Ferramentas Essenciais para Solução de Problemas

Ferramentas Essenciais
Para Soluo de Problemas
Escola FM2S
Este material no pode ser copiado, reproduzido, reimpresso, utilizado em

filmes ou gravaes de vdeo ou armazenado em dispositivos eletrnicos
sem a permisso escrita dos detentores dos direitos de copyright. O
material no pode ser incorporado em programas de treinamento com
exceo da superviso de algum instrutor da FM2S Consultoria e
Treinamento LTDA ou da Escola EDTI.
Autores:
Ademir J Petenate, EDTI
Marcelo M Petenate, EDTI
Virglio F M dos Santos, FM2S Projetos
Guilherme M Petenate, EDTI
Murilo F M dos Santos, FM2S Projetos
Publicado por FM2S Projetos, Campinas, So Paulo, Brasil
Ferramentas da Qualidade
Ferramentas Essenciais para Resolver os Problemas de Organizao
Escola FM2S
Sumrio
Introduo ........................................................................ 5
Gerenciar processos: as causas de variao ..................... 6
As sete ferramentas da qualidade .................................. 17
Distribuio (histograma e dot-plot) .............................. 17
Grfico de Pareto............................................................ 23
Grfico de disperso ....................................................... 26
Diagrama de causa e efeito ............................................ 29
Estratificao .................................................................. 33
Folha de Verificao ....................................................... 35
Grficos de controle ....................................................... 44
Um exemplo de aplicao .............................................. 60
Referncias ..................................................................... 68
Introduo
O controle estatstico de processos umas das maiores invenes
tecnolgicas
do
sculo
passado,
permitindo
que
diversas
organizaes ao redor do mundo reduzissem custos aumentando a

qualidade de seus processos e produtos. Seus fundamentos foram
construdos por volta de 1920 em uma das maiores agncias de
pesquisa dos EUA, o Bell Labs, que conquistou 7 prmios Nobel com
seus pesquisadores.
As ferramentas que apresentaremos a seguir permitiram que as
empresas de todo o mundo experimentassem um aumento de
produtividade e reduo de problemas de qualidade, permitindo
alavancar seus negcios com uma viso voltada para o cliente. Uma
das principais vantagens dessa tecnologia, alm do potencial para
melhorar os negcios, que ela de fcil aplicao e pode ser
utilizada em qualquer tipo de processo e organizao.
Apresentaremos nesse livro os conceitos envolvidos nessa tecnologia,
apresentando exemplos de aplicao para que voc possa aplica-los
em sua empresa e experimentar as vantagens da melhoria na reduo
de custos e aumento de satisfao de seus clientes. Apresentaremos
tambm as outras ferramentas da melhoria, conhecidas como as 7
ferramentas da qualidade.
Escola FM2S
Gerenciar processos: as causas de

variao
Existem milhares de ondas de rdio passando ao seu lado o tempo
todo, mas nem sempre estamos as escutando. Para conseguir captar
essas ondas precisamos do seu receptor, que o rdio. Os processos
tambm esto a todo o momento tentando nos enviar informaes
sobre seus problemas, mas nem sempre conseguimos escut-lo.
Para entender as mensagens que ele tenta nos enviar precisamos criar
uma estrutura de coleta de dados desse processo ao longo do tempo.
Isso permitir que tomemos aes no processo no sentido de remover
seus problemas, reduzindo a variabilidade entre os produtos ou
servios
produzidos
por
ele,
aumentando
sua
qualidade
aumentando o valor percebido por nossos clientes. Apesar disso, de

nada adiantar coletar dados se no sabemos como tomar decises
adequadas com ele. E a maneira correta de gerenciar processos por
meio do conceito de causas de variao.
Para ilustrar esse conceito tomemos o exemplo de dois jovens recmcasados, onde o marido conseguiu tirar um ms de frias, mas a
esposa voltou a trabalhar na semana seguinte ao casamento. Na
primeira segunda-feira em sua nova residncia, o marido, querendo
agradar sua nova companheira, decide preparar o jantar. Ele sabe que
ela sai do escritrio s 17h30min e demora 30 minutos para chegar em
casa, ento ele deixa tudo preparado para as 18h00min. Mas ela chega
8 minutos atrasada e o marido, impaciente com a demora, pergunta a
razo do atraso. Alguns pedestres atravessaram a rua e alguns sinais
estavam fechados responde ela. O esposo aceita as explicaes e o
jantar servido.
No dia seguinte ele novamente se programa para servir o jantar s 6h
da tarde, mas dessa vez ela chega 10 minutos antes do previsto e
novamente inquerida pelo marido sobre os motivos. Dessa vez ela
diz que no caminho o transito estava um pouco melhor do que no dia
anterior e a maioria dos sinais estavam abertos. A cena repete-se na
quarta, quinta e sexta-feira.
Sempre quanto contamos esse exemplo em nossas palestras, onde
muitos executivos e donos de empresa esto presentes, as pessoas
acham graa desse casal, mas quando perguntamos qual a diferena
entre a situao enfrentada por esse casal e a maneira pela qual os
indicadores das suas empresas so gerenciados a perplexidade
geral! As pessoas presentes se do conta de que seus indicadores so
gerenciados da mesma maneira: pedindo explicao da razo de ter
subido um pouco no ms ou porque caiu outro tanto.
Sabemos que os valores de um indicador em dois meses sero, quase
que certamente, diferentes. O que precisamos decidir se essa
diferena indica que algo de diferente ou especial aconteceu e que
Escola FM2S
requer uma ao pontual ou se a variao esta dentro do que seria

natural variao de causa comum. Quando pedimos para nossa
equipe explicar as razes da diferena entre os resultados entre dois
meses, quando essa variao do tipo causa comum, estamos
desperdiando tempo, pois no existe uma explicao para essaa
diferena. Portanto estamos jogando dinheiro fora! Pense em quanto
recurso j foi desperdiado em sua organizao para explicar o
inexplicvel. Nos nossos clientes, estimamos que aproximadamente
10% dos recursos da organizao sejam mal direcionados porque os
gestores no conseguem distinguir as causas de variao presentes
em seus processos e, portanto, gerenciar adequadamente suas
equipes. Mas qual a maneira adequada de se fazer isso para que
possamos gerenciar nossos processos adequadamente, economizando
recursos e encontrando boas oportunidades de reduo de custos,
aumento da qualidade e expanso das expectativas de nossos
clientes?
Para decidir se estamos na presena de uma causa comum ou especial
precisamos conhecer a personalidade do nosso indicador e isso
pode ser feito por meio de seus dados histricos. O grfico de
tendncia na Figura 1 monitora o tempo de deslocamento das ltimas
trs semanas da esposa do exemplo anterior. A concluso que
chegamos que o padro desse tempo variar entre 15 e 45 minutos,
ou seja, chegar entre 05h45min e 06h15min no indica uma fuga desse
comportamento e perguntar as razes para essas diferenas perder

tempo e causar estresse desnecessrio, pois essa variao natural (ou
esperada).
tempo de deslocamento (em minutos)
40
35
30
25
20
seg
ter
qua
qui
sex
seg
ter
qua
qui
sex
seg
ter
qua
qui
Figura 1: grfico de tendncia do tempo de deslocamento.
Na sexta-feira seguinte a esposa chega s 19h e o marido pergunta a

