Carregado porejedelmal
6,574 visualizações

Treinamento Six Sigma LG Electronics

- O documento apresenta os conceitos e métodos do Treinamento 6σ na LG Electronics, incluindo: 1) A importância da inovação e do gerenciamento 6σ para a empresa; 2) Os objetivos, princípios e métodos do 6σ; 3) A estrutura do departamento de gerenciamento de inovação da LG responsável pelo 6σ.

Incorporar apresentação

Baixado 405 vezes
1 / 238
2 / 238
3 / 238
4 / 238
5 / 238
6 / 238
7 / 238
8 / 238
9 / 238
10 / 238
11 / 238
12 / 238
13 / 238
14 / 238
15 / 238
16 / 238
17 / 238
18 / 238
19 / 238
20 / 238
21 / 238
22 / 238
23 / 238
24 / 238
25 / 238
26 / 238
27 / 238
28 / 238
29 / 238
30 / 238
31 / 238
32 / 238
33 / 238
34 / 238
35 / 238
36 / 238
37 / 238
38 / 238
39 / 238
40 / 238
41 / 238
42 / 238
43 / 238
44 / 238
45 / 238
46 / 238
47 / 238
48 / 238
49 / 238
50 / 238
51 / 238
52 / 238
53 / 238
54 / 238
55 / 238
56 / 238
57 / 238
58 / 238
59 / 238
60 / 238
61 / 238
62 / 238
63 / 238
64 / 238
65 / 238
66 / 238
67 / 238
68 / 238
69 / 238
70 / 238
71 / 238
72 / 238
73 / 238
74 / 238
75 / 238
76 / 238
77 / 238
78 / 238
79 / 238
80 / 238
81 / 238
82 / 238
83 / 238
84 / 238
85 / 238
86 / 238
87 / 238
88 / 238
89 / 238
90 / 238
91 / 238
92 / 238
93 / 238
94 / 238
95 / 238
96 / 238
97 / 238
98 / 238
99 / 238
100 / 238
101 / 238
102 / 238
103 / 238
104 / 238
105 / 238
106 / 238
107 / 238
108 / 238
109 / 238
110 / 238
111 / 238
112 / 238
113 / 238
114 / 238
115 / 238
116 / 238
117 / 238
118 / 238
119 / 238
120 / 238
121 / 238
122 / 238
123 / 238
124 / 238
125 / 238
126 / 238
127 / 238
128 / 238
129 / 238
130 / 238
131 / 238
132 / 238
133 / 238
134 / 238
135 / 238
136 / 238
137 / 238
138 / 238
139 / 238
140 / 238
141 / 238
142 / 238
143 / 238
144 / 238
145 / 238
146 / 238
147 / 238
148 / 238
149 / 238
150 / 238
151 / 238
152 / 238
153 / 238
154 / 238
155 / 238
156 / 238
157 / 238
158 / 238
159 / 238
160 / 238
161 / 238
162 / 238
163 / 238
164 / 238
165 / 238
166 / 238
167 / 238
168 / 238
169 / 238
170 / 238
171 / 238
172 / 238
173 / 238
174 / 238
175 / 238
176 / 238
177 / 238
178 / 238
179 / 238
180 / 238
181 / 238
182 / 238
183 / 238
184 / 238
185 / 238
186 / 238
187 / 238
188 / 238
189 / 238
190 / 238
191 / 238
192 / 238
193 / 238
194 / 238
195 / 238
196 / 238
197 / 238
198 / 238
199 / 238
200 / 238
201 / 238
202 / 238
203 / 238
204 / 238
205 / 238
206 / 238
207 / 238
208 / 238
209 / 238
210 / 238
211 / 238
212 / 238
213 / 238
214 / 238
215 / 238
216 / 238
217 / 238
218 / 238
219 / 238
220 / 238
221 / 238
222 / 238
223 / 238
224 / 238
225 / 238
226 / 238
227 / 238
228 / 238
229 / 238
230 / 238
231 / 238
232 / 238
233 / 238
234 / 238
235 / 238
236 / 238
237 / 238
238 / 238
Treinamento 6σ
2 Inovação Real Inovar Verificar Executar 1º. Rápido 2º. Forte 3º. Inteligente Discurso do CEO Vamos mostrar ao mundo do que somos capazes. Juntos reconquistaremos a glória da LG Electronics. - Continuo Desenvolvimento de Produtos - Assegurar a Melhor Qualidade -Estratégia de Negócios Focada na Perspectiva do Cliente - Nutrir os Excelentes Talentos - Cultura Organizacional Baseada em Criatividade e Autonomia Outubro/2010 (Vice Chairman Bon Joon Koo)
 Índice 3 LG Electronics Green Belt [Mfg] Introdução 05 Estatística Básica 19 SIPOC 21 Coleta de Dados (amostragem) 22 Tipos de Dados (discretos e contínuos) 23 - Dados Contínuos Média 25 Mediana 27 Moda 28 Desvio Padrão 29 Variância 30 Amplitude 31 - Dados Discretos Proporção e Moda 32 Variação Natural 33 Distribuição Normal 34 Z-Table 36 Normality Test 38 Deslocamento da Média 40 Definição 41 Resumo Seleção do Projeto 43 Extração do Y 44 Registro do Projeto 45 Ferramentas 46 Brainstorming 47 Mapeamento do Processo 49 FMEA 54 Gráfico de Pareto 57 QFD 61 Meta & Cronograma 64 Estimativa de Ganho e Registro 65 Medição 66 Resumo Verificar as propriedades do Y do Projeto 68 Verificar nível atual (Z-value) 69 Entendendo o Z-value 70 Coleta de Dados (Rational Subgrouping) 71 Tipos de Gage 72 Gage R&R 73 Repetibilidade / Reprodutibilidade 74 Bias / Estbilidade 75 Linearidade 76 Regra de Thumb 78 Exemplo 79 Gráficos 83 Gage Attribute 84 Exemplo MInitab 85
 Índice 4 LG Electronics Green Belt [Mfg] Cálculos 87 Exemplo feito manualmente 88 Calculando o Z-value 90 Dados Contínuos Capability Analysis 91 Fórmulas CP/PP/Cpk/Ppk 92 Calculo ZST/ZLT/ZShift no Minitab 93 Diagrama de 4 Blocos 97 Calculo Cp/Cpk/Pp/Ppk no Minitab 99 Dados Discretos DPU/DPO/DPMO 102 Exemplo 103 Análise 107 Resumo Selecionar o fator Vital 109 Examinar a causa raiz 110 Vital Few 111 Introdução 112 Introdução ao Minitab 113 Extrair Possíveis X’s 125 Espinha de Peixe (Fish Bone) 126 Logic Tree (MECE) 127 Análise dos Possíveis X’s 129 Análise Gráfica 130 - Dados Discretos Bar Chart 131 - Dados Contínuos Dot Plot 133 Histograma 136 Bar Chart 138 Box Plot 139 Descriptive Statistics 141 Graphical Summary 143 Scatter Plot 144 Correlation 145 Matrix Plot 146 Probability Plot 148 Testes de Hipótese 150 Definição 151 Erros (α e β) 152 Tipos de Teste 153 - Dados Discretos 1 Proportion 154 2 Proportion 155 Chi-Square Test 156
 Índice 5 LG Electronics Green Belt [Mfg] Dados Contínuos Normality Test 157 1 Sample T 159 Test for Equal Variances 161 2 Sample T 162 ANOVA 164 Correlação e Analise de Regressão 167 Correlação 167 Exemplo 168 Equação de Regressão 169 Gráfico 171 Melhoria 172 Resumo Estabelecer o plano otimizado 174 Executar e inspecionar 175 Escolha do Plano de Melhoria 176 DOE (Design of Experiment) 179 3 Princípios de um Experimento 181 Exemplo 182 Identificando o Main Effect 187 Identificando as Interações 190 Identificando o melhor Ponto (Cube Plot) 191 DOE com 3 Fatores 192 DOE Fracionado 199 Execução e inspeção das Melhorias 201 Controle 203 Resumo Padronizar 204 Monitorar 204 Compartilhar o Resultado 204 Padronizar 205 Sistema a prova de falhas Poka Yoke 206 Sistema de Monitoramento 207 Cartas de Controle 209 Regras da Carta 210 Tipos de cartas 211 - Dados Contínuos XBar-R 212 - Dados Discretos NP 215 P 218 C 221 U 224 Revisão Geral 227
INTRODUÇÃO 6 1 - Entender o conceito de inovação e a importância da atividade da Inovação. - Entender o propósito do gerenciamento 6σ na LGE. - Entender a filosofia e princípio do 6σ bem como o método de apresentação. Objetivos LG Electronics Green Belt [Mfg]
7 Introdução  6σ é a linguagem comum para nossa companhia.  Se você conversa em CTQ e Z-value, as conversações tornam-se simples e claras.  Inspecionar e tomar decisão no campo imediatamente.  Comunicação baseado nos dados (fatos).  6σ contém ferramentas para identificar os problemas e as soluções, e ferramentas de validação.  Testes através de 6σ podem adicionar segurança para resultados. “ ..6σ é uma ferramenta inovadora..…”
1987 Galvin CEO Mikel J Harry, Ph.D 1997 1995 3M 2001 SSA 1994 AT&T Jack Welch 1996 História doHistória do 66σσ 8 LG Electronics Green Belt [Mfg]
9 ’96 (GE Benchmarking) ‘99 ’04 MFG R&D TQ ‘98 …..‘97 Crescimento6σ CAGR (25%)* Crescimento FMI Sobrevivência Global Player No.1 LG Six SigmaSix Sigma *CAGR : Compound Annual Growth Rate 66σσ na LG Electronicsna LG Electronics
10 Inovação e Six Sigma Inovação Mudar completamente e renovar. Por que a atividade de inovação falha? (Pesquisa em 100 empresas) - Atitude de negação do funcionário para a mudança: 45% - Capacidade/habilidade, Plano de execução : 23% - Falta de liderança da Gerência : 17% Desenvolvimento de empresas Chinesas Entrada na Globalização Mercado de produtos baratos Entrada na OMC. Convite Olímpico Novo desenvolvimento do Japão Técnica acumulada de concorrência. Investimento em P&D Força das empresas Americanas/Européias Desenvolvimento na área de serviços Obtenção de tecnologia exclusiva Condição atual das empresas Coreanas 1. Perda de vantagem competitiva para produção 2. Falta de obtenção de tecnologia avançada Pré-requisitos para o desenvolvimento das empresas Coreanas -Assegurar competitividade Global -Inovação aplicando métodos avançados -Maximizar a vantagem através de controle de campo -Força Six Sigma 6σ é o motor do gerenciamento de inovação. Inovação e Six SigmaInovação e Six Sigma
11 Filosofia de Gerenciamento Six Sigma Six Sigma é o método de execução que traz resultados para gerência e funcionários. 6σ não significa apenas fazer, mas fazer eficientemente. 100PPM é cortar o caule de uma erva daninha, 6σ é extrair a raiz de uma erva daninha. 6σ Gerenciamento de campo pela alta administração 6σ é a linguagem comum da organização. Filosofia de Gerenciamento 6σ Filosofia de GerenciamentoFilosofia de Gerenciamento
12 Métrica Six Sigma - Nível Sigma é o índice de avaliação para a capabilidade do processo Colher frutas verdes Definição correta/processo otimizado Colher frutas baixas Avaliar com gráfico simples Colher as frutas caídas Processo de decisão através de experiência e bom senso Colher frutas doces Desenvolver o processo considerando resultado • Nível de σ(Sigma)- é a medida estatística que reflete a capabilidade do processo. • O Sigma medido é determinado pelo DPU (Defeito por unidade), PPM (parte por milhão), falha e taxa de erro. Nível 6 5 4 3 2 PPM 3.4 233 6,210 66,807 308,537 Processo Defeito Cap. Mudança ( Hipótese de longo período com deslocamento de 1,5σ, processo estável.) 6 5 4 3 2 Melhora defeitos 5 vezes Melhora defeitos 11 vezes Melhora defeitos 25 vezes Melhora defeitos 68 vezes Quanto mais o nível de Sigma diminui, mais o PPM aumenta. MétricaMétrica
13 Qualidade Tradicional Qualidade Six Sigma • Organização Centralizada. • Ausência de estrutura formal para utilização de ferramentas. • Falta de Suporte no uso de ferramentas. • Dados misturados com “achismo” tomada de decisão. • Abordagem “Band-aid” (quebra galhos). • Falta de treinamento estruturado. • Inspeções (foco em “Y”, no resultado). • Participantes respondem diretamente dentro de suas funções • Uso estruturado de ferramentas estatística para ajudar na solução de problemas. • Estrutura de suporte para usuários das ferramentas • Decisões baseadas em dados • Abordagem baseada em causa raiz • Treinamento estruturado em todas as ferramentas aplicáveis • Entradas de controle de processo (foco em “X´s”, nas causas ComparativoComparativo Comparando Qualidade Tradicional com Six Sigma - Qualidade Tradicional vs Qualidade Six Sigma
14 Próximo da perfeiçãoPróximo da perfeição Nível de Sigma Área Palavras Tempo Distancia 1 Área ocupada pelo Astrodome (Houston-USA) 170 palavras erradas por página num livro 31,75 anos em 1 século Daqui até a Lua 2 Área ocupada por um grande supermercado 25 palavras erradas por página num livro 4,50 anos em 1 século 1 volta e ½ ao redor da Terra 3 Área ocupada por uma pequena loja de Hardware 1,5 palavras erradas por página num livro 3,50 meses em 1 século Viagem de costa- a-costa. 4 Área ocupada por uma sala de estar comum 1 palavra errada em 30 páginas de um livro 2,5 dias em 1 século Dirigir 45 minutos numa estrada 5 Área da parte inferior do seu telefone 1 palavra errada em uma enciclopédia inteira. 30 minutos em 1 século 1 ida até o posto de gasolina 6 Área de um diamante comum 1 palavra errada em todos os livros de uma pequena livraria 6 segundos em 1 século 4 passos em qualquer direção 7 Área de um furo de agulha de costura. 1 palavra errada em todos os livros de várias livrarias 1 piscada de olho em 1 século 1 polegada  Quanto maior o nível de Sigma, maior nossa precisão e exatidão (Texas Instruments) Precisão e exatidão
15 Six Sigma: DMAIC - Entendendo detalhadamente cada fase do processo básico de um projeto Six Sigma. Fase Passos detalhados S3. Entrada do ProjetoS3. Entrada do ProjetoS2. Extrair Y do ProjetoS2. Extrair Y do ProjetoS1. Seleção do ProjetoS1. Seleção do Projeto 1.1 Verificar negócio 1.2 Extrair Big Y 1.3 Selecionar Projeto 2.1 Analisar processo 2.2 Definir CTQ 2.3 Extrair Y do Projeto 3.1 Organizar time 3.2 Determinar metas 3.2 Registro do Projeto S5. Verificar nível atualS5. Verificar nível atualS4. Verificar adequação do Y do PjtS4. Verificar adequação do Y do Pjt 4.1 Resumo dos dados 4.2 Plano de medição 4.2 Verificação do sistema de medição 5.1 Coletar dados do Y do projeto 5.2 Verificar nível atual 5.3 Definir direção de melhoria 10.1 Padronização 11.1 Plano de gerenciamento 12.1 Relatório de finalização de projeto 12.2 Compartilhar resultado 7.1 Examinar a causa S7. Examinar a causaS7. Examinar a causaS6. Selecionar fator VitalS6. Selecionar fator Vital 8.1 Extrair o plano de melhoria 8.2 Avaliar o plano de melhoria 8.3 Selecionar o plano ótimo 9.1 Preparar o plano de execução 9.2 Executar e inspecionar S9. Executar e InspecionarS9. Executar e InspecionarS8. Selecionar o plano ótimoS8. Selecionar o plano ótimo S12. Compartilhar resultadoS12. Compartilhar resultadoS11. MonitoramentoS11. MonitoramentoS10. PadronizaçãoS10. Padronização 6.1 Selecionar o fator Vital 6.2 Coletar/examinar dados adicionais 6.3 Selecionar item principal e verificar possibilidade de alcançar a meta Definição Medição Analise Melhoria Controle DMAICDMAIC
16 Estrutura Departamento de Inovação (Six Sigma)Estrutura Departamento de Inovação (Six Sigma) S. Y. HanS. Y. Han DiretorDiretor GerenteGerente RogérioRogério Six SigmaSix Sigma César PintorCésar Pintor Pedro GamaPedro Gama Departamento de Gerenciamento de Inovação [DGI – Six Sigma] Estrutura do Departamento de Gerenciamento de Inovação (Six Sigma) segue abaixo: jimmy.han@lge.com rogerio.martins@lge.com 12-2125-5518 cesar.alcantara@lge.com 12-2125-5570 pedro.gama@lge.com 12-2125-5684 * Atualizado em jan/2011
17 Por que buscar o Six Sigma?Por que buscar o Six Sigma? • Aumentar o Faturamento Clientes Satisfeitos Voltam Sempre • Aumentar o Lucro Final Custa Menos Fazer Certo da Primeira Vez Six Sigma significará para nós...Six Sigma significará para nós... • Mais Tempo com o Cliente em vez de resolver problemas isoladamente no escritório. • Trabalho Proativo em vez de “Apagar o Incêndio” através de reação. • Confiança em que os Pedidos são feitos, cumpridos, entregues “Sem Erros”. • Confiança que o trabalho antes e depois é livre de defeitos. • Aumento dos Negócios com nossos Clientes. Base do Six SigmaBase do Six Sigma Dados constituem toda a base do Six Sigma Toda e qualquer decisão é baseada em DADOS e não em suposições. Por isso a coleta de dados é muito importante e deve ser feita com critério, atenção e sem tendências para que as analises, decisões, melhorias e controles sejam sustentáveis ao longo do tempo. ObjetivoObjetivo
18 Porque o 6Porque o 6σ funcionaσ funciona Foco do Six Sigma O Six Sigma funciona porque tem o FOCO no CLIENTE.  A filosofia de excelência do 6 Sigma é: M E T R I C S easure verything hat esults n ustomers atisfaction  Medir tudo aquilo que possa impactar na satisfação dos Clientes.  A meta do 6 Sigma é identificar, isolar e eliminar VARIAÇÂO.  Prevenir os defeitos ao invés de detectá-los.  Solução de problemas de modo pró-ativo ao invés de “apagar incêndio”.  Melhoria continua dos processos, produtos e serviços.
