultado da aplicação do plano de amostragem é mostrado na figura abaixo.

Note que a probabilidade de escolher uma peça vermelha é 25% em cada lote (3 vermelhas / 12 peças). Portanto a probabilidade de rejeitar um lote é 25%.

Em nosso exemplo, os lotes 2 e 5 tiveram o “azar” de serem reprovados, embora esses lotes fossem exatamente iguais aos demais lotes, com 3 peças defeituosas.

Em um processo produtivo real estável, a taxa de defeitos não é constante, mas varia um pouco em torno de uma média. Mesmo assim, uma questão é pertinente: porque fazer inspeção de aceitação por amostragem?

A inspeção de aceitação por amostragem é um meio indireto para promover a melhoria da qualidade porque nenhum fornecedor quer ver os seus lotes reprovados. No exemplo, espera-se que 1 em cada 4 lotes seja reprovado, que é uma taxa de reprovação muito alta. Para diminuir o número de lotes reprovados, há somente um caminho: melhorar a qualidade dos lotes.

2. O lote deve ser homogêneo.

Uma premissa importante para aplicar a inspeção de aceitação por amostragem é que os lotes devem ser homogêneos, ou seja, as peças no lote devem ser produzidas nas mesmas máquinas, pelos mesmos operadores, com matérias primas comuns, aproximadamente ao mesmo tempo.

Lotes não homogêneos podem “esconder” problemas de uma determinada fonte.

Suponha que os lotes sejam formados por 50 peças da Máquina A e 50 peças da Máquina B (veja figura abaixo).

A Máquina A produz 20% de peças defeituosas, que foram diluídas em um lote maior de 100 peças. Logo, a porcentagem de peças defeituosas no lote diminui para a metade do valor, ou seja, 10%.

Evidentemente, a diluição das peças defeituosas em um lote maior dificulta a identificação do problema na Máquina A.

3. As peças da amostra devem ser escolhidas aleatoriamente.

Deve-se escolher aleatoriamente as peças do lote que formarão a amostra. Somente assim a amostra será representativa do lote.

Muitas vezes, as peças são escolhidas de determinadas posições do lote porque é mais fácil. Por exemplo, coletar as peças do topo de um container porque evita o manuseio das peças.

As peças escolhidas do topo introduzem um viés na amostragem, uma vez que peças do fundo do container nunca serão escolhidas para compor a amostra.

Mesmo que se tenha o cuidado de escolher as peças de diferentes posições (alta, média e baixa), a amostra pode não ser representativa porque temos a tendência de repetir padrões de comportamento e escolher a maioria das peças das mesmas posições.

Repare onde as pessoas se sentam em um restaurante. Elas sempre se sentam no mesmo lugar ou no mesmo setor. Veja as suas apostas na Megasena. Você escolheria os números 33, 34, 35, 36, 37 e 38 em um jogo? Você pode não acreditar, mas a probabilidade de sair esses números é a mesma de qualquer outra combinação de números.

É muito difícil para uma pessoa fazer escolhas aleatórias. Faz parte da natureza humana. A solução é usar o gerador de números aleatórios de um software a fim de escolher aleatoriamente as peças para formar a amostra.

4. Considerar a Qualidade Limite (QL) para escolher o plano de amostragem.

A Mil-Std 105E apresenta diversas tabelas para direcionar a escolha do plano de inspeção por amostragem. A figura abaixo apresenta resumidamente os passos para a escolha, a partir de três informações: tamanho do lote, nível de inspeção e NQA.

A norma define 7 níveis de inspeção, sendo que o nível II é o mais adotado.

O Nível de Qualidade Aceitável (NQA) é a máxima fração defeituosa que pode ser considerada satisfatória como média do processo. Ou seja, é o maior valor aceitável para a porcentagem média de peças defeituosas nos lotes de um fornecedor.

A figura abaixo ilustra a escolha de um plano de amostragem.

De acordo com esse plano, deve-se escolher aleatoriamente 80 peças de um lote de 600 peças e examiná-las. Se nenhuma ou 1 peça defeituosa for encontrada, aceitamos o lote. Se 2 ou mais peças defeituosas forem encontradas, rejeitamos o lote.

Parece ser um plano de amostragem bom, mas devemos olhar mais de perto.

Os planos de amostragem estão associados a dois conceitos importantes:

Nível de Qualidade Aceitável (NQA): máxima fração defeituosa que pode ser considerada satisfatória como média do processo.
Qualidade Limite (QL): máxima fração defeituosa aceitável pelo consumidor.