razo desse atraso. Ela diz que aconteceu um acidente no seu
caminho que havia provocado um grande congestionamento. Agora
existe uma explicao concreta para essa variao. Note no grfico da
Figura 2 que esse tempo de deslocamento de 90 minutos foge do
padro histrico, pois isso se deve a uma causa especial de variao.
10
Escola FM2S
tempo de deslocamento (em minutos)
90
80
70
60
50
40
30
20
10
seg
ter
qua
qui
sex seg
ter
qua
qui
sex
seg
ter
qua
qui
sex
Figura 2: grfico de tendncia do tempo de deslocamento.
Uma das empresas que atendemos monitorava seus indicadores por

meio de relatrios que comparavam dois meses seguidos (Tabela 1).
Nesse relatrio eram monitorados os indicadores de refugo, custo por
pea e inventrio e para cada indicador temos seu valor no ms
passado, valor atual, a variao percentual entre esses dois meses.
Para analisar o relatrio o indicador com variao percentual maior
do que 30% era destacado de vermelho.
Mensalmente realizava-se um comit, onde o relatrio era exposto e
eram solicitadas explicaes para os responsveis pelos indicadores
em vermelho. No ms de junho/2009 o indicador com problemas
era o referente ao inventrio, que apresentou um aumento de 47% em
relao ao ms passado, e como consequncia foi solicitado uma
investigao e plano de ao para que isso no mais acontecesse, o
11
que consome recursos da organizao. Mas com essa anlise

impossvel distinguir se essa variao referente a alguma causa
especial ou comum, o que pode causar decises equivocadas e um
direcionamento errado para sua equipe.
Tabela 1: relatrio gerencial tpico
Variao
Jun/2009
Jul/2009
Refugo
100
98
-2%
Custo/ pea
0,50
0,52
4%
Inventrio
50
75
50%
percentual
A anlise correta desses indicadores deve ser feita por meio de um

grfico de tendncia, conforme Figura 3, Figura 4 e Figura 5. O
incrvel que essa anlise mostra que a variao de inventrio no
ltimo ms uma causa comum, ou seja, o processo no sofreu
modificao entre os dois meses e pedir explicao e plano de ao
para resolver essa diferena foi desperdcio de recursos!
Por outro lado, quando olhamos o grfico de tendncia do custo por
pea foi possvel perceber um pequeno acrscimo mensalmente, o que
estava gerando um custo cada vez mais alto e que alguma medida
deveria ser tomada para controla-lo, o que no estava sendo feito pela
12
Escola FM2S
direo! Mas a culpa no era do diretor, mas sim da anlise via

relatrio que impossibilitava um correto gerenciamento dos processos
e isso que a FM2S percebe que acontece na maioria das empresas.
Time Series Plot of refugo

104
102
refugo
100
98
96
94
92
90
2
10
12
14
Index
Figura 3: grfico de tendncaia do refugo.
16
18
20
22
24
13
Time Series Plot of custo/prea

0.45
custo/prea
0.40
0.35
0.30
10
12
14
Index
16
18
20
22
24
18
20
22
24
Figura 4: grfico de tendncia do custo por pea.
Time Series Plot of inventrio

80
inventrio
70
60
50
40
30
2
10
12
14
Index
16
Figura 5: grfico de tendcia do inventrio.
Esse exemplo mostra que alm de coletar dados sobre os processos

precisamos ter uma boa ferramenta para diagnosticar a sua sade e
14
Escola FM2S
essa ferramenta o grfico de tendncia ou de controle, ferramenta

mais sofisticada que veremos adiante.
Outro cliente multinacional que atendemos monitorava a satisfao
de seus consumidores ao redor do mundo por meio de uma pesquisa
de satisfao em cada pas onde existia uma unidade de negcios.
Nesse
levantamento
eram
investidos
mais
de
U$
30
mi
semestralmente e existia uma equipe em cada unidade de negcios

dedicada a analisar os resultados e propor aes para aumentar a
satisfao.
No primeiro semestre de 2011 foi divulgado um resultado de 82% de
satisfao no Brasil, que comparado aos 69% do semestre anterior foi
considerado um resultado extremamente significativo e a direo
dessa organizao solicitou que a equipe responsvel pela anlise
desse indicador viajasse o mundo em reunies para explicar quais
mudanas eles fizeram para atingir esse objetivo. O problema
aconteceu no segundo semestre de 2011, onde o resultado foi uma
queda para 73% de satisfao. Agora a direo gostaria de saber quais
as bobagens responsveis por essa queda to expressiva no indicador
e chamaram a equipe da FM2S para ajuda-los a identificar onde
estavam os problemas.
A primeira coisa que fizemos foi colocar o indicador em um grfico
de tendncia (Figura 6), onde se percebeu que a variao era toda
15
devida a causas comuns e, portanto, as diferenas observadas nos

ltimos 3 semestres, que geraram tantas viagens e estresse, foram
devidos a causa comuns, que estavam presentes desde o comeo da
srie histrica, em jan/2009. Fora desperdiada uma enorme
quantidade de recursos, tanto pelo tempo das pessoas tentando
investigar causas comuns quanto pelo recurso investido na pesquisa
que era mal analisada.
Indicador: Satisfao
Unidade: Brasil
0.95
0.90
Satisfao
0.85
0.80
0.75
0.70
0.65
0.60
S204
S205
S206
S207
S208
S209
S210
S211
Figura 6: grfico de tendncia da satisfao na unidade Brasil.
Quando um gestor consegue separar as causas comuns das causas

especiais ele adquiri uma ferramenta poderosa para controlar e
melhorar seu processo. Ele consegue decidir qual o momento correto
de interferir e quando o momento de manter o trabalho rotineiro de
sua equipe. Ele no causa estresse desnecessrio em seu time, mas sim
ganha a confiana dela por agir no momento certo, alm de aumentar
16
Escola FM2S
a produtividade e elevar a qualidade dos produtos e processos de sua

organizao.
17
As sete ferramentas da
qualidade
As sete ferramentas da qualidade so um instrumento com
capacidade demonstrada e reconhecido para reduzir custos e
melhorar a qualidade de qualquer tipo de organizao ou processo.
Elas compreendem o conceito de identificao, entendimento e
eliminao dos problemas. So elas:
Distribuio (histograma e dot-plot);
Grfico de Pareto;
Grfico de disperso;
Diagrama de causa e efeito;
Estratificao;
Folha de verificao;
Grfico de controle
Distribuio (histograma e dot-plot)

Quando queremos colocar um prego na parede utilizamos um
martelo. Da mesma forma, dependendo do tipo de varivel que
18
Escola FM2S
coletamos iremos utilizar uma ferramenta diferente. Os dados de um

indicador podem ser:
Classificao (qualitativos): os resultados possveis so
classificaes. No contexto de indicadores aparecero na forma sim

ou no (pea defeituosa ou no defeituosa, entrega atrasada ou no
atrasada, cliente satisfeito ou no satisfeito).
Contagem: os resultados so nmeros inteiros (nmero de
riscos em uma pea, nmero de acidentes no ms).
Contnuos: os resultados podem ser quaisquer nmeros
dentro de um intervalo (peso, comprimento, gasto mensal).