ESTATÍSTICA BÁSICA 19 2 - Entender sobre Estatística Básica. - Conhecer os termos utilizadosObjetivos LG Electronics Green Belt [Mfg]
20 PENSAMENTO ESTATÍSTICO • É quando pensamos em transformar dados comuns em uma maneira na qual possamos analisá-los. MÉDIA MEDIANA DESVIO PADRÃO OUTROS Estatística é uma ciência que visa obter conclusões sobre fenômenos (eventos) em um universo (população), a partir de alguns dados (amostras), extraídos desse mesmo universo. Estatística - Entendendo o que é estatística. EstatísticaEstatística
21 Fornecedor ClienteProcesso Entrada Saída S I P O CS I P O C SUPPLYER INPUT PROCESS OUTPUT CUSTOMER FORNECEDOR ENTRADA PROCESSO SAÍDA CLIENTE 5M 1E Man (Homem) Machine (Máquina) Material (Material) Method (Método) Measurement (Medida) Environment (Meio Ambiente) Todo processo produtivo, gera variações entre as etapas (SIP) Causas das variações do processo Que somente são detectadas nas etapas (OC) SIPOC Divisões de um processo. Todo e qualquer processo apresenta essas 5 partes. SIPOCSIPOC
22 POPULAÇÃO: Conjunto de elementos que apresentam característica em comum. PARÂMETRO: Característica da população. AMOSTRA: Subconjunto da População. ESTATÍSTICA: Característica da amostra. POPULAÇÃO: Conjunto de elementos que apresentam característica em comum. PARÂMETRO: Característica da população. AMOSTRA: Subconjunto da População. ESTATÍSTICA: Característica da amostra. POPULAÇÃO: __________________________ PARÂMETRO: _________________________ AMOSTRA: ____________________________ ESTATÍSTICA: _________________________ POPULAÇÃO: __________________________ PARÂMETRO: _________________________ AMOSTRA: ____________________________ ESTATÍSTICA: _________________________ POPULAÇÃO AMOSTRA EXERCÍCIO Misture bem. Pegue uma colher. Tome uma decisão. Ação. Misture bem. Pegue uma colher. Tome uma decisão. Ação. ALEATÓRIO: Determina uma amostra saída da população, de forma que cada membro tenha chance igual de ser extraído. ALEATÓRIO: Determina uma amostra saída da população, de forma que cada membro tenha chance igual de ser extraído. Coleta da amostra: Deve expressar as características do grupo a ser medido e ser coletada aleatoriamente. Coleta da amostra: Deve expressar as características do grupo a ser medido e ser coletada aleatoriamente. Coleta de DadosColeta de Dados  Letras Gregas: Quando estamos trabalhando com a população utilizamos as letras gregas para representar alguma característica da mesma. Ex.: Média = µ Desvio Padrão = σ  Letras Romanas: Quando estamos trabalhando com a amostra utilizamos as letras romanas para representar alguma característica da mesma. Ex.: Média = x Desvio Padrão = s
23 DADOS DISCRETOS ou ATRIBUTOS: Definem situações onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4. DADOS DISCRETOS ou ATRIBUTOS: Definem situações onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4. DADOS CONTÍNUOS: Definem situações onde os dados do processo, podem assumir qualquer valor (podendo ser infinito) entre dois números, ou seja, os valores depois da vírgula são significativos. Ex.: comprimento ou largura de uma peça, diâmetro de um tubo, pH de banhos, temperatura ambiente, etc. DADOS CONTÍNUOS: Definem situações onde os dados do processo, podem assumir qualquer valor (podendo ser infinito) entre dois números, ou seja, os valores depois da vírgula são significativos. Ex.: comprimento ou largura de uma peça, diâmetro de um tubo, pH de banhos, temperatura ambiente, etc.  É muito importante para o GB/BB identificar com qual tipo de dados está lidando no processo, pois são eles quem definem quais as ferramentas que serão utilizadas durante o projeto. T I P O S D E D A D O S Tipo de DadosTipo de Dados
24 Tipo de DadosTipo de Dados T I P O S D E D A D O S DiscretosDiscretosDiscretosDiscretos ContínuosContínuosContínuosContínuos Tendência Central Tendência de Dispersão MÉDIA MEDIANA MODA VARIÂNCIA DESVIO PADRÃO AMPLITUDE MODA PROPORÇÃO  Para cada tipo de dados temos ferramentas específicas, abaixo temos as ferramentas mais utilizadas em Six Sigma.
25 CUIDADOS AO USAR A MÉDIA Observamos na figura ao lado, onde o mergulhador obteve a informação de que o rio tem uma profundidade média de 5m, mas esta informação (média), ocultou as variações de profundidade, pois o rio possui em sua extensão profundidades acima e abaixo de 5m, ou seja, variações. Quando tratamos de dados estatísticos, podemos observar que a média oculta a variação dos dados. Nós podemos cometer um grande erro só porque nós tomamos uma decisão baseada apenas na média. Assim, nós precisamos de informações adicionais, por exemplo:  Variância (σ2 )  Desvio Padrão (σ). Dados Contínuos - MédiaDados Contínuos - Média
26 Dados Contínuos - MédiaDados Contínuos - Média A média é uma medida que indica o centro da distribuição. Simplesmente é a soma de todas as observações dividida pelo número de observações. Para os dados abaixo, a média é: - Usa todos os dados - Fortemente influenciado por valores extremos (outliers) - Também representadas pela letra grega (lê-se : mi) DadosdeQTY DadosostodosdeSoma X __ = 3,636 11 321334451032__ X = ++++++++++ = µ
27 Dados Contínuos - MedianaDados Contínuos - Mediana Mediana é o meio dos dados, ou seja, é o ponto de 50%, (ou o “número do meio”) Calculo da Mediana:  Para amostra com número impar de dados: 1º) Arranje os dados na ordem de menor a maior (ordem crescente) 2º) A posição da mediana será encontrada pela formula: 2 1)(n MedianadaPosição + = Ex.: 1; 2; 7; 14; 85 n = 5 3= + = 2 1)(5 MedianadaPosição 1 2 7 14 85 posição = 1 2 3 4 5 mediana  Para amostra com número par de dados: 1º) Arranje os dados na ordem de menor a maior (ordem crescente) 2º) A posição da mediana será encontrada pela média das duas formulas abaixo: 2 n Ex.: 67; 86; 43; 89; 54; 73 n = 6 3= 2 6 43 posição = 1 2 3 4 5 1+ 2 n e 54 67 73 86 89 6 41=+ 2 6 A mediana estará entre a posição 3 e a 4 70 2 73)(67 mediana = + =
28 Dados Contínuos - ModaDados Contínuos - Moda Moda é o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqüência. Não existe formula para calculo da Moda, basta verificar quais números se repetem mais.  A moda pode ser utilizada tanto para dados discretos como para dados contínuos.  Pode acontecer de uma amostra não apresentar moda.  Em algumas amostras podemos ter 2 modas, quando isso acontece, chamamos de “bimodal”. Ex: 10; 15; 12; 11; 9; 10; 8; 14; 13; 17; 10 Moda 20; 21; 22; 22; 18; 19; 23; 19; 25; 24 Bimodal A moda, não é comumente utilizada.
29 Dados Contínuos – Desvio PadrãoDados Contínuos – Desvio Padrão Desvio Padrão é a distancia média entre a média do processo e seus dados, ou seja, é a variação de um processo em torno da média.  Quanto maior o desvio padrão, maior é a variação no processo, pior será esse processo. Todo processo que sofre muita variação gera muito defeito.  O desvio padrão é inversamente proporcional ao Nível de Sigma.  O desvio padrão é representado pela letra “S” ou pela letra grega “σ” (lê-se: sigma)  Sua formula é: ( )1n XX σ 2__ i −       − = ∑ ( )N XX σ 2__ i∑       − = (para amostra) (para população) Data Frequency 242118151296 200 150 100 50 0 Variable A B Histogram of A; B Pouca variação Muita variação
30 Dados Contínuos – VariânciaDados Contínuos – Variância Variância idem ao desvio padrão, mas menos utilizada, pois seu valor se distância muito dos valores da amostra.  Quanto maior a variância, maior é a variação no processo, pior será esse processo. Todo processo que sofre muita variação gera muito defeito.  A variância é representada pela letra “SS” ou pela letra grega “ σ² ”  Sua formula é: ( )1n XX σ 2__ i 2 −       − = ∑ ( )N XX σ 2__ i 2 ∑       − = (para amostra) (para população) Ex: Amostra 9,46 11,06 11,11 13,67 5,18 6,52 8,49 8,19 7,49 10,58 14121086 Median Mean 1110987 A nderson-Darling Normality Test V ariance 6,3177 Skew ness 0,168710 Kurtosis -0,220324 N 10 Minimum 5,1831 A -Squared 1st Q uartile 7,2471 Median 8,9743 3rd Q uartile 11,0719 Maximum 13,6740 95% C onfidence Interv al for Mean 7,3772 0,15 10,9733 95% C onfidence Interv al for Median 7,1572 11,0768 95% C onfidence Interv al for StDev 1,7289 4,5887 P-V alue 0,945 Mean 9,1753 StDev 2,5135 9 5 % C onfidence I nter v als Summary for Amostra σ = 2,5135 σ² = 6,3177 Fica confuso dizer que a média é 9,1753 e que a variação é de 6,3177, parece que esse processo esta com uma variação enorme, por isso é mais comum utilizar o “Desvio Padrão”
31 Dados Contínuos – AmplitudeDados Contínuos – Amplitude Amplitude é a diferença entre o maior e o menor valor de uma amostra.  Quanto maior a amplitude, maior é a variação no processo, pior será esse processo. Todo processo que sofre muita variação gera muito defeito.  A amplitude é representada pela letra “R” (range).  Sua formula é: mínimomáximoR −= 11,010,510,09,59,08,58,0 Median Mean 10,5010,2510,009,759,509,259,00 A nderson-Darling Normality Test V ariance 0,8000 Skewness -0,954642 Kurtosis -0,003324 N 10 Minimum 8,1800 A -Squared 1st Q uartile 9,2000 Median 10,1100 3rd Q uartile 10,5525 Maximum 10,9600 95% C onfidence Interv al for Mean 9,2492 0,46 10,5288 95% C onfidence Interv al for Median 9,1335 10,5534 95% C onfidence Interv al for StDev 0,6152 1,6329 P-V alue 0,202 Mean 9,8890 StDev 0,8944 9 5 % C onfidence I nter v als Summary for Dados Dados 9,95 10,27 8,66 9,92 8,18 10,46 10,55 10,96 10,56 9,38 Ex: 2,78R 8,180010,9600R = −=
32 Dados Discretos – Proporção & ModaDados Discretos – Proporção & Moda Proporção é uma medida que indica a relação entre dois dados. Simplesmente é a quantidade de um evento dividido pelo total da amostra vezes 100, pois seu valor é expresso em %.  A proporção é representada pela letra: P  Para os dados abaixo, a proporção é: Amostra = 1000 peças Defeitos = 7 peças Amostra = 1000 peças Defeitos = 7 peças %7,0100*100* === 1000 7 AmostraTotal EventoQty P Moda é o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqüência. Não existe formula para calculo da Moda, basta verificar quais números se repetem mais.  A moda pode ser utilizada tanto para dados discretos como para dados contínuos.  Pode acontecer de uma amostra não apresentar moda.  Em algumas amostras podemos ter 2 modas, quando isso acontece, chamamos de “bimodal”. Ex: 10; 15; 12; 11; 9; 10; 8; 14; 13; 17; 10 Moda
33 Variação NaturalVariação Natural Variação Natural é a variação que ocorre em todos os processos. Todo e qualquer processo sofre variação devido a influências externas (5M1E) e essa variação recebe o nome de Variação Natural, é através dela que temos a Distribuição Normal representada pela Curva de Gauss. Abaixo podemos provar essa variação natural para isso será necessário 2 dados de 6 faces cada um. Na somatória dos 2 dados no mínimo teremos o valor 2 e no máximo 12. Jogue os dados e anote quantas vezes cada valor aparecerá, ao final de, aproximadamente 90 vezes, teremos um gráfico semelhante ao que esta abaixo, que se aproxima da curva de Gauss. Isso acontece devido a variação natural do processo. 0 2 4 6 8 10 12 14 Repetições 2 7 9 10 11 13 12 9 8 4 2 2 3 4 5 6 7 8 9 10 11 12
34 Distribuição Normal (Distribuição Gaussiana)Distribuição Normal (Distribuição Gaussiana) Distribuição Normal é a quando os dados de um processo qualquer se distribui em torno da média, onde essa divide esses dados exatamente no meio, ou seja, o processo fica simétrico em torno da média. A distribuição normal tem um formato semelhante a de um “Sino” e também pode ser chamada de Distribuição Gaussiana, por causa da Curva de Gauss. A maioria dos fenômenos naturais e processos criados pelo homem são distribuídos normalmente, ou podem ser representados como normalmente distribuídos. A área total da Curva Normal é igual a 1, ou seja, 100%. Quando temos uma curva normal centrada e padronizada significa que sua média é igual a 0 e o desvio padrão é 1. µ = 0 σ = 1 0 50%50%
35 68,2% 95,4% 99,7% 99,994% 99,9994% 99,99999975% X -6σ X -5σ X -4σ X -3σ X -2σ X -1σ X +1σ X+2σ X +3σ X +4σ X +5σ X +6σX -6σ -5σ -4σ -3σ -2σ -1σ +1σ +2σ +3σ +4σ +5σ +6σ Z-Value σ : Distribuição Normal (Distribuição Gaussiana)Distribuição Normal (Distribuição Gaussiana) Quando padronizamos a distribuição normal com os valores de Z, temos a seguinte relação entre cada nível (Z-value) e a Área da Curva Normal: Ou seja: para ± 1σ temos 68,2% da área total, o restante 31,8% estaria fora da curva então podemos classificá-los como defeito.