Já vimos que o NQA em nosso exemplo é 0,65%. Ou seja, a porcentagem média de peças defeituosas nos lotes deverá ser 0,65%, no máximo.

A Qualidade Limite é a porcentagem máxima de defeitos que o consumidor – a pessoa que recebe os lotes – aceita em um lote isolado. Digamos que a Qualidade Limite desse consumidor seja 3,5%.

Evidentemente, se o lote conter 0,65% de peças defeituosas, gostaríamos que a probabilidade de aceitar esse lote fosse alta. Por outro, lado se o lote conter 3,5% de peças defeituosas, gostaríamos que a probabilidade de aceitar esse lote fosse bem baixa.

Essas probabilidades podem ser vistas na Curva Característica de Operação do plano de amostragem.

A Curva Característica de Operação do plano de amostragem de nosso exemplo mostra que a probabilidade de aceitar um lote com 0,65% de peças defeituosas é 90%. Ou seja, de cada 10 lotes “bons” apresentados, 9 serão aceitos.

Por outro lado, a probabilidade de aceitar um lote com 3,5% de peças defeituosas é 23%. De cada 10 lotes “ruins” apresentados, 2 serão aceitos. O risco do consumidor aceitar um lote com 3,5% de peças defeituosas pode ser considerado alto.

A Mil-Std 105E foi elaborada, a princípio, para avaliar lotes que saem continuamente de uma linha de produção. Por isso utiliza-se o NQA para escolher o plano amostral, uma vez que a qualidade média dos lotes é mais relevante do que a qualidade de um lote isolado. No entanto, a norma avisa que os planos de amostragem também podem ser utilizados para avaliar lotes isolados, mas, nesse caso, recomenda que se consulte as Curvas Características de Operação dos planos de amostragem que constam na norma.

Mesmo na inspeção de lotes em uma série contínua, pode ser pertinente definir a Qualidade Limite (QL) e escolher um plano de amostragem, cuja probabilidade de aceitação seja baixa na Qualidade Limite.

O problema é que muitas pessoas aplicam as tabelas da norma e nunca olham as Curvas Características de Operação. Minha recomendação: olhem.

5. Implementar a inspeção severa.

Ao basear a escolha dos planos de amostragem no NQA e não enfatizar a QL, a norma “beneficia” o fornecedor e “prejudica” o consumidor.

Isso ocorre porque a probabilidade de aceitação é alta para os lotes com porcentagem de defeituosas igual ao NQA (o que é bom para o fornecedor) e a probabilidade de aceitação ainda pode ser relativamente alta quando a porcentagem de defeituosas é próxima de QL (o que é ruim para o consumidor).

No entanto, a norma definiu a inspeção severa que deve ser aplicada se houver evidência de que a qualidade dos lotes piorou. A inspeção severa deve ser aplicada quando 2 lotes forem reprovados em uma sequência de 5 lotes consecutivos.

Há duas maneiras de implementar a inspeção severa: aumentar o tamanho do lote ou diminuir o número de aceitação. Para o plano amostral de nosso exemplo (tamanho de amostra = 80 e número de aceitação = 1), a inspeção severa consiste em aumentar o tamanho da amostra para 125 peças, mantendo o número de aceitação igual a 1. A figura abaixo apresenta a Curva Característica de Operação do novo plano de amostragem.

Com a inspeção severa, a probabilidade de aceitação dos lotes diminui de 90% para 80% para NQA igual a 0,65% e diminui de 23% para 6% para QL igual a 3,5%.

A inspeção severa deve permanecer até que 5 lotes consecutivos sejam aprovados. Além disso, a norma estabelece que a inspeção deve ser interrompida se 10 lotes consecutivos permanecerem na inspeção severa. Nesse caso, o fornecedor deve implementar ações corretivas.

Infelizmente, muitas empresas não implementam a inspeção severa. Dessa forma, o risco do consumidor (aceitar lotes “ruins”) pode ser alto se a qualidade dos lotes piorar. A implementação da inspeção severa é muito importante, principalmente se o plano de amostragem foi escolhido das tabelas da norma, sem consultar as Curva Característica de Operação.

Consideração final.

