Embed Size (px)
Citation preview
DDIISSSSEERRTTAAÇÇÃÃOO DDEE MMEESSTTRRAADDOO PPRROOFFIISSSSIIOONNAALLIIZZAANNTTEE EEMM AADDMMIINNIISSTTRRAAÇÇÃÃOO
AA UUTTIILLIIZZAAÇÇÃÃOO DDAA MMEETTOODDOOLLOOGGIIAA SSEEIISS SSIIGGMMAA CCOOMMOO AAPPOOIIOO ÀÀ TTOOMMAADDAA DDEE
DDEECCIISSÕÕEESS CCOORRPPOORRAATTIIVVAASS
SSiimmoonnee CCoossttaa ddee MMeeddeeiirrooss SSuuáárreezz
Orientador: Prof. Dr. Luiz Flávio Autran Monteiro Gomes
Rio de Janeiro, 28 de Outubro de 2004.
FFFAAACCCUUULLLDDDAAADDDEEESSS IIIBBBMMMEEECCC PPPRRROOOGGGRRRAAAMMMAAA DDDEEE PPPÓÓÓSSS---GGGRRRAAADDDUUUAAAÇÇÇÃÃÃOOO EEE PPPEEESSSQQQUUUIIISSSAAA EEEMMM
AAADDDMMMIIINNNIIISSSTTTRRRAAAÇÇÇÃÃÃOOO EEE EEECCCOOONNNOOOMMMIIIAAA
AA UUTTIILLIIZZAAÇÇÃÃOO DDAA MMEETTOODDOOLLOOGGIIAA SSEEIISS SSIIGGMMAA CCOOMMOO AAPPOOIIOO ÀÀ TTOOMMAADDAA DDEE
DDEECCIISSÕÕEESS CCOORRPPOORRAATTIIVVAASS
Dissertação apresentada ao Curso de
Mestrado Profissional em Administração das
Faculdades Ibmec como parte dos requisitos
para obtenção do título de Mestre em
Administração
Área de Concentração: Administração Geral
SSIIMMOONNEE CCOOSSTTAA DDEE MMEEDDEEIIRROOSS SSUUÁÁRREEZZ
Orientador: Prof. Dr. Luiz Flávio Autran Monteiro Gomes
Rio de Janeiro, 28 de Outubro de 2004.
FFFAAACCCUUULLLDDDAAADDDEEESSS IIIBBBMMMEEECCC PPPRRROOOGGGRRRAAAMMMAAA DDDEEE PPPÓÓÓSSS---GGGRRRAAADDDUUUAAAÇÇÇÃÃÃOOO EEE PPPEEESSSQQQUUUIIISSSAAA EEEMMM
AAADDDMMMIIINNNIIISSSTTTRRRAAAÇÇÇÃÃÃOOO EEE EEECCCOOONNNOOOMMMIIIAAA
SIMONE COSTA DE MEDEIROS SUÁREZ
A UTILIZAÇÃO DA METODOLOGIA SEIS SIGMA COMO
APOIO À TOMADA DE DECISÕES CORPORATIVAS
Dissertação apresentada ao Curso de Mestrado
Profissional em Administração das Faculdades
Ibmec como parte dos requisitos para obtenção
do título de Mestre em Administração
Área de Concentração: Administração Geral
Aprovada em:
BANCA EXAMINADORA:
Prof. Dr. Luiz Flávio Autran Monteiro Gomes, Faculdades Ibmec – Orientador
Profª Drª. Maria Augusta Soares Machado, Faculdades Ibmec
Prof. Dr. Annibal Parracho Sant'anna, UFF
Rio de Janeiro, 28 de Outubro de 2004
FFFAAACCCUUULLLDDDAAADDDEEESSS IIIBBBMMMEEECCC PPPRRROOOGGGRRRAAAMMMAAA DDDEEE PPPÓÓÓSSS---GGGRRRAAADDDUUUAAAÇÇÇÃÃÃOOO EEE PPPEEESSSQQQUUUIIISSSAAA EEEMMM
AAADDDMMMIIINNNIIISSSTTTRRRAAAÇÇÇÃÃÃOOO EEE EEECCCOOONNNOOOMMMIIIAAA
IV
DEDICATÓRIA E AGRADECIMENTOS
Aos meus pais, com os quais aprendi a ter determinação e
por acreditarem em mim.
Ao meu filho, que antes de nascer já me acompanhava
no Mestrado.
Ao meu marido, pelo incentivo.
Ao meu orientador, Prof. Autran, por despertar meu
interesse pelo Apoio à Tomada de Decisão.
V
SUMÁRIO
LLIISSTTAA DDEE FFIIGGUURRAASS .................................................................................................................................................................................................................................. VVIIII LLIISSTTAA DDEE AABBRREEVVIIAATTUURRAASS,, SSIIGGLLAASS EE SSÍÍMMBBOOLLOOSS .......................................................................................................................... VVIIIIII LLIISSTTAA DDEE AABBRREEVVIIAATTUURRAASS,, SSIIGGLLAASS EE SSÍÍMMBBOOLLOOSS .......................................................................................................................... VVIIIIII RREESSUUMMOO ........................................................................................................................................................................................................................................................................ IIXX AABBSSTTRRAACCTT .................................................................................................................................................................................................................................................................. XX 11.. IINNTTRROODDUUÇÇÃÃOO ............................................................................................................................................................................................................................1111 22.. PPRROOBBLLEEMMAA ....................................................................................................................................................................................................................................1122
2.1. ContextualizaçÃo do problema........................................................... 12
33.. SSUURRGGIIMMEENNTTOO DDAA MMEETTOODDOOLLOOGGIIAA SSEEIISS SSIIGGMMAA ............................................................................................................1144
3.1. Motorola................................................................................................ 14
3.2. Outros casos de sucesso do Seis Sigma .......................................... 15
44.. CCOONNCCEEIITTOOSS DDEE SSEEIISS SSIIGGMMAA ..........................................................................................................................................................................1177
4.1. O que significa Sigma.......................................................................... 18
4.2. Índices de capacidade do processo................................................... 19
4.3. Como Funciona a Metodologia Seis Sigma...................................... 22
4.4. LIMITES DE TOLERÂNCIA .................................................................. 25
4.5. Ferramentas Seis Sigma ..................................................................... 28
4.5.1. Mapa do Processo ........................................................................ 28
4.5.2. Métricas do Seis Sigma................................................................ 30
4.5.3. Diagrama da Matriz (Matriz XY).................................................... 31
4.5.4. AHP ................................................................................................ 33
4.5.5. Análise de Capacidade................................................................. 33
4.5.6. Estatística Descritiva.................................................................... 34
4.5.7. Análise de Pareto.......................................................................... 35
4.5.8. Análises de Correlação e Regressão .......................................... 37
4.5.9. Histogramas .................................................................................. 38
4.5.10. Diagrama de Causa e Efeito ..................................................... 39
4.5.11. Análise das Forças de Campo (FFA) ....................................... 40
4.5.12. Benchmarking ........................................................................... 40
4.5.13. Análise do Sistema de Medição (MSA).................................... 40
4.5.14. Failure Mode and Effect Analysis (FMEA)............................... 41
4.5.15. Planejamento de Experimento (DOE) ...................................... 42
VI
4.5.16. Teste de Hipóteses.................................................................... 43
4.5.17. ANOVA ou Análise de Variância .............................................. 43
4.5.18. Cartas de Controle .................................................................... 44
4.6. Patrocinadores e Especialistas do Seis Sigma................................. 45
4.7. O Diferencial – Qualidade, ISO 9000 e Seis Sigma............................ 47
55.. AAPPOOIIOO ÀÀ TTOOMMAADDAA DDEE DDEECCIISSÃÃOO................................................................................................................................................................4499
5.1. Técnicas e Ferramentas de Suporte Analítico à Tomada de Decisão 52
5.2. Pesquisa Operacional (OR – Operations Research) ........................ 52
5.3. Ciência da Decisão (Decision Science).............................................. 55
5.4. Apoio Multicritério à Decisão (Multicriteria Decision Aiding) .......... 56
5.5. Classificação dos Métodos Multicritério............................................ 57
66.. IINNTTEERRSSEEÇÇÕÕEESS EENNTTRREE AA MMEETTOODDOOLLOOGGIIAA SSEEIISS SSIIGGMMAA EE AAPPOOIIOO ÀÀ TTOOMMAADDAA DDEE
DDEECCIISSÕÕEESS:: ................................................................................................................................................................................................................................................................6622
6.1. Mapa do Processo ............................................................................... 64
6.2. Diagrama da Matriz .............................................................................. 64
6.3. AHP (Analytic Hierarchy Process)...................................................... 64
6.4. Métrica Secundária .............................................................................. 65
6.5. Análise de Forças do Campo (FFA - Force Field Analysis).............. 65
6.6. Benchmarking ...................................................................................... 65
6.7. MSA (Measurement System Analysis) .............................................. 65
6.8. Análise Estatística Multivariada.......................................................... 66
6.9. Análise de Pareto ................................................................................. 66
6.10. Diagrama de Causa e Efeito ............................................................ 66
6.11. Diagrama da Árvore ......................................................................... 67
6.12. Análise de Regressão e Correlação................................................ 67
6.13. Brainstorming................................................................................... 68
6.14. DOE (Design of Experiment) ........................................................... 68
6.15. Teste de Hipóteses........................................................................... 68
6.16. FMEA (Failure Mode Effect Analysis) ............................................. 69
77.. CCOONNCCLLUUSSÃÃOO................................................................................................................................................................................................................................7700 88.. RREEFFEERRÊÊNNCCIIAASS BBIIBBLLIIOOGGRRÁÁFFIICCAASS ..........................................................................................................................................................7733
VII
LLIISSTTAA DDEE FFIIGGUURRAASS
FFIIGGUURRAA 11 –– SSIIXX SSIIGGMMAA CCOOSSTTSS AANNDD SSAAVVIINNGGSS ..........................................................................................................................................1166 FFIIGGUURRAA 22 –– RREESSUUMMOO DDAA HHIISSTTÓÓRRIIAA DDOO SSEEIISS SSIIGGMMAA..........................................................................................................1166 FFIIGGUURRAA 33 –– PPPPMM EEMM RREELLAAÇÇÃÃOO AAOO NNÍÍVVEELL SSIIGGMMAA................................................................................................................................1199 FFIIGGUURRAA 44 –– CCOOMMPPAARRAAÇÇÃÃOO EENNTTRREE OO PPAADDRRÃÃOO AATTUUAALL ((QQUUAATTRROO SSIIGGMMAA)) EE AA
PPEERRFFOORRMMAANNCCEE SSEEIISS SSIIGGMMAA ....................................................................................................................................................................................................1199 FFIIGGUURRAA 55:: AASS FFEERRRRAAMMEENNTTAASS DDOO SSEEIISS SSIIGGMMAA CCOOMMUUMMEENNTTEE UUTTIILLIIZZAADDAASS EEMM CCAADDAA
FFAASSEE DDEE UUMM PPRROOJJEETTOO........................................................................................................................................................................................................................2244 FFIIGGUURRAA 66 –– DDIISSTTRRIIBBUUIIÇÇÃÃOO NNOORRMMAALL CCOOMM ±± 33 SSIIGGMMAASS DDEENNTTRROO DDAA EESSPPEECCIIFFIICCAAÇÇÃÃOO.. 2266 FFIIGGUURRAA 77 –– DDIISSTTRRIIBBUUIIÇÇÃÃOO NNOORRMMAALL CCOOMM ±± 66 SSIIGGMMAASS DDEENNTTRROO DDAA EESSPPEECCIIFFIICCAAÇÇÃÃOO ..2266 FFIIGGUURRAA 88:: EEXXEEMMPPLLOO DDEE MMAAPPAA DDOO PPRROOCCEESSSSOO ..................................................................................................................................2299 FFIIGGUURRAA 99:: PPRROOCCEESSSS MMAAPP:: CCYYCCLLEE TTIIMMEE............................................................................................................................................................2299 FFIIGGUURRAA 1100:: EEXXEEMMPPLLOO DDEE MMÉÉTTRRIICCAA PPRRIIMMÁÁRRIIAA ....................................................................................................................................3300 FFIIGGUURRAA 1111:: EEXXEEMMPPLLOO DDEE MMÉÉTTRRIICCAA SSEECCUUNNDDÁÁRRIIAA ..........................................................................................................................3311 FFIIGGUURRAA 1122:: EEXXEEMMPPLLOO DDEE MMAATTRRIIZZ XXYY ....................................................................................................................................................................3322 FFIIGGUURRAA 1133:: QQUUAALLIITTYY FFUUNNCCTTIIOONN DDEEPPLLOOYYMMEENNTT ((QQFFDD)) OORR HHOOUUSSEE OOFF QQUUAALLIITTYY....................3322 FFIIGGUURRAA 1144:: EEXXEEMMPPLLOO DDEE AAHHPP UUTTIILLIIZZAANNDDOO MMIICCRROOSSOOFFTT EEXXCCEELL........................................................................3333 FFIIGGUURRAA 1155:: NNÍÍVVEELL SSIIGGMMAA EE CCAAPPAACCIIDDAADDEE DDOO PPRROOCCEESSSSOO................................................................................................3344 FFIIGGUURRAA 1166:: DDIISSTTRRIIBBUUIIÇÇÃÃOO DDEE GGAAUUSSSS OORR NNOORRMMAALL ....................................................................................................................3355 FFIIGGUURRAA 1177:: EEXXEEMMPPLLOO DDEE DDIISSTTRRIIBBUUIIÇÇÃÃOO AANNOORRMMAALL DDEE DDAADDOOSS ........................................................................3355 FFIIGGUURRAA 1188:: EEXXEEMMPPLLOO DDEE GGRRÁÁFFIICCOO DDEE PPAARREETTOO DDEE PPRRIIMMEEIIRROO NNÍÍVVEELL........................................................3366 FFIIGGUURRAA 1199:: EEXXEEMMPPLLOO DDEE GGRRÁÁFFIICCOO DDEE PPAARREETTOO DDEE SSEEGGUUNNDDOO NNÍÍVVEELL ......................................................3366 FFIIGGUURRAA 2200:: EEXXEEMMPPLLOO DDEE GGRRÁÁFFIICCOO DDEE PPAARREETTOO DDEE TTEERRCCEEIIRROO NNÍÍVVEELL....................................................3377 FFIIGGUURRAA 2211:: CCOORRRREELLAAÇÇÃÃOO EENNTTRREE XX ((DDAAYYSS TTOOTTAALL)) EE YY ((EEOORREERRCC)) ..................................................................3388 FFIIGGUURRAA 2222:: EEXXEEMMPPLLOO DDEE HHIISSTTOOGGRRAAMMAA ..........................................................................................................................................................3399 FFIIGGUURRAA 2233:: EEXXEEMMPPLLOO DDEE DDIIAAGGRRAAMMAA DDEE CCAAUUSSAA EE EEFFEEIITTOO............................................................................................3399 FFIIGGUURRAA 2244:: EEXXEEMMPPLLOO DDEE GGAAGGEE RR&&RR OOBBTTIIDDOO CCOOMM AA UUTTIILLIIZZAAÇÇÃÃOO DDOO SSOOFFTTWWAARREE
MMIINNIITTAABB ..........................................................................................................................................................................................................................................................................4411 FFIIGGUURRAA 2255:: EEXXEEMMPPLLOO DDEE FFMMEEAA ........................................................................................................................................................................................4422 FFIIGGUURRAA 2266 :: EEXXEEMMPPLLOO DDEE CCAARRTTAA DDEE CCOONNTTRROOLLEE............................................................................................................................4455 FFIIGGUURRAA 2277::BBLLAACCKK BBEELLTT SSUUCCCCEESSSS FFAACCTTOORRSS AANNDD IIMMPPOORRTTAANNCCEE WWEEIIGGHHTTSS..................................4477 FFIIGGUURRAA 2288:: FFEERRRRAAMMEENNTTAASS UUTTIILLIIZZAADDAASS EEMM SSEEIISS SSIIGGMMAA EE NNOO AAPPOOIIOO ÀÀ TTOOMMAADDAA DDEE
DDEECCIISSÃÃOO........................................................................................................................................................................................................................................................................6633
VIII
LLIISSTTAA DDEE AABBRREEVVIIAATTUURRAASS,, SSIIGGLLAASS EE SSÍÍMMBBOOLLOOSS
AHP Analytic Hierarchy Process
AMD Apoio Multicritério à Decisão
ANOVA Analysis of Variance
ANP Analytic Network Process
CEO Chief Executive Officer
CTQ Critical to Quality
DFFS Design for Six Sigma
DMADV Define, Measure, Analyze, Design e Verify
DMAIC Define, Measure, Analyze, Improve, Control
DS Decision Science
ELECTRE Elimination Et Choix Traduisant la Réalité
FFA Force-Field Analysis
FMEA Failure Mode and Effect Analysis
MCDA Multicriteria Decision Aiding
MS Management Science
MSA Measurement System Analysis
MSE Measurement System Evaluation
OR Operational Research
PROMÉTHÉE Preference Ranking Organization Method for Enrichment
Evaluations
SPC Statistical Process Control
SMART Simple Multi Attribute Rating Technique
TARP Technical Assistance Research Program
TQC Total Quality Control
IX
A UTILIZAÇÃO DA METODOLOGIA SEIS SIGMA COMO APOIO À TOMADA DE DECISÕES CORPORATIVAS
RREESSUUMMOO
Este trabalho apresenta uma síntese da metodologia Seis Sigma e dos
diversos métodos e técnicas utilizados no apoio à tomada de decisão. Além disso
desenvolve uma análise sobre como o Seis Sigma pode ser utilizado de forma
complementar a estes métodos no ambiente corporativo. O estudo descreve
inicialmente a aplicação tradicional da metodologia Seis Sigma e os benefícios
dela esperados. Baseia-se na literatura referenciada e na experiência da autora
como Black Belt desenvolvendo projetos Seis Sigma e treinando Yellow Belts. O
estudo apresenta em seguida, uma síntese taxonômica das técnicas e
ferramentas de suporte analítico à tomada de decisão pesquisadas na literatura.