Depois de coletar os dados, a primeira atividade ser resumi-los, uma
vez que nosso crebro no preparado para compreender um extenso
conjunto de dados. Uma das maneiras mais simples de sumarizar os
dados o histograma. Para construir um histograma dividimos a
amplitude dos dados em intervalos, preferencialmente de tamanhos
iguais, e contamos o nmero de observaes que esto em cada um
dos intervalos. A escolha desses intervalos crtica, mas qualquer
software que seja capaz de produzir um histograma possu
algoritmos que fazem esse clculo de tal maneira a permitir a melhor
visualizao possvel dos dados.
Para estudar o comportamento das venda, um administrador coleta
informaes sobre o nmero de itens vendidos nos ltimos 30 dias e
19
constri um histograma com o auxlio de um software. Com esse

grfico ele percebeu que suas vendas variavam entre 28 e 52
unidades, e na maioria dos dias ele vendia em torno de 40.
Histograma
mdia = 40
9
8
7
Frequencia
6
5
4
3
2
1
0
28
32
36
40
venda
44
48
52
Figura 7: histograma do nmero de vendas
Outra maneira de enxergar a distribuio dos dados o dot-plot, onde

cada ponto no grfico representa uma observao.
Figura 8: dot-plot do nmero de vendas.
A mdia uma estatstica que resume uma informao muito

importante da distribuio dos dados que a centralidade. A mdia
denotada por e calculada por
20
Escola FM2S
=
1 + 2 + +
=
onde os valores retirados do processo so representados por

1 , , .
Apesar de extremamente importante, a mdia no mostra todas as
caractersticas do nosso processo. Um fabricante de molas para
sistemas de amortecimento precisa que seus produtos tenham
comprimento de 45, com tolerncia entre 42 e 48 cm. Para verificar se
esto atendendo a essa especificao o engenheiro responsvel retira
50 peas de cada um das 2 linhas de produo e calcula as respectivas
mdias:
1 = 44.8
2 = 45.3
Ele anota esses dados e os envia para seu cliente, confiante de que seu
processo era capaz de atender s especificaes. Depois de uma
semana ele recebe um e-mail de seu cliente solicitando providncias
para a linha 2, que estava produzindo muitas peas fora da
especificao. Junto ao e-mail ele recebe os dot-plots das linhas 1 e 2.
21
linha1
linha2
38
40
42
44
Data
46
48
50
52
Figura 9: dot-plot do comprimento por linha.
Olhando para os grficos ele percebe, para sua surpresa, que

realmente a linha dois estava produzindo muitas peas fora da
especificao. Nosso amigo acabara de aprender que no basta saber a
mdia de um processo, precisamos tambm saber a respeito de sua
variao, pois quanto menor a variao maior a qualidade do nosso
processo.
Uma forma simples de medirmos a variao pela soma de quo
distante cada ponto esta do centro (mdia)
( )
O problema que essa soma sempre 0. Por exemplo, no conjunto de
dados 0, 1 e 2 a mdia 1 e a soma dos desvios
22
Escola FM2S
(0 1) + (1 1) + (2 1) = 1 + 0 + 1 = 0
Para resolver esse problema elevamos cada desvio ao quadrado, o

que elimina os sinais negativos
( )2
e para finalizar calculamos o desvio mdio
( )2
1
A razo de dividirmos por 1 ao invs de foge do escopo desse
livro, mas a ideia por de traz continua sendo calcular a mdia das
distncias. Para voltarmos a escala original basta calcular a raiz
quadrada desse valor:
( )2
1
e essa estatstica chamada de desvio padro e representada pela
letra . Aplicando esse clculo s linhas de produo de rodas
obteramos o seguinte resultado:
1 = 1
2 = 3
e nosso engenheiro perceberia que a linha dois produz muito mais
peas no conforme do que a linha 1.
23
Grfico de Pareto
Vilfredo Pareto foi um economista italiano que viveu entre os sculos
XIX e XX. Durante seus estudos econmicos sobre a distribuio de
renda da populao, Pareto identificou que uma pequena parcela da
populao detinha a maior parte do PIB, enquanto a maioria da
populao representava uma pequena parcela do PIB. Esta relao
ficou conhecida como regra 80/20. 80% do PIB nas mos de 20% da
populao e 20% do PIB nas mos de 80% da populao.
Um dos pioneiros em trabalhos na rea de Qualidade, Joseph Juran,
encontrou um padro semelhante ao encontrado por Pareto na
distribuio dos tipos de defeitos de certo produto. Aps diversas
anlises, ele chegou a concluso de que em grande parte das
iniciativas de melhoria, poucos tipos de defeitos eram responsveis
pela maioria das rejeies (poucos vitais), ou seja, 80% dos problemas
de qualidade de uma pea so causados por 20% dos tipos de
defeitos. Da relao entre esses dois trabalho foi criado o conceito de
Pareto.
Um dos objetivos centrais de um programa de qualidade reduzir
perdas provocadas por itens defeituosos que no atendem s
especificaes. Existem muitos tipos de defeitos que fazem com que
um produto no atenda s especificaes. Concentrar esforos no
sentido de eliminar todos os tipos de defeitos no uma poltica
24
Escola FM2S
eficaz. Devemos focar nos tipos de defeitos que so responsveis pela

maioria das rejeies, sendo mais eficaz atacar as causas desses
poucos defeitos mais importantes, da a necessidade de utilizarmos o
grfico de Pareto.
Uma empresa de embalagens precisava reduzir custos com peas
defeituosas encontrados em sua produo. Como a empresa no sabia
por onde comear decidiu-se utilizar o conceito do Grfico de Pareto
para analisar quais defeitos ocorriam com maior frequncia. Durante
duas semanas os dados foram coletados, resultando no grfico a
seguir:
Diagrama de Pareto Tipos de Defeitos

140
Frequncia
80
100
60
80
60
40
40
20
20
0
Tipo de defeito
o
n
m
ge
la
se
Frequencia
Porcentagem
% Acumulada
Porcentagem
100
120
po
to
o
n
m
ge
la
se
55
40.4
40.4
o
nd
fu
o
n
m
ge
la
se
38
27.9
68.4
l
ra
te
la
pr
im
o
s
es
22
16.2
84.6
a
rr
bo
da
i xa
ca
a
am
8
5.9
90.4
a
ad
ss
7
5.1
95.6
er
th
O
6
4.4
100.0
Figura 10: diagrama de Pareto para os tipos de defeitos.
A anlise do grfico de Pareto permitiu empresa identificar quais

eram os defeitos mais recorrentes e com isso priorizar a soluo dos
25
problemas relacionados no selagem do topo, no selagem do fundo

e no selagem lateral.
No exemplo anterior, no eixo vertical, utilizamos a frequncia das
ocorrncias com que ocorriam os defeitos, porm outras opes
tambm podem ser utilizadas. Um cliente cujo negcio era a
distribuio de sistemas de automao estava interessado em reduzir
o quanto era gasto com cada fornecedor para trocar peas que
apresentavam defeitos em campo. Para tanto eles coletaram durante
um ms todos os sistema que precisaram ser trocados e qual era o
fornecedor desse sistema. Eles sabiam tambm que existia uma
grande diferena entre os preos, com sistemas simples que custavam
R$ 300,00, at sistemas complexos cujo custo era R$ 2.000,00. Nesse
caso cada defeito foi multiplicado pelo custo do seu sistema e essa
varivel foi utilizada para a construo do Pareto.
26
Escola FM2S
Grfico de Pareto por fornecedor