Atualmente, a presença de defeitos é cada vez menos tolerada porque pode prejudicar a imagem da empresa e, dependendo do produto, acarretar graves consequências para a segurança do consumidor. Se anteriormente se falava em porcentagem de peças defeituosas, hoje se fala em partes por milhão.

A norma Mil-Std 105E contém planos de amostragem para diversos valores de NQA, sendo o menor valor igual a 0,01%, equivalente 100 partes por milhão. A título de comparação, o Lean Six Sigma estima a taxa de defeitos em 3,4 partes por milhão em processos com nível sigma 6 e 233 partes por milhão em processos com nível sigma 5.

Para NQA igual a 0,01%, o tamanho da amostra é 1250 e número de aceitação é zero. A figura abaixo apresenta a Curva Característica de Operação desse plano.

Note que a probabilidade de aceitar um lote com 0,055% de peças defeituosas (550 partes por milhão) é 50%. Se quisermos diminuir essa probabilidade, será necessário um tamanho de amostra maior do que 1250 peças. Quanto menor for a taxa de defeitos tolerada, maior será o tamanho da amostra e, portanto, maior será o custo da inspeção.

Logo, é melhor direcionar os controles para métodos preventivos durante o processo produtivo. Por exemplo, implementar Controle Estatístico da Qualidade (CEP) ou dispositivos a prova de erro (poka yoke). A inspeção de aceitação por amostragem e a reprovação de lotes podem ser adotadas no início de um processo de melhoria para incentivar fabricantes e fornecedores a melhorarem os seus controles internos.

Manoel Telhada

Master Black Belt e consultor da MI Domenech

Relação entre liderança, método científico e resultados das eleições

Carlos Domenech — Fri, 20 Nov 2020 03:27:58 +0000

O artigo tenta mostrar como o uso de método científico, pensamento crítico e pensamento estatístico podem ajudar a desvendar alguns “mistérios” que acontecem no dia a dia. Recente artigo publicado no UOL tem o título “Votação estável ao longo da apuração não indica fraude em São Paulo”. A mente humana é complicada, tudo aquilo que não bate com nossos paradigmas é fraude ou enganação.
O grande problema é que não estamos muito acostumados a lidar com raciocínios que envolvam pensamento estatístico. O cientista de dados Hans Rosling mostra em uma palestra TED que quando se trata de estatística, nós humanos muitas vezes perdemos de lavada para os macacos.
Exemplo: assinale a resposta mais próxima para a seguinte questão, se reúno um grupo de 20 pessoas,

Qual é a chance que duas pessoas façam aniversário na mesma data (dia e mês)?

E como responderia um grupo de macacos que tentasse adivinhar onde está o cacho de bananas?

As respostas dos macacos serão aleatórias. Eles não sabem fazer cálculos estatísticos, logo, como querem a banana e não sabem onde está, metade deles irá procurar na cumbuca da esquerda e metade irá na cumbuca da direita. Como nós “humanos sabidos” conseguimos fazer cálculo, a maioria escolherá a opção da esquerda. Quem se aproximou mais da resposta certa? Os macacos! A probabilidade que em um grupo de 20 pessoas, duas façam aniversário na mesma data é 41%.
Vendo a questão pela ótica de Daniel Kahneman, prêmio Nobel de economia, nosso cérebro tende a trabalhar da forma mais preguiçosamente possível. Em “Rápido e Devagar” o autor separa o pensamento das pessoas de duas formas:

⦁ Intuitiva, rápida e emocional. Exemplo, quando perguntamos qual o resultado da soma 1+1, isso é algo fácil e simples. A resposta é intuitiva e, desse modo, a pessoa estará utilizando o pensamento rápido, intuitivo e emocional. O motivo desta resposta rápida é que não há nenhum trabalho em achar a resposta. Não faz sentido fazer um trabalho mais aprofundado. A resposta é óbvia.
⦁ Lenta, lógica e deliberativa. Se a pergunta for 27 x 29 qualquer pessoa normal necessitará mais que poucos alguns segundos para responder. Nesse caso a pessoa necessitou utilizar a forma de pensamento mais lenta, mais lógica e deliberativa.

Por conta desta separação, diversas áreas, como psicologia, medicina, economia e política, são afetadas. O problema é que em muitos casos em que precisaríamos usar um raciocínio mais lento, o nosso “eu preguiçoso” toma um atalho e conclui usando a forma de pensar intuitiva e rápida! E quebramos a cara, embora muitas vezes nem percebemos disso!

