Six Sigma e Lean: Melhorando produtividade, qualidade e lucros, Notas de estudo de Cultura

Baixe Six Sigma e Lean: Melhorando produtividade, qualidade e lucros e outras Notas de estudo em PDF para Cultura, somente na Docsity! Ao final desta aula o aluno deverá ser capaz de: • Conhecer as vantagens da aplicação do seis sigma e do lean; • Relações entre o seis sigma e o lean • Conhecer os conceitos gerais da metodologia seis sigma • Dominar os conceitos de estatística básica; • Entender o significado de seis sigma. EMENTA DA AULA 01 Associação entre seis sigma e lean, histórico do seis sigma, conceitos básicos de estatística e o significado de seis sigma. ESTRUTURA E MÉTRICAS SEIS SIGMA CONTEÚDO DA AULA 0 O QUE GANHAMOS COM A APLICAÇÃO DO SEIS SIGMA E DO LEAN? Seis sigma e lean são metodologias que podem ser aplicadas individualmente, porém ao serem aplicadas em conjunto resultam em maior produtividade com maior qualidade e, conseqüentemente, maior lucro para as organizações. Segundo o Lean Sigma Institute1 o lean associado ao seis sigma melhora a velocidade, a qualidade e o custo simultaneamente. O lean objetiva melhorar o fluxo reduzir desperdícios e agregar valor ao processo, em resumo, torna o processo mais rápido através da redução do lead time. O seis sigma objetiva reduzir a taxa de defeitos e diminuir a variabilidade do processo, portanto, aumenta a capacidade do processo. A resultante desta associação para o processo é a obtenção de maior produtividade e qualidade em menor tempo (ver figura 01). 1 Fonte: www.sixsigmainstitute.com/leansigma Objetivo Diminuir a variabilidade Diminuir o valor não agregado Indicadores Foco forte na eficácia, indicadores mostrando atender as especificações do cliente Foco forte em eficiência, indicadores mostrando atender a produtividade Estrutura da equipe Equipe formada por belts compostos por vários níveis e departamentos trabalhando no tema do projeto Atividades de pequenos grupos (APGs), compostos principalmente por equipes da área envolvendo o chão de fábrica Natureza dos trabalhos Projetos definidos observando o impacto no cliente interno e externo Projetos definidos observando o fluxo da cadeia de valor Metodologias DMAIC e DMADV Utilização dos 5 princípios Estratégias de implementação Implementar projetos estratégicos ao negócio da empresa Implementar melhorias nos pontos gargalos com disseminação do conceito kanban Áreas clássicas de coordenação Qualidade Produção Ferramentas utilizadas Mapa do processo, estudos estatísticos, matrizes de tomada de decisão, FMEA, planos de controle, etc. VSM, TOC, kanban, poka-yoke, JIT, SMED, 5S, gerenciamento visual, etc. Empresas de sucesso com o programa Empresas Norte Americanas Empresas Japonesas Dada esta breve explicação sobre as vantagens da integração e do foco individual vamos iniciar uma jornada por dentro de cada uma destas filosofias. Introdução ao seis sigma Nas últimas décadas o mundo tem experimentado uma série de modelos dirigidos a melhoria da qualidade e da produtividade. Em geral estes modelos têm um objetivo específico que não está diretamente ligado ao desempenho financeiro da empresa. Isto faz com que estes modelos não sejam vistos como prioridade pela direção, pois, os resultados obtidos com sua implantação não impactam positivamente os indicadores financeiros e, como é sabido, no mundo capitalista um projeto que não apresenta retorno palpável está fadado a fracassar devido à falta de apoio e interesse da alta direção. Um estudo publicado na revista “Quality Progress” constatou que empresas ganhadoras de prêmios da qualidade apesar de terem a percepção em relação à qualidade aumentada não obtiveram o mesmo reflexo em seus indicadores financeiros, ao contrário, alguns indicadores como as vendas por funcionários, o retorno sobre os ativos e o retorno sobre as vendas caíram. O Seis Sigma inicialmente implantado na Motorola em 1985 é um modelo que vêm com o objetivo explicito de quebrar este paradigma. Esta quebra de paradigma se dá pelo fato de ser um modelo com métrica focada na redução da variabilidade dos processos embasada em indicadores financeiros para a medição dos resultados. Algumas das maiores corporações ao redor do mundo, conseguiram obter resultados financeiros extraordinários com a aplicação do Seis Sigma. Dentre elas podemos citar organizações como a GE, Motorola, Sony, Nokia, Texas Instruments, Allied