180
100
160
140
valor
60
100
80
40
60
40
Percentual
80
120
20
20
0
fornecedor
Percentual
Cum %
D
75.3
75.3
A
15.1
90.4
C
5.8
96.2
E
3.5
99.7
B
0.3
100.0
Figura 11: grfico de Pareto por fornecedor.
Com essa anlise foi possvel focar no fornecedor D, uma concluso

bem diferente do que obteramos se olhssemos apenas a frequncia.
Grfico de disperso
O grfico de disperso uma ferramenta poderosa para estudar a
relao entre duas variveis (normalmente contnuas). No caso de um
departamento de gerenciamento de projetos que esta interessado em
aumentar a satisfao com relao entrega dos projetos mede a
satisfao e os dias de atraso (nmero negativos indicam entrega
antes do prazo). Os dados so anotados em pares (x, y) como pode se
notado na Tabela 2.
Tabela 2
27
Projeto
Dias de atraso
Satisfao
-3
3.90
-6
3.42
-1
3.10
2.95
1.83
2.25
1.92
11
3.15
19
2.85
10
12
3.00
11
-5
2.64
12
-6
3.96
...
...
....
Cada ponto do grfico de disperso relativo a um par de pontos da

tabela e nesse exemplo conclumos que existe uma forte relao entre
a satisfao e os dias de atraso. Conforme os dias de atraso aumentam
a satisfao diminui e chamamos essa relao de negativa. tentador
concluir que se entregarmos antes os projetos aumentaremos a
satisfao, mas esse pensamento potencialmente perigoso pois a
28
Escola FM2S
correlao no implica necessariamente em causalidade. Essa relao

aparente pode ser causada por algo bastante diferente.
Disperso Satisfao Vs Dias Atraso Adiant

5.0
4.5
Satisfao
4.0
3.5
3.0
2.5
2.0
-20
-10
0
Dias Atraso
10
20
Figura 12: grfico de disperso da satisfao pelos dias de atraso.
Um exemplo bastante didtico a coleta de dados elaborada pelo

estatstico dinamarqus Gustav Fisher. Ele coletou, entre 1930 e 1936,
dados sobre a populao e o nmero de cegonhas no final de cada
ano na cidade de Oldenburg (Figura 13). Ele no fez isso por acreditar
no mito infantil, mas sim para mostrar que nem sempre a correlao
implica em causalidade. Quando construmos um grfico de
tendncia procuramos identificar relaes potenciais, que devero ser
comprovadas em experimentos posteriores.
29
Disperso Populao vs Nmero de cegonhas

75
Populao
70
65
60
55
120
140
160
180
200
Nmero de cegonhas
220
240
260
Figura 13: grfico de disperso da populao pelo nmero de

cegonhas.
Diagrama de causa e efeito

O Diagrama de Causa e Efeito, tambm conhecido como Ishikawa ou
Espinha de Peixe, foi criado em 1943 pelo Dr. Karou Ishikawa, um
engenheiro qumico da Tokyo Universtiy. O diagrama foi desenvolvido
com o objetivo de representar a relao entre um efeito e suas
possveis causas. Esta tcnica utilizada para descobrir, organizar e
resumir conhecimento de um grupo a respeito das possveis causas
que contribuem para um determinado efeito.
30
Escola FM2S
Figura 14: esquema do diagrama de causa e efeito tradicionalmente utilizado em

indstrias.
Uma das grandes vantagens do diagrama est no fato deste fornecer

uma conexo visual entre o efeito observado (disposto no lado direito
do diagrama) e todos os possveis fatores que contribuem para ele
(dispostos esquerda). As espinhas principais representam as causas
primrias do problema e as ramificaes dessas espinhas representam
as causas secundrias ou oriundas de processos anteriores.
Um dos mritos desta ferramenta sua capacidade de trabalhar com
diversos pontos de vistas, compartilhando o conhecimento comum
sobre o problema e incentivando que os membros da equipe
visualizem o sintoma e as possveis causas de um problema como
parte de todo um sistema (induz ao pensamento sistmico).
31
Os principais tipos de causas contribuintes para os efeitos

indesejveis na indstria so os seis Ms: material, mo de obra,
mquinas, mtodo de trabalho, meio ambiente e o sistema de
medio. Alm destes, h inmeras maneiras de classificao, de
acordo com o tipo do negcio e do problema em questo.
So trs os principais objetivos do diagrama causa e efeito:
Selees dos dados importantes;
Apresentao das possveis causas;
Guiar as medidas corretivas.
Cuidados
Alguns cuidados devem ser tomados ao se elaborar um diagrama de
Causa e Efeito. O primeiro deles ter em mente que as causas listadas
so causas provveis, ou seja, so hipteses. Deste modo, antes de
comear a elaborar um plano de ao para corrigir as causas
provveis, necessrio confirma-las. No se deve investir dinheiro
em um plano de ao em que no h certeza, ou pelo menos uma
grande convico, sobre as causas.
Durante nossos trabalhos e treinamentos, nos deparamos muitas
vezes com equipes acostumadas a preparar planos de ao com o
objetivo de eliminar causas no confirmadas. Isto representa uma
32
Escola FM2S
grande fonte de desperdcio para a organizao. Mas porque ser que

isto acontece?
A principal razo para isto chama-se RNC, ou relatrio de no
conformidade. O RNC um relatrio exigido pela ISO toda vez que
acontece algum desvio no produto ou servio produzido. At a, no
haveria problema. Porm, neste relatrio geralmente se encontra um
espao para o preenchimento do diagrama de Causa e Efeito
acompanhado dos cinco porqus e de um plano de ao. Esta
estrutura induz as pessoas responsveis pelo preenchimento da RNC
a preencherem todos os trs ao mesmo tempo.
O segundo cuidado a se tomar sobre quem deve participar da
elaborao do diagrama. comum as pessoas convidarem todos os
envolvidos no processo para participarem da reunio para a
elaborao, porm isto s eleva o custo da reunio e piora sua
dinmica. Para este tipo de reunio, menos mais. S devem
participar aquelas pessoas que realmente podem contribuir e tem
disciplina para tal. Este reunio no deve virar bate papo.
Esta ferramenta muito til e aplicvel a quase todos os projetos de
melhoria. Uma das aplicaes mais interessantes feitas pela nossa
equipe foi em um projeto cujo objetivo era aumentar o volume de
vendas pelo telefone de uma empresa do ramo de equipamentos de
proteo eltrica.
33
Por meio do diagrama foi possvel consolidar todas as possveis

causas para o fechamento ou no das propostas. Isto possibilitou a
nossa equipe entender quais fatores os vendedores julgavam
importantes para o fechamento do pedido. Alguns dos fatores que
apareceram foram tempo de follow-up, mudana de vendedor, preo,
prazo de entrega e prazo de pagamento.
Levantada todas as possveis causas para o fechamento do pedido por
meio do diagrama, foi possvel elaborar um plano de testes e verificar
quais delas eram factveis. Para a surpresa de todos, muitas das
verdades acabaram indo por terra. O fator que mais espanto causou
foi o impacto que o tempo para envio da proposta e o tempo at o
primeiro follow-up tem na probabilidade de fechamento. Deixar a
proposta para o dia seguinte reduzia em 50% a chances de ela ser
fechada. Assim, ficou claro que a empresa deveria desburocratizar
esse processo, pois sua velocidade interna era muito menor do que a
velocidade que o mercado demandava.
Sem o diagrama de causa e efeito seria impossvel descobrir tais
problemas.
Estratificao
Estratificar nada mais do que separar os dados em grupos. Uma
dvida que pode surgir quando avaliamos a qualidade de peas
34
Escola FM2S
produzidas se a variao a mesma para nossas duas linhas de

produo,
nesse
caso
varivel
de
estratificao.
caso
anteriormente apresentado, sobre duas linhas de produo de molas