36 ※ Atenção : esta carta calcula apenas um lado da Distribuição Normal Z 0 0.01 0.02 0.03 0.04 0.05 0.0 5.00E-01 4.96E-01 4.92E-01 4.88E-01 4.84E-01 4.80E-01 0.1 4.60E-01 4.56E-01 4.52E-01 4.48E-01 4.44E-01 4.40E-01 0.2 4.21E-01 4.17E-01 4.13E-01 4.09E-01 4.05E-01 4.01E-01 0.3 3.82E-01 3.78E-01 3.74E-01 3.71E-01 3.67E-01 3.63E-01 0.4 3.45E-01 3.41E-01 3.37E-01 3.34E-01 3.30E-01 3.26E-01 0.5 3.09E-01 3.05E-01 3.02E-01 2.98E-01 2.95E-01 2.91E-01 0.6 2.74E-01 2.71E-01 2.68E-01 2.64E-01 2.61E-01 2.58E-01 0.7 2.42E-01 2.39E-01 2.36E-01 2.33E-01 2.30E-01 2.27E-01 0.8 2.12E-01 2.09E-01 2.06E-01 2.03E-01 2.00E-01 1.98E-01 0.9 1.84E-01 1.81E-01 1.79E-01 1.76E-01 1.74E-01 1.71E-01 1.0 1.59E-01 1.56E-01 1.54E-01 1.52E-01 1.49E-01 1.47E-01 1.1 1.36E-01 1.33E-01 1.31E-01 1.29E-01 1.27E-01 1.25E-01 1.2 1.15E-01 1.13E-01 1.11E-01 1.09E-01 1.07E-01 1.06E-01 1.3 9.68E-02 9.51E-02 9.34E-02 9.18E-02 9.01E-02 8.85E-02 1.4 8.08E-02 7.93E-02 7.78E-02 7.64E-02 7.49E-02 7.35E-02 Z TableZ Table A Tabela Z mostra qual área da curva normal cada nível de sigma representa, por exemplo: O valor Z = 1,41 equivale à 7,93E-02, ou seja, temos 7,93 % de defeito nesse processo.
37 Z TableZ Table Exercício: Dada a figura abaixo calcule: ZUSL, ZLSL e ZBench 93 LSL μ = 7,5 USL σ=0,8 ZUSL = USL - µ = 9 – 7,5 = 1,88 ⇒P(X>USL) = 3,01x10-2 = 31.000 ppm σ 0,8 ZLSL = µ - LSL = 7,5 – 3 = 5,63 ⇒P(X<LSL) = 1,03x10-8 = 1,03x10-2 ppm σ 0,8 P(TOTAL)) = 31.000 ppm + 1,03x10-2 ppm = 31.000 ppm ⇒Zbench = 1,88
38 Average: 5,9305 StDev: 0,664074 N: 20 Anderson-Darling Normality Test A-Squared: 0,257 P-Value: 0,685 5 6 7 ,001 ,01 ,05 ,20 ,50 ,80 ,95 ,99 ,999 Probability Fornecedor A Normal Probability Plot Average: 71,0997 StDev: 9,23496 N: 1318 Anderson-Darling Normality Test A-Squared: 155,693 P-Value: 0,000 62 72 82 92 102 112 122 132 ,001 ,01 ,05 ,20 ,50 ,80 ,95 ,99 ,999 Probability C15 Normal Probability Plot Average: 64,0987 StDev: 17,4209 N: 526 Anderson-DarlingNormalityTest A-Squared: 51,090 P-Value: 0,000 0 10 20 30 40 50 60 70 80 ,001 ,01 ,05 ,20 ,50 ,80 ,95 ,99 ,999 Probability C17 Normal Probability Plot 60 70 80 90 100 110 120 130 0 100 200 300 400 C15 Frequency 60 70 80 90 100 110 120 130 0 100 200 300 400 C15 Frequency Normality TestNormality Test Quando um gráfico apresenta uma forma de um “Sino” provavelmente temos uma distribuição normal, mas para termos certeza é necessário utilizar uma ferramenta chamada: Normaluity Test. Quando utilizamos essa ferramenta temos uma regra para saber se os dados analisados são normais ou não, basta olharmos o P-value. P-value > 0,05  Dados Normais P-value < 0,05 Dados não normais
39 Normality TestNormality Test Exercício: Verifique se os dados abaixo seguem uma distribuição normal. a) Verifique a normalidade graficamente (Histograma): Lot1 Lot2 Lot3 Lot4 Lot5 50,9 50,3 50,3 49,0 50,2 50,1 50,2 50,6 50,6 50,1 51,1 49,2 49,0 50,1 52,4 49,2 49,8 50,5 50,0 50,4 48,4 48,5 50,9 51,5 49,1 49,8 51,1 49,0 49,8 49,2 Lot1 Frequency 5251504948 9 8 7 6 5 4 3 2 1 0 Mean 50,04 StDev 0,9111 N 30 Histogram of Lot1 Normal Lot1 Percent 535251504948 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean 0,466 50,04 StDev 0,9111 N 30 AD 0,343 P-Value Probability Plot of Lot1 Normal b) Verifique a normalidade utilizando o Normality Test
40 Deslocamento da médiaDeslocamento da média Como já foi falado anteriormente todos os processos variam de maneira natural devido a influencias externas (5M1E), essa variação é considerada normal até o valor limite de 1,5σ , caso o processo varie mais do que isso, este não será mais classificado como Normal. Quando falamos que um processo esta centrado, significa que não ocorreu deslocamento de sua média, se esse processo estiver com um nível de Sigma igual a 6 teremos um probabilidade de defeito de 0,0025 ppm. Mas como todos os processos variam é impossível, na pratica, termos esse valor. Considerando um deslocamento de média de 1,5σ teremos, para um nível de 6 sigma, um valor de defeito de 3,4 ppm. Então quando falamos que para 6 Sigma os defeitos serão de 3,4 ppm, significa que esse processo esta deslocado de 1,5σ 0 1,5 1,5σ
DEFINIÇÃO 41 3 Passo 1. Seleção de projeto Passo 2. Extrair o Y do Projeto Passo 3. Registro do projeto - Entender os itens que influenciam o ponto de vista do cliente e negócio e selecionar o tema do projeto. - Extrair a possibilidade de melhoria através do processo do projeto selecionado. - Definir o item a melhorar. Meta Ferramenta Passos - SIPOC, Mapeamento do processo - Logic Tree, Diagrama de espinha de peixe - QFD, FMEA, Análise de Pareto LG Electronics Green Belt [Mfg]
42 Propósito Passos da atividade 3. Registro do projeto3. Registro do projeto2: Extrair Y do Projeto2: Extrair Y do Projeto1: Selecionar Projeto1: Selecionar Projeto 1.1 Verificar companhia 1.2 Definir o Big Y 1.3 Selecionar o projeto 2.1 Analisar o processo 2.2 Definir o CTQ 2.3 Extrair o Y do projeto 3.1 Organizar o time 3.2 Determinar metas 3.2 Registro do projeto Saída Extrair o projeto que é o mais importante do ponto de vista do cliente e ter maior relevância para metas gerenciais. Defina o projeto a fim de promover as metas. Passo 1 - Definir a VOC/VOB (Voz do cliente / Voz do negócio) - Analisar maiores impactos - Extrair o Little Y através do Big Y Passo 2 Passo 3 - Analisar processo detalhado - Definir o CTQ e o Projeto Y - Plano de ação rápida - Registro do projeto e plano de atividade Definição Passos da DefiniçãoPassos da Definição
43 Selecionar o correto Big Y através de problemas do negócio e extrair o projeto que possa maximizar o resultado através de análise do processo ou desenvolvimento detalhados. Atividade Ferramenta •Selecionar o Big Y para resolver o problema no processo e selecionar o KPI adequado. •Selecionar o ótimo Big Y focando no negócio e verificar escopo da melhoria no processo através de processos superiores ou processos subordinados ao Big Y • Definir a prioridade do projeto (projeto detalhado) e selecionar o objetivo a melhorar. - Verificar o Negócio - Definir KPI - Desenvolver o Little Y - Analisar processos Superiores. - Seleção do Projeto - Mapeamento do Processo - SIPOC Verificar Negócio Verificar Negócio Extrair Big Y Extrair Big Y Selecionar Projeto Selecionar Projeto Passo 1 Seleção do Projeto - Brainstorming - Votação Propósito Seleção do ProjetoSeleção do Projeto
44 Análise do Processo Definição de CTQ • Definir CTQ refletindo VOC/VOB no escopo da melhoria - Definir/analisar o processo - Planejamento de ação rápida -Mapeamento do processo de baixo nível • Análise detalhada dos processos ligados ao projeto selecionado e selecionar escopo de ações rápidas. - Desenvolver processo - Estudar a VOC e relacionamento com funcionamento do processo - QFD - FMEA - Análise de Pareto Propósito Atividade Ferramenta Passo 2 Extração do Y do Projeto Analisar o processo detalhado sobre o projeto a melhorar, definir o escopo da melhoria e definir CTQ e Y do Projeto. Extração do Project Y • Extrair o projeto Y onde o efeito da melhoria é preciso e possível medir entre os CTQ definidos. - Verificar validade - Decidir prioridades - Brainstorming - Votação Extração do YExtração do Y
45 • Organizar o time que pode desenvolver o projeto com sucesso. Definir membros do time ligados ao projeto. • Definir metas do projeto. • Examinar o resultado e verificar a necessidade de projetos relacionados. -Analisar os membros examinando sua função no processo - Organizar o time - Definir metas - Examinar resultado - Verificar projetos relacionados - - Organizar o time Definir Metas • Examinar o projeto e executar o kick off (aprovação do registro). - Desenhar o registro do projeto - Examinar o projeto - Registrar o projeto - Kick-Off - Registro do projeto Atividade Ferramenta Passo 3 Registro do Projeto Propósito Organizar o time misto para promover o projeto adequadamente e registrar o projeto definindo um plano viável. Registro do ProjetoRegistro do Projeto
46 FerramentasFerramentas Na fase de DEFINIÇÂO podemos utilizar algumas ferramentas para ajudar a encontrar e justificar o “Y” do projeto. Veremos a seguir: Y2 Y5 Y8 Y9 Y7Y4Y1 Y3 Y6 Y2 Y7 Y9  BrainstormingBrainstorming  Mapeamento de ProcessoMapeamento de Processo  FMEAFMEA  Gráfico de ParetoGráfico de Pareto  QFDQFD  BrainstormingBrainstorming  Mapeamento de ProcessoMapeamento de Processo  FMEAFMEA  Gráfico de ParetoGráfico de Pareto  QFDQFD
47 Ferramentas – BrainstormingFerramentas – Brainstorming É uma técnica de grupo simples e eficaz que tem por objetivo gerar idéias novas e de preferência, úteis. Normalmente é utilizada na melhoria de Qualidade para identificar as possíveis causas de um problema e sugerir uma série de soluções depois que a causa for conhecida. No entanto o “brainstorming” pode ser usado de muitas outras maneiras, até mesmo na identificação das áreas problemáticas e para listagem das possíveis oportunidades para aperfeiçoamento. • Roda Livre – Fluxo de idéias espontâneas de todos os participantes do Time. • Mesa Redonda – Participantes do Time se alteram em sugestões de idéias. • Método dos Cartões – Participantes do Time escrevem idéias em cartões sem haver comentários. • Nenhuma idéia é criticada • Todas idéias são registradas • Não se interpreta idéias • Construção a partir de outra idéias • Não se discute idéias • Idéias “malucas” são encorajadas • Todos participam • Enfoque em assunto específico O que é: Tipos: Diretrizes: Observação: Quando nós não conseguimos medir um determinado defeito nós devemos utilizar o Brainstorming para definir o defeito.
48 Ferramentas – BrainstormingFerramentas – Brainstorming  Liste todas as possíveis causas SABOR (Y): • Tipo de ingrediente limão (1) • Quantidade de açúcar adicionado • Tipo de água utilizada (a) INGREDIENTES LIMÃO: • Limões espremidos na hora (2) • Líquido concentrado • Concentrado congelado • Pó com sabor limão (b) LIMÕES EXPREMIDO NA HORA: • Onde os limões foram colhidos • Como os limões foram transportados • Idade quando foram espremidos • Como foram espremidos os limões  Agrupe os problemas similares  Priorize problemas (critérios) Barraca de Limonada (c) LIMÕES EXPREMIDO NA HORA: •Onde os limões foram colhidos •Como os limões foram transportados •Idade quando foram espremidos •Como foram espremidos os limões Exemplo:
49 Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo É uma análise detalhada do processo. É preciso definir qual é o Inicio e o Fim desse processo de maneira bem precisa, e analisar cada parte bem detalhadamente, assim será possível extrair o maior problema. Os resultados esperados do Mapeamento do Processo são:  Maior conhecimento sobre o processo;  Identificação de oportunidades para eliminar etapas;  Identificar gargalos; O que é: Símbolos: Indica a fronteira do processo em análise. Quando for mostrar alguma atividade. Pontos de Decisão. Indica a direção do fluxo do processo. Entrada ou saída principal. Conecta um processo a próxima página. Início e Fim Atividade Decisão Seta Entrada/Saída Processo Conjuntivo Símbolo Significado Quando usar
50 ProcessoProcesso Entradas Saídas Ferramenta chave para identificação de oportunidades de melhoria Ferramenta chave para identificação de oportunidades de melhoria Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo Método para criar um Mapa de Processo • Definir os limites do seu processo (área ou processo específico onde acontecerá o projeto). • Descrever e ordenar os passos do processo com o time que trabalha na área com o processo. O processo deverá ser o existente, sem alterações. • Codificar atividades usando símbolos (fluxograma) para fácil análise • Acompanhar o processo para validar o mapa Importante! O processo deverá ser o existente, sem alterações!