Posteriormente são identificadas as interseções entre o Apoio Multicritério à
Decisão e a Metodologia Seis Sigma e estudados os possíveis impactos da
utilização desta sobre a tomada de decisões corporativas. No decorrer deste
estudo foi possível concluir que a utilização da metodologia Seis Sigma como
apoio à tomada de decisões corporativas é de grande importância. A apuração de
dados e medidas quantitativas, decorrentes dos projetos Seis Sigma em uma
determinada organização, possibilita o incremento na quantidade e qualidade de
elementos disponíveis para a tomada de decisão. Por fim, são propostas alguns
exemplos de situações onde a utilização de técnicas cientificamente
fundamentadas serviriam para dar às empresas subsídios na tomada de decisões
corporativas.
X
USING SIX SIGMA METHODOLOGY FOR CORPORATIVE DECISION SUPPORT
AABBSSTTRRAACCTT
This work presents a synthesis of the Six Sigma methodology and diverse
methods and techniques used for Decision Support, therefore analyzes how Six
Sigma can be used in corporative environment as complement to these methods.
The study begins by describing traditional applications of Six Sigma methodology
and benefits expected from it. It is based on literature and author’s experience as
Black Belt, developing Six Sigma projects as well as training Yellow Belts.
Therefore, the study presents a taxonomic synthesis of analytic Decision Support
techniques and tools researched in the writings. Afterwards are identified possible
intersections between Multicriteria Decision Analysis and Six Sigma. Also are
studied possible impacts risen from the use of Six Sigma for corporative decision
making. Along this study it was possible to conclude the great importance of Six
Sigma as Decision Support aiding. Data collected and quantitative measuring, as
a consequence of Six Sigma Projects run in a certain organization, enables
improvement of information quality for decision making. Lastly, few potential
situations are proposed as examples for application of scientific based techniques
for corporative decisions support.
11
1. IINNTTRROODDUUÇÇÃÃOO
Atualmente, com as rápidas mudanças incentivadas pelo pensamento
globalizado, surge um mercado ainda mais exigente, obrigando as corporações a
focarem na otimização de seus processos, com vistas a atender as necessidades
do cliente em um cenário em que as decisões precisam ser tomadas de forma
rápida e consistente.
O tema foi escolhido devido à relevância e aplicabilidade da metodologia
Seis Sigma e do Apoio à Tomada de Decisão, que são temas relativamente
recentes porém fruto da evolução de abordagens preexistentes para problemas
análogos. O uso de métodos estatísticos para o aumento da qualidade não é
nenhuma novidade, entretanto em 1987 a Motorola formalizou o uso destes
métodos, de forma integrada, evoluindo para o abrangente sistema de gestão
conhecido como Seis Sigma. O homem enfrenta impasses e se vê obrigado a
tomar decisões desde os primórdios, mas a complexidade dos processos de
tomada de decisão foi se intensificando e, em resposta aos problemas logísticos-
militares existentes durante a Segunda Guerra, surge a Pesquisa Operacional na
década de 50. Os métodos e soluções eram então puramente matemáticos,
visando otimizar as soluções para os problemas. Na década seguinte, surgem os
métodos probabilísticos e nos anos 70, os primeiros métodos voltados para
problemas discretos de decisão no ambiente multicritério ou multiobjetivo.
O objetivo principal desse estudo é identificar sinergias entre as duas
práticas: Seis Sigma e Apoio à Tomada de Decisão.
12
2. PPRROOBBLLEEMMAA
2.1. CONTEXTUALIZAÇÃO DO PROBLEMA
Embora um número crescente de empresas estejam preocupadas em
manter-se competitivas, muitas ainda andam na contramão desta tendência por
incapacidade de tomar decisões que impactem positivamente seus resultados.
A maioria das empresas nem sabe em que nível de defeito está operando.
Trabalham num ciclo de controle de defeito para uma solução imediata
convivendo com sua ineficiência, e até considerando-a como parte do negócio.
Gastam tempo corrigindo o mesmo problema repetidamente, aumentando o seu
custo no processo como um todo.
Uma pesquisa realizada pela TARP (Technical Assistance Research
Program) sobre comunicação boca-a-boca (apud Zülzke, 1997) em 1981, revelou
que um consumidor insatisfeito, geralmente comenta esta experiência com nove a
dez pessoas.
Um estudo realizado pelo US Office of Consumer Affairs (apud Mangold,
Miller & Brockway, 1999) revela que um consumidor de serviços insatisfeito conta
esta experiência para outras nove pessoas. Por outro lado, uma experiência que
gerou satisfação é narrada para cinco pessoas.
Quanto maior a insatisfação dos clientes, maior a tendência de perder o
espaço no mercado, e isto significa também perder parte da receita bruta.
O presente trabalho pretende servir de base para empresas interessadas em
incorporar técnicas que possibilitem melhorar a qualidade de suas decisões
estratégicas e otimizar seus resultados.
13
Segundo Sturion (2003), o Seis Sigma fornece abordagem factual para
tomada de decisão.
“O uso dos métodos estatísticos, para o aumento da qualidade,
não é nenhuma novidade, mas o enfoque é realmente novo. A
abordagem Seis Sigma acrescenta considerável valor a eles,
desenvolvendo um vocabulário de métricas e ferramentas comuns
a toda a organização. Ao formalizar-se o uso de ferramentas
estatísticas de forma integrada, evita-se empregá-las isolada e
individualmente em um caminho desconectado. Desta forma,
salienta-se uma abordagem baseada em dados para o
gerenciamento.” (Campus apud Pande et al, 2001, p.X).
14
3. SSUURRGGIIMMEENNTTOO DDAA MMEETTOODDOOLLOOGGIIAA SSEEIISS SSIIGGMMAA
3.1. MOTOROLA
Em 1986 a Motorola Inc. iniciou um programa corporativo de qualidade de
longo prazo chamado “Programa de Qualidade Seis Sigma”. Nesta época, os
principais líderes da Motorola já admitiam a péssima qualidade de seus produtos
e sua vulnerabilidade frente ao ataque da concorrência japonesa. A providência
foi a adoção do padrão de aproximação de zero defeito (Pande et al, 2001, p.7).
Seu propósito era aumentar a satisfação dos clientes, reduzindo ou
eliminando defeitos nos produtos. Isto não deveria ser feito como uma iniciativa
forçada, como a inspeção da qualidade crescente que aumentaria muito os custos
de produção, mas através de uma melhoria do processo a partir de um ponto
principal do sistema, e direcionando os produtos e processos para o Seis Sigma
(Perez-Wilson, 2000, p. 154).
O programa foi dividido em dois níveis: gerencial e operacional. No nível
gerencial cada indivíduo da organização era responsável por seus processos,
produtos e serviços, e desafiado a incrementar a qualidade para aproximá-la da
performance Seis Sigma. No nível operacional, foram utilizados métodos
estatísticos para caracterizar processos técnicos (de fabricação), e processos não
técnicos (administrativos, de serviços ou de transações).
Em junho de 1987, a Motorola direcionou seus funcionários para começarem
a implementar o Seis Sigma nas funções administrativas. Um memorando foi
distribuído para todos os funcionários, apresentando o conceito do Seis Sigma,
que é baseado em zero defeito em operações da produção e administração.
Em seguida a Motorola criou um curso sobre “Os Seis Passos para o Seis
Sigma“, mais voltado para os processos administrativos ou de serviços, e não
somente para a melhoria de processos técnicos.
15
De 1986 até 2001 a Motorola alcançou economia de US$ 6 bilhões
decorrente de projetos Seis Sigma.
3.2. OUTROS CASOS DE SUCESSO DO SEIS SIGMA
Apenas em 1999 a General Electric economizou US$ 1,8 bilhões devido
aos projetos Seis Sigma desenvolvidos.
A gigante Allied Signal implementou o Seis Sigma em 1994 tendo como
conseqüência a redução de seus custos diretos em US$ 3.3 bilhões com
um crescimento de 12% em 1998.
Um único processo otimizado através do Seis Sigma em uma planta da
Asea Brown Boveri nos Estados Unidos gera a economia de US$ 770
mil por ano.
Na Kodak brasileira houve redução de custos na ordem de US$ 15
milhões em 3 anos de implementação do Seis Sigma.
Outras empresas no Brasil que estão implantando o Seis Sigma são:
Votorantim Cimentos, Votorantim Metais, América Latina Logística - ALL,
Líder Táxi Aéreo, Nokia, Tupy Fundições, Fiat Automóveis, entre outras.
16
Six Sigma Cost And Savings By Company Year Revenue ($B) Invested ($B) % Revenue Invested Savings ($B) % Revenue Savings
Motorola 1986-2001 356.9(e) ND - 16 4.5 Allied Signal 1998 15.1 ND - 0.5 3.3
GE 1996 79.2 0.2 0.3 0.2 0.2 1997 90.8 0.4 0.4 1 1.1 1998 100.5 0.5 0.4 1.3 1.2 1999 111.6 0.6 0.5 2 1.8 1996-1999 382.1 1.6 0.4 4.4 1.2
Honeywell 1998 23.6 ND - 0.5 2.2 1999 23.7 ND - 0.6 2.5 2000 25.0 ND - 0.7 2.6 1998-2000 72.3 ND - 1.8 2.4 Key: $B = $ Billions, United States (e) = Estimated, Yearly Revenue 1986-1992 Could Not Be Found ND = Not Disclosed Note: Numbers Are Rounded To The Nearest Tenth Six Sigma Costs And Savings The financial benefits of implementing Six Sigma at your company can be significant. By Charles Waxer http://www.isixsigma.com
Figura 1 – Six Sigma Costs and Savings Fonte: http://www.isixsigma.com
Figura 2 – Resumo da História do Seis Sigma Fonte: O Seis Sigma no Brasil
17
4. CCOONNCCEEIITTOOSS DDEE SSEEIISS SSIIGGMMAA
Para Werkema (2002), o Seis Sigma pode ser definido “como uma estratégia
gerencial disciplinada e altamente quantitativa, que tem como objetivo aumentar
drasticamente a lucratividade das empresas, por meio da melhoria da qualidade
de produtos e processos e do aumento da satisfação de clientes e consumidores.”
Segundo Perez-Wilson (2000) “Seis Sigma é uma medida de qualidade e
eficiência, mas além disso, é uma medida de excelência. Portanto, embarcar no
programa Seis Sigma significa, para uma organização, oferecer serviços e
produtos de primeira qualidade, ao mesmo tempo em que praticamente elimina
todas as ineficiências internas. Seis Sigma significa excelência em tudo, não
apenas no produto final, mas nos processos administrativos, de serviços e de
fabricação de toda organização”.
Para Barbosa (2002) “Seis Sigma é uma metodologia voltada para
melhoramento contínuo de processos, tanto novos quanto os já existentes, e
voltada para oferecer resultados quantitativos em termos de produção, receita,
custo e lucro, além da satisfação do cliente”.
O Seis Sigma é aplicável a processos técnicos e não-técnicos. Um processo
de fabricação é um processo técnico, onde o fluxo do produto é visível e tangível.
Um processo administrativo ou um serviço, é um processo não-técnico, e muitas
vezes suas entradas podem não ser tangíveis, mas permite que sejam
determinados, caracterizados, otimizados, e controlados, com objetivos de
eliminar-se erros e falhas. A busca deve ser em otimizar os processos, de forma a
torná-los simplificados, com menos número de passos, mais rápidos e eficientes,
e que não propiciem a produção de defeitos ou oportunidade de erros, dentro de
custos pré-estabelecidos.
“Afinal, produtos são feitos de processo. Então, se a organização
e seu pessoal não entendem a ciência de seu processo, não há
como possam controlá-lo, modificá-lo, otimizá-lo, muito menos
18
melhorá-lo. Não é possível melhorar uma coisa que não
entendemos. É necessário primeiro estudar o processo, com o
intuito de saber quais variáveis o afetam e quais não o afetam.”
(Perez-Wilson, 2000, p. 168).
4.1. O QUE SIGNIFICA SIGMA
Sigma é a 18a letra grega, σ, usada na estatística para representar o desvio
padrão de uma distribuição. As letras simbolizadas em grego são utilizadas em
estatística para representar parâmetros onde seus valores são desconhecidos. O
valor de sigma pode sempre ser estimado calculando-se o desvio padrão de uma
amostra representativa.
Sigma é utilizado para representar a variação dos processos em relação à
especificação. Entretanto, a simples observação do valor obtido para o desvio
padrão não permite a interpretação do seu significado, ou seja, determinar se a
magnitude da variação é aceitável ou não. Essa dificuldade é resolvida por meio
da comparação do valor do desvio padrão com os limites de especificação para o
resultado de interesse. A partir desta comparação, surge a escala Sigma, que
indica o nível de qualidade associado a um processo de manufatura ou de
serviço. A escala Sigma é utilizada para medir o nível de qualidade associado a
um processo ou seja, é uma medida estatística para medir a taxa de falhas. A
medida sigma pode ser aplicada a qualquer processo, produto, transação ou
serviço, não se limitando às áreas produtivas. Sua aplicação abrange tanto um
processo de fabricação industrial como, por exemplo, a compensação de
cheques, atendimento de telemarketing, desenhos de engenharia, processamento
de pedidos, transporte, etc.
A medida PPM (partes por milhão) reflete o número de unidades defeituosas
por milhão de unidades produzidas. Outra unidade de medida utilizada na
metodologia Seis Sigma é o DPMO, que reflete a quantidade de defeitos por
milhão de oportunidades para que os defeitos aconteçam, uma vez que uma
unidade produzida pode apresentar mais de um defeito. Esta medida possibilita a
19
comparação de performance de diferentes processos, produtos, empresas e
operações, levando-se em conta o nível de complexidade específica de cada um.
Nível Sigma PPM
2 Sigma 308.537 3 Sigma 66.807 4 Sigma 6.210 5 Sigma 233 6 Sigma 3,4
Figura 3 – PPM em Relação ao Nível Sigma
Figura 4 – Comparação entre o padrão atual (Quatro Sigma) e a performance SEIS SIGMA
Fonte: Adaptado de “O Seis Sigma no Brasil”
4.2. ÍNDICES DE CAPACIDADE DO PROCESSO
Os índices de capacidade de processo podem ser obtidos através da análise
de dados discretos ou contínuos e são comumente aplicáveis em processos
tangíveis. A análise destes índices só tem coerência se o processo em questão
estiver controlado estatisticamente por um período razoável de tempo.
Comparação entre o padrão atual (Quatro Sigma) e a performance SEIS SIGMA
Quatro Sigma (99,38% conforme)
Seis horas de falta de energiaelétrica pormês
5.000 operações cirúrgicasincorretas por semana
3.000 cartas extraviadas para cada300.000 cartas postadas
Quinze minutos de fornecimentode água não potável por dia
Seis Sigma (99,99966% conforme)
Uma hora de falta de energia elétrica a cada 34 anos
1,7 operação cirúrgica incorreta porsemana
Uma carta extraviada para cada300.000cartas postadas
Um minuto de fornecimento deágua não potável a cada sete meses
20
A capacidade do processo é estimada com base na média do processo e no
desvio padrão. Quando existe controle estatístico do processo, a capacidade
deste reflete o nível criado pelas causas comuns de variação do processo.
Existem diversos índices de capacidade porém os mais utilizados são Cp e
Cpk. Um processo pode ser comparado aos seus requerimentos técnicos pelo
cálculos dos índices de capacidade.