exemplifica bem esse conceito.
Um fabricante de molas para sistemas de amortecimento precisa que
seus produtos tenham comprimento de 45, com tolerncia entre 42 e
48 cm. Para verificar se esto atendendo a essa especificao o
engenheiro responsvel retira 50 peas de cada um e elabora um
grfico de distribuio (dot-plot) estratificado pela linha. Ele percebe
que a linha 2 produz peas com qualidade inferior e decide focar os
esforos de melhoria nessa linha.
35
linha1
linha2
38
40
42
44
Data
46
48
50
52
Figura 15: dot-plot do comprimento por linha.
Folha de Verificao
A folha de verificao uma das mais utilizadas e importantes
ferramentas da qualidade.
So formulrios utilizados para
padronizar e facilitar a coleta de dados e a organizao dos mesmos

para a estratificao. A padronizao e a facilidade na coleta de dados
iro garantir uma maior probabilidade de que os dados coletados
reflitam os fatos e a realidade do processo em anlise, caso contrrio
todas as aes subsequentes do projeto de melhoria podero estar
fundamentas sobre dados falsos.
neste documento que so incorporadas as categorias de dados
necessrias para a validao das hipteses sobre a influncia de
alguns parmetros. Com a folha de verificao possvel avaliar os
36
Escola FM2S
itens de controle do processo, os itens de verificao, classificar os

dados, localizar defeitos e identificar uma possvel relao causaefeito (desde que o documento seja devidamente construdo).
O livro de Hitoshi Kume Statistical Methods for Quality Improvement
define os principais tipos de folha de verificao:
Folha de verificao para a anlise da distribuio de parmetros
de controle num processo produtivo:
Este tipo de folha de verificao aplicado quando queremos
conhecer a distribuio dos valores de uma determinada caracterstica
de qualidade. Para constru-lo dividimos a amplitude (mximo valor mnimo valor) em intervalos (Figura 16) e apontamos com um x no
respectivo intervalo cada pea retirada da produo (Figura 17).
Exemplo: Espessura da pea aps o biscoito prensado no processo
cermico.
37
Figura 16. Exemplo de folha de verificao para anlise da distribuio de parmetros de

controle num processo produtivo.
38
Escola FM2S
Figura 17: Exemplo de folha de verificao para anlise da distribuio de parmetros de

controle num processo produtivo.
Folha de verificao de defeitos

Esse tipo de folha de verificao utilizado quando queremos saber
quais os tipos de defeitos mais frequentes e nmero de vezes causado
por cada motivo, para a construo posterior de um grfico de Pareto,
por exemplo. Exemplo: tipos de defeitos em uma pea usinada.
39
Figura 18. Exemplo de folha de verificao utilizada para anlise de itens defeituosos
Folha de verificao para localizao de defeitos:

usada para localizar defeitos externos, tais como: mancha, sujeira,
riscos, pintas, e outros. Geralmente esse tipo de lista de verificao
tem um desenho do item a ser verificado, na qual assinalado o local
e a forma de ocorrncia dos defeitos. Exemplo: Bolha estourada na
superfcie do vidrado, nas peas de cermica. Esta folha nos mostrar
o local onde mais aparece o tipo da bolha.
Esse tipo de folha de verificao uma importante ferramenta para a
anlise do processo, pois nos conduz para onde e como ocorre o
defeito.
40
Escola FM2S
Figura 19: Exemplo de folha de verificao utilizada para localizao

de defeitos
Figura 20: Exemplo de folha de verificao utilizada para localizao de

defeitos em veculos.
Folha de verificao para anlise das causas de defeitos:
41
Este tipo de folha de verificao geralmente utilizado para

investigar as causas dos defeitos, sendo que os dados relativos causa
e os dados relativos aos defeitos so colocada de tal forma que se
torna clara a relao entre as causas e efeitos. Posteriormente os dados
so analisados por meio da estratificao de causas. Alguns exemplos
de estratificao so desajuste de mquina, inexperincia do
operador, dia da semana, horrio do dia entre outros.
42
Escola FM2S
Figura 21: Exemplo de folha de verificao utilizada para investigar as causas dos defeitos.
Construo de uma folha de verificao

Apesar de no existir uma regra para cri-la, j que cada caso merece
um estudo diferente, pode-se elencar as principais etapas para
elaborao de uma folha de verificao:
1.
Definir o objetivo da coleta de dados e o tipo da folha de
verificao.
2.
Incluir campo para o registro de:
a.
Nomes e cdigos das reas.
b.
Produtos e pessoas responsveis.
3.
Folha autoexplicativa para o preenchimento.
4.
Conscientizao para a coleta.
5.
43
Executar um pr-teste.
Para todas as etapas, importante atribuir um responsvel e trein-lo.

Uma fbrica do setor de escapamentos desejava identificar problemas
de solda que ocorriam com seus produtos. A empresa resolveu ento
coletar dados que pudessem identificar os seguintes aspectos:
Em qual produto ocorria defeito;
Qual era o tipo de defeito;
Em qual turno ocorriam os defeitos;
Quais eram os parmetros da mquina no momento do
defeito;
Em qual mquinas ocorriam os defeitos.
Para conseguir coletar todas essas informaes de uma maneira fcil e

em que os prprios operadores pudessem coleta-los, a empresa
decidiu criar uma Folha de Verificao que permitisse colher todas
estas informaes em apenas um papel:
44
Escola FM2S
Figura 22: Exemplo de folha de verificao utilizada para investigar as causas dos defeitos.
Grficos de controle
Vimos no primeiro captulo a importncia de distinguir as causas de
variao presentes em um processo para podermos gerenci-lo da
maneira mais adequada possvel. Mas muitas vezes difcil distinguir
quando um ponto indica a presena de alguma causa especial e se
torna necessrio o estabelecimento de um critrio formal que a
indique. para essa finalidade que foi desenvolvido o grfico de
controle. Ele nada mais do que um grfico de tendncia com linhas
de referencia adicionadas. A linha central indica a mdia, a linha
inferior o limite inferior de controle (LCL) e a linha superior o limite
superior de controle (UCL).
45
Grfico de tendncia de refugo

104
102
refugo
100
98
96
94
92
90
Figura 23: grfico de tendncia do refuo.
Grfico de controle de refugo

110
UCL=109.61
Refugo
105
100
_
X=97.29
95
90
85
LCL=84.97
Figura 24: grfico de controle do refugo.
Quando monitoramos algum indicador estamos decidindo, a cada

novo ponto, se estamos na presena de uma causa comum ou
especial. Para que tenhamos convico sobre nossa deciso
46
Escola FM2S
precisamos conhecer o DNA do nosso processo, ou seja, coletar

dados histricos. Podemos imaginar a coleta de 30 pontos desse
indicador e construir um grfico de frequncia, ou histograma, como
mostrado na Figura 25.
Histograma da varivel venda