O problema das eleições

Veja a mensagem de WhatsApp citada na matéria do UOL na Figura 1. Ela questiona a constância das porcentagens de pessoas que votaram em Covas, Boulos, França e Russomano, mesmo quando mudam as porcentagens de apuração de 0,39%, 37,7%, 57,77% até 99,92%.

As duas formas de pensar (rápida e devagar) estão associadas com o uso (ou ausência de uso) do método científico:

⦁ Forma rápida (Figura 2): Pulo da observação para a conclusão, sem muito uso de pensamento crítico ou pensamento estatístico. É um caminho simples, rápido e… muitas vezes, errado!
⦁ Método científico (Figura 3): caminho correto, mas é trabalhoso, demorado, chato. Usa dados e fatos.

Tenha em mente que não é errado usarmos a forma rápida de pensar: se estamos atravessando a rua e um carro surge a toda velocidade, a forma mais esperta de atuar será a rápida e intuitiva! O problema aparece quando temos um problema que pede a forma de pensar lenta, lógica e deliberativa da opção “b” e continuamos usando o modelo intuitivo, rápido e emocional da opção “a”.

Usando o método científico no caso das eleições

Voltemos ao caso das eleições. Se analisamos os dados da Figura 1 com a forma rápida de pensar da Figura 2, uma possível conclusão é: “não faz sentido que uma amostra de 0,39% da população de eleitores dê o mesmo resultado que uma amostra de 37,77%, 57,77% ou 99,92%. Logo, há algo estranho!

Entretanto, um raciocínio simples para desmontar essa conclusão de que os dados são estranhos é o seguinte: se mal podemos confiar no resultado de uma amostra com 0,39% de votantes apurados (ou ainda, se os resultados de amostras com 0,39% e 37% não podem ser iguais), como é que o pessoal que faz pesquisas tira tantas conclusões com amostras de tamanho nove vezes menor? Note que as pesquisas coletam informação de 2.000-3.000 pessoas, o que representa entre somente 0,023% a 0,033% dos eleitores da cidade de SP! Pois é, estatística é algo interessante, não é?

Usemos agora a forma lenta de pensar.

Etapa 1 do método científico: Definir o problema e suas variáveis
Há chance que numa população de 8.986.687 eleitores, as porcentagens de votos nos quatro maiores candidatos mostrem a constância da Figura 1?

Etapa 2 do método científico: Sugerir uma possível explicação ou solução

A reportagem do UOL menciona: “O Tribunal Superior Eleitoral (TSE) explicou que a estabilidade no percentual de votos em candidatos durante a totalização não constitui indício de fraude e indica apenas homogeneidade nos votos recebidos durante a totalização”. Isto é bem factível e pode ser checado.

Etapa 3 do método científico: Coletar informação e testar as hipóteses

Usaremos a premissa do TSE e faremos uma análise reversa. Como neste caso conhecemos a “verdade”, ou seja, a porcentagem final de votantes em cada candidato (quando a apuração estava em 99,92%) partiremos dessas porcentagens e construiremos intervalos de confiança de 95% em cada momento da apuração para checar quais seriam os intervalos esperados em cada momento. O intervalo de confiança de uma proporção se calcula como:

Onde Linf é o limite inferior do intervalo, Lsup é o limite superior do intervalo, p é a proporção recebida por cada votante (no fim da eleição, ou seja quando a apuração estava em 99,92%), n é o tamanho de amostra contabilizado a cada momento (ou seja, quando a apuração estava em 0,39%, 37,77% e 57,77%) e, finalmente, Z é o percentil da distribuição normal padrão que permite construir o intervalo de 95% de confiança (= 1,96). Estatisticamente as quatro proporções não são independentes, mas o erro na conclusão por essa suposição é pequeno.

O número de votantes na cidade de SP é 8.986.687. A partir desta informação podemos calcular o número de eleitores contabilizados ao longo da apuração (em cada momento da Tabela 1). Como observou meu amigo Geovane Gomes, deve-se descontar a abstenção, que foi de 29,29% quando a apuração estava em 99%.

Tabela 1 – Amostra analisada pelo TRE-SP em cada momento

Sem fazer nenhum cálculo já podemos extrair uma conclusão importante. O tamanho de amostra quando a apuração estava em 0,39% é mais de 7 vezes superior ao tamanho de amostra usado normalmente em pesquisa eleitoral (= 3000 pessoas)! Logo, já com 0,39% teremos uma estimativa muito boa da verdade (como foi mencionando previamente).