Cp = σ6
técnicatolerância
O índice Cp é a relação direta entre o requerimento técnico e 6σ, ou seja,
supondo que a distribuição do processo é normal e que a média está centralizada,
um índice Cp igual a 1, caracterizaria um processo “capaz”. Entretanto, prevendo
um pequeno deslocamento do processo, o mínimo valor comumente aceitável
para este índice é 1,33. Para um processo 6σ, que produza até 3,4 defeitos por
milhão de oportunidades incluindo o deslocamente de 1,5 sigma, o valor do índice
Cp seria igual a 2. Quanto maior o Cp , melhor será o processo.
Segundo Werkema (2003) há uma anomalia na Tabela de Conversão Sigma
oriunda do chamado “deslocamento 1,5 sigma” que é um item fundamental no
contencioso entre os especialistas em Estatística e sobre como as medidas Seis
Sigma são definidas.
Esta anomalia na Tabela de Conversão Sigma gera divergência entre os
especialistas uma vez que sua explicação original era que a convenção no Seis
Sigma, com base no trabalho da Motorola, visava utilizar um sistema que fosse
consistente para processos de curto e longo prazo. No curto prazo, a tendência
de um processo seria sofrer menos variações em seu desempenho do que no
longo prazo, desta forma, considerar-se-ia o deslocamento de 1,5 sigma para o
cálculo da pontuação sigma de longo prazo.
21
Num processo que atinja nível Seis Sigma 99,9999998% dos resultados
seriam perfeitos no curto prazo, o que significa dois defeitos por bilhão de
resultados. Ainda que, no longo prazo, ocorresse uma variação na média igual a
1,5 vezes o desvio padrão, isso representaria 3,4 erros por 1.000.000 de
oportunidades, ou seja, a queda do nível de qualidade seria pouco perceptível aos
clientes.
Entretanto, segundo Perez-Wilson, houve um mal entendido por parte do Dr.
Michael Harry da Motorola quando citou o artigo “Statistical Tolerancing: The
State of the Art” de David H. Evans1. Neste artigo foi feita menção a processos
onde qualquer fração fora do limite de tolerância poderia ter grande impacto. Este
problema poderia ser equacionado pela sugestão de A. Bender em ampliar o
desvio padrão em 1,5 para compensar qualquer variação na média de um
componente individual. Ou seja, o estimador do desvio padrão sofreria um
aumento de magnitude de 1,5 porém isso não implica que a média de um
processo varie ± 1,5 sigma como via de regra (Perez-Wilson, 1999).
De qualquer forma, o índice Cp tem dois inconvenientes. O primeiro é que
este índice só pode ser utilizado quando há limite de tolerância inferior e superior
e o segundo é que se a média do processo não estiver centralizada em relação
aos parâmetros de requerimentos técnicos, este índice pode levar a resultados
distorcidos. Desta forma, recentemente a utilização deste índice vem cedendo
lugar ao Cpk.
Cpk = σ̂3MINZ
1 EVANS, D.H., “Statistical Tolerancing: The State of the Art, Part III. Shifts and Drifts”, Journal of Quality Technology, Vol. 7, N° 2 (abril de 1975), p.72 a 76.
22
O índice Cpk está intimamente relacionado com Cp , onde a diferença entre
eles representa o ganho potencial que pode ser obtido com a centralização do
processo. Em um processo 6σ ambos os índices Cpk e Cp seriam 2.
4.3. COMO FUNCIONA A METODOLOGIA SEIS SIGMA
“É usado para melhorar os produtos da organização, serviços e
processo, através de várias disciplinas, incluindo produção,
desenvolvimento de produto, marketing, vendas, finanças e
administração. Isto é obtido através do entendimento da razão do
processo, e reduzindo ou eliminando defeitos e desperdício. O
método de gerenciamento Seis Sigma integra profundos
conhecimentos de estatística, engenharia, processo e
gerenciamento de projetos.” (Anbari, 2002, p. 1).
A idéia central do Seis Sigma é a de que se é possível conseguir medir
quantos defeitos há em um processo, pode-se sistematicamente descobrir como
eliminá-los e ficar mais próximo possível de um processo sem falhas. A
metodologia Seis Sigma tem como foco a redução na variação dos processos da
organização para o alcance de metas associadas aos objetivos estratégicos, ou
seja, a um alinhamento corporativo.
A identificação de projetos Seis Sigma permite à organização reconhecer
como os seus processos afetam sua lucratividade, e a definir quais desses
processos são críticos para o negócio da empresa. Provoca principalmente uma
mudança cultural na corporação, pois os benefícios estão associados a ganhos
de custo, ao aumento de produtividade, eliminação de trabalho desnecessário, ao
aumento das margens da operação, e a redução de despesas.
Uma vez que o objetivo de um projeto Seis Sigma é causar impacto nos
resultados, ele ganha força quando se mostra eficaz e eficiente para a
corporação, por isto é fundamental medir seus resultados. Cada empresa tem
sua maneira de medir e analisar os resultados, por isto é essencial estar claro a
definição do que medir e sobre que critério, ou seja, de que forma o conjunto de
23
ferramentas, de técnicas, princípios, e regras estatísticas estarão organizadas
para se poder caracterizar, otimizar e controlar um processo.
A aplicação do Seis Sigma a um processo já existente engloba cinco fases,
conhecidas como DMAIC: Define (definir), Measure (medir), Analyze (analisar),
Improve (melhorar) e Control (controlar).
Definir (D) – Esta primeira fase objetiva determinar qual a necessidade a
ser implementada. É necessário identificar os clientes do processo, suas
necessidades e exigências e criar um mapa de processo de alto nível. O
problema será definido com precisão, assim como seu histórico,
potencial de retorno econômico do projeto, impacto sobre
clientes/consumidores e estratégias da empresa, escopo do projeto,
avaliação da prioridade do projeto e se será patrocinado pelos gestores
envolvidos, recursos, regras e responsabilidades da equipe do projeto,
prazos e um esboço das necessidades do cliente e CTQs2 identificados.
Medir (M) – Esta é a fase na qual são colhidos dados a partir dos quais
deve-se identificar o foco do problema e definir a capacidade sigma do
processo.
Analisar (A) – O objetivo nesta fase é determinar os fatores que geram
variação no processo, ou ainda, compreender bem o processo a ponto
de oferecer condições de melhorias reais (custo, prazo, qualidade,
receita). Este estágio é caracterizado pela aplicação de vários métodos
estatísticos, análise dos processos mapeados, identificações das causas
da baixa qualidade e verificação dos limites de satisfação do cliente.
Melhorar (I) - É criar, selecionar e implementar soluções para a redução
da variação e aumento da capacidade sigma. Várias soluções serão
sugeridas, mas somente a solução ideal deve ser selecionada.
2 CTQ significa Critical to Quality ou seja, pontos críticos para a qualidade.
24
Recomenda-se um teste piloto para verificação de qual solução deve
ser selecionada.
Controlar (C) - É garantir a sustentabilidade da melhoria ao logo do
tempo, ou seja, garantir técnicas de monitoramento do processo,
sinalizando as necessidades de intervenção, correção, ação e/ou
modificação.
Figura 5: As ferramentas do Seis Sigma comumente utilizadas em cada fase de um
projeto. Fonte: Adaptado de The Six Sigma Handbook
Project Phase Candidate Six Sigma Tools
Define Project CharterVOC tools (surveys, focus groups, letters, comment cards)Process mapQFD, SIPOCBenchmarking
Measure Measurement and systems analysisExploratory data analysisDescriptive statisticsData miningRun chartsPareto analysis
Analyze Cause-and-effect diagramsTree diagramsBrainstormingProcess behavior charts (SPC)Process mapsDesign of experimentEnumerative statistics (hypothesis tests)Inferential statistics (Xs and Ys)FMEASimulation
Improve Force field diagrams7M toolsProject planning and management toolsPrototype and pilot studies
Control SPCFMEAISO 900xChange budgets, bid models, cost estimating modelsReporting system
25
Conforme mencionado anteriormente, o DMAIC é aplicado em processos já
existentes, entretanto o Seis Sigma também é aplicável para o projeto de novos
produtos (sejam eles bens ou serviços) assim como para novos processos. Nesse
contexto o Design for Six Sigma (DFSS) surgiu na General Electric como uma
extensão do Seis Sigma.
Esse método é constituído por cinco etapas – Define, Measure, Analyze,
Design e Verify (DMADV) – que devem ser executadas pela equipe multifuncional
responsável pelo projeto do novo produto (WERKEMA, 2002, p.158). O DFSS não
será abordado profundamente uma vez que não faz parte do escopo deste
trabalho.
4.4. LIMITES DE TOLERÂNCIA
Segundo Milone (2004) os limites de tolerância são os referenciais de
avaliação das significâncias das variações, dos processos e da tomada de
decisões. Esse limite é estabelecido em termos da média e do desvio-padrão dos
valores.
A especificação de um projeto tem um limite de tolerância superior (LTS) e
um limite de tolerância inferior (LTI), que indica que, quando um destes limites for
excedido, o produto falha nas exigências de seu projeto. Segundo Perez-Wilson
(1999), antes de janeiro de 1987, os Seis Sigmas eram entendidos como mais ou
menos três sigmas dentro dos limites de tolerância, o que representa 99,73% dos
resultados dentro das especificações.
26
Figura 6 – Distribuição Normal com ± 3 Sigmas dentro da Especificação. Fonte: Seis Sigma: Compreendendo o conceito, as implicações e os desafios.
Entendia-se Seis Sigma como se a variação do processo (±3σ) fosse igual à
distância entre os limites superior (LTS) e inferior de tolerância (LTI). Ainda hoje o
limite de tolerância continua sendo fixado a uma distância de 3 desvios padrão da
média do processo. Entretanto, a Motorola defende, desde 1987, que a tolerância
do projeto deveria ser tal que esta permitisse ajustar 12 (±6) sigmas ou duas
vezes a variação do processo.
Figura 7 – Distribuição Normal com ± 6 Sigmas dentro da Especificação Fonte: Seis Sigma: Compreendendo o conceito, as implicações e os desafios.
A Motorola tomava um determinado produto, inspecionava suas
características de acordo com os parâmetros da especificação, e estimava o seu
sigma. Este valor de sigma estimado deveria ser tal que 12 deles se ajustassem
27
dentro dos limites de tolerância. Isto é bem diferente do que se entendia como
Seis Sigma até então, que era de ±3 e não ±6 sigmas dentro das especificações.
“Alcançar o Seis Sigma significa reduzir defeitos, erros ou falhas a zero ou
reduzir o sigma ou desvio padrão a um valor que permitirá encaixar 12 vezes o
valor de sigma entre os limites superior e inferior de especificação, ao mesmo
tempo em que se mantém a média o mais próximo possível do meio das
especificações.” ( Perez-Wilson, 2000, p. 241).
28
4.5. FERRAMENTAS SEIS SIGMA
Existe uma variedade de ferramentas, técnicas e métodos utilizados para
alcançar o Seis Sigma, entretanto existem diferenças quando sua aplicação se dá
em processos técnicos e não técnicos.
Algumas das mais importantes ferramentas do Seis Sigma são: Mapa do
Processo, Métricas do Seis Sigma, Carta de Controle, Pesquisa de Satisfação do
Cliente, Avaliação do Sistema de Medição/Inspeção (MSE), Diagramas de Pareto,
Histogramas, Boxplot, Análise de Capacidade do Processo, Análise Multivariada,
Fluxograma, FMEA (Failure Mode and Effect Analysis), Diagramas de Dispersão,
Cartas “Multi-Vari”, Brainstorming, Diagramas de Causa e Efeito, Análise de
Correlações, Matriz de Priorização, Análise de Regressão, Teste de Hipóteses,
Análise de Variância, Planejamento de Experimentos (DOE), Simulação, Teste de
Confiabilidade e Poka-Yoke (Mistake-Proofing). A maioria destas ferramentas
mencionadas serão abordadas a seguir, ainda que de forma simplificada, uma vez
que um aprofundamento maior desviaria o propósito deste trabalho.
4.5.1. Mapa do Processo
O Mapa do Processo é uma representação gráfica do processo que exibe a
seqüência das ações que o compõem, através de uma versão modificada dos
símbolos padrão dos flowcharts. Na prática, o mapa do processo é uma figura
mostrando como as pessoas executam seu trabalho, exibindo cada etapa de uma
processo, identificando as entradas necessárias para a sua execução e as saídas,
após o processamento de cada etapa. Essa ferramenta auxilia a identificação de
atividades que não agregam valor ao processo final e serve de base para a
construção de outros diagramas. No exemplo a seguir, as etapas marcadas em
verde agregam valor ao processo enquanto que as demais, não agregam valor.
Outros exemplos de Mapa de Processos podem ser consultados em Davenport
(1994).
29
InputCustomer’s
OrderC Part numberC QuantityC PriceC Lead timesC Customer informationN Order-entry operatorC System
Customer’s Order Backlog
Process Planning Analysis
C Customer’s order BacklogC Finish Goods InventoryC WIP InventoryC Purchase Orders backlogN Process Planning programmerC System
Create Purchase
RequisitionC Parts requiredC Quantity requiredN Process Planning programmerC System
Approve Purchase
RequisitionS Non-approved Purchase RequisitionN Process Planning supervisorC System
Verify Alliances
S Approved Purchase Requisition
CreatePurchase
Order
Approve Purchase
Order
Print Purchase
Order
Send Purchase
OrderS Approved Purchase RequisitionC Supplier informationC Supplier lead timesC Supplier pricesN Buyer
S Non-approved Purchase OrderN Buyer supervisorC System
S Approved Purchase OrderN BuyerC System
S Print out of Order
List of non-available parts Non-approved Purchase Requisition Approved Purchase Requisition
Selected SupplierNon-approved Purchase Order
Approved Purchase Order Print out of OrderAddressing to Supplier
Figura 8: Exemplo de Mapa do Processo
Fonte: Procurement and Production Planning Process Flow
InputCustomer’s
Order
Process Planning Analysis
Create Purchase
Requisition
Approve Purchase
Requisition
Verify Alliances
CreatePurchase
Order
Approve Purchase
Order
Print Purchase
Order
Send Purchase
Order
5.93 days 6.1 days
10.5 days
0.17 days
16.6 days 17.9 days
1.3 days
Figura 9: Process Map: Cycle Time Fonte: Procurement and Production Planning Process Flow
30
4.5.2. Métricas do Seis Sigma
A Métrica Primária é utilizada para exibir a situação do processo antes do
início da aplicação da metodologia Seis Sigma, a evolução durante a aplicação da
metodologia, o objetivo a ser alcançado e a estimativa do status do processo caso
o Seis Sigma não fosse aplicado.
Figura 10: Exemplo de Métrica PrimáriaFonte: Procurement and Production Planning Process Flow
A Métrica Secundária reflete possíveis conseqüências negativas da
aplicação do Seis Sigma em um processo. O objetivo desta métrica é monitorar a
eventual evolução de conseqüências indesejáveis oriundas da interferência no
processo. Com isso, busca-se evitar que um problema seja resolvido deslocando
possíveis impactos negativos para outros processos.
Days between Customer's order entry and Purchase Order
21
1617
1918
19 19
17 17
1514
17 17 17
1
1716
1514
1211
109
87
64
32
10
5
10
15
20
25
Ja
n/9
8
Fev
/98
Mar
/98
Ab
r/98
Mai
/98
Jun
/98
Jul/9
8
Ag
o/9
8
Set
/98
Ou
t/9
8
No
v/98
Dez
/98
Ja
n/9
9
Fev
/99
Mar
/99
ActualTargetProjected
31
Figura 11: Exemplo de Métrica Secundária Fonte: Procurement and Production Planning Process Flow
4.5.3. Diagrama da Matriz (Matriz XY)
O Diagrama da Matriz também é chamado de Matriz XY e permite analizar
as correlações entre dois grupos de idéias: as entradas e saídas de cada etapa
do processo e priorizar as correlações entre elas.
O Diagrama da Matriz ou Matriz XY é derivado da técnica de QFD (Quality
Function Deployment) originalmente desenvolvido pelos japoneses e
posteriormente utilizada pelas empresas americanas, uma vez que ela define a
direção a ser tomada por uma empresa a longo prazo. O QFD é um processo que
leva em conta os requerimentos dos clientes para o planejamento e
desenvolvimento de produtos e serviços. As matrizes QFD também são
conhecidas como “Casa da Qualidade” e são a ilustração dos resultados da
apuração das demandas dos clientes. O QFD também serve de base para o
processo de tomada de decisão. Uma abordagem mais aprofundada sobre QFD
pode ser obtida em ReVelle (1997).