30
Percentual
25
20
15
10
5
0
28
32
36
40
44
48
52
Venda
Figura 25: histograma de vendas.
Nesse grfico a altura de cada barra indica o percentual de

observaes na respectiva faixa de dados e, portanto, a soma da altura
de todas as barras 100%, ou seja, todos os resultados possveis para
essa distribuio. Podemos aproximar esses dados por uma linha
contnua, como mostrado na Figura 26, que tambm tem rea igual a
100%. Essa figura nos ajuda a conhecer nosso processo e a decidir
quando um novo ponto se parece com esse DNA (causa comum) ou
quando esse ponto parece pertencer a um processo diferente (causa
especial).
47
Figura 26: histograma com linha contnua.
Podemos pensar que esses dados foram coletados entre os meses

jan/2009 e jun/2011 e no ms de jul/2011 o resultado tenha sido igual
a 70, como mostrado na Figura 27. Esse novo ponto no parece fazer
parte do mesmo processo que gerou os outros dados e, portanto,
parece bastante crvel que ele seja uma causa especial.
48
Escola FM2S
Figura 27: histograma de venda com outlier.
Os limites de controle so estabelecidos de tal forma que entre eles

estejam, aproximadamente, 99% dos dados. Assim, se um ponto cai
alm desses limites temos uma chance menor do que 1% de ser uma
causa comum e, portanto, existe forte evidncia do acontecimento de
uma causa especial (mudana no processo). A razo da escolha do
valor 99 % que, normalmente, no queremos correr o risco de tratar
uma causa comum como especial, uma vez que isso ir acarretar
parada
no
processo
consequentemente
diminuio
da
produtividade. Quem definiu esses valores foi Walter Shewhart, o

criador dessa ferramenta. Uma discusso mais detalhada pode ser
encontrada no livro de Douglas Montgomery, intitulado de
Introduction to Statistical Quality Control.
49
Uma aplicao interessante foi observada no monitoramento do gasto

mensal com treinamento, acompanhado mensalmente. Cada ponto no
grfico representa o gasto de 1 ms e nesse caso dizemos que o
subgrupo de tamanho 1 (um ms). Alm disso, estamos trabalhando
com uma varivel contnua (gasto com treinamento) e, portanto,
iremos utilizar o grfico de individuais.
Grfico I de gasto
110
UCL=107.38
gasto
105
100
_
X=97.67
95
90
LCL=87.95
1
1
1
1
1
1
2
2
2
2
2
2
00 200 200 200 200 200 200 200 200 200 200 200
/2
/
/
/
/
/
/
/
/
/
l/
l/
r
r
n
y
p
v
n
y
p
v
u
u
a
a
a
a
J
J
Ja
Ja
No
No
M
Se
M
Se
M
M
ms
Figura 28: grfico de controle de individuais do gasto.
Muitas vezes comum a retirada de algumas peas ao final de uma

hora de produo para avaliar a qualidade dessas e realizar ajustes na
mquina quando necessrio. Uma empresa de autopeas retirava 5
rodas por hora, uma de cada uma de suas 5 linhas de produo, e
avaliava os respectivos dimetros. Dessas cinco peas era possvel
calcular o dimetro mdio e o desvio padro e monitorar essas
estatsticas ao longo do tempo.
50
Escola FM2S
Chamamos o grfico produzido com a mdia de X-barra () e o

grfico produzido com o desvio padro de S, de Standar deviation
(desvio padro em ingls). Na hora treze aparece a indicao de uma
causa especial no grfico X-barra, mas no no grfico S, indicando que
a mdia do dimetro das peas mudou, mas no a variao entre elas.
Com essa informao podemos concluir que temos uma causa
especial que afetou todas as peas, causando um aumento de
dimetro em todas elas. Essa indicao levou a descoberta de que um
lote de matria-prima, que estava abastecendo todas as cinco linhas
estava com problema.
Grfico Xbarra-S do dimetro

1
mdia amostr al
52
U C L=50.89
48
_
_
X=46.05
44
LC L=41.22
40
desvio padr o amostr al
7
hor a
10
11
12
13
U C L=6.352
6.0
4.5
3.0
_
S =2.473
1.5
0.0
LC L=0
1
7
hor a
10
11
12
13
Figura 29: grfico X-barra/S do dimetro.
J na semana 15 a causa especial acontece somente no grfico S,

indicando que a variao entre as peas aumentou, mas a mdia no
foi to alterada. Isso indica que existe uma causa especial afetando
51
somente uma das linhas e agora podemos tentar entender o que

aconteceu com ela. Nesse caso uma das ferramentas utilizada na
produo da pea estava gasta e foi possvel troc-la antes de
produzir mais peas no conformes.
Grfico Xbarra-S do dimetro

1
U C L=52.18
mdia amostr al
52
48
_
_
X=46.09
44
40
LC L=39.99
1
8
hor a
10
11
12
13
14
15
desvio padr o amostr al
U C L=8.01
6
4
_
S =3.12
2
0
LC L=0
1
8
hor a
10
11
12
13
14
15
Figura 30: grfico Xbarra/S do dimetro.
Os grficos de individuais e X-barra/S foram todos utilizados quando

a varivel era contnua.
Uma grande empresa estava interessada em monitorar o nmero de

riscos em suas peas, uma importante caracterstica de qualidade para
seus clientes e, para tanto, ela retira 10 peas a cada meia-hora.
Quando os dados representam contagem de defeitos, que so
expressos por nmero inteiros positivos, trabalhamos com o grfico
52
Escola FM2S
de controle U (Figura 31). Cada ponto nesse grfico ir representar o

nmero de defeitos mdio nas trs peas retiradas e, portanto, o
tamanho do subgrupo nesse caso 10.
Grfico U de riscos por 10 peas

0.5
UCL=0.4367
riscos em 10 peas
0.4
0.3
0.2
0.1
_
U=0.115
0.0
LCL=0
0
1
10
10
10
10
10
11
11
11
01
01
20
20
20
20
20
20
20
20
/2
/2
r/
r/
n/
y/
p/
v/
n/
y/
ul
ul
a
a
a
a
e
o
a
a
J
J
J
J
N
M
S
M
M
M
mes
Figura 31: grfico U de rsicos por 10 peas.
Outra grande empresa de tecelagem monitorava o nmero de defeitos

por rolo de tecido produzido, mas os rolos variavam de tamanho. De
hora em hora era retirado um rolo e anotava-se o nmero de defeitos
e a rea (em m2) de tecido. A Tabela 3 apresenta os dados do nmero
de defeitos e do tamanho, em m2, dos rolos produzidos. O que ser
monitorado nesse caso o nmero de defeitos por cm2 e, portanto, o
tamanho do subgrupo o tamanho do rolo. Como os tamanhos dos
rolos eram diferentes entre si os limites de controle sero diferentes
para cada ponto, uma vez que o subgrupo (nesse caso o tamanho do
rolo) ingrediente de seu clculo.
53
2
Tabela 3: dados dos defeitos por m de tecido.
Hora
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Defeitos
7
11
15
6
11
15
5
10
8
3
3
14
3
9
7
6
7
5
14
13
11
6
6
9
11
m
30.0
27.6
30.4
34.8
26.0
28.6
28.0
30.2
28.2
31.4
30.3
27.8
27.0
30.0
32.1
34.8
26.5
30.0
31.3
31.6
29.4
28.6
27.5
32.6
31.7
54
Escola FM2S
Grfico U de defeitos por metro^2 de tecido
Defeitos por metro^2 de tecido
0.6
UCL=0.5740
0.5
0.4
_
U=0.2880
0.3
0.2
0.1
0.0
LCL=0.0021
1
11
13 15
Hora
17
19
21
23
25
Figura 32: grfico U de defeitos por m2 de tecido.
Uma grande mineradora monitorava o nmero de acidentes com

afastamento por 10 mil funcionrios. Com esses dados de contagem
eles construram um grfico U e acompanharam o indicador, que se
manteve sem nenhuma causa especial, durante os ltimos dois anos.
No ms de janeiro de 2012 o diretor responsvel pelos acidentes
recebeu a atualizao do indicador e tomou um susto com o nmero
de 7 acidentes, uma causa especial apontada pelo grfico.
55
Grfico de controle U de acidentes