A Tabela 2 abaixo tem os limites inferiores e superiores esperados em cada momento e a Tabela 3 tem os valores observados em cada momento da apuração (aqueles que estão na mensagem do WhatsApp). Em azul são valores que ficaram dentro dos intervalos de confiança, conforme previsto estatisticamente. Em laranja, um valor que ficou fora do intervalo, mas próximo do limite superior (candidato Boulos). Em vermelho há somente um valor que ficou afastado do previsto no intervalo (candidato Boulos).

Tabela 2 – Intervalos de confiança esperados em cada momento da apuração

Tabela 3 – Valores apurados ao longo do processo

Etapa 4 do método científico. Interpretar os resultados

As Figuras 4 a 7, dedicadas aos quatro primeiros colocados na eleição, mostram:

⦁ Os intervalos de confiança esperados ao variar a porcentagem de apuração entre 0,035% e 99,9% a cada momento da apuração, usando a Equação 1 mencionada anteriormente (linhas azuis que diminuem conforme um funil com a boca aberta a esquerda). Como era de se esperar (pode olhar na fórmula!), à medida que o tamanho da amostra aumenta (aumenta a porcentagem de apuração) a incerteza em torno do valor verdadeiro diminui.
⦁ O valor final anunciado pelo TRE-SP (linha reta horizontal azul), quando a apuração estava em 99,92%.
⦁ Valores anunciados para cada candidato ao longo da apuração (pontos vermelhos). O último ponto foi colocado em preto porque ele sempre vai coincidir com a linha azul central, já que é ponto na apuração final!
⦁ A amplitude da escala de todos os gráficos foi mantida em 2%.

Conclusão: a comparação entre o esperado pela estatística (funil) e o anunciado a cada momento tem uma coincidência extremamente boa (pontos vermelhos dentro do funil ou muito próximo dele), e não permite inferir qualquer tipo de anormalidade no processo eleitoral. Há um único caso de valor mais discrepante para Boulos; quando a apuração estava em 57,77% ele subiu mais do que o esperado, mas logo depois, caiu novamente.

Nem sempre a estabilidade ao longo da apuração será similar à observada neste caso. Um exemplo se encontra na votação nos EUA em que o tipo de voto (correio vs presencial) fez mudar radicalmente a apuração. O caso de São Paulo mostra uma situação de distribuição homogênea dos votos, confirmado pelo fato que Covas venceu em todas as zonas eleitorais de São Paulo%.

O que aprendemos desse episódio

“ Não acredite em algo pelo fato de ter ouvido a respeito; Não acredite em tradição pelo simples fato dela estar em uso há várias gerações; Não acredite em algo pelo fato de já ter sido falado a respeito inúmeras vezes; Não acredite em conjecturas; Não acredite em Autoridades ou Mestres pela sua condição…. Mas após uma cuidadosa observação e análise, e se a questão em análise concorda com a razão, e ainda mais, tenha a condição de gerar benefícios a alguém ou para todos, então aceite-a e viva por ela”

Buda (563ac – 483 ac)

Esta discussão nos mostra que a utilização do método científico é essencial para a gestão do dia a dia num mundo cada vez mais cheio de dados. O grande problema atual é que se fala de indústria 4.0, de inteligência artificial, e de power BI, mas a liderança está muito, muito, muito longe de conseguir fazer qualquer coisa com essa quantidade incrível de informação que nos chega no dia a dia. Continuamos com o paradigma do pensamento simples: observo um evento extraio uma conclusão… simples assim!

O mapa mental da Figura 8 mostra a ligação de alguns ingredientes que fazem um bom líder:

⦁ Nesta caminhada podemos retroceder à 2ª guerra mundial. Os Estados Unidos estavam sem mão de obra para suas fábricas (os homens foram para a guerra) e era necessário treinar muitas mulheres para lidar com problemas complexos nas fábricas. Surgiu uma organização que existe ainda hoje (TWI: Training Within Industry) que treinou milhões de pessoas em curto espaço de tempo em três questões, todas elas usando métodos científico: a) Como treinar pessoas, b) como melhorar processos, c) como fazer gestão das pessoas.

⦁ Depois da 2ª guerra, Japão destruído, a TWI ensinou aos japoneses esses três métodos.

⦁ Esses métodos formaram a base do lean. Toyota agregou um quarto método, como trabalhar com segurança.