51 Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo • Esforço da Equipe Operadores, Técnicos, Gerentes, Clientes, Fornecedores,... (devem participar todos aqueles que tenham conhecimento sobre o processo estudado) • Entradas para o Mapa de Processo - Brainstorming - Manuais de Operação - Especificações de Engenharia - Experiência do operador - Mostrar complexidades inesperadas, áreas problemas, redundâncias, desvios desnecessários e onde pode ser possível. Simplificar ou padronizar. - Comparar e contrastar o fluxo real de um processo com o fluxo ideal para identificar oportunidades de melhorias. - Permitir a uma Equipe chegar a um acordo quanto às várias etapas de um processo e examinar quais atividades podem ter impacto no desempenho do processo. - Identificar locais onde dados adicionais podem ser coletados e investigados. - Servir como um recurso de Treinamento para se entender o processo como um todo. Preparativos: Possibilidades:
52 Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo Exemplo: LGESPLGESP Zona SecundáriaZona Secundária Zona PrimariaZona Primaria LG KoreaLG KoreaLG KoreaLG Korea CONFERÊNCIAFÍSICACONFERÊNCIAFÍSICA LGESP RECEBIM ENTO LGESP RECEBIM ENTO TRANSPORTADORATRANSPORTADORA LGESP P.O. (DSG) VERDEVERDE AM ARELOAM ARELO CINZACINZA VERM ELHOVERM ELHO RECEBIMENTORECEBIM ENTO PRESENÇA DE CARGA PRESENÇA DE CARGA PARAMETRIZAÇÃOPARAMETRIZAÇÃO CÓPIA DOS DOCsCÓPIA DOS DOCs SOLICITAÇÃO DE DTA NA ALFANDEG A SOLICITAÇÃO DE DTA NA ALFANDEG A TERM O DE RESPONSABILIDADE TERMO DE RESPONSABILIDADE DTADTA LG KOREALG KOREA FATURAM ENTOFATURAM ENTO EM BARQUEEM BARQUE ETA SANTOS, VCP ETA SANTOS, VCP REGISTRO DE D. I. DOC. ORIGINAL REGISTRO DE D. I. DOC. ORIGINAL Utilização do Ato concessório no registro da D.I. isentando do pagamento do Imposto de Importação e Marinha Mercante ** **
53 Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo Exemplo: Origem Santos / VCP Import LGESP Export System Doc´s DECEX / BB Embarque SCP SAM IMP COM CRE IMP Trans/Desp solicita DTA IN499 ETA DTA EADI Pr. Carga D.I. Normal D/BSusp D/BIsen Parametrização Green Yellow Red Gray Conf.Fisica NFE Ent. PO Load PPL PO Load App Res Stuf NFS R.E. B/L Embar Invoice M-System SD Detail GNTEagle Cóp Doc Embarque DocOrigin Embarque D/B System Control NCM/QTE/ Valor DOC´s BOM/Laudo Análise Exigen Concessão Ato Concessório 360 dias L.I. Prorro Baixa do Ato RE D.I.{ Import Export D/B Key Point IMS Rep Start ** ** ** ** ** ** ** ** ** ****
54 Ferramentas – FMEAFerramentas – FMEA ((FFailureailure MMode &ode & EEffectffect AAnalysis)nalysis) - Identifica preventivamente as potenciais (formas) modos (tipos) de falhas de um processo. - Identifica falhas (furos) nos Planos de Controle dos Processos. - Conduz equipe a fazer mais perguntas sobre o processo e estuda-lo mais profundamente podendo, assim, identificar as causas raízes dos defeitos. Método Estruturado para: - Identificar como um Processo pode fracassar em atender os requisitos críticos (CTQ´s) dos clientes. - Estimar o risco de causas específicas em relação as falhas potenciais - Avaliar o Plano de Controle atual quanto à prevenção destas falhas - Dar prioridade às ações que deveriam ser tomadas para melhorar o processo Conceito: Identificar como o Produto, Processo ou Serviço podem fracassar em proporcionar a função intencionada. - Identificar Possíveis Causas e eliminá-las - Localizar Impactos de falhas e reduzir Efeitos Finalidade: Definição:
55 Ferramentas – FMEAFerramentas – FMEA ((FFailureailure MMode &ode & EEffectffect AAnalysis)nalysis) Medidas que asseguram a Qualidade geral do produto e serviços devem, cada vez mais, ser operacionalizadas nas fases de Desenvolvimento e Planejamento, antes de sua aplicação. O objetivo é identificar sistematicamente as falhas potenciais em todos os processos e no produto diminuindo sensivelmente os riscos de problemas de funcionamento e de relacionamento com clientes e consumidores. Prevenir as falhas desde a concepção do produto/serviço até sua aplicação significa incluir a Qualidade Exigida pelo Cliente. - na fase de Desenvolvimento (Projeto), atendendo as especificações e as particularidades da produção e aplicação. - na fase de preparativos de produção através de especificações de critérios, planejando processos capazes de produzir a qualidade exigida. - na fase de fabricação do produto ou aplicação do serviço através de processos seguros e dominados. - na complementação de cumprimento às leis e normas vigentes Necessidade: Reúna a equipe Six Sigma juntamente com toda a documentação existente sobre o processo (Mapa de processo, Espinha de peixe). Para cada um dos potenciais fontes de variação já conhecidas, pergunte: - De que modo esta fonte de variação pode contribuir para que o processo não cumpra com a sua função? - Qual o efeito deste modo de falha para o cliente? - Qual a causa deste modo de falha? - Qual o controle atual existente para evitar que a causa do modo de falha ocorra? Como Fazer:
Ferramentas – FMEAFerramentas – FMEA ((FFailureailure MMode &ode & EEffectffect AAnalysis)nalysis) Item Modo de falha potencial Efeito(s) Potencial(is) da Falha Causa(s) e Mecanismos(s) Potencial(is) da Falha Controles Atuais do Projeto Ações Recomendadas Função Ocorrência Detecção Severidade NPR Todo NPR que ultrapassar u m valor de 300(30%) deve ser tomada u ma ação corretiva para que o mesmo reduza o valor do NPR. Severidade(S): 1(sem efeito); 2(Muito menor); 3(Menor); 4(Muito Baixo); 5(Baix o); 6 (Moderado); 7(Alto); 8(Muito alto); 9(Perigo com aviso pré vio); 10(Perigo sem aviso prévio) Ocorrência(O): 1(Remota); 2 ~ 3(Baixa); 4 ~ 6(Moderada); 7 ~ 8(Alta); 9 ~10 (M uito alta) Detecção(D): 1(Quase certamente); 2(Muito alta); 3(Alta); 4(Moderadamente al ta): 5 (Moderada); 6 (Baixa); 7 (Muito baixa); 8 (Remota); 9(Mui to remota); 10(Absoluta incerteza) NPR=(S) * (O) * (D) NPR > 100 é CTQ Aplicação manual de cera na parte interna da porta •Cobrir parte interna da porta, superfície inferior comcamada mínima de cera para retardar corrosão Painel Interior/infe rior da porta corroído. Vida útil da porta diminuída devidoa: •Aparência insatisfatória devidoa ferrugem; •Funcionamentoirregular domecanismo internoda porta. Bico de jateamento posicionado manualmente não está posicionadosuficiente longe. 8 Checagemvisual a cada 1 hora por turno. Medir profundidade da camada. 5 280 Instalar um fim de curso no jateador . 5 Teste do jateador no começodotrabalho e após longos períodos semuso, e programa de manutençãopara limpar bicos. 2 70 Usar projetos de experimentos(DOE) na viscosidade X temperatura X pressão Tempode jateamento insuficiente. 8 Instruções do operador e amostragemdolote(10 portas/turno) para checar aplicaçãode cera nas áreas críticas. 7 392 Instalar um “timer” no jateador 7 Bico jateador entupido: •Viscosidade muitoalta; •Temperatura muitobaixa; •Pressãomuito baixa. CTQ CTQ FMEA: LGESP Nome do modelo: Data: Área: Revisão nº: Data da rev.: Responsável: Projeto Six Sigma 7 56
57 Count Percent Defeitos Count 17,8 12,0 8,7 3,9 2,0 Cum % 55,6 73,4 85,4 94,1 274 98,0 100,0 88 59 43 19 10 Percent 55,6 OtherEDBFA 500 400 300 200 100 0 100 80 60 40 20 0 Pareto Chart of Defeitos Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto O Gráfico de Pareto ajuda nosso esforço naqueles problemas, que oferecem a maior oportunidade para melhorar, por apresentar como se relacionam num gráfico de barras. Seu nome provém do economista e banqueiro italiano Vilfredo Pareto (1848-1923) que observou que 80% da riqueza italiana era controlada por 20% da população. Ele prosseguiu estudando muitos outros assuntos e começou a descobrir que muitas coisas dentro do nosso ambiente aparentava seguir esta Regra “80-20”. Sua teoria é atualmente aplicada por grupos da Qualidade em aplicações semelhantes. Exemplo: 80% dos defeitos relacionam-se à 20% das causas potenciais. Finalidade: Devemos selecionar os itens até chegar em 80%
58 - Coletar dados por categoria. - Coletar a freqüência por categoria. - Inserir, no gráfico, a freqüência (eixo y) e o tipos de categorias (eixo y) num gráfico de barras, em freqüência decrescentes. - Analise os dados para fatores de maior destaque no gráfico. - Analise fatores econômicos relativos aos fatores de maior destaque: custos de execução custo para diminuição ou eliminação - Pensamento 20 : 80 • 20% das causas contribuem para 80% dos problemas. • O diagrama de Pareto é uma ferramenta usada para avaliar dados discretos. É um modo de mostrar os fatores que contribuem para um problema em ordem decrescente de importância. a) Coleta de dados referentes a possíveis problemas. b) Usando Minitab, faça o gráfico de Pareto. - Stat > Quality Tools > Pareto Chart Processo: Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto Minitab: Conceito:
59 Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto Exemplo: Defeitos QTY A 274 B 59 C 10 D 43 E 19 F 88 - Digite os dados abaixo no Minitab. Depois siga o caminho abaixo: Aparecerá o menu do Pareto, selecione a opção “Chart defect table”, depois adicione a coluna que tem os nomes dos defeitos em “Labels in” e a quantidade em “Frequencies in”. Por fim escolha até qual % o Minitab irá colocar no gráfico (comumente utiliza-se 95%) o máximo aceito é 99,99999.
60 Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto Exemplo: Count Percent Defeitos Count 17,8 12,0 8,7 3,9 2,0 Cum % 55,6 73,4 85,4 94,1 274 98,0 100,0 88 59 43 19 10 Percent 55,6 CEDBFA 500 400 300 200 100 0 100 80 60 40 20 0 Pareto Chart of Defeitos - Irá aparecer o gráfico abaixo: Devemos atuar nos defeitos “A”, “F” e “B”, pois na somatória das suas % chegamos em 80%, lembre-se do pensamento 20:80.
61 - Escutar os clientes - Aprender o que eles querem - Determinar qual é a melhor maneira de atender - Determinar quais os caminhos para atender - Melhor alocar recursos com melhores resultados - Quais são as “qualidades” que os clientes querem? - Quais funções precisam, um produto ou serviço, atender? - Quais funções precisamos usar para fornecer o produto ou serviço? - Como podemos chegar ao melhor fornecimento daquilo que o cliente exige? O QFD antecipa a visão do controle do processo necessário à qualidade do produto para garantir o controle da qualidade Global do produto, desde a sua concepção à realização. Salta do controle de processos para projetar a qualidade nos produtos. • QFD é utilizado para ligar os Requisitos chaves do cliente com as Especificação técnica e Sub-CTQ ´s. • QFD é elaborado por um time de processo experiente. Ferramentas – QFDFerramentas – QFD ((QQualityuality FFunctionunction DDeployment)eployment) QFD: Desdobramento da Função da Qualidade Objetivo: Perguntas: Pensamento:
62 a) Esclareça as necessidades dos clientes, confiabilidade dos requisitos, qualidade presente VOC (Voice of Customer). b) Priorize todas as informações, liste as possíveis soluções técnicas. c) Priorize as soluções técnicas, selecione as maiores como CTQs. d) Liste os possíveis causa referentes aos CTQs. e) Priorize os CTQs e selecione os Sub-CTQs. QFD traduz exigências do cliente em exigências técnicas adequadas O QFD não permite a ausência de questionamento. Razões para fazer perguntas: - Aprender - Mostra interesse - Despertar interesse - Esclarecer - Ter retorno - Conseguir concordância/consenso - Discordar para novas idéias - Manter pensamento ativo “ A coisa mais importante é nunca parar de perguntar” Albert Einstein Ferramentas – QFDFerramentas – QFD ((QQualityuality FFunctionunction DDeployment)eployment) Etapas:
63 Aplicando um QFD num Salão de Beleza: O salão “OOO Hair Design” desenvolveu um plano de QFD para se selecionar os itens urgentes que precisa melhoria para satisfazer o cliente. Foram descobertos 4 itens pela pesquisa que foi realizado com os clientes que visitaram o salão de beleza no mês passado (VOC). - Preço mais satisfatório - Sistema de reserva mais conveniente - Relação pessoal mais agradável entre o cliente e funcionários - Serviço adicional (Manicure, Pedicure etc....) Exemplo: Ferramentas – QFDFerramentas – QFD ((QQualityuality FFunctionunction DDeployment)eployment) Processo principal Corte de cabelo e outros serviços Programação da hora Aceita de reserva Recrutar Manter os funcionários Planejar os serviços adicionais Comprar acessórios 1 2 3 4VOC Weight 1 3 3 2 Total 3 9 0 0 1 27 9 0 0 27 9 0 1 9 27 6 1 0 9 0 0 0 0 6 3 0 0 2 Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: não tem ponto Total Processo principal Corte de cabelo e outros serviços Programação da hora Aceita de reserva Recrutar Manter os funcionários Planejar os serviços adicionais Comprar acessórios 1 2 3 4VOC Weight 1 3 3 2 Total 3 9 0 0 1 27 9 0 0 27 9 0 1 9 27 6 1 0 9 0 0 0 0 6 3 0 0 2 Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: não tem ponto Total
64 Meta & CronogramaMeta & Cronograma Estabelecimento da Meta e do Cronograma. As metas podem ser:  Provenientes da Matriz (HQ Korea);  Provenientes da Alta Administração (FSE);  Estabelecidas de forma desafiadora (30% é possível, mas 5% pode não ser). Cronograma: Liste as direções detalhadas do conteúdo do projeto e estabeleça o cronograma. ※ O Plano deve considerar todas as situações que podem ocorrer no andamento do projeto, possíveis contratempos. Ex.: O formulário acima não foi padronizado e pode ser modificado de acordo com a situação. Controlar (C)Melhorar (I)Analisar (A)Medir (M)Definir (D) 6/1 6/17 7/25 8/12 10/14 10/30 1.1 Checar Biz. Issue. 1.2 Definição Big Y. 1.3 Selecione o PJT. 2.1 Analise do processo. 2.2 Definição CTQ. 2.3 Extração do Y. 3.1 Organização do time. 3.2 Meta e Cronograma. 3.3 Calculo do lucro 3.4 Registro Projeto. 4.1 Estabeleça um plano de coleta de dados. 4.2 Inspecione o sistema de medição. 5.1 Colete dados 5.2 Meça o nível Z atual 5.3 Estabeleça a direção de melhoria 6.1 Extração de pos- síveis X’s. 6.2 Coleta e exame de dados adicionais. 6.3 Seleção do Vital Few e checagem da possibilidade de alcan çar a meta. 7.1 Examinar a causa do Vital Few. 8.1 Extração do plano de melhoria. 8.2 Avaliar o plano de melhoria. 8.3 Selecionar o plano de melhoria. 9.1 Execute/ inspeci- one 9.2 Calculo do lucro real. 10.1 Padronização das me lhorias. 11.1 Estabeleça plano de gerenciamento 12.1 Finalize o relatório do projeto. 12.2 Compartilhe o resultado Processo Conte údo
65 3.3 Cálculo estimado do ganho do projeto. Após a definição da meta a ser alcançada com o projeto é possível estimar o ganho financeiro caso essa meta seja atingida. Para isso aconselha-se uma reunião do líder do projeto com o Black Belt que estará dando suporte e um membro do Depto Financeiro. 3.4 Registro do Projeto Por fim deve ser preenchida a folha de registro e agendado uma reunião com um membro do Depto de Inovação que estará analisando a definição. Após a assinatura do Depto de Inovação deve ser agendado o Sponsor Review para que o Sponsor analise a Definição do projeto e autorize a apresentação para o Champion. Somente após a coleta de todas as assinaturas pode-se dar continuidade ao projeto. Folha padrão de Registro do Projeto: Estimativa de Ganho & RegistroEstimativa de Ganho & Registro Nome do Projeto: Itens da Melhoria Ponto critico Y(K P I) Como fazer a melhoria?Por que selecionar este projeto? Objetivo Planejado Classificação do PJT Composição do time Resultado Quantitativo : Data do Registro: Registro Coréia Realizado Suporte(Belt) : Little Y Big Y Reg. Nº.: Resultado Qualitativo Registro de Projeto Situação Atual Objetivo Data do Registro: AA II CCMMDD ChampionSponsorInnovationLeader ChampionSponsorInnovationLeader Great Company Great People Faça Perfeito ! ParticipaçãoBeltPapelDeptoNome ParticipaçãoBeltPapelDeptoNome 1P1P
66 4 Medição - Entender a importância da medição. - Entender o método correto para coletar os dados. - Verificar a condição atual do processo. - Decidir a direção e a extensão da melhoria. Metas Ferramentas Passos PASSO 4 : Verificar as características do Y do Projeto PASSO 5 : Verificar a condição atual - Análise do sistema de medição : Gage R&R - Análise da capacidade do processo : Nível de sigma, DPU, DPO, DPMO - Diagrama de 4 Blocos LG Electronics Green Belt [Mfg]
67 Propósito Passos da atividade Saída Passo 4 - Preparar folha de resumo de dados - Relatório de medições - Resultado do Gage R&R e ações Passo 5 - Resultado da análise do processo - Diagrama de 4 blocos - Meta de melhoria e direção Examinar as propriedades do Y do Projeto selecionado e definir a base através da medição do nível atual. Definir a meta de melhoria e a direção a ser tomada. Passo 5. Medir o nível atual Passo 4. Verificar as propriedades do Y do Projeto 4.1 Preparar resumo dos dados 4.2 Definir plano de medição 4.2 Aprovar sistema de medição 5.1 Coletar dados do Y do Projeto 5.2 Medir nível atual 5.3 Decidir direção de melhoria Medição