% of Purchase Orders connected toLate Shipments to Customers
9
24
38
18
26
3836
44
26
21
75
28 28 28
05
101520253035404550
Jan
/98
Fe
v/9
8
Mar/
98
Ab
r/98
Mai/
98
Ju
n/9
8
Ju
l/98
Ag
o/9
8
Se
t/98
Ou
t/98
No
v/9
8
Dez/
98
Jan
/99
Fe
v/9
9
Mar/
99
Actual
Target
Baseline
32
Figura 12: Exemplo de Matriz XY
Fonte: Obsolete and Slow Moving Inventory Reduction
Figura 13: Quality Function Deployment (QFD) or House of Quality Fonte:The Six Sigma Handbook
CORRELATION MATRIX
HOWS (COLUMNS)
RELATIONSHIP MATRIX
(INTERSECTION OF ROW & COLUMN)
WHATS (ROWS)
IMPO
RTA
NCE
COMPETITIVE EVALUATION
TARGET VALUES
COMPETITIVE EVALUATION
IMPORTANCE WEIGHTING
Output Ranking 10 4 4 4 1
Input Variables (X's)1 Customer's order Backlog 10 0 4 5 2 138 10.78%2 Process Planning Programmer 6 10 10 10 5 185 14.45%3 Corporate System 10 8 6 6 6 186 14.53%4 Purchase orders backlog 6 0 0 0 0 60 4.69%5 BOM 10 8 0 0 0 132 10.31%6 Purchase Requisition 5 10 0 0 0 90 7.03%7 Alliances 5 10 0 0 0 90 7.03%8 Buyer 0 10 0 0 0 40 3.13%9 Purchased materials 0 0 10 5 5 65 5.08%10 Supplier's invoice 0 0 10 5 5 65 5.08%11 Available items for Inventory 10 0 5 1 1 125 9.77%12 Available Items for Manufacturing 0 0 10 5 7 67 5.23%13 Finished items 0 0 3 0 5 17 1.33%14 Billing 0 0 0 0 10 10 0.78%15 Packing 0 0 0 0 10 10 0.78%16 Strategic stock 10 5 8 8 8 192 15.00%
Association Table
Fini
shed
item
s
Ord
er
Ava
ilabl
e ite
ms
for I
nven
tory
Ava
ilabl
e ite
ms
for
Man
ufac
turin
g
Out
put
Var
iabl
es (Y
's)
List
of n
on-
avai
labl
e ite
ms
33
4.5.4. AHP
O Analytic Hierarchical Process (AHP) é uma poderosa ferramenta para
tomada de decisão, calculando pesos relativos de importância a partir de
comparações em pares de categorias. Há softwares especializados para efetuar
estes cálculos porém é possível obter resultados aproximados com o uso de uma
planilha Microsoft Excel. O método AHP foi desenvolvido por Thomas L. Saaty
que aborda o assunto detalhadamente em seu livro The Fundamentals of
Decision Making and Priority Theory with the Analytic Hierarchy Process (2000).
A B C D E F 1 Atribute A B C D E Total Weight2 A-Easy to learn 0.00 4.00 1.00 3.00 1.00 9.00 26.2%3 B-Easy to use 0.25 0.00 0.20 0.33 0.25 1.03 3.0% 4 C-Connectivity 1.00 5.00 0.00 3.00 3.00 12.00 34.9%5 D-Compatible 0.33 3.00 0.33 0.00 0.33 3.99 11.6%6 E-Easy to maintain 1.00 4.00 0.33 3.00 0.00 8.33 24.3%7 Grand total 34.35
Figura 14: Exemplo de AHP utilizando Microsoft Excel Fonte: The Six Sigma Handbook
4.5.5. Análise de Capacidade
A análise de capacidade do processo objetiva calcular em que nível da
escala sigma encontra-se o processo e qual é o nível máximo ao qual pode ser
elevado sem que haja incremento dos recursos que estão sendo utilizados.
Milone (2004) define a capacidade do processo como a diferença entre os limites
superior e inferior de tolerância. A relação entre a capacidade do processo e a
amplitude de tolerância dos produtos é denominada de índice de capacidade do
processo. Como forma de exemplificar a Análise de Capacidade, consideremos
os dados obtidos no projeto Obsolete and Slow Moving Inventory Reduction
(Suárez 2000). A população estudada compreendia 78.667 peças em inventário
das quais 28.566 foram consideradas defeituosas uma vez que encontravam-se
em inventário por um prazo superior ao limite superior estabelecido. O nível sigma
encontrado para o processo foi de 1.85 o que significaria 363.126 defeitos por
milhão de oportunidades. O nível de capacidade do processo calculado foi de
34
0.62 o que significa que o processo está em 62% de sua capacidade podendo
melhorar em até 38% sem que sejam incorporados novos recursos aos
existentes.
Figura 15: Nível Sigma e Capacidade do Processo Fonte: Obsolete and Slow Moving Inventory Reduction
4.5.6. Estatística Descritiva
A Análise Estatística dos dados possibilita determinar se a distribuição é
normal e auxilia na identificação de fatores ocultos, padrões e estruturas em
dados multivariados, facilitando assim, a classificação e/ou ordenação de casos.
A distribuição normal ou Distribuição de Gauss originalmente serve para mostrar
como se distribuem os erros em uma medida experimental. Mas, pode também
mostrar como se distribuem os dados em várias situações originadas de eventos
mutuamente independentes. A curva correspondente a essa fórmula tem uma
forma de sino com um valor máximo H que ocorre quando a variável x é igual a m,
isto é, a média e o máximo coincidem. A largura da curva é controlada pelo valor
de h. Quanto maior h, mais estreita é a curva.
Matematicamente, esta distribuição pode ser descrita como:
F(x) = H e-h2(x-m)2
Units tested = 78,667 Units with defect = 28,566
DPU= 667,78566,28 = 0.363126 ⇒ DPU = 36.31%
RTY = 363126.0−e = 0.695499 ⇒ RTY = 69.55%
PPM = 363,126
DPMO = )/(000,000,1*
unitoppsDPU =
1000,000,1*363126.0 ⇒ DPMO = 363,126
Z st = 1.85
C pk = 0.62
35
Figura 16: Distribuição de Gauss or Normal Fonte: http://www.fisica.ufc.br/espec4.htm
Figura 17: Exemplo de Distribuição Anormal de dados Fonte: Obsolete and Slow Moving Inventory Reduction
4.5.7. Análise de Pareto
A Análise de Pareto é um processo de classificação de oportunidades para
determinar qual das diversas oportunidades potenciais deve ser abordada
primeiro. Esta oportunidade prioritária pode ainda ser decomposta em categorias
diversas entre os ítens que a compõem, resultando num gráfico de Pareto de
Segundo Nível. Na metodologia Seis Sigma são utilizados Diagramas de Pareto
4 14 24 34 44 54 64 74 84
95% Conf idence Interv al f or Mu
13.6 14.6 15.6 16.6 17.6 18.6
95% Conf idence Interv al f or Median
Variable: DaysTotal
A-Squared:P-Value:
MeanStDevVarianceSkewnessKurtosisN
Minimum1st QuartileMedian3rd QuartileMaximum
17.1224
12.1212
14.0000
113.874 0.000
17.639712.4764155.6612.426508.09339
2237
0.000010.000015.000021.000090.0000
18.1570
12.8532
15.0000
Anderson-Darling Normality Test
95% Conf idence Interv al f or Mu
95% Conf idence Interv al f or Sigma
95% Conf idence Interv al f or Median
Descriptive Statistics
36
de até 3 níveis. Um detalhamento maior da Análise de Pareto é encontrado em
Milone (2004).
Figura 18: Exemplo de Gráfico de Pareto de Primeiro Nível Fonte: Obsolete and Slow Moving Inventory Reduction
Figura 19: Exemplo de Gráfico de Pareto de Segundo Nível
Fonte: Obsolete and Slow Moving Inventory Reduction
PUMP
COMPRESSOR
Others
102579 51763 271165.3 33.0 1.7
65.3 98.3 100.0
0
50000
100000
150000
0
20
40
60
80
100
Equip. Category
CountPercentCum %
Perc
ent
US$
VALUE OF ITEMS in OSMI BY EQUIPMENT CATEGORY (US$)
ROU GH ITEM FOR PUMP
F INISHED ITEM FOR PUMP
15528.784597.815.584.5
100.0 84.5
100000
50000
0
100
80
60
40
20
0
DefectCount
PercentCum %
Perc
ent
US$
Value of Items for Pumps in OSMI (Rough/Finished)
37
Figura 20: Exemplo de Gráfico de Pareto de Terceiro Nível
Fonte Obsolete and Slow Moving Inventory Reduction
4.5.8. Análises de Correlação e Regressão
As análises de correlação e de regressão são ferramentas muito importantes
utilizadas no Seis Sigma. Tais análises foram criadas para auxiliar nos estudos
de causa e efeito. Um problema de regressão considera a distribuição de
freqüências de uma variável quando as demais estão fixadas em determinados
níveis. Um problema de correlação considera a variação conjunta das duas
variáveis. Ambas podem ser utilizadas em todos os estágios de solução de
problemas e de processo de planejamento. Os métodos de correlação para
determinar a intensidade da relação linear entre duas ou mais variáveis estão
entre as técnicas estatísticas mais amplamente aplicadas. Na maioria dos casos a
medida de correlação usada pelos analistas é o r. Normalmente assume-se que x
e y tem uma distribuição normal bivariada e assim o r é uma amostra estatística
que estima o parâmetro ρ de correlação da população. Na figura 21, r = 0.842
sugere uma forte correlação positiva entre as variáveis x e y em questão.
Mesmo uma correlação perfeita (onde r = 1) não significa que certamente
haverá uma relação de causa e efeito entre x e y. Por exemplo, x e y podem ser
OthersMEN
CPXD-1000
DBEWTLSESCSplit
CasingSewageQL
Miscelaneous
Process
3571.5 1814.3 3169.5 3663.0 5424.4 7433.4 7934.5 8003.715952.228596.9 4.2 2.1 3.7 4.3 6.3 8.7 9.3 9.418.633.4
100.0 95.8 93.7 90.0 85.7 79.4 70.7 61.4 52.1 33.4
80000
70000
60000
50000
40000
30000
20000
10000
0
100
80
60
40
20
0
Pump Type
CountPercentCum %
Perc
ent
US$
Value of Items for Pumps in OSMI per Pump Type (US$)
38
determinados por uma terceira variável z. Em algumas situações, z é descrita
como uma “variável enganadora” que pode estar oculta, desconhecida ao analista
que busca a correlação entre as variáveis. Essa distorção pode ser eliminada
através da utilização da análise de regressão e computação de coeficientes de
correlação parcial. Maiores detalhes a este respeito podem ser encontrados em
Vieira (2003).
Figura 21: Correlação entre x (Days Total) e y (EORERC) Fonte: Procurement and Production Planning Process Flow
4.5.9. Histogramas
Histograma é uma ilustração representativa de um determinado conjunto de
dados, criado através do agrupamento de medidas em células. São usados para
determinar a forma de uma curva representativa de uma série de dados
facilitando a visualização da dispersão e da tendência central assim como a
comparação de diversas distribuições. Um maiore detalhamento a respeito de
histogramas pode ser obtido em Viera (2003).
80706050403020100
90
80
70
60
50
40
30
20
10
0
EORERC
Day
sTot
al
Correlation of DaysTotal and EORERC = 0.842, P-Value = 0.000
39
Figura 22: Exemplo de Histograma
Fonte: O Seis Sigma no Brasil
4.5.10. Diagrama de Causa e Efeito
O Diagrama de Ishikawa, também conhecido como Diagrama de Causa e
Efeito ou Diagrama Espinha de Peixe, foi desenvolvido pelo Dr. Kaoru Ishikawa
com o propósito principal de aplicá-lo no Controle de Qualidade. Mais detalhes
encontram-se disponíveis em Ishikawa (1986).
Figura 23: Exemplo de Diagrama de Causa e Efeito
Fonte: Reduction of Small Tools Expenses
É uma forma simples de exibir graficamente as causas de qualquer
problema relativo à qualidade.
E x pendable Tools E x pens es
E xp e n s e s p e r C o s t C e
E xp e n s e s p e r ZFM
N u m b e r o f In s e rts
W o rk in g H o u rs
C o rp o ra te S ys te m
P u rch a s e O rd e r
Min im u m q ty o f to o ls
D ra w in g s
Ma ch in in g In s tru c tio n s
Jo b re fe re n ce
L u b e a n d C o o lin g O il
To o ls
R o u g h P a rt
D ri l l in g Ma ch in e
Tu rn in g Ma ch in e
B o rin g Ma ch in e
Ma ch in in g C e n te r
Ma te ria ls R e ce p c io n is t
Ma n u fa c tu rin g S u p e rvis o r
B u ye r
Acco u n tin g An a lys t
S to ck C o o rd in a to r
O p e ra to r
M e n
M a chine s
M a te ria ls
M e tho d s
M e a sure m e nts
E nviro nm e nt
C ause and E ffec t D iagram fo r Expendab le Too ls Expenses
40
4.5.11. Análise das Forças de Campo (FFA)
O FFA é um método originalmente utilizado na engenharia mecânica com o
nome de free-body diagram com o objetivo de ajudar o engenheiro a identificar
todas as forças em torno e atuantes em um corpo. O objetivo é determinar as
forças de forma que culmine em um estado de equilíbrio do corpo. No Seis Sigma
é útil nos estágios iniciais do planejamento. O equilíbrio é o status quo e o FFA
ajuda o grupo que está estudando o processo a entender as forças acionadoras
que movem o sistema em direção a um determinado objetivo. Outras forças são
as restrições, que podem conter os movimentos desejados e até mesmo afastar o
objetivo. Uma vez que os acionadores e restrições sejam conhecidos, é possível
traçar uma estratégia que contenha o progresso das forças restritoras e propicie a
atuação das forças acionadoras. Maiores detalhes sobre o FFA podem ser
encontrados em Pyzdek (2003).
4.5.12. Benchmarking
O Benchmarking é uma técnica amplamente utilizada onde é efetuada uma
comparação de um processo, produto, empresa etc. aos demais existentes no
mercado. O assunto é abordado amplamente em Bogan & English (1994).
4.5.13. Análise do Sistema de Medição (MSA)
Todo sistema de medição está sujeito a erros que podem ser decorrentes de
vários fatores como, por exemplo: erro humano, instrumento de medição mal
calibrado, falta de clareza quanto ao padrão desejado, variação nas tolerâncias do
produto, variação do processo, etc. O Measurement System Analysis ou Análise
do Sistema de Medição é uma ferramenta composta de técnicas para quantificar
as distorções, exatidão, estabilidade, repetibilidade, reproducibilidade e
linearidade existentes em um sistema de medição. O MSA é aplicável a dados
contínuos ou atributos. Em Wowk (1991) é apresentado um bom exemplo da
aplicação do MSA em dados contínuos.
41
Figura 24: Exemplo de Gage R&R obtido com a utilização do software Minitab
Fonte: Obsolete and Slow Moving Inventory Reduction
4.5.14. Failure Mode and Effect Analysis (FMEA)
Essa ferramenta auxilia na identificação de causas potenciais de falhas de
um processo e na estimativa do risco associado a essas falhas. Todos os
potenciais defeitos para cada etapa do Mapa do Processo devem ser listados
estabelecendo-se uma conexão entre as causas e efeitos e atribuindo valores
para fatores como severidade, freqüência de ocorrência e probabilidade da falha
ser detectada. O resultado é dado em forma de um índice RPN – Rank Priority
Number que prioriza os problemas a serem resolvidos a cada etapa do processo.
A planilha inclui também campos a serem preenchidos com possíveis soluções
para evitar que as falhas ocorram e com soluções para os problemas já
existentes. Desta forma, o FMEA é uma ferramenta que facilita a documentação
de um plano de prevenção de falhas e de contingência. O assunto pode ser
consultado em ReVelle et al (1997).
0.0004 inSimone MedeirosOct/27/99Gage R&R DOE
Misc:Tolerance:Reported by :Date of study :Gage name:
0
1.1814
1.1813
1.1812
321
Xbar Chart by Operator
Sam
ple
Mea
n
X=1.181
3.0SL=1.181
-3.0SL=1.181
0
0.00010
0.00005
0.00000
321
R Chart by Operator
Sam
ple
Rang
e
R=1.67E-06
3.0SL=5.45E-06-3.0SL=0.00E+00
2019181716151413121110 9 8 7 6 5 4 3 2 1
1.1814
1.1813
1.1812
Shaft
OperatorOperator*Shaft Interaction
Ave
rage
123
321
1.1814
1.1813
1.1812
Operator
By Operator
2019181716151413121110 9 8 7 6 5 4 3 2 1
1.1814
1.1813
1.1812
Shaft
By Shaft
%Total Var%Study Var%Toler
Part-to-PartReprodRepeatGage R&R
100
50
0
Components of Variation
Perc
ent
Gage R&R Study for D814 Carbon Steel
42
#
Process Function (Step)
Potential Failure Modes
(process defects)
Potential Failure
Effects (Y's)
SE
V
Potential Causes of
Failure (X's)
OC
C
Current Process Controls
DE
T
RPN
Recommend Actions
Responsible Person & Target Date
Taken Actions
SE
V
OC
C
DE
T R
PN
1 Process Planning
Incorrect BOM
specification
wrong spec. of a
commercial item (like
bearing, etc.)