Signal, Canon, Hitachi, American Express, Toshiba, Du Pont e Polaroid. O quadro a seguir demonstra relação entre o nível sigma e o custo da não qualidade. Conceito geral da metodologia seis sigma O Seis Sigma é uma metodologia que permite às empresas maximizar seus lucros através da melhoria da qualidade de processos eliminando defeitos, falhas, erros e desperdícios de processos técnicos e não-técnicos. Um processo de fabricação é visto como um processo técnico. Em um processo técnico temos entradas de insumos, matérias-primas, operadores, máquinas, equipamentos de medição que fisicamente fluem através do processo. Mas também existem os fatores controláveis e os incontroláveis que afetam um processo técnico, tais como: temperatura, umidade, tensão, corrente, pressão, vibração, variação da composição química dos materiais, etc. A principal característica de um processo técnico é o fluxo do produto visível e um produto tangível como resultado deste processo. Processos administrativos tais como a geração de um pedido de compra ou de um plano de produção, processos transacionais como efetuar um empréstimo no banco ou processos envolvendo serviços de vendas por meio eletrônico são considerados processos não-técnicos. Em um processo tem como principal característica trabalhar com fluxo de informações e ter, na maioria das vezes, entradas e saídas intangíveis. O seis sigma pode ser aplicado em processos técnicos e processos não- técnicos de diferentes maneiras. Usualmente o seis sigma pode ser aplicado como: Filosofia: busca da perfeição envolvendo a aplicação do seis sigma em processos existentes e no desenvolvimento de novos processos (Design for Six Sigma - DFSS). Visão: servir como orientador (driver) para a empresa se posicionar entre as melhores do mercado. Organização dos dados Dados são obtidos através de medições de uma determinada característica. Vejamos o exemplo a seguir onde foram medidas 25 amostras e seus resultados registrados em uma tabela contendo 5 linhas e 5 colunas: 1,25 1,24 1,20 1,27 1,23 1,28 1,25 1,17 1,25 1,25 1,18 1,21 1,19 1,22 1,26 1,24 1,23 1,22 1,26 1,27 1,21 1,23 1,24 1,26 1,26 De posse dos dados nossa tarefa é descrevê-los de uma maneira prática, de modo que o usuário possa interpretá-los facilmente. Uma das técnicas é construir uma figura (gráfico) que demonstre a forma de distribuição destes dados. Se os dados acima forem arranjados em ordem crescente e de freqüência, obteremos o seguinte resultado: 1,17 1,18 1,19 1,20 1,21 1,21 1,22 1,22 1,23 1,23 1,23 1,24 1,24 1,24 1,25 1,25 1,25 1,25 1,26 1,26 1,26 1,27 1,27 1,27 1,28 Percebe-se que com os dados arranjados a visualização da amplitude (menor e maior valor), do valor de maior ocorrência e da forma de distribuição dos dados fica facilmente perceptível. Agora, se colocarmos os valores medidos em um eixo horizontal e no eixo vertical a freqüência (n° de vezes que cada valor medido se repete) obteremos uma representação gráfica denominada “Histograma de Freqüência”: Este tipo de representação gráfica é muito útil, pois facilita a visualização da distribuição dos dados. Porém alguns cuidados devem ser tomados ao construir um histograma. Vejamos o que acontece quando tentamos construir um histograma para os dados a seguir: Neste caso, como podemos observar o gráfico não nos dá a mínima idéia da forma de distribuição dos dados e, portanto não nos será útil no modo em que se apresenta. Um dos métodos que podemos utilizar para que o histograma nos demonstre a forma da distribuição no caso de valores muito espalhados é o demonstrado a seguir: 1. Diminua o maior valor do menor valor do grupo de dados (1,251 – 1,289) = 0,038 ou arredondado 0,040; 2. Como regra geral um histograma deve ter no mínimo 7 e no máximo 15 intervalos de classe, então para construir um histograma com 10 intervalos de classe fazemos: 0,040/10 = 0,004; 3. O incremento do intervalo de classe deve ser um número divisível por 2, 3, 5 ou 10, então o valor adequado para o incremento do intervalo de classe do novo histograma é 0,005; 4. Agora basta construir os intervalos de classe e determinar a freqüência em cada um deles. Este tipo de histograma é chamado “Histograma de freqüências agrupadas” e nos permite visualizar a forma de distribuição dos dados para valores muito “espalhados”. Caracterização de um conjunto de dados Um conjunto de dados contém muitos detalhes que podem ser