68 • Definir a possível causa de variação e possível item a medir. • Preparar o correto plano de medição sobre o item do Projeto Y e resumo dos dados. - Lista 5M1E, Potenciais X’s Possíveis eventos especiais - Prepara o plano de medição sobre o item a ser medido -Diagrama de fatores -Logic Tree -Matriz X-Y Preparar o resumo dos dados Preparar Plano de Medições • Verificar a adequação do sistema de medição. - Verificar as propriedades dos métodos/processos e padrões de medição e propriedades dos equipamentos de medição - Gage R&R Verificar o Sistema de medição Atividade Ferramenta Passo 4 Verificar as propriedades do Y do Projeto Definir/examinar as causas das variações no processo e seus atributos e verificar a validade da medição para selecionar o Y do projeto. Propósito
69 Medir o nível atual Decidir a direção da melhoria • Verificar a capabilidade do Projeto Y. - Cálculo do Nível de Sigma (Z-value) - Capabilidade do processo - Análise - (Curto/longo prazo) • Definir a direção de melhoria baseada na atual capabilidade. -Definir a direção da melhoria Coletar dados do Y do Projeto • Coletar dados para medir a capabilidade do processo de curto e longo prazo do projeto Y. No caso de não poder dividir em curto e longo prazo, isso deve ser mencionado. - Coletar dados - Registrar dados - Resumir item - Rational Sub-grouping Atividade Ferramenta Passo 5 Verificar o nível atual Definir o nível atual (capabilidade do processo) do Projeto Y e com base nisso, Definir a meta e direção do projeto. Propósito
70 Entendendo o Z-ValueEntendendo o Z-Value Propósito A escala σ (Z-value) é uma métrica para medir o nível de qualidade de um produto/processo/serviço. Da mesma maneira que utilizamos metros [m] para distância e graus Celsius [ºC] para temperatura, utilizamos o Z-Value como uma linguagem comum. Desta forma, diferentes departamentos podem verificar o nível da qualidade um do outro. Exemplo: A velocidade média de um carro de fórmula 1 é de aproximadamente 300km/h, com um desvio padrão de 10km/h. 300 +1σ 310 320 330280 290270 µ µ+1σ µ+2σ µ+3σµ-2σ µ-1σµ-3σ 300 310 320 330280 290270 EIXO de X 1 2 3-2 -1-3 0 EIXO de Z µ = 300 σ = 10 µ = 300 σ = 10
71 Coleta de Dados (Rational Subgrouping)Coleta de Dados (Rational Subgrouping) Propósito Nesta fase do projeto é NECESSÁRIO fazer um plano de coleta de dados. Os dados precisam ser coletados pois precisamos saber o Nível de Sigma atual do processo (Y). Para se coletar os dados é necessário criar um plano chamado de Rational Subgrouping (Subgrupo Racional), que nada mais é que a coleta de amostras de maneira aleatória, garantindo assim, que todas as variações possíveis aconteçam (Black Noise e White Noise). Para montar o plano é preciso definir:  Tipo de Dados do Y, discreto ou continuo;  Quem irá coletar as amostras (ex.: José);  Freqüência da coleta (ex.: semanal, diário, por turnos);  Ferramenta utilizada para medir a amostra ( ex.: régua, paquímetro, software) Fazendo o Rational Subgrouping conseguimos um valor mais próximo da população (diminuição do erro amostral). Tempo RespostaProcesso WHITE NOISE BLACK NOISE RATIONAL SUBGROUPS  White Noise: É a variação que acontece dentro de cada subgrupo. Também conhecido como Causa Comum, pois acontece em todos os processos e é impossível eliminá-la.  Black Noise: É a variação que acontece entre os subgrupos. Também conhecido como Causa Especial, pois é algo estranho ao processo, ou seja, não deveria haver variação entre os subgrupos. Nos projetos 6 Sigma, atuamos principalmente no “Black“Black Noise”Noise” pois o impacto da melhoria será maior. IMPORTANTE
72 Gage R&R (Crossed) Não destroi a peça Gage R&R (Crossed) Não destroi a peça Gage R&R (Nested) danifica a peça Gage R&R (Nested) danifica a peça ContínuosContínuos DiscretoDiscreto DadosDados Tipos de GageTipos de Gage Gage AttributeGage Attribute Para cada Tipo de dados existe um Gage apropriado.  Gage R&R Crossed É utilizado quando podemos repetir as medições feitas em cada peça, ou seja, cada peça pode ser medida mais de uma vez.  Gage R&R Nested É utilizado em ensaios destrutivos, ou seja, cada vez que medimos uma peça ela é destruída não sendo possível repetir a medição. IMPORTANTE ANOVAANOVA X-Bar RX-Bar R ANOVAANOVA
73 Gage R&RGage R&R Propósito Para coletar os dados você precisou utilizar um equipamento, por exemplo, um paquímetro. Como você pode garantir que os dados são confiáveis? Para validar seu sistema de medição, garantindo que os dados medidos sejam confiáveis, você deve utilizar o GAGE R&R. O Gage R&R só pode ser utilizado para dados contínuos. MSA Com o Gage R&R iremos analisar o sistema de medição (Measurement System Analysis) a fim de validá-lo. A variação de um processo é composta por 2 partes: Variação Real do Processo (σProcesso) e Variação Sistema de Medição (σR&R) R&RProcessoTotal σσσ += Variação real do processoVariação real do processo Bias Estabilidade Linearidade Variação Total Observada Variação Sistema Medição White Noise Black Noise Exatidão Precisão σProcesso σT σR&R Repetibilidade Reprodutibilidade
74 Gage R&RGage R&R Valor observado Repetibilidade é a variação nas medidas obtidas com um equipamento de medida (gage), quando usado várias vezes pelo mesmo operador medindo a mesma característica da peça. Reprodutibilidade é a variação nas médias das medidas feitas por diferentes operadores usando o mesmo equipamento de medida (gage) quando medindo a mesma característica da peça. Operador A Operador B Operador C Repetibilidade (equipamento) Reprodutibilidade (operador) Operador A
75 Valor real Bias Média observada ☞ Diferença entre valor real e a média do valor observado • Programação do valor real é medido pelo Sistema de medida exato ☞ É a variação total nas medições obtidas com um sistema de medição sobre o mesmo padrão ou valor de referência num determinado período de tempo. • Sistema de medidas afeta o resultado quando tempo se vai por fatores ambientais, abrasividade, temperatura, umidade, etc. Estabilidade Tempo 1 Tempo 2 Bias Estabilidade Gage R&RGage R&R
76 Gage R&RGage R&R Desvio de exatidão: grande Desvio de exatidão: pequeno LSL USL Valor Atual Valores Referência (medido) Valor Real Valor de Referência (medido) Linearidade ☞ É a diferença nos valores através da faixa de operação. • Avaliar comparando exatidão dentro do alcance da função de espaço. • Exatidão por alcance geral da função de espaço.
77 Gage R&RGage R&R ▶ Dispersão é a variação nas medidas obtidas com um equipamento de medida quando usado várias vezes. ▷ A dispersão é dividida em duas categorias: Repetibilidade e Reprodutibilidade. - ANOVA método que pode definir as causas da variação em um equipamento de medida melhor que o método Xbar R. - Menor efeito dos pontos fora dos padrões. - Para uma mesma quantidade de dados, ANOVA fornece mais informações detalhadas sobre um o equipamento de medida que o método Xbar – R. - Pode separar a interação entre operadores e peças. a ) Quando a Repetibilidade é maior que a Reprodutibilidade  Problema de equipamento de medida - Manutenção preventiva no equipamento de medida - Equipamento de medida inadequado - Localização (lugar da medida ou ponto da peça medida) b) Quando a Reprodutibilidade é maior que a Repetibilidade  Problema com Operador - Não está acostumado com o equipamento de medida. Precisa de treinamento. c) Causas da variação - Equipamento de medida : Diferença entre equipamentos de medida, diferenças entre escalas - Métodos : Leitura da escala, Medidas habituais. - Peças : Variação entre as peças - Condições : Diferentes ambientes tais como umidade, temperatura etc. - Operadores : Diferenças entre operadores, turnos, laboratórios, etc Propósito: ANOVA Como Ajustar:
78 Gage R&RGage R&R - Geralmente 2~3 operadores, 10 peças medidas de 2~3 vezes. - Antes do estudo, verifique a calibração do equipamento. - Cada operador mede todas as partes aleatoriamente. - Atenção : Operador não deve identificar as peças quando está medindo. - Analise dos resultados : Repetibilidade, Reprodutibilidade, %R&R. - A coleta de dados para um Gage não deve ser aleatória mas sim intencional, devem ser coletadas peças por todo o range do processo. % Tol ou % Study Var < 20% : Aceita % Tol ou % Study Var 20%~29% : Aceita condicionalmente %Tol ou % Study Var > 30% : Rejeita. Precisa ser melhorado % Tol. % Study30 30 20 0 20 OK Aceito Condicionalmente Troca do Sistema de medida Processo: Regra de Thumb
79 Gage R&RGage R&R Exemplo: Afim de avaliar o sistema de medição foi realizado um Gage R&R com 3 operadores sendo que cada um mediu 10 peças 3 vezes cada. Spec. : 2.5 ± 1.5 Abrir o arquivo: Gageaiag.mtw, esse arquivo vem no banco de dados do próprio Minitab. Stat>Quality tools>Gage Study>Gage R&R Study (Crossed) Coluna com os números das peças Coluna com os nomes dos operadores Coluna com as medições feitas Método ANOVA mais precisão no resultado.
80 Gage R&RGage R&R Após ter adicionado as três colunas (peça, operador e medições) clicar no botão “Options”. Nesse menu é possível colocar a tolerância do processo em análise, nessa caso a tolerância é: ± 1,5, assim devemos colocar o valor 3 no campo indicado abaixo. Tolerância do processo. (± 1,5)
81 Gage R&RGage R&R Gage R&R %Contribution Source VarComp (of VarComp) Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37 Part-To-Part 1,08645 92,24 Total Variation 1,17788 100,00 Study Var %Study Var %Tolerance Source StdDev (SD) (6 * SD) (%SV) (SV/Toler) Total Gage R&R 0,30237 1,81423 27,86 60,47 Repeatability 0,19993 1,19960 18,42 39,99 Reproducibility 0,22684 1,36103 20,90 45,37 Operator 0,22684 1,36103 20,90 45,37 Part-To-Part 1,04233 6,25396 96,04 208,47 Total Variation 1,08530 6,51180 100,00 217,06 Number of Distinct Categories = 4 Gage R&R %Contribution Source VarComp (of VarComp) Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37 Part-To-Part 1,08645 92,24 Total Variation 1,17788 100,00 Study Var %Study Var %Tolerance Source StdDev (SD) (6 * SD) (%SV) (SV/Toler) Total Gage R&R 0,30237 1,81423 27,86 60,47 Repeatability 0,19993 1,19960 18,42 39,99 Reproducibility 0,22684 1,36103 20,90 45,37 Operator 0,22684 1,36103 20,90 45,37 Part-To-Part 1,04233 6,25396 96,04 208,47 Total Variation 1,08530 6,51180 100,00 217,06 Number of Distinct Categories = 4 O resultado abaixo aparecerá no Minitab. É preciso avaliar alguns pontos importantes para garantir que o Sistema de Medição está confiável. São eles:  % Study Var  % Tolerance  Nº Categorias Distintas  Exercício: Avalie o Gage R&R ao lado, decida se esta aceito ou rejeitado. Justifique sua resposta.
82 Nº categorias distintas Significado 1 Se a variação do Sistema de Medição for semelhante a variação real do processo não é possível avaliar este processo, com isso o número de categorias cai. Sistema inapropriado. 2~4 Não é possível detectar a variação do processo mesmo utilizando uma carta de controle, pois a sensibilidade do equipamento ainda não consegue distinguir as várias categorias. Sistema inapropriado. ≥ 5 Nessa faixa já é possível verificar e gerenciar as variações existentes no processo, com isso o Sistema de Medição se torna confiável. Sistema apropriado % Study Var Avalia se o Sistema de Medição é capaz de detectar a variação do processo ou não. Isto significa que esse sistema é apropriado. % Tolerance Mostra a exatidão do Sistema de Medição de acordo com a tolerância do processo, avalia se é possível detectar se a peça esta boa ou ruim. Nº Categorias Distintas Avalia se o Sistema de Medição consegue distinguir as variações do processo. Descreve quantos grupos diferentes o sistema consegue distinguir, quanto maior melhor será o resultado. Significado: Gage R&RGage R&R  Tolerância do Equipamento. Quando for necessário utilizar um equipamento para realizar um Gage R&R sua resolução deve ser de 1/10 da tolerância do processo. Ex.: Se a Spec for 2±0,5 [cm] significa que a tolerância é de ±0,5 [cm], nesse caso o equipamento tem que ter a capacidade de medir 1/10 desse valor, ou seja: O equipamento tem que conseguir medir nessa escala. [cm]0,0050,05* 10 1 Equip.Tol. ==
83 Gráficos: Gage R&RGage R&R Percent Part-to-PartReprodRepeatGage R&R 200 100 0 % Contribution % Study Var % Tolerance SampleRange 1,0 0,5 0,0 _ R=0,342 UCL=0,880 LCL=0 A B C SampleMean 2 0 -2 __ X=0,001 UCL=0,351 LCL=-0,348 A B C P art 10987654321 2 0 -2 Operator CBA 2 0 -2 P art Average 10987654321 2 0 -2 Operator A B C Gage name: Date of study : Reported by : Tolerance: Misc: Com ponents of Variation R Chart by Operator Xbar Chart by Operator Measurem ent by Part Measurem ent by Operator Operator * Part Interaction Gage R& R (A NOVA ) for Measurement O Gage R&R gera o gráfico abaixo, onde podemos verificar se este está ou não aprovado. 1 2 3 4 5 6  Nesse gráfico é possível ver a variação de cada parte: Part-to-Part  variação do processo; Gage R&R  Variação sistema de medição. A variação Part-to-Part tem que ser muito maior que a Gage R&R.  Mostra a estabilidade dos operadores, os pontos devem estar dentro dos limites UCL e LCL  Mostra o número de categorias distintas, ou seja, a sensibilidade do equipamento, os pontos devem estar fora dos limites UCL e LCL.  Mostra a diferença entre as medidas feitas pelos operadores para cada uma das peças, a linha central indica a média das medidas, é desejável que essa média varie entre as peças.  Mostra a diferença entre os operadores, o ideal é que a linha esteja praticamente horizontal.  Mostra a interação entre os operadores, quanto mais próximo as linhas melhor será. 1 2 3 4 5 6
84 Gage AttributeGage Attribute Propósito O que são dados atributos? São os dados do tipo: OK / NG ou Verde / Amarelo. Normalmente são utilizados quando estamos avaliando um operador, se este sabe ou não inspecionar algum ponto do processo/produto/serviço. Neste caso devemos trabalhar da seguinte forma: Nº Operadores Mínimo peças avaliadas Mínimo repetições 1 24 5 2 18 4 3 12 3 Estatística Apropriado Aceito condicional Inapropriado Eficiência [PE] 90~100 % 80~90 % Abaixo 80 % Alarme Falso [PFA] 0~5 % 5~10 % Acima 10 % Perda [Pmiss] 0~2 % 2~5 % Acima 5 % Regra: Importante: cuidado com as medidas de fronteira (ex.: PFA = 5%, pode ser simultaneamente classificado como “Apropriado” e “Aceito Condicionalmente”)
85 Pedro César Mauricio 1 NG OK NG NG 2 OK NG OK OK 3 OK NG OK OK 4 OK NG NG OK 5 OK OK OK NG 6 OK OK OK OK 7 NG NG NG NG 8 NG NG NG NG 9 NG NG OK OK 10 NG NG OK NG 11 NG NG NG NG 12 OK NG OK OK 1 NG OK NG 2 OK OK NG 3 OK NG OK 4 OK OK NG 5 OK OK OK 6 OK OK OK 7 OK OK OK 8 OK OK NG 9 OK NG OK 10 NG NG OK 11 NG NG NG 12 OK NG OK 1 OK OK NG 2 OK OK NG 3 OK NG OK 4 OK OK NG 5 OK NG OK 6 OK OK OK 7 OK OK NG 8 OK OK NG 9 NG NG OK 10 NG OK OK 11 NG NG NG 12 OK NG OK Peça Atributo Operadores Exemplo: Foi realizado um Gage Atributos com 3 operadores para verificar se os mesmos sabem inspecionar peças do processo XXX. Abaixo esta o resultado das medições feitas. Utilizando o Minitab, faça a análise. Stat>Quality Tools>Attribute Agreement Analysis 1 2 3 4 1 2 3 4  Attribute column: preencher este campo com a coluna das medidas dos operadores.  Samples: preencher este campo com a coluna dos números de cada peça.  Appraisers: preencher este campo com a coluna dos nomes dos operadores  Known standard/attribute: preencher esse campo com a coluna do atributo padrão (referência), caso este exista. Gage AttributeGage Attribute
86 Gage AttributeGage Attribute Within Appraisers Assessment Agreement Appraiser # Inspected # Matched Percent 95 % CI César 12 6 50,00 (21,09; 78,91) Mauricio 12 10 83,33 (51,59; 97,91) Pedro 12 8 66,67 (34,89; 90,08) # Matched: Appraiser agrees with him/herself across trials. Appraiser Percent PedroMauricioCésar 100 80 60 40 20 0 95,0% C I Percent Appraiser Percent PedroMauricioCésar 100 80 60 40 20 0 95,0% C I Percent Date of study: Reported by: Name of product: Misc: Assessment Agreement Within Appraisers Appraiser vs Standard Abaixo esta o valor do PE de cada operador, de acordo com a regra avalie cada operador dizendo se estão aceitos ou não. Justifique sua reposta. PE
87 Gage AttributeGage Attribute Cálculos: As probabilidades (PE, PFA e Pmiss) podem ser calculadas sem o Minitab através das seguintes fórmulas: [%]100* ções)Peças(mediTotal AcertosQtde = PE é a taxa de acerto de cada operador. O calculo é realizado através da divisão do total de medições corretas pelo total de peças inspecionadas. [%]100* medidasrepeticoesTotal*padrãoboaspeças FalsoAlarmeQtde PFA = PFA é a taxa de alarme falso. Alarme falso é o erro que o operador comete quando julga uma peça “BOA” como “RUIM”. Esse tipo de erro não é tão grave quanto o PMiss, mas diminui a eficiência da linha de produção. [%]100* repetiçõesTotal*padrãoruinsPeças ErroQtde P Perda Miss = PMiss é o erro que o operador comete quando julga uma peça “RUIM” como “BOA”. Esse tipo de erro é bem grave, pois o operador deixa entrar no processo peças com defeito. Sendo esse tipo de erro muito alto, o defeito chegará no cliente.