⦁ Todos estes métodos usam o método científico.

⦁ O método científico requer o uso de dois irmãozinhos! O pensamento crítico e o pensamento estatístico. Já vimos um exemplo do pensamento estatístico. O pensamento crítico tem vários princípios, um deles é não acreditar em autoridades ou mestres pela sua condição (como já expressava Buda faz um tempo atrás). É muito comum fazer raciocínios do seguinte tipo:
⦁ Argumento de autoridade: Dennis Ritchie, inventor da linguagem C, diz que o aumento da temperatura na terra … etc etc etc (isto não é verdade, é um exemplo figurado). Fique vacinado com esse argumento!
⦁ E daí que ele tenha sido inventor da linguagem C?
⦁ Quais são os argumentos que provam a afirmação da temperatura?
⦁ Outros exemplos do “argumento de autoridade”: confie em Clinton porque é o Presidente, ou confie no juiz porque é o juiz, ou no presidente da empresa… porque é o presidente da empresa.
⦁ Ad hominem (‘ao homem’): atacar a pessoa e não seu argumento.
⦁ Apelo à ignorância: algo que não foi provado falso deve ser verdadeiro.
⦁ Presumir o resultado: Por exemplo, precisamos instituir a pena de morte para diminuir a criminalidade.
⦁ Finalmente, o pensamento estatístico requer que você aprenda a lidar com variabilidade.

Se você traça uma simples linha de tendência no Excel e conclui que o processo está aumentando ou diminuindo, você não está usando o pensamento estatístico. Tem que conhecer primeiro se a tendência é estatisticamente significativa, se o modelo ajusta bem os dados…

Pontos finais:

⦁ Caso tenha comentários sobre o artigo, envie para nós! Será um prazer receber seu feedback.
⦁ Caso queira checar os cálculos, podemos enviar arquivo Excel.

Referências

KAHNEMAN, Daniel. Rápido e devagar: duas formas de pensar. Rio de Janeiro: Objetiva, 2012.

¹Disponível em: https://noticias.uol.com.br/comprova/ultimas-noticias/2020/11/17/votacao-estavel-ao-longo-da-apuracao-nao-indica-fraude-em-sao-paulo.htm. Acesso em: 18 nov.2020
²Disponível em: https://www.ted.com/talks/hans_rosling_the_best_stats_you_ve_ever_seen#t-135667. Acesso em: 18 nov. 2020.
³Disponível em: https://agenciabrasil.ebc.com.br/eleicoes-2020/noticia/2020-11/com-33-milhoes-de-eleitores-sp-e-maior-colegio-eleitoral-do-brasil. Acesso em: 19 nov. 2020.
⁴Disponível em: https://g1.globo.com/sp/sao-paulo/eleicoes/2020/noticia/2020/11/16/cidade-de-sp-registra-abstencao-recorde-no-primeiro-turno-das-eleicoes-2020.ghtml. Acesso em: 18 nov. 2020.
⁵Disponível em: https://noticias.uol.com.br/eleicoes/2020/11/16/covas-vence-em-todas-as-regioes-boulos-chega-perto-no-centro-e-no-capao.htm. Acesso em: 19 nov. 2020.

Carlos Domenech

Master Black Belt, consultor e CEO da MI Domenech

Como aumentar o retorno de projetos Lean Six Sigma

admin_midomenech — Wed, 18 Sep 2019 20:06:31 +0000

Há uma pergunta recorrente entre executivos (Sponsors) e Belts nos programas Lean Six Sigma: “como fazer para aumentar o retorno dos projetos?” Esta questão se pode estender a qualquer tipo de projetos ou iniciativas de melhoria.

Os itens a seguir têm relação com essa questão:

Número de projetos versus recursos
Muitos ou poucos Belts
Complexidade dos projetos conforme nível de maturidade dos Belts.
Falta de ligação das iniciativas de melhoria com métricas importantes
Falta de ligação dos projetos com os setores mais importantes da empresa.

Nesta primeira parte analisamos a influência dos itens a), b) e c). Numa próxima matéria mostramos a influência dos itens d) e e).