7
nmero de acidentes
UCL=5.568
5
4
3
2
_
U=1.68
1
0
LCL=0
10 010 010 010 010 010 011 011 011 011 011 011 012
20
2
2
/2
/2
/2
/2
/2
/2
/2
l/ 2 p/ 2
l/2
n/
v/
n/
ar
ar
a
ay
ay
Ju
Ju S ep Nov Jan
J
Ja
No
M
Se
M
M
M
ms
Figura 33: grfico de controle U de acidentes por ms.
Foi pedido que se estudasse o problema e uma coleta de dados por

local de trabalho foi realizada, onde se percebeu que a regional
MGP02 era a grande responsvel pelos acidentes. Com uma
investigao descobriu-se que era uma unidade recm-aberta e as
regras para acidentes no estavam sendo seguidas. Como medida foi
realizada uma ao de conscientizao e fiscalizao das regras, o que
eliminou o problema nessa regional.
Outras vezes os dados aparecem na forma de percentual de

defeituosos como, por exemplo, o percentual de peas com rebarba
em uma linha de produo. Nesses casos utilizamos o grfico P (de
percentual). A FM2S sempre utilizou de grfico de controle para
56
Escola FM2S
monitorar seus indicadores e um dos mais importantes indicadores

comerciais o percentual de propostas fechadas sobre enviadas. Em
cada ms coletvamos o nmero de propostas enviadas e
acompanhvamos cada uma das propostas para saber se seria fechada
ou negada. Nesse caso o tamanho do subgrupo era varivel o total
de propostas enviadas no ms.
Grfico P de porpostas fechadas

Proporo de propostas fechadas
1.0
0.9
UCL=0.8796
0.8
0.7
0.6
_
P=0.7309
LCL=0.5821
0.5
5
5
6
6
6
6
6
7
06
00
00
00
00
00
00
00
00
20
/2
/2
/2
/2
/2
/2
/2
l/ 2
r/
v
y
v
p
n
p
n
u
a
o
a
o
J
Ja
Ja
Se
N
M
Se
N
M
Figura 34: grfico de controle P de percentual de propostas fechadas.
Esse grfico nos ajudou a entender que se quisssemos aumentar

nosso crescimento precisaramos aumentar o nmero de propostas
enviadas, uma vez que o percentual de fechamento era alto se
comparado ao benchmark do mercado. Isso deu fora a ideia de
criao de uma estrutura de vendas ativa (ligaes e visitas para atrair
novos clientes).
57
Para facilitar a deciso sobre qual grfico de controle devemos utilizar

disponibilizamos a rvore de deciso na Figura 35. A primeira deciso
que devemos tomar se a varivel classificao (defeituosa),
contagem (defeitos) ou contnua. Quando a varivel de classificao
utilizamos o grfico p, de proporo. J quando a varivel de
contagem utilizamos o grfico U, de defeitos por unidade.
Quando a varivel contnua existe mais uma etapa de deciso: o
tamanho da amostra. Quando cada ponto representa uma medida,
como no exemplo da Figura 28, utiliza-se, geralmente, o grfico I, de
individuais (o grfico de individuas segue a suposio de distribuio
normal e o livro de Douglas Montgomery, Statistical quality control: a
modern introduction apresenta maiores detalhes). Quando cada ponto
representa a mdia de 2 ou mais unidades, o grfico adequado o Xbarra/ S, como no exemplo da Figura 29.
58
Escola FM2S
Figura 35: regra de deciso para grficos de controle.
O conceito bsico em atribuir que um ponto fora dos limites causa

especial vem do fato de sua baixa probabilidade de acontecer caso o
processo no tenha mudado. Existem outras regras, apresentadas na
Figura 36, que tambm apontam padres com baixa probabilidade de
acontecer se somente causas comuns atuam no processo.
59
Um ponto muito
afastado dos demais
Sequncia de oito ou mais

pontos abaixo ou acima da mdia
Figura 36: regras para causas especiais.
Sequncia de seis ou mais

pontos crescente ou decrescente
60
Escola FM2S
Um exemplo de
aplicao
Nesse captulo final vamos reunir as principais lies discutidas nesse
livro em um estudo de caso completo. Esse estudo de caso uma
adaptao de um projeto desenvolvido e orientado por nossa equipe
que o ajudar a entender como as ferramentas da qualidade so
utilizadas em uma iniciativa de melhoria real. Nesse caso foram
utilizadas 4 ferramentas: grfico de controle, folha de verificao,
grfico de Pareto e diagrama de causa e efeito.
A Rapido Transportes uma empresa que atua no ramo de
transporte de mercadorias na cidade de So Paulo com mais de 50
anos de mercado. Ela possui diversos clientes, entre eles podemos
destacar a Casa dos Brinquedos, uma organizao que produz
brinquedos para crianas de 4 a 10 anos de idade e que tem uma forte
participao no mercado. A Rapido Transportes responsvel por
retirar os produtos na fbrica da Casa dos Brinquedos, localizados a
100 km de So Paulo, e transport-lo at as lojas que efetuam as
vendas.
Nos ltimos 2 meses, a Rapido Transportes tem recebido diversas
reclamaes da Casa dos Brinquedos, pois muitas embalagens
61
chegavam danificadas aos pontos de vendas, o que ocasionava grande

perda de produtos, pois esses no podiam ser comercializados.
A diretoria da Rapido Transportes, preocupada com as diversas
reclamaes e com a possibilidade de perder o cliente, decidiu que era
muito importante reduzir o nmero produtos que eram entregues
com embalagens danificadas. O diretor de armazenamento, Pedro,
sugeriu que a empresa implementasse as ferramentas da qualidade.
Pedro havia tido seu primeiro contato com estas ferramentas lendo
livros sobre qualidade. O restante da diretoria resolveu aceitar esta
ideia. Decidiram colocar logo as ideias em prtica e determinaram
que o Pedro seria o lder do projeto.
O primeiro passo foi colocar em um grfico de controle os dados
sobre o percentual de embalagens da Casa dos Brinquedos
danificadas nos ltimas 2 anos, onde eles perceberam que nos ltimos
dois meses o percentual de embalagens danificadas havia subido
consideravelmente (era uma causa especial).
62
Escola FM2S
0.20
1
proporo
0.15
0.10
UCL=0.0795
0.05
0.00
_
P=0.0291
LCL=0
11 011 011 011 011 011 012 012 012 012 012 012
20
2
2
2
/2
/2
/2
/2
/2
/2
l/2
l/2
r/
v/
n/
p/
ar
ay
ay
a
Ju S ep Nov Jan Ma
Ju
J
M
Se
No
M
M
Figura 37: grfico de controle P da proporo de embalagens danificadas.
Com o conhecimento adquirido, o grupo de melhoria resolveu

estudar onde se encontravam os defeitos e em quais turnos e tipos de
caminhes estes ocorriam. Para isso, elaboraram uma Folha de
Verificao e coletaram as informaes de todas as embalagens
danificadas.
63
Figura 38: exemplo de folha de verificao utilizada no projeto.
Passado 1 semana, a equipe tinha dados disponveis sobre os defeitos

encontrados em todas as embalagens danificadas e para estuda-los
utilizou o Grfico de Pareto, por tipo de produto e tipo de transporte,
conforme Figura 39. Foi possvel perceber que a Boneca Super
Mammy era o produto onde aconteciam 65% dos problemas. Alm
disso, eles perceberam que o problema acontecia em todos os tipos de
transportes, uma vez que nenhum ficou destacado no grfico de
Pareto (Figura 40).
64
Escola FM2S
Figura 39: grfico de Pareto de defeitos por produto.
30
100
25
frequncia
60
15
40
10
20
5
0
tipo veculo
freq
Percent
Cum %
Percentual
80
20
Toco
8
27.6
27.6
Truck
8
27.6
55.2
VUC
7
24.1
79.3
Leve
6
20.7
100.0
Figura 40: grfico de Pareto de defeitos por tipo de veculo.
Com a equipe reunida, eles elaboraram um Diagrama de Causa e