88 Gage AttributeGage Attribute Exemplo: Foi realizado um Gage Atributos na companhia LGE000, para verificar se os operadores sabiam fazer a inspeção de Cosmetic na linha de LCD. Calcule PE, PFA e PMiss e analise os operadores. Parts Actual Value Benedito Joly Bárbara 1 2 3 1 2 3 1 2 3 1 G G G G G G G G G G 2 G G G G G G G G G G 3 NG NG NG NG NG NG NG NG NG NG 4 G G G G G G G G G G 5 NG NG NG NG NG G NG G G G 6 G G G G G NG NG G G G 7 NG NG NG NG NG NG NG NG NG NG 8 NG NG NG NG NG NG NG NG G NG 9 G G G G G G G G G G 10 G G G G G G G G G G 11 NG NG NG NG NG NG NG NG NG NG 12 G G NG G NG NG NG G G NG 13 NG NG NG NG NG NG NG NG NG NG 14 G G G G G G G G G G 15 NG NG NG NG NG NG NG NG NG NG
89 Gage AttributeGage Attribute 97,78%100* 45 44 PE == 4,17%100* 3*8 1 PFA == 0%100* 3*7 0 PMiss == Benedito Joly Barbará 86,67%100* 45 39 PE == 20,83%100* 3*8 5 PFA == 4,76%100* 3*7 1 PMiss == 88,89%100* 45 40 PE == 4,17%100* 3*8 1 PFA == 19,05%100* 3*7 4 PMiss == Conclusão: Conclusão: Conclusão:
90 Measurement Basic Metrics Common Z(Bench)-Value (ST, LT), Zshift Cp, Cpk Pp, Ppk Dados Discretos Sigma-level, RTY Baseado na qty/proporção DPU DPO,DPMO Taxa de defeito PPM Tipo Dados Dados Contínuos Métricas Básica Métrica comum ZBench Zshift Cp, Cpk Pp, Ppk Nível de sigma Baseado na variação/média DPU DPO,DPMOPPM Calculando o Z-valueCalculando o Z-value Z-value: Após já ter sido coletado as amostras dos dados atuais do Y do Projeto é preciso calcular o Z- value. Para cada tipo de dados existe uma ferramenta adequada. Abaixo esta a relação de ferramentas: Capability Anlysis
91 Capability AnalysisCapability Analysis PCI Quando estamos trabalhando com o Y do projeto sendo dados contínuos, para calcular o Z- value utiliza-se o PCI (Process Capability Analysis). Com essa ferramenta podemos calcular o ZST, o ZLT e o Zshift, além dos indicadores de capabilidade Cp, Cpk, Pp e Ppk. Esta também é a única ferramenta que nos indica o sentido de melhoria que deve ser tomado no processo, através do Diagrama de 4 Blocos. ZST  Nível de sigma em curto período (short term) também pode ser escrito ZSTBench ZLT  Nível de sigma em longo período (long term) também pode ser escrito ZLTBench Zshift  deslocamento entre o ZST e o ZLT, se esse valor for maior do que 1,5 terá problema no processo, sinal de muito deslocamento, ou seja, o processo está deslocado do centro da Spec. Cp  Capabilidade do processo em curto período avaliando a variação(within). Cpk  Capabilidade do processo em curto período avaliando o deslocamento da média (within). Pp  Capabilidade do processo em longo período avaliando a variação(overall). Ppk  Capabilidade do processo em longo período avaliando o deslocamento da média (overall).
92 LSL USL Cp = 2.0 Cp = 1.33 Cp = 0.6 Capability AnalysisCapability Analysis Cp, Cpk, Pp, Ppk Analisando graficamente temos: Podemos verificar que quanto maior a variação menor será o Cp/Pp. Podemos verificar que quanto maior a variação menor será o Cp/Pp. LSL USLCpk = 1,5 Cpk = 1,00 Cpk = 0,45 Podemos verificar que quanto maior o deslocamento menor será o Cpk/Ppk. Podemos verificar que quanto maior o deslocamento menor será o Cpk/Ppk. Fórmulas: periodo)towithin(cur6.σ LSLUSL Cp − = periodo)ngooverall(lo6.σ LSLUSL Pp − = T T k k k k)Pp.(1Ppk k)Cp.(1Cpk −= −= Fórmulas: Cp/Pp Cpk/Ppk 2 LSL-USL TX k − = within3.σ XUSL CPU − = ou within3.σ LSLX CPL − = CPL]min[CPU;Cpk = overall3.σ XUSL PPU − = overall3.σ LSLX PPL − = PPL]min[PPU;Ppk =
93 Capability AnalysisCapability Analysis ZST / ZLT / ZShift Para calcularmos o Níveis de Sigma iremos utilizar o Minitab. O primeiro passo a realizar é verificar se os dados coletados seguem uma distribuição normal. Abaixo esta os dados coletados de um processo XXX, sendo que sua Spec é: 9±1,5 Abrir o exemplo: capability.mtw L1 L2 L3 L4 L5 8,73 9,66 8,85 10,37 9,05 10,09 9,67 10,86 10,96 11,45 10,21 10,4 9,26 8,73 8,84 11,83 10,51 10,22 8,21 10,25 8,52 9,13 8,76 10,17 10,68 11,71 7,99 10,41 10,03 11,15 1º Passo: Normality Test. Adicionar coluna dos dados Sempre utilizar esse método Dados Percent 13121110987 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean 0,335 9,89 StDev 1,045 N 30 AD 0,404 P-Value Probability Plot of Dados Normal  Regra Normality Test: P-value > 0,05  dados normais. P-value < 0,05  dados não normais. P-value=0,335 Dados normais P-value=0,335 Dados normais
94 2º Passo: Calcular o ZLT Stat>Quality Tools>Capability Analysis>Normal Capability AnalysisCapability Analysis Coluna com os dados Tamanho amostra Spec do processo Depois de adicionar a coluna com os dados e colocar a Spec do processo, clique em “Options”. Selecione a opção “Benchmark Z’s (sigma level)”
95 Irá aparecer o gráfico abaixo, neste gráfico temos o valor de ZLT. Capability AnalysisCapability Analysis 12111098 LSL USL Process Data Sample N 30 StDev (Within) 1,09725 StDev (O v erall) 1,05414 LSL 7,5 Target * USL 10,5 Sample Mean 9,89 Potential (Within) C apability C C pk 0,46 O v erall C apability Z.Bench 0,54 Z.LSL 2,27 Z.USL 0,58 Ppk Z.Bench 0,19 C pm * 0,51 Z.LSL 2,18 Z.USL 0,56 C pk 0,19 O bserv ed Performance PPM < LSL 0,00 PPM > USL 266666,67 PPM Total 266666,67 Exp. Within Performance PPM < LSL 14696,59 PPM > USL 289127,55 PPM Total 303824,15 Exp. O v erall Performance PPM < LSL 11687,24 PPM > USL 281405,09 PPM Total 293092,34 Within Overall Process Capability of Dados ZLT ZLT Para calcularmos o ZST é preciso utilizar o valor do Desvio Padrão curto período (StDev (within) e também precisamos do Target do processo.  StDev (Within) = 1,09725  Target = 9,0
96 3º Passo: Calcular o ZST Stat>Quality Tools>Capability Analysis>Normal Capability AnalysisCapability Analysis 121110987 LSL USL Process Data Sample N 30 StDev (Within) 1,09725 StDev (O v erall) 1,05414 LSL 7,5 Target * USL 10,5 Sample Mean 9 Potential (Within) C apability C C pk 0,46 O v erall C apability Z.Bench 1,02 Z.LSL 1,42 Z.USL 1,42 Ppk Z.Bench 0,47 C pm * 0,95 Z.LSL 1,37 Z.USL 1,37 C pk 0,46 O bserv ed Performance PPM < LSL 0,00 PPM > USL 266666,67 PPM Total 266666,67 Exp. Within Performance PPM < LSL 85804,19 PPM > USL 85804,19 PPM Total 171608,38 Exp. O v erall Performance PPM < LSL 77373,13 PPM > USL 77373,13 PPM Total 154746,27 Within Overall Process Capability of Dados ZST ZST Target StDev (Within)
97 Capability AnalysisCapability Analysis 4º Passo: Calcular o ZShift Para calcular o ZShift utilizamos a seguinte fórmula: Neste exemplo temos: ZST=0,95 ZLT=0,54 ZShift=0,95-0,54 = 0,41 Com o valor do ZST e do ZShift é possível montar o Diagrama de 4 Blocos, essa ferramenta nos mostra o sentido de melhoria que devemos tomar. LTSTShift ZZZ −= ZST ZShift 1,5 4,5 1 2 3 4 O eixo ZST também é chamado de TecnologiaTecnologia, e esta relacionado com a Variação do processo quanto mais variação pior será. Essa variação esta relacionada com problemas de White Noise. O eixo ZShift também é chamado de ControleControle, e esta relacionado com o Deslocamento da Média do processo, quanto mais deslocada pior será. Esse deslocamento esta relacionado com problemas de Black Noise. NG OK NG OK 1 2 3 4  Pior quadrante, nessa região temos problema tanto de Controle como de Tecnologia.  Nesse quadrante temos problema somente com a tecnologia, será preciso diminuir a variação no processo investindo em equipamentos.  Nesse quadrante temos problema somente de controle, será preciso diminuir o deslocamento da média, diminuindo as influências de Black Noise.  Esse é o melhor quadrante, todos os pontos estão bons.
98 Capability AnalysisCapability Analysis 4º Passo: Calcular o ZShift Já sabemos que o ZST=0,95 e ZShift=0,95-0,54 = 0,41 então plotando esses valores no diagrama teremos: ZST ZShift 1,5 4,5NG OK NG OK 0,95 0,41 Nesse quadrante temos problema de Tecnologia, será preciso diminuir a variação do Processo, reduzindo problemas de White Noise.
99 Capability AnalysisCapability Analysis Calculando Cp, Cpk, Pp e Ppk através do Minitab. Vamos utilizar o mesmo exemplo anterior. Apagar esses valores Clicar em “Options” Escolher essa opção.
100 Capability AnalysisCapability Analysis Irá aparecer o gráfico abaixo, nele temos todos os índices relacionados a Capabilidade do processo. 12111098 LSL USL Process Data Sample N 30 StDev (Within) 1,09725 StDev (O v erall) 1,05414 LSL 7,5 Target * USL 10,5 Sample Mean 9,89 Potential (Within) C apability C C pk 0,46 O v erall C apability Pp 0,47 PPL 0,76 PPU 0,19 Ppk C p 0,19 C pm * 0,46 C PL 0,73 C PU 0,19 C pk 0,19 O bserv ed Performance PPM < LSL 0,00 PPM > USL 266666,67 PPM Total 266666,67 Exp. Within Performance PPM < LSL 14696,59 PPM > USL 289127,55 PPM Total 303824,15 Exp. O v erall Performance PPM < LSL 11687,24 PPM > USL 281405,09 PPM Total 293092,34 Within Overall Process Capability of Dados Capabilidade Curto Período (within) Capabilidade Curto Período (within) Capabilidade Longo Período (overall) Capabilidade Longo Período (overall) Desvio Padrão Longo Período (overall) Desvio Padrão Longo Período (overall) Desvio Padrão Curto Período (within) Desvio Padrão Curto Período (within) PPM Real da amostra PPM Real da amostra PPM estimado em Curto período PPM estimado em Curto período PPM estimado em Longo período PPM estimado em Longo período
101 Capability AnalysisCapability Analysis Os dados abaixo foram coletados de um processo YYY, verificar se os dados são normais e depois calcular o ZST, ZLT e ZShift para que possa ser montado o Diagrama de 4 Blocos e indicado o sentido de melhoria. Spec = 21±2,5 L1 L2 L3 L4 L5 L6 L7 L8 L9 L10 23,50 21,48 21,91 22,20 23,53 21,71 22,67 22,92 20,98 24,95 22,56 22,34 21,47 24,37 22,43 21,87 22,64 21,44 22,52 21,88 21,92 21,75 21,81 22,46 20,51 22,53 22,69 24,20 22,72 22,13 22,47 21,25 22,05 21,81 22,37 22,96 23,41 22,50 22,77 22,01 20,67 21,86 21,98 21,75 23,41 20,11 22,96 22,00 21,41 22,30 Exercício.
102 DPU / DPO / DPMODPU / DPO / DPMO • Uma medida de volume de saída da área • É observável e contável • Deve ter um ponto de início e término definidos • Onde o trabalho é normalmente analisado criticamente (exemplo: inspeção, teste) • A “coisa” sobre a qual estamos contando os defeitos Exemplos: - Pedido de um produto pelo cliente - Chamada telefônica de um cliente - Ordem de compra - Pedido de importação - Um produto ou uma peça - Uma instalação de equipamento - Um serviço solicitado pelo cliente • Indica a complexidade do processo • Necessário ser Independente • Mensurável Oportunidades: é o número de chances de um processo se desviar do esperado Exemplo: - Um processo de importação pode falhar de três formas diferentes (3 oportunidades): - chegar o produto fora do prazo; - a documentação estar incorreta; - não chegar o produto correto Unidade - UUnidade - U Oportunidades - OpOportunidades - Op Propósito Para calcularmos os Níveis de Sigma para dados DISCRETOS iremos utilizar os cálculos de DPU, DPO e DPMO. Abaixo esta o significado de cada um.
103 DPU / DPO / DPMODPU / DPO / DPMO Qualquer coisa que gera insatisfação do cliente • Qualquer coisa que gera não-conformidades em uma oportunidade ou numa unidade • Qualquer variação de uma característica requerida de um produto ou serviço ou suas peças que impede o produto ou serviço de preencher os requisitos funcionais ou físicos do cliente • Qualquer coisa que leva alguém ou um produto a sair do processo normal É o número total de defeitos dividido pelo número total de unidades coletadas por um período razoável de tempo (de modo a formar uma imagem do processo que acredita-se representar a variação típica a qual o processo está normalmente sujeito). É o DPU dividido pelas oportunidades de erros que existirem no processo em análise. Durante 3 meses, um Green Belt coletou 500 pedidos de clientes verificou que 30 deles foram entregues fora do prazo e 20 foram entregues produtos diferentes. ( 2 oportunidades por unidade = fora do prazo ou produto diferente ) Total Unidades = 500 Defeitos = 50 Oportunidades = 2 Defeito - DDefeito - D DPU- Defeito por UnidadeDPU- Defeito por Unidade DPO- Defeito por OportunidadeDPO- Defeito por Oportunidade  Fórmulas: Exemplo desOportunidaTotal DPU DPO UnidadesTotal Defeito DPU = = 0,1 500 50 DPU == 0,05 2 0,1 DPO ==
104 DPU / DPO / DPMODPU / DPO / DPMO É o DPU dividido pelo número total de oportunidades vezes um 1.000.000. O DPMO é medido em PPM, ou seja, quantos defeitos temos por milhão de peças/produtos. Quando temos o valor do DPMO basta procurá-lo na Tabela Z que teremos o Nível de Sigma. Definir o numero de unidade, oportunidade, e defeito. Calcular DPU, DPO e DPMO Numero de Unidade: DPU: Numero de oportunidade: DPO: Numero de defeito: DPMO: DPMO- Defeito por Milhão de OportunidadesDPMO- Defeito por Milhão de Oportunidades Exercício: Z-value = 1 unidade 1 oportunidade 1 unidade 5 oportunidades
105 Avaliação de capacidade de fabricação Mr. Kim, dono de um fabrica de brocas, sempre repreende o Líder da linha de produção B por ter um taxa de defeito mais alta que o da linha de produção A. Compare com a capacidade de fabricação de cada linha e avalie se as ordens de Mr.Kim são justamente baseadas na próxima página. DPU / DPO / DPMODPU / DPO / DPMO
106 Linha de produção A Linha de produção B Taxa de defeito Número de unidade Número total de oportunidade Número total de defeito DPU DPO DPMO ZST Faça os cálculos e verifique se a reclamação do Mr. Kim esta de fato correto. Verifique se realmente a linha A é melhor do que a B. DPU / DPO / DPMODPU / DPO / DPMO
107 5 Análise - Selecionar o fator principal examinando o X possível. - Examinar rigorosamente a causa do fator principal ou do defeito. - Análise Gráfica - Interferência estatística : Intervalo de Estimativa & Test de Hipótese - Análise de Regressão Objetivos Ferramentas Passos Passo 6 : Selecionar o fator principal (Vital Few) Passo 7 : Examinar a principal causa LG Electronics Green Belt [Mfg]
108 Propósito Passos da atividade Saída Passo 6 - Lista dos possíveis X - Lista do Vital Few - Verificar a possibilidade de alcançar a meta Passo 7 6.1 Extrair os possíveis X’s 6.2 Coletar e examinar dados adicionais 6.3 Selecionar o fator vital e checar a possibilidade de atingir a meta 7.1 Examinar a causa Passo 7. Examinar a causaPasso 6. Seleciona o fator vital Análise - Extrair o Possível X para melhorar o Y do Projeto selecionando os Vital Few. - Examinar a causa fundamental através do estudo do Vital Few e tomar a ação para isso, se necessário. -Explicar e avaliar a causa fundamental extraída através do Vital Few.