9 Engineering mistake
1 None 7 63 training F. Magaldi dec/30/99
wrong qty 9 lack of attention 2 None 2 36 visual inspection procedures
F. Magaldi dec/30/99
wrong part number
8 misunderstanding
1 None 10 80 guidelines to collect
more data
F. Magaldi Nov/25/99
Excessive items
requested
Excessive items
purchased
10 system doesn't identify
interchangeable items
8 None 4 320 System adjustment
V. Martins/ J. Verçoza jan/15/2000
Excessive items
requested
Excessive items
purchased
5 Scrap prevention
6 None 5 150 guidelines establishme
nt
F.Cesar jan/10/2000
2 Purchasing process
Excessive items
purchased
Excessive items in
inventory
6 minimum amount to be
invoiced
2 None 2 24 Deal with suppliers
C. Henrique dec/30/99
3 Commercial Dep.
Return of sold items
Excessive items in
inventory
5 Agreements with distributors where we buy
back items sold
1 None 10 50 Deal with distributors
J. Diniz dec/30/99
wrong part number
9 misunderstanding
5 None 7 315 collect more
information/ training
F. Magaldi jan/10/2000
4 Excessive items
requested to be stocked
Excessive items in
inventory
9 Overestimation of demand
6 None 8 432 J. Diniz jan/10/2000
Figura 25: Exemplo de FMEA Fonte: Obsolvete and Slow Moving Inventory Reduction
4.5.15. Planejamento de Experimento (DOE)
O Planejamento de Experimentos ou Design of Experiments (DOE) pode ser
utilizado tanto como um estudo piloto para a criação de um novo processo quanto
como uma experiência para a modificação de processos já existentes. Segundo
Pyzdek (2003), simulação é uma forma de testar um modelo detalhado de um
sistema real para determinar como será a reação às mudanças em sua estrutura,
ambiente e hipóteses. Até pouco tempo atrás as simulações computadorizadas
restringiam-se apenas ao domínio de engenheiros de sistemas altamente
treinados, sendo que as primeiras simulações usavam linguagens genéricas de
programação como FORTRAN, Pascal etc. Atualmente existem vários softwares
que permitem a simulação de modelos e criação de gráficos muito mais
facilmente. Um dos softwares mais utilizados na metodologia Seis Sigma é o
software estatístico Minitab que permite interface com os principais softwares
modernos para simulação.
43
O DOE é um experimento onde um ou mais fatores, chamados variáveis
independentes, são identificados e manipulados. Os dados obtidos pelo DOE
podem ser analizados estatisticamente para determinar o efeito da(s) variável(s)
independente(s) ou combinações de mais de uma variável independente. O DOE
deve prever também a possibilidade de existência de variáveis externas, não
explicitamente identificáveis como variáveis independentes.
O DOE possibilita criar e verificar como funcionaria um novo modelo sem
que se incorra em todos os custos, interrupção do processo e demais
inconvenientes de uma mudança real. Exemplos de aplicações de DOE podem
ser encontrados em Pzydek (2003) e uma abordagem predominantemente
conceitual em Jain (1991).
4.5.16. Teste de Hipóteses
O Teste de Hipóteses possibilita fazer inferências sobre um valor real da
população, em um determinado nível de confiança. Normalmente os intervalos de
confiança são construídos como parte de um teste estatístico de hipóteses. Este
teste involve a formulação de uma hipótese sobre a população de dados, a coleta
de uma amostra de observações da população, cálculos estatísticos baseados na
amostra e na aceitação ou rejeição da hipótese formulada, com base em critérios
de aceitação previamente estabelecidos. Existe a possibilidade de uma hipótese a
verdadeira vir a ser rejeitada (erro tipo I ou erro α) e a possibilidade de uma
hipótese falsa ser aceita (erro tipo II ou erro β). É possível, inclusive, calcular a
probabilidade destes erros acontecerem. Informações mais amplas sobre testes
estatísticos encontram-se disponíveis em Kanji (1999), em Milone(2004) e Vieira
(2003).
4.5.17. ANOVA ou Análise de Variância
Análise de Variância é uma ferramenta que pode ajudar a reduzir a variação
de um processo uma vez que permite separar os efeitos das interações entre as
variáveis e, desta forma, identificar as casualidades. ANOVA é um procedimento
44
de cálculo para quantificar a variação de um processo e determinar se ela é
significativa ou se é causada por uma casualidade aleatória.
A Análise de Variância executa comparações como o t-test para um número
arbitrado de fatores. Cada fator pode ter um número arbitrado de níveis. Além
disso, cada combinação de fatores pode ter qualquer número de réplicas. ANOVA
trabalha com base em uma única variável dependente. Os fatores devem ser
discretos. ANOVA pode ser entendida na prática como uma extensão do t-test
para um número arbitrado de fatores e níveis. Também pode ser entendida como
um modelo de regressão linear cujas variáveis estão restritas a um conjunto
discreto. Mais informações a respeito de ANOVA estão disponíveis em Milone
(2004).
4.5.18. Cartas de Controle
As Cartas de Controle , também denominadas de Gráficos de Controle, são
ferramentas importantes, principalmente na última fase do DMAIC – Controle, pois
permitem a verificação da evolução temporal dos parâmetros previamente
fixados, facilitando a visualização do processo em relação aos limites superiores e
inferiores da especificação. Maiores detalhes a respeito das Cartas de Controle
podem ser consultados em Milone (2004).
45
Figura 26 : Exemplo de Carta de Controle Fonte: O Seis Sigma no Brasil
Além das ferramentas já mencionadas, cabe ressaltar que os Sistemas de
Informação estão intimamente relacionados ao Seis Sigma, uma vez que a
implementação deste requer uma ampla gama de informações do sistema de
dados da organização. Em paralelo, freqüentemente o desenvolvimento de
Projetos Seis Sigma demanda a análise de uma vasta quantidade de dados com
algoritmos consideravelmente sofisticados, o que pode demandar investimentos
em softwares e hardwares.
4.6. PATROCINADORES E ESPECIALISTAS DO SEIS SIGMA
As denominações Champion, Black Belt, Green Belt e Yellow Belt, foram
criadas pela Motorola para identificar os “soldados” do Seis Sigma, utilizando um
termo de graduação de artes marciais. Uma vez que a implantação da
metodologia Seis Sigma deve representar uma mudança cultural da organização,
todas as pessoas, em diferentes níveis de aprofundamento, são responsáveis por
aprender e implementar seus conhecimentos nesta metodologia:
Leadership é o ponto crucial para o sucesso do Seis Sigma. Esse papel não pode ser
desempenhado por ninguém além do CEO, que é o responsável pelo desempenho da
organização como um todo.
46
Sponsors são os “donos” dos processos e sistemas, responsáveis por implantar,
promover e definir as diretrizes para a implementação do Seis Sigma em suas áreas de
responsabilidade.
O Champion gerencia a implementação e manutenção do programa corporativo na
empresa, gerencia os projetos corporativamente, os treinamentos, e atua junto à
Gerência Executiva para obter o apoio e o comprometimento necessário. O Champion
ocupa um cargo de liderança e tem comprometimento a longo prazo; gerencia e
monitora o programa na sua área, definindo os Black Belts, os Green Belts, e os
Projetos Seis Sigma direcionados para a sua área.
Os Master Black Belts são os treinadores dos Black Belts, e também assessoram os
Sponsors e os Champions. São os verdadeiros mestres das ferramentas e da
metodologia, e têm comprometimento em longo prazo. Os Master Black Belts devem
possuir profundo conhecimento matemático e estatístico, de forma que estejam aptos
a auxiliar os Black Belts na aplicação correta dos métodos (principalmente estatística
avançada), em situações extraordinárias.
Os Black Belts são agentes de mudanças, lideram e orientam os projetos mais
complexos. Treinam os Green Belts, dedicam-se totalmente aos projetos. Possuem
proficiência em um ou mais sistemas operacionais, assim como em um ou mais
softwares de análise estatística avançada, planilhas, gerenciadores de dados, e
softwares simuladores. Os Black Belts devem estar bem familiarizados com os
sistemas de informação da empresa para assegurar o acesso às informações
necessárias. Thomas Pyzdek (2003), em conjunto com um grupo de Master Black
Belts, desenvolveu uma lista de 7 requisitos importantes para o sucesso de um Black
Belt e utilizou o software Expert Choice 20003 para calcular a importância relativa de
cada requisito. O resultado obtido pode ser observado na figura 17.
Os Green Belts criam a massa crítica para a cultura Seis Sigma, provêm suporte aos
Black Belts e desenvolvem projetos com escopos mais simples.
Os Yellow Belts são profissionais do nível operacional, treinados nos fundamentos do
Seis Sigma para que possam entender, em linhas gerais, o funcionamento da
Metodologia e dar suporte aos Black Belts e Green Belts na implantação de projetos.
3 Expert Choice 2000 é um software que converte pares de comparações em pesos relativos usando o AHP.
47
Figura 27:Black Belt success factors and importance weights. Fonte: The Six Sigma Handbook
4.7. O DIFERENCIAL – QUALIDADE, ISO 9000 E SEIS SIGMA
O Seis Sigma tem como foco aumentar a lucratividade, reduzindo
desperdícios de forma a fornecer produtos e serviços melhores, rapidamente, com
preço baixo, e agregando valor para o cliente.
Como o Seis Sigma visa, entre outras coisas, a melhoria contínua, encaixa-
se perfeitamente na ISO 9000, e vice-versa. Da mesma forma, o Seis Sigma não
veio para substituir, mas sim para agregar e se integrar aos Programas de
Qualidade ou Controle de Qualidade Total (TQC). O ISO 9000 é um sistema de
gerenciamento da qualidade, enquanto o Seis Sigma é uma estratégia gerencial
que foca na melhoria da performance do negócio.
“… o Seis Sigma dá sustentação às normas ISO 9001:2000 e
auxilia a empresa a satisfazer os requisitos das normas,
fornecendo embasamento a todos os princípios de gestão da
qualidade: foco no cliente, liderança, envolvimento das pessoas,
abordagem de processo, abordagem factual para tomada de
decisão, melhoria contínua, abordagem sistêmica para a gestão e
benefícios mútuos nas relações com os fornecedores.” (Sturion,
2003, p. 46).
Rel
ativ
e Im
porta
nce
0%
5%
10%
15%
20%
25%
30%
35%
40%
OvercomesObstacles
Attitude Logical Thoughtprocess
Communicationskills
Data driven Teamexperience
M ath skills
48
Apesar do Seis Sigma e do TQC utilizarem algumas ferramentas comuns,
suas estratégias são diferentes. O TQC baseia-se no aprimoramento contínuo,
não necessariamente estabelecendo metas e mensurando ganhos; já no Seis
Sigma os alvos são focalizados e bem definidos. O Seis Sigma é uma estratégia
de negócios, que não se restringe apenas à qualidade, e seu sucesso está
estreitamente associado à possibilidade de ganhos financeiros.
Um grande diferencial está no processo de comunicação e nos
relacionamentos entre as áreas, pois o Seis Sigma facilita a criação de linguagem
e métricas comuns, permitindo a troca de experiências e informações.
Conseqüentemente, promove a disseminação do conhecimento. Também
incentiva a integração entre as áreas, uma vez que os agentes de mudança não
ficam isolados, eles precisam interagir para conseguir alcançar seus objetivos. As
decisões passam a ser tomadas considerando-se os dados e os fatos analisados
estatisticamente, e não mais apoiados na intuição.
49
5. AAPPOOIIOO ÀÀ TTOOMMAADDAA DDEE DDEECCIISSÃÃOO
As decisões estão na essência da independência humana e representam a
chave do sucesso de qualquer organização (Arsham apud Cataldo, 2003,
p. 30).
Para Malczewski, decisões são necessárias quando uma oportunidade ou
problema existe, ou quando algo não é o que deveria ser ou, ainda, quando existe
uma oportunidade de melhoria ou otimização ( Malczewski apud Gomes et al.,
2002, p. 12).
O ser humano está, durante sua vida, constantemente tomando decisões,
por vezes baseando-se em parâmetros quantitativos e outras vezes, em
parâmetros qualitativos, com forte característica subjetiva. Cataldo (2003) define
uma boa decisão como fruto da combinação de uma intenção, empenho, uma
coordenação inteligente e uma hábil execução.
“Em sua dimensão mais básica, um processo de tomada de
decisão pode conceber-se como a eleição por parte de um centro
decisor (um indivíduo ou um grupo de indivíduos) da melhor
alternativa entre as possíveis. O problema analítico está em definir
o melhor e o possível em um processo de decisão.” (Romero
apud Gomes et al., 2002, p.11)
A análise de decisão é uma disciplina que auxilia as pessoas a escolherem
ou a tomarem decisões, sensatamente e de maneira convincente, sob condições
de riscos e incertezas. Segundo Gomes, Gomes & Almeida (2002), podemos
definir a teoria da decisão como: conjunto de procedimentos e métodos de análise
que procuram assegurar a coerência, a eficácia e a eficiência das decisões
tomadas em função das informações disponíveis, antevendo cenários possíveis.
Para Pritchard, a análise de decisão pode ser classificada em dois tipos
(Pritchard apud Johann, 2003, p.16):
50
1. Tomada de decisão sob certezas, quando o estado da natureza do
fenômeno é conhecido;
2. Tomada de decisão sob incertezas, quando o estado da natureza do
fenômeno não é conhecido.
De acordo com Hopwood, as incertezas têm efeito direto sobre a maneira
como o processo de decisão na organização é realizado (Hopwood apud Gomes,
Gomes & Almeida, 2002, p. 13).
A análise de decisão é uma metodologia lógica e consistente de
incorporação de julgamentos sob situações de risco e de incerteza. Trata-se de
uma metodologia concisa, com precisa alocação de recursos que visa possibilitar
a obtenção de um objetivo desejado (Skinner, 2001). A análise de decisão é
usada como uma metodologia em um arcabouço determinístico, probabilístico e
informacional auxiliando na estruturação, na avaliação e na sistemática de
decisões, para a discussão lógica com membros da equipe, para iluminar
decisões difíceis e levar a uma clara e convincente ação pelo tomador de decisão.
Em suma, um processo que objetiva resolver problemas e/ou revelar
oportunidades (Schuyler, 2001).
O presente trabalho não analisará profundamente todos os campos do
conhecimento humano que estudam as decisões, pois este não é o foco da
dissertação. O trabalho será centralizado nos quatro principais campos que,
fundamentados em critérios científicos, envolvem o estudo da decisão:
Operations Research (OR), Management Science (MS), Decision Science (DS) e
Muticriteria Decision Aiding (MCDA).
Esses fundamentos científicos baseiam-se em técnicas analíticas e
quantitativas, aliadas à técnicas computacionais para construir algorítmos e
heurísticas. Inicialmente a matemática, a lógica e a estatística clássicas e, mais
recentemente, a lógica nebulosa, as redes neurais, a metaheurística, a teoria dos
jogos e até a psicologia compõem a base científica do apoio à decisão (Cataldo,
2003).
51
A inteligência artificial é construída a partir de fundamentos de heurística. A
heurística é uma ciência que tenta imitar o comportamento humano durante a
resolução de problemas, ou seja, ela trabalha em oposição à estatística.
Procurando esclarecer o significado de cada um destes termos na literatura
constatou-se que OR, MS e DS apesar de não serem sinônimos perfeitos,
freqüentemente são utilizados com significado análogo entre si. Por outras vezes,
são mencionados conjuntamente como referência a um único campo de estudo.
Já o MCDA é abordado como uma sub-área da Decision Science.
Gomes, Gomes e Almeida (2002) relatam brevemente a evolução dos
processos de tomada de decisão, conforme transcrito a seguir:
“O homem tenta há muitos anos abordar processos complexos de tomada
de decisão, utilizando abstrações, heurísticas e raciocínios dedutivos, por vezes
calcando-se no estado-da-arte do conhecimento científico disponível. Até a
primeira metade do século XX, por exemplo, utilizava-se basicamente a
esperança matemática para a tomada de decisão em condições consideradas
aleatórias. Verificava-se, no entanto, que, em certas condições, as limitações e o
conseqüente risco associado a tal tratamento eram inaceitáveis. Na década de
50, em razão da experiência obtida pelas Forças Aliadas na abordagem dos
problemas logístico-militares surgidos durante a Segunda Guerra Mundial, deu-se
ênfase à solução dos problemas usando a então nascente Pesquisa Operacional,
originada daquela experiência. Nesse ponto, surge a necessidade imediata de
otimizar custos, despesas e lucros.