Número de projetos

Como destacam George et al. (2005), a maioria das empresas não tem uma métrica sobre o número de iniciativas ou projetos em processo (ou sobre a duração das iniciativas). Algumas empresas líderes estão reconhecendo a importância de reduzir drasticamente o número de projetos em processo:

A 3M ficou parada em 16 bilhões de dólares de receita durante 4 anos, somente chegando a 18 bilhões em 2003-2004. O CEO atribui esta mudança ao Seis Sigma a aquilo que eles chamaram Aceleração 3M: melhorar o ritmo do desenvolvimento de produtos ao focar os recursos nos projetos certos. A 3M passou de 1.500 para 75 projetos que tinham as maiores oportunidades (95% de redução, David W. Ziegler, 2002).
Jeff Immelt, CEO da GE após Jack Welch comentar sobre o famoso centro de pesquisa em Schenectady, NY: “estivemos rodando um trabalho de alta tecnologia, com aproximadamente 1.000 projetos. Cortamos isto a 20 projetos maiores que são significativos, a serem conduzidos nos próximos 3-5 anos.

Ou seja, foque seus recursos mais valiosos nas iniciativas mais importantes. Isso não significa que somente 10-15 equipes poderão estar fazendo melhorias. Muitas iniciativas podem ser feitas em eventos kaizen mais simples com menor demanda de tempo das pessoas envolvidas.

Número de Belts

A tabela abaixo mostra o número de Black Belts e Green Belts treinados nos primeiros dois anos do programa Seis Sigma de AlliedSignal e GE (Zinkgraf Steve, 2006). Menos de 2% foram treinados como Black Belts. Porém houve uma diferença radical no número de Green Belts treinados nas duas empresas nos dois primeiros anos. AlliedSignal treinou 10% como Green Belts enquanto que GE treinou 27%. Por que essa diferença? Jack Welch estabeleceu que todo gerente deveria ser pelo menos Green Belt. Isso aumentou o número de pessoas treinadas, mas não mudou os resultados.

As duas empresas tiveram um retorno próximo aos US$880.000.000, mas AlliedSignal treinou somente 13% das pessoas instruídas pela GE (como Belts). AlliedSignal obteve US$107.000 por Belt treinado e GE obteve em torno de US$14.000.

As empresas devem evitar o risco de considerar a implementação do Lean Seis Sigma só como um programa de treinamento, mais do que focar na execução de projetos importantes com suporte da liderança e dedicação dos líderes de projetos. Uma orientação simples sobre número de Belts (depende do nível tecnológico da empresa) recomenda dispor de aproximadamente 5% dos funcionários treinados no nível Black Belt e 10% no nível Green Belt.

Número de Green Belts e Black Belts treinados na AlliedSignal e GE (2 primeiros anos de implementação)

Complexidade dos projetos conforme nível de maturidade dos Belts

Muito comum os diretores de empresas definirem logo após os primeiros treinamentos projetos de escopo muito grande geralmente ligados com um indicador estratégico. Por exemplo define-se projeto de “melhoria na margem ou no share” na expectativa que este problema pode ser resolvido em um projeto único de grande impacto.

Na prática não é esse o formato sugerido para o atingir metas estratégicas. Deveriam ser feitos vários projetos em diferentes segmentos de mercado e produtos da empresa. Os projetos devem ser definidos baseados no nível de maturidade dos Belts formados e dos Champions. Isto é especialmente válido no início da implementação dos programas de melhoria do tipo Lean Six Sigma.

Referências

David W. Ziegler, Colonel, USAF (2002). The 3M Company: Sharpening the business edge and implications for the DOD. A Research Report Submitted to the Director In Partial Fulfillment of Fellowship Requirements.
Michael George, James Works and Kimberly Watson-Hemphill. (2005). Fast Innovation: Achieving Superior Differentiation, Speed to Market, and Increased Profitability. Ed. McGraw-Hill Education. ISBN: 0071457895.
Zinkgraf Steve (2006). Six Sigma. The first 90 days. Prentice Hall. ISBN: 0131687409.

Carlos Domenech

Master Black Belt, consultor e CEO da MI Domenech

Múltiplas análises de forma rápida no Minitab

admin_midomenech — Wed, 18 Sep 2019 20:05:33 +0000

O problema neste caso era como realizar múltiplas análises de capacidade (Capability Analysis) de forma automática e em gráficos separados. Os dados para o problema estão na Tabela 1.

Se pode realizar a análise no procedimento Estat\Ferramentas de Qualidade\Análise de Capacidade\Normal, mas nesse caso há que entrar no procedimento 20 vezes para gerar os 20 gráficos. A Figura 1 tem um exemplo para as três primeiras colunas da Tabela 1.