109 • Extrair os vários X´s possíveis através do exame da direção da melhoria e metas. • Inicialmente examinar o Resumo dos dados. Examinar os fatores variáveis do processo adicionais e relacionar com variação e atributos se necessário. -Examinar o processo -Extrair/definir o fator potencial/Possível X - Logic Tree - Fish Bone - Matriz X-YExtrair possíveis X´s Atividade Ferramenta Passo 6 Selecionar o fator vital Extrair vários fatores vitais baseado na meta de melhoria e direção. Selecionar os fatores vitais que podem alcançar a meta através do exame e análise. Propósito • Selecionar os dados adicionais focando no possível X e examinar sua relação e influência no Projeto Y -Coletar dados -Métodos quantitativos/ qualitativos. Coletar e examinar dados adicionais • Decidir os fatores vitais que tem maior influência no Projeto Y. • Verificar/examinar a possibilidade de atingir as metas com os fatores vitais. -Verificar causa e efeito -Seleção do fator Vital Seleção do Fator Vital - Análise Gráfica -Estimar intervalo/Teste de hipótese - Análise de regressão linear - Avaliar experimentos -Análise de comparação qualitativa
110 • Examinar a causa fundamental e seu efeito sobre Y do projeto através do Vital Few extraído. - Definir o Vital Few - Examinar a causa fundamental - 5 Porquês - Logic Tree Examinar a causa fundamental Atividade Ferramenta Passo 7 Examinar a causa Examinar a relação entre o Projeto Y e a extração do Fator Vital. Examinar a causa fundamental e seu efeito em cada fator vital. Propósito
111 Vital Few - Poucos fatores Controláveis que influenciam a saída. - Deve existir o fator principal. Fatores potenciais Fatores possíveis Vital Few VF Potential Possible VF Potential Possible VF Potential PossibleVF Potential PossibleVF Potential Possible Process/SystemEntrada Saída (Y) X’s : Vital Few X’s : Muitas causas Y é a variável dependente. X é a variável independente. Y depende de X. Se controlar o X, pode-se melhorar o Y. Trivially Many Vital Few Efeitos de Y N° de Causas Vital FewVital Few ( )XfY =
112 IntroduçãoIntrodução • Depois de ser calculado o valor Z do CTQ(Y ) no estagio de MEDIÇÃO. • No estagio de ANÁLISE, nós estamos focando nas CAUSAS (X´s) que afetam Y. • Primeiro, liste todas as possíveis causas, e então encontre as significativas (Vital Few) usando ferramentas estatísticas. - Passo 1 - Liste as possíveis causas Brainstorming para listar as Possíveis causas Brainstorming para listar as Possíveis causas Desenhe o Diagrama de Causa e Efeito (Fish Bone) Desenhe o Diagrama de Causa e Efeito (Fish Bone) Histograma Scatter Plot / Matrix Plot Bar Chart Box Plot - Passo 2 - Coletar Dados 1) Coletar dados de cada um dos possíveis X’s levantados no Fish Bone / Logic Tree. 2) No caso de dificuldade na coleta, pode-se utilizar o DOE. 1) Coletar dados de cada um dos possíveis X’s levantados no Fish Bone / Logic Tree. 2) No caso de dificuldade na coleta, pode-se utilizar o DOE. - Passo 3 - Identificar o Vital Few 1 Proportion 2 Proportion Chi-square Test 1 Sample T 2 Sample T ANOVA Correlação Equação Regressão Test for equal Variance Análise Gráfica Testes Hipótese Correlação Seqüência: Dot Plot
113 Introdução ao MinitabIntrodução ao Minitab Ao abrir o Minitab 16 irá aparecer a tela abaixo, essa tela é dividida em 2 partes: Sessão (Session) e a planilha (Worksheet). Os resultados dos testes e ferramentas irão aparecer nessa área. Os resultados dos testes e ferramentas irão aparecer nessa área. Os dados para a análise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e não com células como o Excel. Os dados para a análise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e não com células como o Excel.
114 Introdução ao MinitabIntrodução ao Minitab Na worksheet podemos adicionar dados de 2 maneiras: “Agrupado” ou “Desagrupado”. Quando temos dados Agrupados (Stack) significa que estes estão todos em uma só coluna, já os Desagrupados (Unstack) estão em várias colunas, veja o exemplo abaixo: AgrupadosAgrupados DesagrupadosDesagrupados
115 Introdução ao MinitabIntrodução ao Minitab Dados Agrupados Para utilizar algumas ferramentas do Minitab, é necessário que os dados estejam digitados em uma só coluna, ou seja, Dados Agrupados. Exemplo, se temos os dados já digitados no Excel e queremos utilizá-los no Minitab e precisamos agrupá-los, devemos seguir os passos abaixo: Dados Desagrupados Dados Desagrupados Data>Stack>Columns Adicionar as colunas que se deseja agrupar. Escolher a coluna que ficarão os dados agrupados Escolher a coluna que ficarão os nomes dos dados agrupados
116 Dados Desagrupados Dados Desagrupados Dados Agrupados Dados Agrupados Depois disso os dados estarão agrupados. Introdução ao MinitabIntrodução ao Minitab
117 Dados Desagrupados Para utilizar algumas ferramentas do Minitab, é necessário que os dados estejam digitados em várias colunas, ou seja, Dados Desagrupados. Veja o exemplo abaixo: Introdução ao MinitabIntrodução ao Minitab Dados Agrupados Dados Agrupados Data>Unstack Columns Adicionar a coluna com os dados que se deseja desagrupar. Selecionar essa opção Adicionar a coluna com os nomes dos dados que se deseja desagrupar.
118 Depois disso os dados estarão desagrupados. Introdução ao MinitabIntrodução ao Minitab Dados Desagrupados Dados Desagrupados Dados Agrupados Dados Agrupados
119 Introdução ao MinitabIntrodução ao Minitab Exercício: Agrupe os dados abaixo utilizando o Minitab. Desagrupe os dados abaixo utilizando o Minitab. Turma Nota A 18,4 A 19,9 A 20,4 A 19,5 B 21,5 B 20,2 B 21,1 B 19,4 C 19,2 C 20,6 C 17,8 C 19,2 D 20,5 D 21,7 D 20,4 D 20,3 E 20,2 E 20,4 E 20,6 E 20,9 A B C D E 18,4 21,5 19,2 20,5 20,2 19,9 20,2 20,6 21,7 20,4 20,4 21,1 17,8 20,4 20,6 19,5 19,4 19,2 20,3 20,9
120 Criando Seqüências: O Minitab cria seqüências de números e de textos, assim fica fácil montar tabelas com dados que se repetem. Veja exemplo abaixo. Criar a seqüência de números de 1~10, com 4 repetições de cada seqüência. Introdução ao MinitabIntrodução ao Minitab Calc>Make Patterned Data>Simple Set of Numbers Escolher a coluna que deseja colocar a seqüência. Escolher o 1º número da seqüência. Escolher o último número da seqüência. Escolher os incrementos. Escolher quantas vezes irá aparecer cada número. Escolher quantas vezes irá repetir a sequência inteira.
121 Criando Seqüências: Criar a seqüência de palavras João, Carlos e Pedro, repetindo cada valor 5 vezes. Introdução ao MinitabIntrodução ao Minitab Calc>Make Patterned Data>Text values Escolher a coluna que deseja colocar a seqüência. Digitar as palavras Escolher quantas vezes vai repetir cada palavra. Escolher quantas vezes vai repetir a seqüência inteira.
122 Salvando arquivos: No Minitab podemos salvar dois tipos de arquivos, pode ser salvo somente a Worksheet que contém os dados, quando fazemos isso todos os gráficos e cálculos que estiverem na Sessão não serão salvos, ou também podemos salvar o Projeto, assim todas as informações serão salvas. Introdução ao MinitabIntrodução ao Minitab File>Save Project As File>Save Current Worksheet As
123 Abrindo arquivos: Podemos abrir tanto uma Worksheet ou um Projeto, para isso precisamos escolher a opção adequada, se tentar abrir uma worksheet clicando no menu Open Project ira aparecer uma mensagem de erro. Introdução ao MinitabIntrodução ao Minitab File>Open Project File>Open Worksheet
124 Atalhos: Para ficarmos alternando entre a Seção, Gráficos e Worksheet pode utilizar os seguintes botões. Introdução ao MinitabIntrodução ao Minitab Vai para os Gráficos; Vai para a Worksheet; Vai para a Seção. Para voltar na última ferramenta utilizada clique no botão:
125 Extrair Possíveis X’sExtrair Possíveis X’s Possíveis X’s Na fase de ANALISE devemos extrair os possíveis X’s que estão afetando o Y do projeto. Para isso podemos utilizar algumas ferramentas. Veja o diagrama abaixo. Processo / Sistema Possíveis X’s Vital Few Vários X’s X’s Potenciais Sugestão de Idéias Analisar / Discutir Decidir Vital Few Identificar relação com o Y Escala e méto do de medição Resumo dos Dados Input Output (Y) Brainstorming Espinha de Peixe Logic Tree Sabedoria da Organização
126 Espinha de Peixe (Fish Bone)Espinha de Peixe (Fish Bone) Propósito Ferramenta para listar todas as potencias causas que possam estar influenciando no Y do projeto. Após a montagem da Espinha de Peixe é preciso, através de um brainstorming, listar quais das causas vão ser os Possíveis X’s, lembrando que todos os X’s selecionados como possíveis deverão ser medidos e analisados. Importante: na espinha de peixe devem ser colocado as CAUSAS que geram o Y e não as soluções para essas causas, por exemplo: Y = Curto Solda X1 = Diminuir velocidade do Finger Esse X indicado é a solução para o problema, o correto seria: X1 = Velocidade do Finger Para fazer a espinha de peixe podemos separar as causas pelo 5M1E, 4P ou Seqüência do Processo.  5M1E Man – Homem Machine – Máquina Method – Método Material – Material Measure – Medida  4P Place – Local Product – Produto Price – Preço Promotion - Promoção YY Man Machine Method Material Environment Treinamento Inspeção Habilidade Manuseio 5S Visual Pulseira DDC Jigs APC Processo Manual Antigas Ajuste Seqüência Linha Monitoramento Automático Manual Revezamento LinhaA LinhaB LinhaC Temperatura Ambiente Solda Pre-heater Elet. Estática Esteira Carrinho Umidade Oxidação Turnos Pinos Cabos 1º 2º 3º Obsoleto Empenado Manchado Riscado X1 X2 X3 X4 X5
127 Logic TreeLogic Tree Propósito Ferramenta para listar todas as potencias causas que possam estar influenciando no Y do projeto. Após a montagem do Logic Tree, através de um brainstorming, listar quais das causas vão ser os Possíveis X’s, lembrando que todos os X’s selecionados como possíveis deverão ser medidos e analisados. Importante: o Logic Tree deve ser feito com o método MECEMECE (Mutually Exclusive Collectively Exhaustive), ou seja, Mutuamente Exclusivo e Coletivamente Exaustivo. Veja a figura abaixo. No caso de MECE No caso de não MECE A B A B A B B A C  AB é ME, não CE. Exemplo: animais A: mamíferos B: peixes  ABC é CE, não ME. Exemplo: Mulher A: solteiras B casadas C: Trabalhando  AB não é nem ME nem CE. Exemplo: Classe de Alunos A: Bons em matemática B: Bons em literatura A1 MECE A2 B1 MECE B2 C1 C2 C3 A B C MECE MECE C
128 Logic TreeLogic Tree Exemplo: Usar o método MECE significa que todos os potencias X’s serão analisados (Collectively Exhaustive (CE)) e que nenhum deles influenciará o outro (Mutually Exclusive (ME)) A1 A2 B1 B3 C1 C2 C3 A B C Y MECEMECE B2 A1 B1 C1 A B C Y MEME A1 B1 B1 B2 C1 A1 C2 A B C Y CECE C1 OK Não foram analisadas todas as possibilidades em cada item. Não é CE Existem causas duplicadas em alguns itens. Não é ME
129 Dados Discretos:  Bar Chart;  Pareto Chart. Dados Contínuos:  Box Plot;  Dot Plot;  Histograma;  Bar Chart;  Scatterplot;  Matrix Plot;  Probability Plot. Dados Discretos:  Bar Chart;  Pareto Chart. Dados Contínuos:  Box Plot;  Dot Plot;  Histograma;  Bar Chart;  Scatterplot;  Matrix Plot;  Probability Plot. Dados Discretos:  1 Proportion;  2 Proportion;  Chi Square Test (χ²) Dados Contínuos:  Normality Test;  1 Sample T;  2 Sample T;  ANOVA;  Test for Equal Variance; Dados Discretos:  1 Proportion;  2 Proportion;  Chi Square Test (χ²) Dados Contínuos:  Normality Test;  1 Sample T;  2 Sample T;  ANOVA;  Test for Equal Variance; Dados Discretos:  Chi Square Test (χ²) Dados Contínuos:  Correlation;  Equação de Regressão. Dados Discretos:  Chi Square Test (χ²) Dados Contínuos:  Correlation;  Equação de Regressão. Análise dos Possíveis X’sAnálise dos Possíveis X’s Propósito É preciso analisar todos os Possíveis X’s que foram destacados pelo Brainstorming na Espinha de Peixe ou Logic Tree, e criar um plano de coleta de dados respeitando o Rational Subgrouping. Devemos utilizar as ferramentas do 6 Sigma para decidir quais destes Possíveis X’s serão os Vital Few. Tipos de Análise Para buscar os Vital Few podemos fazer alguns tipos de Análise: Gráfica, Teste de Hipótese ou Correlação. GráficaGráfica Teste HipóteseTeste Hipótese CorrelaçãoCorrelação
130 Análise GráficaAnálise Gráfica Propósito Identificar os Vital Few através da Análise Gráfica. Para cada tipo de dados e dependendo de qual informação queremos mostrar existe um gráfico adequado. Veja a tabela abaixo: Dados Discretos Contínuos * Pareto Chart Bar Chart Tipo de DadosTipo de Dados GráficoGráfico PropósitoPropósito “Rankear” os valores de cada X’s, mostrando o mais impactante. Quantificar os valores de cada X’s, mostrando o mais impactante. Dot Plot Histograma Bar Chart Box Plot Scatterplot Matrix Plot Probability Plot Verificar a variação do item em análise. Também é possível identificar Outliers. Verificar a variação do item em análise. Também é possível identificar Outliers e possibilidade de ser uma distribuição Normal. Fazer comparação entre os fatores/variáveis em análise. Fazer comparação entre os fatores/variáveis em análise. Possível verificar outliers. Verificar se existe correlação entre o Y e os X’s Possível verificar outliers. Verificar se os dados seguem uma Distribuição Normal. * Já foi visto anteriormente
131 Dados Discretos – Bar ChartDados Discretos – Bar Chart Bar Chart Foram coletados dados de uma companhia, esses dados mostram os tipos de defeitos e suas respectivas quantidades ao longo de 12 meses. Verificar qual é o pior problema. Abrir o exemplo “bar-chart.mtw”. Graph> Bar Chart Selecionar essa opção DefeitoCount CBA 77 77 77 77 77 77 77 7 77 77 77 Chart of Defeito
132 Dados Discretos – Bar ChartDados Discretos – Bar Chart Podemos detalhar mais as informações no gráfico. Como pode ser visto no gráfico anterior o pior defeito é o “B”, verifique se esse defeito é o mais crítico em cada uma das 3 linhas. Defeito Count CBA 70 60 50 40 30 20 10 0 25 65 25 Chart of Defeito Selecionar essa opção Count Linha Defeito LCLBLA CBACBACBA 77 77 77 77 7 7 77 7 77 77 7 7 77 7 Chart of Linha; Defeito