Na década de 60, surgiram métodos probabilísticos voltados para a tomada
de decisão, que foram aplicados em diversos trabalhos técnicos, desenvolvidos
até a década passada, mas que estão sendo suplantados por métodos cuja
matemática é menos complexa, a transparência é inegavelmente maior e são
corretos do ponto de vista científico, pois são fundamentados em axiomas
rigorosos.
52
Já na década de 70, começam a surgir os primeiros métodos voltados para
os problemas discretos de decisão, no ambiente multicritério ou multiobjetivo, ou
seja, métodos que utilizam uma abordagem diferenciada para essa classe de
problemas e que passam a atuar sob a forma de auxílio à decisão, não só visando
à representação multidimensional dos problemas, mas, também, incorporando
uma série de características bem definidas quanto a sua metodologia.”
5.1. TÉCNICAS E FERRAMENTAS DE SUPORTE ANALÍTICO À TOMADA DE DECISÃO
O processo de tomada de decisão é constituído de três fases fundamentais:
(1) identificação e estruturação do problema, (2) construção do modelo e (3)
desenvolvimento de planos de ação. Há vários atores no processo de tomada de
decisão sendo os principais: decisores, clientes, sponsors, facilitadores e
analistas.
Procurar-se-á, a seguir, expor as técnicas científicas utilizadas nos quatro
principais campos do estudo da tomada de decisão já citados (OR, MS, DS e
MCDA).
5.2. PESQUISA OPERACIONAL (OR – OPERATIONS RESEARCH)
Segundo Belton e Stewart (2002), em muitos estudos de OR/MS, pode não
haver referência explícita aos modelos e teorias MCDM, entretanto há
freqüentemente forte identificação implícita da natureza multicritério. A Pesquisa
Operacional “procura otimizar as operações existentes e/ou ajudar no processo
de tomada de decisão; visa fornecer subsídios racionais para a tomada de
decisão” (Gomes, Gomes & Almeida, 2002, p. 20).
O estudo da pesquisa operacional está classicamente dividido entre tópicos
determinísticos e tópicos estocásticos, dependendo do tratamento dados às
incertezas no estudo da tomada de decisão (Beasley apud Cataldo, 2002).
53
Entre os tópicos determinísticos destaca-se a programação matemática
(mathematical programming), conhecida largamente por otimização (optimization),
que abrange principalmente os métodos de programação linear, programação
inteira e programação não linear. Os tópicos estocásticos agregam métodos que
buscam incorporar as incertezas às tomadas de decisão. Destacam-se a
simulação, as regressões e o estudo das séries temporais, as árvores de decisão
e a programação estocástica.
A preocupação da Pesquisa Operacional, até a década de oitenta, centrava-
se basicamente em encontrar modelos matemáticos que dimensionassem os
tomadores de decisão para um determinado curso de ação e o implementassem,
com a finalidade de solucionar o problema, partindo do pressuposto que estes
problemas estavam bem definidos e bem estruturados. A partir dos anos oitenta,
o enfoque recai sobre o processo de estruturação do problema devido ao
reconhecimento e conscientização de que a estruturação é a questão básica e
fundamental para encontrar a solução adequada, de forma consciente e segura.
Este novo enfoque é decorrente dos apelos que têm surgido nos últimos
quarenta anos para que os estudiosos de Pesquisa Operacional se tornem mais
reflexivos quanto à natureza e estilo de seus estudos. Devido a sua insistência na
busca da solução ótima para um determinado modelo, os pesquisadores
acabavam perdendo o foco do problema real e, no afã de encontrar uma
metodologia para identificar a solução, efetuavam novas simplificações no
modelo, desviando-se mais ainda do objetivo inicial. Estas situações ocorriam
para alguns problemas semi-estruturados, mas principalmente para os mal-
estruturados. Nestes casos, mesmo que a solução ótima do modelo matemático
seja encontrada, ela não é a mais adequada para o problema real. Com isso,
começaram a se questionar o porquê de não estarem conseguindo solucionar os
problemas, uma vez que os melhores especialistas eram convocados para
resolvê-los. Aprofundando-se nos estudos, perceberam que seria insuficiente a
ajuda de qualquer especialista em matemática, pois sua maior falha consistia em
tentar resolver outro problema que não o problema real. A partir daí, perceberam
que a falta de entendimento do problema, e de todo o contexto onde este está
54
inserido, certamente os estava conduzindo a outros caminhos. Então, o risco de
solucionar o problema errado passou a ser reconhecido e discutido por diversos
profissionais, pois ficou evidenciado que a falta de estruturação ou má
estruturação dos problemas comprometeria as suas análises e,
conseqüentemente, a qualidade da decisão. É claro que equívocos podem ser
cometidos em qualquer das etapas do processo e estes podem ou não
comprometer o restante da análise, porém poderão ser corrigidos. Ao contrário,
se a falha ocorrer na identificação do problema, este processo decisório
dificilmente terá uma solução adequada e não produzirá as conseqüências
desejadas, se o curso de ação for implementado.
Em instante algum coloca-se de lado o estudo de modelos matemáticos.
Apenas enfatiza-se que, agora, os estudos estão direcionados para o
entendimento de todo o contexto do problema e suas inter-relações. O
procedimento sugerido inclui a estruturação, aqui entendida como: identificação e
compreensão do problema real e, então, a utilização das ferramentas
matemáticas disponíveis, que já foram bastante difundidas e testadas, para a
obtenção do melhor curso de ação para a sua solução.
O termo estruturação é o processo pelo qual o conjunto de condições
apresentadas inicialmente é traduzido em um conjunto de problemas, assuntos e
questões suficientemente bem definidas para se proceder a algum tipo de modelo
formal. A estruturação envolve a busca do entendimento e identificação dos
sintomas e desarmonias existentes, e requer competência, por parte dos
administradores, para saber o que pode ser feito com as ferramentas disponíveis.
Este processo não é algo que possa ser reduzido a uma seqüência de
passos a serem seguido em qualquer situação, mas é de fato, o conjunto de
decisões iniciais inerentes a qualquer pesquisa. Ao contrário, sua complexidade e
abrangência envolvem, em primeira instância, um re-exame da declaração do
problema original, resultando em um novo conjunto de problemas a serem
definidos. Este novo conjunto inclui perguntas como: Qual é o problema real?
Você tem certeza que é este o seu real problema? O que fazer para solucionar
55
este problema? Como colocar limites na área de análise de um problema? Quais
os inter-relacionamentos deste curso de ação com o resto da organização? Quais
os interesses afetados? Tal análise pode freqüentemente revelar problemas dos
quais o tomador de decisão não estava consciente ou até mesmo mostrar que o
problema que ele pensa que tem é muito diferente do problema que ele realmente
tem.
A estruturação do problema passa a ser então o primeiro passo, e o mais
crucial para qualquer estudo. Estas questões, que até então não recebiam um
estudo aprofundado, deveriam ser, e acredita-se que hoje já são, parte integrante
do dia-a-dia dos acadêmicos e estudiosos praticantes da Pesquisa Operacional.
A falta de reconhecimento, por parte da comunidade de Pesquisa
Operacional, sobre a importância da estruturação de problemas, vem sendo
publicamente denunciada e explorada há muitos anos, em menções esporádicas.
Além disso, tem sido reconhecida a necessidade de pesquisa nesta área. Porém,
esta falta de estruturação do problema, apenas era citada e nada na prática era
realizado.
5.3. CIÊNCIA DA DECISÃO (DECISION SCIENCE)
A teoria da decisão parte do pressuposto de que os indivíduos são capazes
de expressar suas preferências básicas, e são racionais, quando enfrentam
situações de decisão simples. Com base nessa proposição, a metodologia
desenvolvida pela teoria da decisão permite a resolução de problemas de decisão
mais complexos (Gomes, Gomes & Almeida, 2002, p. 29).
As etapas do processo de solução dos problemas de decisão variam entre
os autores, porém podem ser apresentadas de forma resumida como:
1. Estruturação: consiste em desenvolver um entendimento do problema/ameaça ou da oportunidade.
56
2. Modelagem: consiste em modelar a estrutura, as preferências e as incertezas.
3. Implantação: consiste em escolher a melhor alternativa e implementá-la.
5.4. APOIO MULTICRITÉRIO À DECISÃO (MULTICRITERIA DECISION AIDING)
A natureza principal dos problemas multicritério é a existência de muita
informação de natureza complexa e conflitante, freqüentemente refletindo
diferentes pontos de vista e mudando com o tempo. Uma das principais metas da
abordagem MCDA é auxiliar os decisores a organizar e sintetizar as informações,
de forma que eles estejam confortáveis e confiantes para tomar uma decisão,
minimizando o potencial de arrependimento, assegurando que todos os critérios
ou fatores foram propriamente levados em consideração (Belton e Stewart, 2002,
p. 2).
Há vários atores no centro do processo que incluem os decisores, clientes,
patrocinadores, outros stakeholders, incluindo sabotadores potenciais e
facilitadores, e analistas. Podemos definir o decisor como aquele (ou aqueles) a
quem o processo decisório destina-se, e que tem (têm) o poder e a
responsabilidade de ratificar uma decisão e assumir suas conseqüências (Gomes,
Gomes & Almeida, 2002, p. 16).
O AMD consiste em um conjunto de métodos e técnicas para auxiliar ou
apoiar pessoas e organizações a tomarem decisões sob a influência de uma
multiplicidade de critérios. A aplicação de qualquer método de análise
multicritério pressupõe a necessidade de especificação anterior sobre qual
objetivo o decisor pretende alcançar, quando se propõe comparar entre si várias
alternativas de decisão, recorrendo ao uso de múltiplos critérios (Bana e Costa e
Almeida apud Gomes, Gomes & Almeida, 2002, p. 69).
57
O AMD propõe-se a ter visão prescritiva (ou prescritivista) e construtiva (ou
construtivista ou, ainda, uma aproximação criativa dos problemas) (Roy apud
Gomes & Gomes, ). Esta visão seria uma fusão da visão descritiva – a visão do
mundo como este se apresenta, não emitindo julgamento sobre a realidade
descrita – com a visão normativa – a visão do mundo através de processos,
idealizada, fundamentada no uso de fórmulas matemáticas. Na visão prescritiva,
desenvolve-se modelos que são apresentados ao decisor, o qual decide se os
aceita ou não. A visão construtiva consiste em construir modelos através do
processo decisório; a estruturação avança de forma interativa de modo coerente
com os objetivos e valores do decisor.
O AMD divide-se originalmente em métodos discretos, conhecidos por
análise multiatributo e; métodos contínuos, ou otimização multicritério. A diferença
básica entre problemas de decisão discretos e contínuos é que os primeiros
tratam de um número finito de alternativas e os segundos, de um número
infinitamente grande de alternativas.
5.5. CLASSIFICAÇÃO DOS MÉTODOS MULTICRITÉRIO
Segundo Vincke, a maioria dos pesquisadores ou autores dividem o AMD
em três famílias de abordagens (Vincke apud Gomes e Gomes,):
1. Escola Americana ou Escola da Teoria da Utilidade Multiatributo
(Multiple Attribute Utility Theory – MAUT).
2. Métodos de Subordinação e Síntese ou Escola Francesa ou Escola
Européia.
3. Métodos Interativos ou de Programação Matemática Multiobjetivo.
Os métodos discretos de apoio à decisão seguem duas linhas de
pensamento: a escola Americana e a escola Francesa. Gomes & Moreira incluem,
além dessas, os Métodos Híbridos que utilizam simultaneamente os conceitos da
Escola Francesa e Americana.
58
Gomes e Gomes sugeriram a seguinte classificação para os métodos
multicritério:
Classe I: Escola Americana: onde o valor cardinal de uma alternativa ai é
formado por um conjunto de valores v1I, v2I, …, vni, em que cada vni é o valor
assumido pela alternativa ai em cada um dos n critérios. Isto significa que, caso
um determinado critério ou atributo seja considerado pouco importante diante de
outros critérios ou atributos, ele receberá um peso (ou valor atribuído) inferior ao
peso atribuído àqueles de maior importância. Esta teoria permite a definição de
uma função que busca agregar os valores de cada alternativa ai segundo cada
critério cm. Isto reflete o fato de que a importância relativa de cada critério advém
do conceito de taxa de substituição (ou trade-off). O decisor defronta-se, ainda,
com o problema de indicação de taxa de substituição de um critério em relação a
outro. Esta abordagem também é definida como critério único de síntexe
excluindo a incomparabilidade (Dias et al apud Gomes e Gomes, ).
A função de utilidade, função de preferência ou modelagem de preferência,
obtida através da análise multicritério, tem por objetivo agrupar os múltiplos
critérios, e auxiliar o decisor na seleção das alternativas.
A escola Americana usa a agregação multicritério com um critério único de
síntese ao passo que a escola Francesa defende a agregação sem um único
critério de síntese. Na escola americana destacam-se o AHP e Teoria da
Utilidade Multiatributo.
Nos anos 70 o Dr. Saaty criou os primeiros métodos dedicados às decisões
multicritério: O Método de Análise Hierárquica (AHP – Analytic Hierarchy Process)
e Análise em Rede (ANP – Analytic Network Process). Estes métodos são
flexíveis e aplicáveis aos mais diferentes mercados e situações, permitindo a
análise de diferentes critérios e julgamentos. Algumas das empresas que
utilizaram o AHP foram: British Airways, Xerox Corporation, Ford Motor Company
e IBM, entre outras.
59
A teoria da Utilidade Multiatributo, assim como o AHP, é um método
multicritério discreto (Keeney e Raiffa apud Gomes, Gomes & Almeida, 2002, p.
67) que possibilita definir uma medida de mérito (valor) global para cada
alternativa, indicadora de sua posição relativa numa ordenação final; no entanto, é
necessário dispor de informação completa (cardinal) sobre as preferências
intracritério dos decisores, o que, na maioria dos casos práticos, é muito difícil, ou
mesmo impossível de obter (Bana e Costa apud Gomes, Gomes & Almeida,
2002, p. 87).
Segundo Belton e Stewart (2002), a teoria da utilidade pode ser vista como
uma extensão da medida de valor, relacionada ao uso de probabilidades e
expectativas para lidar com a incerteza. Entretanto, os autores recém
mencionados demonstraram que, em muitas aplicações pode não ser necessário
invocar os modelos da teoria de utilidade multiatributo (MAUT – Multiattribute
Utility Theory) substancialmente mais complicados.
Classe II – Métodos de Subordinação e Síntese ou Escola Francesa ou,
ainda, Escola Européia: são aplicados à comparação entre alternativas discretas,
onde existe a relação de prevalência de síntese aceitando a incomparabilidade
(Dias et al apud Gomes e Gomes, ).
A Escola Francesa do Apoio Multicritério à Decisão abrange uma série de
métodos desenvolvidos na Europa que permitem uma modelagem mais flexível
do problema, pois não admitem necessariamente a comparabilidade entre todas
as alternativas, além de não imporem ao analista de decisões uma estruturação
hierárquica dos critérios existentes.
O uso dos Métodos de Subordinação, ao invés da Teoria da Utilidade, pode
ser motivado pela impossibilidade ou dificuldade de se estabelecer uma função de
utilidade e, também, pelo fato da agregação da Escola Francesa facilitar a
comparação da agregação à priori e a posteriori (Azondekon & materl apud
Gomes & Gomes, ).
60
Vanderpooten (apud Gomes & Gomes) afirma que a Escola Francesa tende
o seu foco de estudo para metodologias onde as preferências pessoais dos
decisores tenham menor influência na alternativa escolhida; em contrapartida a
Escola Americana buscaria métodos para melhor explicar esta preferência, que
teria uma grande influência na escolha final. Uma boa decisão só será possível se
as duas influências forem equilibradas. Implícita ou explicitamente, todos os
modelos e métodos do AMD têm como fundamento as estruturas da Teoria de
Preferência e Teoria da Não-Dominância. Bana e Costa (Bana e Costa apud
Gomes & Gomes) defendem que a Escola Americana utiliza modelos
simultaneamente descritivo e prescritivo e está associada à credibilidade,
enquanto a Escola Européia usa modelos construtitvos, e está associada à
intensidade de preferências. Destacam-se os métodos Electre, entre os métodos
multicritério discretos da escola francesa.
Classe III – Métodos Interativos: aplicados em Sistemas Informáticos
Interativos, os quais têm objetivos de apoio e melhoram os processos de decisão,
especialmente em tarefas complexas e mal estruturadas que requerem a
apreciação crítica e o julgamento dos agentes de decisão.