Por outro lado, se podem realizar múltiplas análises no procedimento Estat\Ferramentas de Qualidade\Análise de Capacidade\Múltiplas variáveis (Normal). Porém, nesse caso são obtidos vários gráficos juntos com informação diferente ao do procedimento anterior (Figura 2).

Como repetir uma análise de forma rápida no Minitab

Existe alguma opção no Minitab que permita realizar análise de capacidade com gráficos separados iguais aos da Figura1? Existe sim, você deve proceder da seguinte forma.

1. Fazer análise de capacidade no procedimento usual (Estat\Ferramentas de Qualidade\ Análise de Capacidade\ Normal). Realize a análise para a 1ª variável (C1), adicionando os limites de especificação adequado (neste caso, limite inferior = -1, limite superior = 1).

2. A seguir clique no botão (Mostrar History) e copie as instruções (para isso ilumine da 1ª à última linha e pressione “Ctrl+C”).

3. Pressione o menu Editar\Editor de linha de comando e colar a informação da memória (Ctrl+V). A janela terá a forma da Figura 3.

4. A seguir modifique a 1ª linha da seguinte forma (deve agregar: -‘C20’) para que execute a ação para todas as colunas. Finamente clique no botão “Enviar comandos”:

E isso é tudo! Minitab repetirá a análise para as colunas destacadas na 1ª linha. Este é um modo simples de realizar análises repetidas para várias colunas.

Arquivos Ferramentas e Metodologias - MI Domenech

O Lean Six Sigma Estilo Startup e a métrica NPS

Carlos Domenech

Master Black Belt, consultor e CEO da MI Domenech

Estudos de Fontes de variação para redução de variabilidade dos processos e otimização de amostragem

Fontes de variação na caixa de ferramentas do LSS estilo Startup

Sy2 = S12 + S22 + …+ S62

Aplicação dos estudos de fontes de variação

Passos de um estudo de fontes de variação

Escolha das fontes de variação, plano de amostragem e níveis dos fatores

Análise gráfica

Análise de componentes de variância

Ações de melhoria no processo

Conclusões:

Referências:

Carlos Domenech

Master Balck Belt, consultor e CEO da MI Domenech

Tamanho de amostra para RR

Mensurando a variação da análise

O desvio padrão do sistema de medição é igual a:

Selecionando o plano

Determinando o tamanho de amostra para calcular o desvio padrão da medição

Conclusões

⦁ Referência bibliográfica

Marcus Vinícius de Castro

Master Black Belt e consultor da MI Domenech

Leia Mais

Como eliminar valores extremos rapidamente no Minitab?

Carlos Domenech

Master Black Belt , consultor e CEO da MI Domenech

Cuidados importantes na inspeção de aceitação por amostragem

1. A inspeção de aceitação não separa lotes ruins de lotes bons.

2. O lote deve ser homogêneo.

3. As peças da amostra devem ser escolhidas aleatoriamente.

4. Considerar a Qualidade Limite (QL) para escolher o plano de amostragem.

5. Implementar a inspeção severa.

Consideração final.

Manoel Telhada

Master Black Belt e consultor da MI Domenech

Leia mais!

Relação entre liderança, método científico e resultados das eleições

Qual é a chance que duas pessoas façam aniversário na mesma data (dia e mês)?

O problema das eleições

Usando o método científico no caso das eleições

Tabela 1 – Amostra analisada pelo TRE-SP em cada momento

Tabela 2 – Intervalos de confiança esperados em cada momento da apuração

Tabela 3 – Valores apurados ao longo do processo

Etapa 4 do método científico. Interpretar os resultados

Pontos finais:

Referências

Carlos Domenech

Master Black Belt, consultor e CEO da MI Domenech

Como aumentar o retorno de projetos Lean Six Sigma

Número de projetos

Número de Belts

Complexidade dos projetos conforme nível de maturidade dos Belts

Carlos Domenech

Master Black Belt, consultor e CEO da MI Domenech

Múltiplas análises de forma rápida no Minitab

O problema neste caso era como realizar múltiplas análises de capacidade (Capability Analysis) de forma automática e em gráficos separados. Os dados para o problema estão na Tabela 1.

Como repetir uma análise de forma rápida no Minitab

Carlos Domenech

Master Black Belt e CEO da MI Domenech

Ze Carlos Echarre López

Contribuição na escrita - Peru

Leia Mais!