explorados e transformados em informação através das seguintes medidas que caracterizam um conjunto de dados: • Medidas de tendência central • Medidas de dispersão; • Medidas de forma. Medidas de tendência central Uma forma útil de descrever um grupo como um todo consiste em encontrar um único valor que represente o que é típico ou médio dentro deste conjunto. As três medidas de tendência central, mais conhecidas são: • Moda; • Mediana; e • Média aritmética. Moda (Mo): é a medida de maior ocorrência no conjunto de dados, ou seja, é medida que mais se repete. A moda pode ser localizada com muito mais facilidade por exame visual que por cálculo. As principais características da moda são: n xxxx X n ++++ = ...321 Utilizando o exemplo anterior a montagem da equação para obter a média aritmética fica da seguinte forma: 47,10 10 7,104 10 9,108,107,106,105,104,104,103,101,100,10 == +++++++++ =X As principais características da média são: • Nível de mensuração: contínuo; • Aplicação: mais adequada para as distribuições unimodais simétricas (distribuição normal); • Grau de exatidão: é uma medida de tendência central exata utilizada em operações estatísticas avançadas. Posições relativas das medidas de tendência central As figuras a seguir demonstram a posição relativa da moda, da mediana e da média aritmética em distribuições normais e em distribuições assimétricas. Medidas de dispersão Chama-se de dispersão ou variação a dimensão que exprime a condição dos dados de orbitarem em torno de seu valor médio. As medidas de dispersão mais utilizadas são:
Amplitude (R)
Desvio padrão (σ ou s)
Variância (σ2 ou s2) Amplitude (R): pode-se obter uma medida de variabilidade rápida, embora não muito exata, através do cálculo da amplitude, que nada mais é que a diferença entre o maior e o menor valor da amostra. minxxR máx −= Desvio padrão (S): é a distância de cada valor individual em relação à média. O desvio padrão é dado pelas seguintes fórmulas: para amostras 1 )( 2 − − = ∑ n xx S e para populações. n x S ∑ − = 2)( µ Variância (s2): é o valor do desvio padrão elevado ao quadrado, portanto é a distância quadrática de cada amostra em relação à média. Para amostras: ∑ − − = 1 )(2 n xx S Para populações: ∑ − = n x S )(2 µ Para tornar o anteriormente explicado mais claro vejamos o resultado do cálculo da amplitude, do desvio padrão e da variância para o conjunto dados a seguir: Observe que quanto maior o valor da amplitude, do desvio padrão e da variância, mais achatada fica a curva ou, de maneira simples, podemos dizer que quanto maior for o valor da amplitude, do desvio padrão e da variância maior será a abertura da “boca” da curva de distribuição. -1σ-2σ-4σ -3σ-5σ-6σ +1σ +2σ +3σ +4σ +5σ +6σ 95,45% 68,27% 99,73% 99,993% 99,9999433% 99,9999998% Limite Percentual sob a curva Defeitos em ppm* Defeitos em PPB** ± 1 sigma 68,27 317.300 317.300.000 ± 2 sigma 95,45 45.500 45.500.000 ± 3 sigma 99,73 2.700 2.700.000 ± 4 sigma 99,9937 63 63.000 ± 5 sigma 99,999943 0,57 570 ± 6 sigma 99,9999998 0,002 2
*ppm = partes por milhão **ppb = partes por bilhão Fonte: Fonte: Breyfogle III, 1999, pag.9. A tabela de distribuição normal lista as probabilidades de uma variável aleatória, normalmente distribuída, cair entre a média e um valor qualquer baseado no escore-z padronizado. A fórmula para calcular o escore-z padronizado de uma população é a seguinte: ( ) σ µ− = x z Onde: Z = escore-z µ = média da população σ = desvio padrão da população x = variável aleatória de interesse Porém, quando trabalhamos com amostras, utilizamos a seguinte fórmula: ( ) s xx z − = Onde: Z = escore-z x = média da amostra s = desvio padrão da amostra x = variável aleatória de interesse De posse do valor do escore-z utilizamos a tabela de distribuição normal (ver tabela 01) para determinar a área sob a curva de distribuição. Exemplo: Considerando-se que em uma amostra aleatória obtemos média igual a 20 e desvio padrão igual a 2, calcular a probabilidade de X ser maior que 18 e menor que 21. normal) ãodistribuiç de tabelana (0,3413 1 2 2018 Z1 −= − = normal) ãodistribuiç de tabelana (0,1915 0,5 2 2021 Z2 = − = P(18 ≤ X ≤ 21) = P (-1≤ X ≤ 0,5) = 0,1915 + 0,3413 = 0,5328 = 53,28% TABELA 01 - DISTRIBUIÇÃO NORMAL PADRONIZADA Exemplo: determine qual é a área sob a curva entre a média e um ponto a 1,7 desvios padrão a direita da média. Procure pelo valor 1,7 na coluna direita da tabela e o