Classe IV – Métodos Híbridos: classificação atribuída a métodos que utilizam
conceitos de duas ou mais das Escolas anteriores.
Classe V – Métodos Alternativos: engloba a Escola Holandesa e os métodos
da P.O. Soft4, que usam conceitos próprios e, de um modo geral não possuem
nenhuma base axiomática e nem fazem uso da maior parte de noções da Escola
Francesa ou da Escola Americana.
O importante é que no AMD sempre haverá um fator humano. O AMD
assume ainda que é geralmente impossível prever se uma situação é boa ou má
apenas por métodos matemáticos, bem como a modelagem dos critérios
envolvidos no processo de decisão não pretende ser ingenuamente “objetiva”,
4 P.O. Soft é um conjunto de métodos e metodologias, na maior parte derivados da P.O., concebidos para auxiliar a estruturação de problemas em clima de conflitos, complexidade e situações não determinísticas.
61
pois a subjetividade está sempre presente (Vanderpooten apud Gomes &
Gomes). Segundo Gomes & Gomes, freqüentemente o AMD utiliza-se de
procedimentos da Psicologia Quantitativa como, por exemplo, o escalonamento
multidimensional.
62
6. IINNTTEERRSSEEÇÇÕÕEESS EENNTTRREE AA MMEETTOODDOOLLOOGGIIAA SSEEIISS SSIIGGMMAA EE AAPPOOIIOO ÀÀ
TTOOMMAADDAA DDEE DDEECCIISSÕÕEESS::
As interseções entre Seis Sigma e apoio à tomada de decisão começam na
estrutura destas metodologias, uma vez que ambas consistem em uma forma de
abordagem de cenários/situações de forma sistematizada, possibilitando otimizar
os resultados provenientes destes cenários, e da interação entre as variáveis que
o compõem.
Além da interseção conceitual, dentre as ferramentas utilizadas nas cinco
fases da aplicação da Metodologia Seis Sigma, diversas são comuns às utilizadas
no apoio à tomada de decisão.
Cabe esclarecer que não existe a presunção de esgotar, neste estudo, todas
as interseções entre ambas as metodologias, nem tampouco abordar todas as
ferramentas passíveis de serem utilizadas. Entretanto procurou-se abordar as
principais ferramentas comuns a ambas as metodologias, privilegiando o enfoque
a partir do Seis Sigma e buscando, no apoio à tomada de decisão, a ferramenta
correspondente ou similar, como apresentado na Figura 28.
A Figura 28, a seguir, deve ser interpretada da seguinte forma: a primeira
coluna identifica o nome usual da ferramenta na metodologia Seis Sigma; o “x”
assinalado na coluna Seis Sigma e/ou tomada de decisão, significa que a
ferramenta é aplicada na respectiva metodologia. O nome de outra ferramenta
escrito por extenso na coluna, identifica a ferramenta análoga que é utilizada. As
letras NA indicam que não foram encontradas evidências do uso da ferramenta
aplicada à metodologia em questão.
63
FERRAMENTAS SEIS SIGMA TOMADA DE DECISÃO UTILIDADE
Mapa do processo X X Representação gráfica do processo mostrando a cada passo, seus inputs e outputs.
Diagrama da Matriz X X Ajuda a analisar as correlações entre dois grupos de idéias e a descobrir padrões em relações de causa e efeito.
AHP (Expert Choice) X X Calcula pesos relativos de importância a partir de comparações em pares de categorias.
Métrica Primária X NA Exibe a situação inicial, a situação estimada caso não houvesse interferência no processo e a situação real considerando a interferência no processo.
Métrica Secundária X X Exibe os "efeitos colaterais" decorrentes da interferência no processo.
Análise das Forças de Campo X X
Ajuda a identificar os fatores que mantém o status quo através do estudo dos acionadores e dos refreadores de mudança .
Benchmarking X X Permite a comparação com um nível de referência.
Análise do Sistema de Medição X
Análise de sensibilidade, estabilidade e robustez;
Verificação de consistência da preferência dos decisores
Verifica se os sistemas de medição são adequados.
Análise Estatística Multivariada X X
Identifica padrões e estruturas em dados multivariados. Auxilia a identificação de fatores ocultos possibilitando a classificação ou ordenação de casos.
Análise de Pareto X X Processo de ranqueamento que permite priorizar importância.
Diagramas de Causa e Efeito X X Organiza e exibe graficamente o conhecimento que um
determinado grupo dispõe sobre um problema.
Diagrama da Árvore X X Usado para estratificar progressivamente as idéias em maior nível de detalhes.
Análise de Regressão X X Modela a relação entre uma ou mais variáveis independentes e uma variável dependente. Auxilia no estudo de causa e efeito.
Análise de Correlação X X Verifica a intensidade de relações lineares entre variáveis. Auxilia no estudo de causa e efeito.
Brainstorming X X Propicia o surgimento de idéias criativas.
DOE X X
Permite a manipulação de uma ou mais variáveis independentes, as quais acredita-se que tenham efeito no resultado do experimento, de acordo com um plano pré-determinado. Os dados obtidos com um DOE podem ser analizados estatisticamente para determinar o efeito das
variáveis independentes, ou combinações de mais de uma variável independente.
Teste de hipóteses X X Permite fazer inferências a respeito do valor de um universo verdadeiro em um nível de confiança desejado.
FMEA X X
Esboça todas as falhas possíveis, seus efeitos sobre o sistema, a plausibilidade de que cada uma ocorra e a probabilidade da falha não ser detectada. Fornece uma excelente base para identificação de fatores e variáveis críticas.
Pontuação Direta utilizado para construção do FMEA
X Possibilita priorizar critérios qualitativos através da atribuição de pesos relativos.
Figura 28: Ferramentas utilizadas em Seis Sigma e no Apoio à Tomada de Decisão
64
6.1. MAPA DO PROCESSO
O Mapa de Processo, já abordado neste estudo como ferramenta do Seis
Sigma, assemelha-se ao Mapeamento Cognitivo utilizado para auxiliar a
estruturar idéias no Apoio à Tomada de Decisão. Segundo Belton & Stewart
(2002) um mapa cognitivo, visa representar o problema/assunto em questão da
forma que o tomador de decisões o vê, como uma estrutura seqüenciada de
meios e fins. Entretanto, o mapeamento cognitivo é a representação da
percepção de um indivíduo; mapas individuais podem ser combinados de forma a
resultarem num mapa representativo de um grupo.
6.2. DIAGRAMA DA MATRIZ
O Diagrama da Matriz, no Seis Sigma mais comumente denominado Matriz
YX, permite priorizar correlações entre interação de variáveis. No Seis Sigma é
largamente utilizado para localizar as etapas mais críticas para o sucesso de um
processo através da priorização dos inputs e outputs de cada etapa e da
associação destas priorizações. A Teoria da Utilidade Multiatributo, largamente
utilizada pela Escola Americana no apoio à tomada de decisão, utiliza
ferramentas análogas à Matriz XY para determinar a importância relativa dos
critérios e para determinar os benefícios agregados.
6.3. AHP (ANALYTIC HIERARCHY PROCESS)
O AHP na verdade é um software e não propriamente uma técnica.
Entretanto não vamos fazer esta distinção neste estudo, uma vez que é um
software baseado nas premissas da Escola Americana do apoio à decisão. Esse
método baseia-se na divisão do problema de decisão em critérios agrupados em
níveis hierárquicos de importância, facilitando a avaliação e comparação dos
critérios entre si. O AHP é amplamente utilizado pelas empresas para auxiliar a
estabelecer prioridades e, no Seis Sigma também já é utilizado com o mesmo
propósito.
65
6.4. MÉTRICA SECUNDÁRIA
A Métrica Secundária reflete os possíveis “efeitos colaterais” da
interferência causada com implantação de um projeto Seis Sigma. No apoio à
tomada de decisão utiliza-se, de forma análoga, a Análise de Conflitos com a
finalidade de prever conseqüências indesejáveis de uma determinada decisão.
6.5. ANÁLISE DE FORÇAS DO CAMPO (FFA - FORCE FIELD ANALYSIS)
O FFA é utilizado no Seis Sigma, principalmente na fase de análise do
processo, com o propósito de conhecer as forças acionadoras e as restritoras
para que ocorra uma determinada situação. Os checklists sugeridos por Belton
(2002) no apoio à tomada de decisão durante e fase de estruturação do problema
assemelham-se bastante ao FFA, principalmente o CAUSE – Criteria,
Alternatives, Uncertainties, Stakeholders and Environmental factors or constraints.
6.6. BENCHMARKING
Benchmarking consiste na comparação de um determinado critério (produto,
processo ou organização) com um outro, cujo nível seja considerado uma
referência. No Seis Sigma o benchmarking pode ser utilizado durante as fases de
definição e análise do problema. Analogamente poderia também ser utilizado no
apoio à tomada de decisão durante a estruturação do problema.
6.7. MSA (MEASUREMENT SYSTEM ANALYSIS)
O MSA, conforme mencionado anteriormente, é utilizado no Seis Sigma,
principalmente em processos tangíveis, para verificar se o sistema de medição
aplicado aos processos é consistente. Segundo Belton (2002) a Análise de
Perspectiva ou Análise de Sensibilidade pode ser realizada para verificar se
conclusões preliminares são robustas ou se elas são sensíveis às mudanças de
aspectos no modelo. Apesar destas ferramentas não serem idênticas, são
utilizadas com o mesmo propósito, de forma análoga.
66
6.8. ANÁLISE ESTATÍSTICA MULTIVARIADA
A Análise Estatística Multivariada é largamente utilizada no Seis Sigma e
também tem sua aplicação no apoio à tomada de decisão, apesar de não ter sido
criada propriamente para isso. Considerando-se a natureza multivariada dos
problemas MCDA, as ferramentas descritivas da Análise Estatística Multivariada
podem trazer aos decisores insights5 consideráveis a respeito dos possíveis trade-
offs6 que podem surgir nas decisões complexas.
6.9. ANÁLISE DE PARETO
A Análise de Pareto consiste no agrupamento de critérios iguais e
representação gráfica dos grupos, de forma ordenada, em relação à quantidade
de elementos constituintes de cada um deles. No Seis Sigma, a Análise de Pareto
comumente é utilizada na fase de Medição para auxiliar a determinar quais pontos
do problema devem ser abordados primeiramente. Podemos dizer que é uma
ferramenta utilizada para auxiliar a estabelecer prioridades na avaliação de
critérios quantitativos. No apoio à tomada de decisão, a Análise de Pareto pode
ser utilizada para organizar e priorizar critérios, direcionando-se os recursos
disponíveis para oportunidades mais promissoras.
6.10. DIAGRAMA DE CAUSA E EFEITO
O Diagrama de Causa e Efeito, também é chamado de gráfico de Espinha
de Peixe, devido ao seu formato, e de Diagrama de Ishikawa, em homenagem ao
Dr. Kaoru Ishikawa que o criou. Em Seis Sigma é utilizado na fase de Análise
como uma forma ilustrada de dispor os diversos recursos utilizados para
elaboração de um processo, evoluindo para a indagação dos efeitos que estes
recursos podem causar. Também pode ser utilizado no apoio à tomada de
decisão tanto na etapa de estruturação do problema quanto na análise das
opções de soluções.
5 Insight: compreensão clara da natureza íntima de uma coisa.
67
6.11. DIAGRAMA DA ÁRVORE
O Diagrama da Árvore, utilizado no Seis Sigma para estratificar idéias, é
utilizado no apoio à tomada de decisão para auxiliar a modelagem de
preferências. Ele permite organizar um grande número de inputs qualitativos em
um número menor de categorias principais. Baseia-se na divisão do problema de
decisão em critérios, agrupados em níveis hierárquicos de importância, facilitando
a avaliação e comparação dos critérios entre si. Segundo Belton (2002),
primeiramente são representados os principais interesses genéricos e então cada
um deles é dividido em critérios mais específicos que, por sua vez, são ainda
subdivididos de forma ainda mais pormenorizada resultando que, no último nível,
os critérios sejam definidos de forma bem individualizada. Então, as preferências
podem ser hierarquicamente agregadas.
6.12. ANÁLISE DE REGRESSÃO E CORRELAÇÃO
A Análise de Regressão modela a relação entre uma ou mais variáveis
independentes e uma variável dependente. Considera a freqüência de
distribuições de uma variável quando outra é fixada em determinados níveis. Já a
Análise de Correlação considera a variação conjunta das duas variáveis
independentes onde nenhuma das duas é fixada.
Tanto a Análise de Regressão quanto a de Correlação auxiliam no estudo de
causa e efeito. É claro que a estatística não pode estabelecer, isoladamente, as
relações de causa e efeito. O estabelecimento da relação de causa e efeito
requer um entendimento da situação existente, que pode ser comprovada ou
melhor entendida com a aplicação das Análises de Regressão e Correlação.
Nos projetos Seis Sigma elas são mais utilizadas nas fases de Análise e
Melhoria dos processos, entretanto podem ser aplicadas em todos os estágios da
solução de problemas e processos de planejamento assim como no apoio à
tomada de decisão.
6 Trade-off: trocas.
68
6.13. BRAINSTORMING
O Brainstorming é amplamente utilizado em diversas áreas, entre elas Seis
Sigma e apoio à tomada de decisão uma vez que propicia o surgimento de idéias
criativas. No apoio à tomada de decisão o brainstorming pode ser utilizado
durante a fase de estruturação do problema. Belton (2002) sugere as Post-it
Sessions como uma forma de capturar idéias de vários participantes a respeito de
um problema, expor seu conhecimento e postura a respeito do assunto. Estas
Post-it Sessions são, em essência, um exercício de brainstorming.
6.14. DOE (DESIGN OF EXPERIMENT)
O DOE é um experimento onde uma ou mais variáveis independentes, que
acredita-se terem efeito sobre a experiência a ser realizada, são manipuladas de
acordo com um plano pré-determinado. Os dados coletados de um experimento
podem ser analisados estatísticamente para determinar o efeito das variáveis
independentes, ou combinações de mais de uma variável independente. O DOE
é uma forma de buscar as melhores combinações das variáveis independentes,
visando gerar um processo que opere próximo de suas condições ótimas, mesmo
que ocorram mudanças. No Seis Sigma o DOE é particularmente utilizado na fase
de melhoria do processo. No apoio à tomada de decisão poderia ser utilizado para
analisar combinações de critérios quantitativos e simular os resultados que
poderiam ser obtidos com os recursos disponíveis.
6.15. TESTE DE HIPÓTESES
O Teste de Hipóteses permite fazer inferências a respeito do valor de um
universo verdadeiro em um nível de confiança desejado. Em Seis Sigma, é
comumente utilizado na fase de medição. No apoio à tomada de decisão pode ser
utilizado para esclarecer se aparentes diferenças de desempenho entre as
alternativas podem ter sido causadas pelo acaso. Um exemplo prático seria a
utilização do teste de hipóteses para auxiliar na decisão de compra de máquinas
69
industriais de diferentes fabricantes. Supondo que um dos principais critérios para
a decisão seja a variação na dimensão do produto manufaturado pela máquina,
seriam estudadas amostras produzidas por cada máquina. Os melhores
resultados teriam sido obtidos através da Máquina X seguido pela Máquina Y.
Essa conclusão, entretanto, pode ser fruto de um acaso estatístico. Se houver
uma probabilidade de 1% de um acaso estatístico, o teste de hipóteses levaria à
conclusão de que o acaso estatístico poderia realmente ter ocorrido. Esse
exemplo também evidencia a volatilidade dos erros amostrais, variâncias
amostrais e desvios padrão.
6.16. FMEA (FAILURE MODE EFFECT ANALYSIS)
O FMEA consiste numa tentativa de prever todas as falhas possíveis, seus
efeitos no sistema, a plausibilidade de que ocorram, e a probabilidade de que a
falha não seja detectada. O FMEA é uma excelente base para classificação de
características, para identificar CTQs e outras variáveis críticas. Assim como a
Análise de Pareto, o objetivo do FMEA é direcionar os recursos disponíveis para
as oportunidades mais promissoras. De certa forma, é um rankeamento.
Segundo Pyzdek (2003), o FMEA pode ser combinado com métodos de
análise de decisão como AHP e QFD para auxiliar a guiar o planejamento de
ações preventivas. Ou seja, uma típica ferramenta de Seis Sigma é associada a
outras típicas ferramentas do apoio à tomada de decisão. Também, na própria
construção do FMEA é necessário utilizar o rankeamento direto para atribuir
valores de severidade de uma possível falha, plausibilidade de ocorrência e
probabilidade de detecção.