Efeito para cada entender qual a razo da Boneca Super Mammy
65
apresentar tantos defeitos de embalagem. Para a construo dos

ramos principais foi utilizado o mtodo dos 6 Ms (Mquina, Mo de
Obra, Meio-Ambiente, Material, Mtodo e Medio).
Figura 41: diagrama de causa e efeito elaborado pela equipe.
Com o diagrama de Causa e Efeito eles levantaram diversas hipteses

para o porqu dos problemas ocorrerem. Ao longo da anlise, a
equipe descartou diversas hipteses e sobraram duas que chamaram
muita ateno da equipe: o material da embalagem e o mtodo de
empilhamento.
A equipe conseguiu, por meio dos dados coletados e analisados,
chegar a um possvel problema que tinha grande possibilidade de ser
o responsvel pelas embalagens danificadas. A Boneca Super Mammy
66
Escola FM2S
era um produto recm lanando, onde a equipe de Desenvolvimento

de Embalagens da empresa Casa de Brinquedos utilizou um novo
material para embalar este produto que permita deixar a embalagem
mais leve e mais barata. A Transportadora Rapido no tinha
conhecimento desta troca de material e continuava a empilhar o
produto em pilhas de 5 embalagens, o que gerava os problemas. A
Rapido Transportes decidiu por um empilhamento mximo de 2
bonecas, o que resultou na diminuio das embalagens danificadas e
a consequente satisfao da Casa dos Brinquedos.
67
0.20
1
Proporo
0.15
0.10
UCL=0.0786
0.05
0.00
_
P=0.0286
LCL=0
1
1
1
2
2
2
3
11
12
13
01
01
01
01
01
01
01
20
20
20
/2
/2
/2
l/2
t/2
l/2
t/ 2
r/
r/
r/
n
n
n
u
c
u
c
p
p
p
J
J
Ja
O
Ja
O
Ja
A
A
A
Figura 42: grfico de controle P do percentual de embalagens

danificadas.
68
Escola FM2S
Referncias
Deming, W. E. The New Economics for Industry, Governament, Education.
EUA: Massachussets Institute of Technology, 1993.
Ishikawa, K. Guide to Quality Control. Japo: Asian Productivity
Organization, 1982.
Juran, J. (ed.). Quality Control Handbook (3a ed.). EUA: McGraw-Hill, 1979
Kume, H. Statistical Methods for Quality Improvement. Japo: Quality
Resources, 1987.
Langley, G.; Moen, R.; Nolan, K.; Nolan, T.; Norman, C.; Provost, L. Modelo
de Melhoria. Brasil: Mercado de Letras. 2011.
Langley, G.; Moen, R.; Nolan, K.; Nolan, T.; Norman, C.; Provost, L. The
improvement Handbook: Models, Methods and Tools for Improvement. EUA:
API, 2005.
Montgomery, D.C. Introduction to Statistical Quality Control (6a ed.). EUA:
John Wiley e Sons, 2009.
Nolan, T. e Provost, L. Understanding variation. Quality Progress, maio
1990.
Scholtes, P.; Joiner, B.; Streibel, B. The Team Handbook. EUA: Oriel. 2003.
Shewhart, W.A. Economic Control of Quality of Manufactured Product. EUA:
Wis., 1931.
69
Shewhart, W.A. 1939. Statistical Method from the Viewpoint of Quality

Control (editado por W.E. Deming). EUA: Graduate School, Department of
Agriculture.
Tague, N.R. The Quality toolbox. 2a ed. ASQ Quality Press, 2004.
Tufte, E. The Visual Display of Quantitative Information. Chesire, Conn.:
Graphics Press, 1983.

Ferramentas Essenciais para Solução de Problemas

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Ferramentas Essenciais para Solução de Problemas

Hochgeladen von

Copyright:

Verfügbare Formate

Ferramentas Essenciais

Para Soluo de Problemas

Este material no pode ser copiado, reproduzido, reimpresso, utilizado em

Publicado por FM2S Projetos, Campinas, So Paulo, Brasil

organizaes ao redor do mundo reduzissem custos aumentando a

Gerenciar processos: as causas de

aumentando o valor percebido por nossos clientes. Apesar disso, de

requer uma ao pontual ou se a variao esta dentro do que seria

comportamento e perguntar as razes para essas diferenas perder

tempo de deslocamento (em minutos)

Figura 1: grfico de tendncia do tempo de deslocamento.

Na sexta-feira seguinte a esposa chega s 19h e o marido pergunta a

tempo de deslocamento (em minutos)

Figura 2: grfico de tendncia do tempo de deslocamento.

Uma das empresas que atendemos monitorava seus indicadores por

que consome recursos da organizao. Mas com essa anlise

A anlise correta desses indicadores deve ser feita por meio de um

direo! Mas a culpa no era do diretor, mas sim da anlise via

Time Series Plot of refugo

Figura 3: grfico de tendncaia do refugo.

Time Series Plot of custo/prea

Figura 4: grfico de tendncia do custo por pea.

Time Series Plot of inventrio

Figura 5: grfico de tendcia do inventrio.

Esse exemplo mostra que alm de coletar dados sobre os processos

essa ferramenta o grfico de tendncia ou de controle, ferramenta

semestralmente e existia uma equipe em cada unidade de negcios

devida a causas comuns e, portanto, as diferenas observadas nos

Figura 6: grfico de tendncia da satisfao na unidade Brasil.

Quando um gestor consegue separar as causas comuns das causas

a produtividade e elevar a qualidade dos produtos e processos de sua

Distribuio (histograma e dot-plot);

Diagrama de causa e efeito;

Distribuio (histograma e dot-plot)

coletamos iremos utilizar uma ferramenta diferente. Os dados de um

Classificao (qualitativos): os resultados possveis so

classificaes. No contexto de indicadores aparecero na forma sim

Contagem: os resultados so nmeros inteiros (nmero de

riscos em uma pea, nmero de acidentes no ms).

Contnuos: os resultados podem ser quaisquer nmeros

dentro de um intervalo (peso, comprimento, gasto mensal).

constri um histograma com o auxlio de um software. Com esse

Figura 7: histograma do nmero de vendas

Outra maneira de enxergar a distribuio dos dados o dot-plot, onde

Figura 8: dot-plot do nmero de vendas.

A mdia uma estatstica que resume uma informao muito

onde os valores retirados do processo so representados por

Figura 9: dot-plot do comprimento por linha.

Olhando para os grficos ele percebe, para sua surpresa, que

Para resolver esse problema elevamos cada desvio ao quadrado, o

eficaz. Devemos focar nos tipos de defeitos que so responsveis pela

Diagrama de Pareto Tipos de Defeitos

Figura 10: diagrama de Pareto para os tipos de defeitos.

A anlise do grfico de Pareto permitiu empresa identificar quais

problemas relacionados no selagem do topo, no selagem do fundo

Grfico de Pareto por fornecedor

Figura 11: grfico de Pareto por fornecedor.

Com essa anlise foi possvel focar no fornecedor D, uma concluso

Cada ponto do grfico de disperso relativo a um par de pontos da

correlao no implica necessariamente em causalidade. Essa relao

Disperso Satisfao Vs Dias Atraso Adiant

Figura 12: grfico de disperso da satisfao pelos dias de atraso.

Um exemplo bastante didtico a coleta de dados elaborada pelo