valor 0,00 na linha superior da tabela o cruzamento entre coluna e linha (1,7 + 0,00) nos fornece o valor da área sob a curva para um valor de Z= 1,70, no caso 0,4554. Z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09 0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359 0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753 0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141 0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517 0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879 0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224 0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2518 .2549 0.7 .2580 .2612 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852 0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133 0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389 1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621 1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3791 .3810 .3830 1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4014 1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177 1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319 1.5 .4332 .4345 .4357 .4370 .4382 .7394 .4406 .4418 .4429 .4441 1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545 1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633 1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706 1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767 20. .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817 2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857 2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890 2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916 Limites naturais do processo com ±3σ (99,73%) e média centrada, estes coincidem exatamente com os limites de especificação do produto. Em termos simples podemos comparar as especificações como sendo o espaço em uma vaga de estacionamento onde o automóvel entra sem folga. Considerando o mesmo processo com distribuição normal com média (µ) igual a 10 u.m. e desvio padrão (σ) igual a 0,50 u.m., mas agora trabalhando com o nível de qualidade 6σ os limites naturais do processo passam a ser: Limite Natural Inferior: LNI = µ - 6σ → LNI = 10 - (6 x 0,50) → LNI = 7,0 u.m. Limite Natural Superior: LNS = µ + 6σ → LNS = 10 + (6 x 0,50) → LNS =13,0 u.m. Calculando os limites naturais do processo com ±6σ (99.9999998%) e média centrada, notamos que os limites naturais do processo encontrados extrapolam os limites de especificação do produto. Novamente comparando as especificações como sendo o espaço em uma vaga de estacionamento temos uma situação onde o automóvel é maior que a vaga ofertada. Para que o mesmo processo, utilizando o conceito 6σ, entre dentro dos limites de especificação é necessário uma redução drástica na variação, neste caso vamos aplicar uma redução de 50% para exemplificar (σ atual = 0,5 u.m. ; σ reduzido 50% = 0,25 u.m.) então: Limite Natural Inferior: LNI = µ - 6σ → LNI = 10 - (6 x 0,25) → LNI = 8,5 u.m. Limite Natural Superior: LNS = µ + 6σ → LNS = 10 + (6 x 0,25) → LNS =11,5 u.m. Vejam que com a redução de 50% na variabilidade do processo podemos inserir ±6σ dentro dos limites especificados. Utilizando a analogia da vaga de estacionamento significa dizer que temos de trocar o carro por um menor para poder utilizá-la. Porém devemos levar em consideração que mesmo os processos sob controle, isto é processos considerados estáveis, não são estáticos e sofrem pequenos deslocamentos em sua média ao longo do tempo. Segundo Harry, um dos criadores da metodologia seis sigma, um deslocamento na média (µ) da magnitude de até ±1,5σ é considerado normal e deve ser levado em consideração nos cálculos do escore-z padronizado, o que conseqüentemente altera a taxa de defeitos em ppm. Então, considerando o deslocamento de ±1,5σ na média percebe-se que uma redução maior que 50% no desvio padrão (σ) se faz necessária para que a variação natural do processo não exceda os limites de especificação. Novamente, para que o mesmo processo, utilizando o conceito 6σ agora considerando o deslocamento de ±1,5σ na média, entre dentro dos limites de especificação é necessário mais redução na variação (σ atual = 0,25 u.m. ; σ reduzido = 0,20 u.m.) então: Limite Natural Inferior: LNI = µ - 6σ → LNI = 10 - (6 x 0,20) → LNI = 8,80 u.m. Limite Natural Superior: LNS = µ + 6σ → LNS = 10 + (6 x 0,20) → LNS =11,20 u.m.