70
7. CCOONNCCLLUUSSÃÃOO
Quando você pode medir aquilo sobre o que está falando e
expressá-lo em números, saberá algo a respeito do assunto;
quando não pode medi-lo, quando não pode expressá-lo em
números, seu conhecimento é de um tipo pobre e insuficiente;
poderá ser o início do conhecimento, mas em seus pensamentos
você mal avançou para o estágio da ciência (Lorde Kelvin apud
Gomes, Gomes & Almeida, 2002, p. 28).
Deduzimos que no mundo atual (real), particularmente no ambiente
empresarial, em um mercado globalizado cada vez mais competitivo, buscamos
tomar decisões mais rápidas, corretas e abrangentes. As decisões normalmente
buscarão minimizar perdas, maximizar ganhos e criar uma situação em que
comparativamente o decisor julgue que houve elevação (houve ganho) entre o
estado da natureza em que se encontrava e o estado em que irá encontrar-se (irá
advir), após implementar a decisão (Gomes, Gomes & Almeida, 2002, p. 14).
Quando passamos dos problemas experimentais aos problemas teóricos da
ciência normal, raramente encontramos áreas nas quais uma teoria científica
pode ser diretamente comparada com a natureza, especialmente se é expressa
numa forma predominantemente matemática (Kuhn, 2003). Desta forma, tanto o
Seis Sigma como as técnicas de tomada de decisão, procuram suportar a criação
de paradigmas sobre o assunto ou cenário em estudo, utilizando instrumentos de
análise, tanto quantitativos como qualitativos.
Segundo Thomas Kuhn (2003), para ser aceita como paradigma, uma teoria
deve parecer melhor que suas competidoras, mas não precisa explicar todos os
fatos com os quais pode ser confrontada. Assim podem ser consideradas as
teorias resultantes da análise de determinada conjuntura sob a ótica do Seis
Sigma ou das técnicas de tomada de decisão. Tais teorias podem ser
consideradas paradigmas, uma vez que definimos paradigma como um modelo
ou padrão aceito.
71
No decorrer deste trabalho, foi possível concluir que quanto à forma, o Seis
Sigma e a Escola Americana de Apoio Multicritério à Decisão apresentam mais
interseções entre si do que o Seis Sigma com a Escola Européia. Entretanto, a
interseção principal entre Seis Sigma e tomada de decisão não se restringe
apenas à utilização de diversas ferramentas em comum, a interseção entre estas
metodologias está muito mais ligada as suas essências e natureza. Ambas são
metodologias de estudos de cenários baseadas na utilização de instrumentos
cientificamente comprovados, com a finalidade de sustentar a avaliação destes
cenários e formulação de paradigmas.
Considerando-se que o Seis Sigma objetiva o incremento dos resultados
financeiros através da redução da variação dos processos e, para tanto, utiliza
diversas ferramentas e técnicas comuns àquelas utilizadas no apoio à tomada de
decisão, concluímos que, indiretamente, o Seis Sigma pode ser de grande
utilidade no processo de tomada de decisão. Desta forma, as decisões tomadas
com base nas informações obtidas com a aplicação da metodologia Seis Sigma
estarão cientificamente embasadas. A aplicação do Seis Sigma permite conhecer
profundamente o processo em estudo, quantificá-lo e medi-lo, assim como às
variáveis que o integram, aumentando drasticamente a qualidade do
conhecimento existente sobre o produto, processo ou a Organização como um
todo.
A utilização das técnicas de apoio à Tomada de Decisão em empresas que
já aplicam o Seis Sigma tende a ser ainda mais efetiva e eficaz uma vez que os
processos-chave desta empresa são conhecidos e otimizados. Hipoteticamente
poderíamos exemplificar esta afirmação supondo que uma determinada empresa
pretende expandir-se adotando uma política mais agressiva, diversificando sua
linha de produtos e também inserindo-se em novos mercados. O apoio à tomada
de decisão poderia ser de grande valia para ajudar a determinar quais os mais
promissores dentre os novos mercados a serem explorados e a selecionar a
prioridade de lançamento de novos produtos para cada mercado. Numa empresa
que já aplicasse o Seis Sigma, provavelmente as informações a serem utilizadas
para apoiar a tomada de decisão já estariam disponíveis. Os processos existentes
72
já seriam bem conhecidos e tenderiam a estar otimizados, de forma que o estudo
da expansão e a expansão propriamente dita, poderiam acontecer de forma muito
mais ágil e estruturada. Os novos produtos a serem lançados, definidos com o
apoio a tomada de decisão poderiam ser criados baseados no DFSS.
Em uma análise final, podemos afirmar que o Seis Sigma e apoio à tomada
de decisão podem ser usados de forma complementar. Poder-se-ia inclusive dizer
que o apoio à tomada de decisão estaria mais ligado aos níveis de Presidência e
Diretorias das Organizações, auxiliando a elaborar as estratégias principais. A
aplicação do Seis Sigma estaria mais ligada ao nível gerencial, garantindo a boa
execução das ações necessárias para realizar as estratégias definidas. O apoio à
tomada de decisão auxilia na escolha do caminho a ser percorrido e Seis Sigma
auxilia a percorrê-lo de forma mais eficiente.
73
8. RREEFFEERRÊÊNNCCIIAASS BBIIBBLLIIOOGGRRÁÁFFIICCAASS
ALSTOM (2003) Quality Focus. 6 Sigma Executive Training Manual. Taubaté. EHW.
ANBARI, F. T. “Six Sigma Method and Its Applications in Project
Management”. In: PROCEEDINGS OF PROJECT MANAGEMENT INSTITUTE ANNUAL SEMINARS & SYMPOSIUM, 2002, Texas. Anais: Biblioteca Melvin
Gelman – George Washington University, 2002. 16 p., volume I, parte II, capítulo
7.
Banas Qualidade. Protocolo disponível: http://www.banasqualidade.com.br.
Data de acesso: [01/10/2002].
BRENNAND, J. M. A. (2003) Influências da Irresponsabilidade Social Corporativa no Processo de Decisão de Compra de Planos de Saúde. Dissertação (Mestrado Profissionalizante em Administração). Rio de Janeiro:
IBMEC.
BARBOSA, A. Introdução à Metodologia Six Sigma. Minas Gerais, 2002.
Disponível em <http://www.projetosdigitais.com.br.>. Data de acesso:
[20/03/2003].
BELTON, V., STEWART, T. (2002) Multiple Criteria Decision Analysis. Nova Iorque: Kluwer Academic Publishers.
BOGAN,C.E., ENGLISH, M. J. (1994) Benchmarking for Best Practices: Winning Through Innovative Adaptation. Nova Iorque: McGraw-Hill.
CATALDO, J.L (2003) O Papel do Suporte Analítico à Tomada de Decisão na Gestão do Conhecimento Organizacional. Dissertação (Mestrado
Profissionalizante em Administração). Rio de Janeiro: IBMEC.
74
CONTANZO, C. “Six Sigma Fans Push Vendors to Join the Club.” American Banker Vol. 167 n. 150 [Online], (2002): 1-2. Disponível: Business Source
Premier. Data de acesso: [27/08/2002].
CHOWDHURY, S. (2001) The power of Six Sigma: an inspiring tale of how Six Sigma is transforming the way we work. 3a ed. Illinois: Dearborn
Trade.
DAVENPORT, T. H. (1992) Process Inovation: Reengineering Work Through Information Technology. Massachussets: Harvard Business School
Press.
Departamento de Física da Universidade Federal do Ceará. Protocolo
disponível: http://www.fisica.ufc.br/espec4.htm . Data de acesso: [03/10/2002].
ECKES, G. (2001) A Revolução Seis Sigma. Trad. de Marcelo Filardi
Ferreira. Rio de Janeiro: Editora Campus.
GALVIN, R.W. (2003) “Memórias do Pioneiro.” In HSM Management. São
Paulo. V. 3, n° 38, p. 8, Mai/Junho.
GE – General Electric Co. Protocolo disponível: http://www.ge.com/sixsigma/
Data de acesso: [12/12/2002].
GOMES, L. F. A. M., GOMES, C. F. S., ALMEIDA, A. T. (2002) Tomada de Decisão Gerencial: enfoque multicritério. Rio de Janeiro: Editora Atlas.
GOMES, L.F.A.M. at al (2004) Tomada de Decisões em Cenários Complexos. São Paulo: Pioneira Thomson Learning.
HAMMOND, J. S., KEENEY, R. L., RAIFFA, H. (1999) Decisões Inteligentes: como avaliar alternativas e tomar a melhor decisão. Trad. de
Marcelo Filardi Ferreira. Rio de Janeiro: Editora Campus.
75
HARRY, M. (2003) “Conselhos do Padrinho.” In HSM Management. São
Paulo. V. 3, n° 38, p. 5-7, Mai/Junho.
ISHIKAWA, K. (1986) Guide to Quality Control. 2a. ed. Shelton: Ed.
Productivity Ind.
JAIN, R. K. (1991) The Art of Computer Systems Performance Analysis: Techniques for Experimental Design, Measurement, Simulation, and Modeling. Nova Iorque: John Wiley & Sons, Inc.
JOHANN, P.R.S (2003) Gerenciamento de Projetos com Decisão Seqüencial e Análise dos Riscos. Monografia de Conclusão de Curso (MBA em
Gerência de Projetos). Rio de Janeiro: FGV.
KANJI, G.K. (1999) 100 Statistical Tests. 2a. ed. Londres: Sage
Publications.
KUHN, T.S. (2003) A Estrutura das Revoluções Científicas. Trad. de
Beatriz Vianna Boeira e Nelson Boeira. São Paulo: Editora Perspectiva S.A.
LOWENTHAL, J. N. (2002) Guía para la aplicación de un proyecto Seis Sigma. Madrid: Fundación Confemetal Editorial.
MANGOLD, W. G, MILLER, F. & BROCKAWAY, G. R. (1999) “Word-of-
mouth communication in the service marketplace”. In: The Journal of Services Marketing, Vol. 13, nº 1, p: 73-89. “Word-of-mouth communication in the service
marketplace”. EBSCOhost [Online]. Protocolo Disponível: http://web8.epnet.com
Data de acesso: [18/11/2002].
MILONE, G. (2004) Estatística Geral e Aplicada. São Paulo: Pioneira
Thomson Learning.
76
MONTEVECHI, J.A.B., SALOMON, V.A.P. (2001) A Compilation of Comparisons on the Analytic Hierarchy Process and Others Multiple Criteria Decision Making Methods: Some Cases Developed in Brazil. Berna: ISAHP.
NORONHA, M. (2000) TQ/ Six Sigma Program – Black Belt Training Final
Report: Procurement and Production Planning Process Flow – Project: BRA-MN-
RJ-001T. Rio de Janeiro: Biblioteca da Flowserve Ltda.
PANDE, P. S., NEUMAN, R. P., CAVANAGH, R. R. (2001) Estratégia Seis Sigma: como a GE, a Motorola e outras grandes empresas estão aguçando seu desempenho. Trad. de Cristina Bazán Tecnologia e Lingüística. Rio de
Janeiro: Editora Qualitymark.
PEREZ-WILSON, M. (1999) Seis Sigma: compreendendo o conceito, as implicações e os desafios. Trad. de Bazán Tecnologia e Lingüística. Rio de
Janeiro: Editora Qualitymark.
PORTER, M. (1989) Vantagem Competitiva. Trad. de Marcelo Filardi
Ferreira. Rio de Janeiro: Editora Campus.
PYZDEK, T. (2003) The Six Sigma Handbook. A Complete Guide for Green Belts, Black Belts, and Managers at All Levels. Nova Iorque: Mc Graw
Hill.
PYZDEK, T. (2003) The Six Sigma Project Planner: A Step-by-Step Guide to Leading a Six Sigma Project Through DMAIC. Nova Iorque: Mc Graw Hill.
PYZDEK, T. (2003) “6-Sigma, a um passo da perfeição.” In HSM Management. São Paulo. V. 3, n° 38, p.10. Mai/junho.
QUEIROZ, D.A. et al (2003) Uma Visão da Gerência de Projetos com a Metodologia Seis Sigma. Monografia de Conclusão de Curso. (MBA em
Gerência de Projetos). Rio de Janeiro: FGV.
77
RATH & STRONG MANAGEMENT CONSULTANTS (2002) Division of Aon
Consulting Worldwide. Six Sigma Pocket Guide. 10a. ed. Massachusetts.
REVELLE, J.B. et al (1997) The QFD Handbook. Nova Iorque: John Wiley &
Sons, Inc.
RUSSO, J. E., SCHOEMAKER, P. J. H. (2002) Decisões Vencedoras: como tomar a melhor decisão, como acertar na primeira tentativa. Trad. de
Hugo Melo. Rio de Janeiro: Editora Campus.
SAATY, T.L. (2000) The Fundamentals of Decision Making and Priority Theory with the Analytic Hierarchy Process. Edição revisada. Pittsburgh: RWS
Publications.
SHAH, J.B. (2002) “Chase implements Raytheon strategy”. EBN [Online],
(2002): p.40, 1/3 página. Disponível: Business Source Premier. Data de acesso:
[27/08/2002].
SHIMIZU, T. (2001) Decisão nas organizações: introdução aos problemas de decisão encontrados nas organizações e nos sistemas de apoio à decisão. São Paulo: Editora Altas.
Six Sigma Forum. Protocolo disponível: http://www.sixsigmaforum.com .
Data de acesso: [23/12/2002];
Six Sigma Institute. Protocolo disponível: http://www.isixsigma.com . Data de
acesso: [20/12/2002].
Six Sigma Qualtec. Protocolo disponível: http://www.sixsigmaqualtec.com .
Data de acesso: [27/12/2002].
78
SUÁREZ, S.C.M. (2000) TQ/ Six Sigma Program – Black Belt Training Final
Report: Obsolete and Slow Moving Inventory (OSMI) Reduction – Project: BRA-
SM-RJ-001T. Rio de Janeiro: Biblioteca da Flowserve Ltda.
SUÁREZ, S.C.M. (2000) TQ/ Six Sigma Program – Black Belt Project Report:
Reduction of Small Tools Expenses - Project: BRA-SM-RJ-002T. Rio de Janeiro:
Biblioteca da Flowserve Ltda.
SITNIKOV, C. Helsinki University Technology Lahti Center Publication
Series. In: The Six Sigma Phenomena – Old or New Perception of Quality? USA,
2002. Disponível em <http://www.aluenet.com>. Acesso em: [28/03/2003].
STOCKBURGER, D.W. (1998), Multivariate Statistics: Concepts, Models,
and Applications. Disponível em
<www.psychstat.smsu.edu/multibook/mlt00.htm.> Acesso em: [20/03/2004].
STURION, W. (2003) “Até onde o Seis Sigma alcança.” In Revista Banas Qualidade Gestão, Processo e Meio Ambiente. São Paulo. Vol. 1, n. 130,
Março.
Talentos e Resultados. Protocolo disponível:
http://www.talentoseresultados.com . Data de acesso: [12/10/2002].
TREICHLER, D., CARMICHAEL, A., LEWIS J.; BERTHIEZ, G. (2003)
“Design for Six Sigma: 15 lições aprendidas.” In Revista Banas Qualidade Gestão, Processo e Meio Ambiente. São Paulo. Vol. 1, n. 130, Março.
VIEIRA, S. (2003) Princípios de Estatística. São Paulo: Pioneira: Editora
Thomson.
VIEIRA, S. (2004) Bioestatística: tópicos avançados. 2a edição. Rio de
Janeiro: Editora Campus.
79
WAXER, C. Six Sigma Cost and Savings – The financial benefits of
implementing Six Sigma at your company can be significant. Estados Unidos da
América, 2003. Disponível em http://www.isixsigma.com /library/content/c020729a.asp#4.
Acesso em: [03/06/2003].
WELCH, J., BYRNE J. A. (2001) Jack Definitivo – Segredos do executivo do século. Trad. De Marcelo Filardi Ferreira. Rio de Janeiro: Editora Campus.
WERKEMA, M. C. C. (2002) Criando a Cultura Seis Sigma. Vol. 1. Rio de
Janeiro: Editora Qualitymark.
WERKEMA, C., PRADO FILHO, H. R. (2003) O Seis Sigma no Brasil. Banas Report. Falando de Qualidade. SP: Editora EPSE.
WIKLUND, H., WICKLUND, P.S., (Mar 2002) “Widening the Six Sigma
concept: An approach to improve organizational learning.” Total Quality
Management. Vol. 13 Issue 2 [Online], (2002): p.233, 7 páginas. Disponível:
Business Source Premier. Data de acesso: [27/08/2002].
WOWK, V. (1991) Machinery Vibration: Measurement and Analysis. Nova
Iorque: McGraw-Hill Professional.
ZÜLZKE, M. L. (1997) Abrindo a empresa para o consumidor: a importância de um canal de atendimento. 4a. ed. Rio de Janeiro: QualityMark
editora.