133 Dados Contínuos – Dot PlotDados Contínuos – Dot Plot Dot Plot A companhia LGE000 produz telefones celulares, atualmente 3 fornecedores fabricam baterias para sua produção. Verifique as variações entre estes fornecedores, sabendo que a característica medida foi a tensão elétrica fornecida pela bateria, sua faixa pode variar de 3,0 ~ 4,2 [V]. Abrir o exemplo: “Dot-plot.mtw” Graph> Dot Plot Tensão [V] 3,923,783,643,503,363,223,08 Dotplot of Tensão [V]
134 Dados Contínuos – Dot PlotDados Contínuos – Dot Plot Separando os dados por fornecedores. Tensão [V] Fornecedor 7,777,777,777,777,777,777,77 Fornecedor A Fornecedor B Fornecedor C Dotplot of Tensão [V] vs Fornecedor
135 Dados Contínuos – Dot PlotDados Contínuos – Dot Plot Outliers são pontos distantes do resto da amostra, normalmente são problemas que aconteceram durante a coleta de dados. Toda vez que for encontrado outliers é essencial que este seja removido, mas para isso é preciso saber porque ele esta na amostra. A presença de outliers pode fazer com que uma amostra seja transformada em dados não normais, dessa forma é impossível realizar a análise. Identificando outliers no Minitab: Outliers Clicar botão direto do mouse sobre o gráfico Outliers  Outliers: 3,44185 [V] 3,44973 [V]
136 Dados Contínuos – HistogramaDados Contínuos – Histograma Histograma Vamos utilizar o mesmo exemplo do gráfico anterior. Abrir o exemplo: “Dot-plot.mtw” Graph> Histogram Tensão [V] Frequency 3,903,753,603,453,303,153,00 50 40 30 20 10 0 Histogram of Tensão [V]
137 Dados Contínuos – HistogramaDados Contínuos – Histograma Separando por fornecedores. Os dados devem estar desagrupados. Selecionar Frequency 3,903,753,603,453,303,153,00 40 30 20 10 0 3,903,753,603,453,303,153,00 40 30 20 10 0 Fornecedor A Fornecedor B Fornecedor C Histogram of Fornecedor A; Fornecedor B; Fornecedor C
138 Dados Contínuos – Bar ChartDados Contínuos – Bar Chart Bar Chart Foram coletados dados do processo XXX durante 60 dias, esses dados estão divididos pelos turnos que existem na empresa (turno A, B e C). Sabe-se que o que foi medido foi o tempo deste processo, compare a média de tempo de produção entre os três turnos. Abrir o exemplo: “Bar-chart 2.mtw” Graph> Bar Chart Selecionar Selecionar Escolher o que deseja-se comparar. Turno MeanofTempo Turno CTurno BTurno A 77 7 7 7 7 7,77777 7,77777 7,77777 Chart of Mean( Tempo ) vs Turno
139 Dados Contínuos – Box PlotDados Contínuos – Box Plot Box Plot Vamos utilizar o mesmo exemplo do gráfico anterior. Abrir o exemplo: “Bar-chart 2.mtw” Graph> Box Plot Selecionar Selecionar
140 Dados Contínuos – Box PlotDados Contínuos – Box Plot Tempo 11 10 9 8 7 6 5 4 3 8,221 Boxplot of Tempo Máximo Separando por Turnos: Turno Tempo Turno CTurno BTurno A 11 10 9 8 7 6 5 4 3 8,99688 7,16093 8,50519 Boxplot of Tempo vs Turno 3º Quartil – 75% dos dados Mediana – 50% dos dados Média 1º Quartil – 25% dos dados Mínimo Outliers Graph> Box Plot
141 Dados Contínuos – Descriptive StatisticsDados Contínuos – Descriptive Statistics Descriptive Statistics Se desejamos calcular todos os pontos do Box Plot (quartis, mediana, média, etc) devemos utilizar a ferramenta de Estatística Descritiva. Não somente os pontos do Box Plot, mas toda a estatística descritiva pode ser calculada com essa ferramenta. Stat>Basic Statistics>Display Descriptive Statistics Adicionar variável Adicionar subgrupos
142 Dados Contínuos – Descriptive StatisticsDados Contínuos – Descriptive Statistics Turno Tempo Turno CTurno BTurno A 77 77 7 7 7 7 7 7 7 Boxplot of Tempo by Turno Turno Tempo Turno CTurno BTurno A 77 77 7 7 7 7 7 7 7 Individual Value Plot of Tempo vs Turno Tempo Frequency 77777777 77 77 77 77 7 77777777 77 77 77 77 7 Turno A Turno B Turno C Turno A 7,777 StDev 7,777 N 777 Turno C Mean 7,777 StDev 7,7777 Mean N 777 7,777 StDev 7,7777 N 777 Turno B Mean Histogram (with Normal Curve) of Tempo by Turno Panel variable: Turno TempoFrequency 77777777 77 77 77 77 7 77777777 77 77 77 77 7 Turno A Turno B Turno C Histogram of Tempo by Turno Panel variable: Turno
143 Dados Contínuos – Graphical SummaryDados Contínuos – Graphical Summary Graphical Summary Tem a mesma função da ferramenta anterior, mas aparece em um único painel os gráficos e os valores da estatística descritiva. Stat>Basic Statistics>Graphical Summary 77,77,77,77,77,7 Median Mean 7,7777,7777,7777,7777,7777,7777,777 A nderson-Darling Normality Test V ariance 7,7777 Skew ness -7,777777 Kurtosis -7,777777 N 777 Minimum 7,7777 A -Squared 7st Q uartile 7,7777 Median 7,7777 7rd Q uartile 7,7777 Maximum 7,7777 77% C onfidence Interv al for Mean 7,7777 7,77 7,7777 77% C onfidence Interv al for Median 7,7777 7,7777 77% C onfidence Interv al for StDev 7,7777 7,7777 P-V alue 7,777 Mean 7,7777 StDev 7,7777 77% C onfidence I nter v als Summary for Tempo Turno = Turno C 77,77,77,77,77,7 Median Mean 7,77,77,77,7 A nderson-Darling Normality Test V ariance 7,7777 Skew ness -7,777777 Kurtosis -7,777777 N 777 Minimum 7,7777 A -Squared 7st Q uartile 7,7777 Median 7,7777 7rd Q uartile 7,7777 Maximum 77,7777 77% C onfidence Interv al for Mean 7,7777 7,77 7,7777 77% C onfidence Interv al for Median 7,7777 7,7777 77% C onfidence Interv al for StDev 7,7777 7,7777 P-V alue 7,777 Mean 7,7777 StDev 7,7777 77% C onfidence I nter v als Summary for Tempo Turno = Turno B 77,77,77,77,77,7 Median Mean 7,777,777,777,777,777,777,77 A nderson-Darling Normality Test V ariance 7,7777 Skew ness -7,7777777 Kurtosis -7,7777777 N 777 Minimum 7,7777 A -Squared 7st Q uartile 7,7777 Median 7,7777 7rd Q uartile 7,7777 Maximum 7,7777 77% C onfidence Interv al for Mean 7,7777 7,77 7,7777 77% C onfidence Interv al for Median 7,7777 7,7777 77% C onfidence Interv al for StDev 7,7777 7,7777 P-V alue 7,777 Mean 7,7777 StDev 7,7777 77% C onfidence I nter v als Summary for Tempo Turno = Turno A
144 Dados Contínuos – ScatterplotDados Contínuos – Scatterplot Scatterplot Sabe-se que conforme aumentamos a temperatura no forno [°C] o comprimento do produto varia, verifique se existe uma correlação entre o aumento da temperatura e o comprimento da peça [cm]. Abrir o exemplo: “Scatterplot.mtw” Graph> Scatterplot NÃO inverter X com Y Temp [°C] Comp.[cm] 120115110105100 22 21 20 19 18 17 16 15 14 13 Scatterplot of Comp. [cm] vs Temp [°C] Existe correlação?
145 Dados Contínuos – CorrelationDados Contínuos – Correlation Correlation Apenas graficamente fica difícil afirmar que existe ou não correlação entre o Y e o X, com isso utilizaremos a ferramenta “Correlation”. Utilizando o exemplo anterior, calcular o coeficiente de correlação (r). Stat> Basic Statistics> Correlation Adicionar as variáveis X e Y Regra da Correlação -1 -0,8 -0,3 10,80,3 Forte Negativa Forte Positiva Fraca Positiva Fraca Negativa Sem Existe correlação? Conforme a regra de correlação,existe correlação forte e positiva.
146 Dados Contínuos – Matrix PlotDados Contínuos – Matrix Plot Matrix Plot Utilizamos o matrix plot quando temos mais do que um X para verificar a correlação com o Y. No exemplo anterior tínhamos o Y sendo a comprimento da peça e o X sendo a temperatura, agora, além da temperatura, descobrimos que o tempo em que a peça fica no forno também esta influenciando a produção. Abrir o exemplo: “Matrix Plot.mtw” Graph> Matrix Plot Temp [°C] Comp.[cm] 120115110105100 22 21 20 19 18 17 16 15 14 13 Tempo [s] 161514 Matrix Plot of Comp. [cm] vs Temp [°C]; Tempo [s]
147 Dados Contínuos – CorrelationDados Contínuos – Correlation Utilizando o exemplo anterior, calcular o coeficiente de correlação (r), verificando se existe ou não a correlação. Stat> Basic Statistics> Correlation Existe correlação?
148 Dados Contínuos – Probability PlotDados Contínuos – Probability Plot Probability Plot Quando trabalhamos com dados de produção temos que garantir que estes sejam distribuídos normalmente (Distribuição Normal), podemos verificar isso através do Probability Plot. Abrir o exemplo: “Probability Plot.mtw” Graph> Probability Plot Adicionar as variáveis
149 Data Percent 22201816141210 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,783 13,77 0,9939 100 0,402 0,352 17,89 1,012 100 0,606 StDev 0,112 N AD P 15,10 1,004 100 0,236 Variable Fornecedor C Fornecedor A Fornecedor B Probability Plot of Fornecedor A; Fornecedor B; Fornecedor C Normal - 95% CI Dados Contínuos – Probability PlotDados Contínuos – Probability Plot Foco Regra da Normalidade P-value > 0,05  Dados Normais P-value < 0,05  Dados não Normais Os dados são normais?
150 Teste de HipóteseTeste de Hipótese Propósito Quando temos duas possibilidade de decisão, mas não sabemos qual das duas vai ser aceita, utilizamos os Testes de Hipótese. Nós chamamos dois fatos não confirmados de Hipóteses separando-os em Hipótese Nula (H0) e Hipótese de Oposição ou Alternativa (H1). Ex.: O IQC examina diariamente peças do Fornecedor A com relação a qualidade da mesma, eles comparam as peças com um padrão pré-definido. Quais são as duas hipóteses que podemos ter? H0  Peças iguais ao padrão (boas) H1  Peças diferentes do padrão (ruins) Como podemos esboçar uma decisão razoável? Diferença entre amostra e padrão A possibilidade de aceitar H0 é alta Pequena Grande A possibilidade de aceitar H0 é baixa
151 Teste de HipóteseTeste de Hipótese • Em outras palavras Teste de Hipótese, é o calculo da probabilidade de aceitar ou rejeitar H0. Se a probabilidade é alta aceita-se H0, e se for baixa rejeita-se H0 conseqüentemente aceitando H1. » Mas como definir entre as hipóteses H0 e H1? • A possibilidade de se aceitar ou rejeitar H0 é definida através de um valor de probabilidade chamado “P-value”. • Para se decidir se o valor de P-value é alto ou não, ou seja, se eu aceito ou rejeito H0, após calculado este valor, um padrão será necessário. Este padrão é chamado de Nível Significativo (Significant Level) normalmente escolhido entre 1%, 5% e 10%. (Padronizado 5%) • O padrão de seleção do Nível Significativo depende do nível de confiança. Se o nível de confiança é alto, a possibilidade para aceitar H0 deveria ser alta. Neste caso, o Nível Significativo deveria ser baixo. • De outro modo, se a possibilidade para aceitar H0 deveria ser baixa, o Nível Significativo deveria ser alto. • Ex.: Supondo que duas turmas estivessem fazendo a prova de Green Belt e gostaríamos de verificar se a médias entre elas é igual ou não. Qual seriam as hipóteses neste caso? • H0 = μ1 = μ2 (médias iguais) • H1 = μ1 ≠ μ2 (médias diferentes) H0 = P-value >0,05 H1 = P-valeu < 0,05
Teste de HipóteseTeste de Hipótese α = erro tipo I H0 é verdadeiro, seleciono H1 β = erro tipo II H1 é verdadeiro, seleciono H0  Erro α é quando rejeitamos a hipótese verdadeira. (risco do fornecedor)  Erro β é quando aceitamos a hipótese falsa. (risco do cliente)  O “P-value” é a probabilidade de se obter uma estatística para o teste onde poderemos aceitar ou rejeitar a hipótese nula (H0). Ele é o menor nível no qual H0 pode ser rejeitado. Aceitar H0Aceitar H0 α = 0,05 α*100 = 5%  Nível de Significância α = 0,05 α*100 = 5%  Nível de Significância C.L. = 1- α C.L. = 0,95 C.L.*100 = 95%  Nível de Confiança C.L. = 1- α C.L. = 0,95 C.L.*100 = 95%  Nível de Confiança Regra de P-value: P-value > α  Aceita H0 P-value < α  Rejeita H0 Regra de P-value: P-value > α  Aceita H0 P-value < α  Rejeita H0 2,5%2,5% 95%95% 2,5%2,5% O valor de “α” no gráfico ao lado é de 5%, então se P-value for menor que ele, nós rejeitaremos a Hipótese nula (H0), por conseqüência iremos aceitar a hipótese alternativa (H1). Será dessa forma que iremos utilizar os testes de hipótese, sempre analisando o “P-value” e comparando-o com o nível significante (α). *Obs.: o valor de α é o quanto estaremos aceitando o erro de rejeitarmos o H0, quando na verdade deveríamos aceita-lo. O C.L. nos mostra a confiabilidade do teste, sendo que quanto maior o “α” pior será essa confiabilidade. α/2 α/2C.L. LG Electronics Green Belt [Mfg] 152 Erro α e β P-value:
153 Propósito Identificar os Vital Few através de Testes de Hipótese. Para cada tipo de dados e dependendo de qual informação queremos mostrar existe um Teste adequado. Veja a tabela abaixo: Dados Discretos Contínuos 1 Proportion 2 Proportion Tipo de DadosTipo de Dados Teste HipóteseTeste Hipótese PropósitoPropósito Comparar 1 proporção com um padrão. Comparar 2 proporções entre si. Chi Square Test * Normality Test 1 Sample T 2 Sample T Test for Equal Variance ANOVA Comparar a relação entre 2 ou mais proporções Verificar se os dados seguem uma distribuição normal. Comparar a média de 1 amostra com um padrão. Comparar a média entre 2 amostras Comparar a variação entre 2 ou mais amostras. * Não é um Teste de Hipótese Teste de HipóteseTeste de Hipótese Comprar a variação da média entre 2 ou mais amostras
154 Dados Discretos – 1 ProportionDados Discretos – 1 Proportion 1 Proportion O nível de defeito do Fornecedor A era de 7%. Eles realizaram um projeto 6 Sigma visando a diminuição desse índice, uma das idéias de melhorias foi mudar a seqüência do processo estampagem, foi feito um teste com a nova seqüência, e coletado uma amostra de 1250 peças onde ocorreram 6 defeitos. Verifique estatisticamente se a seqüência do processo era um vital few. (α=0,05) 1º  Definir o Teste a ser utilizado: 1 Proportion 2º  Definir as Hipóteses: H0  PAtual = 7% H1  PAtual < 7% 3°  Fazer o teste no Minitab: (Stat>Basic Statistics>1 Proportion) Entrar com os dados C.L. = (1-α)*100 Entre com o Padrão Escolha o H1 H1, pois o valor de P-value < 0,05 Conclusão: a seqüência do processo era Vital Few? Sim, pois P-value =0,000 < 0,05,é Vital Few.
155 Dados Discretos – 2 ProportionDados Discretos – 2 Proportion 2 Proportion Foi coletado uma amostra de 3500 monitores na linha de produção de LCD, e encontrado 10 defeitos, esses defeitos eram todos relacionados a problemas de Curto de Solda. Foi alterado a velocidade da Máquina de Solda, e depois disso coletou-se uma nova amostra onde de 3500 peças 7 estavam com problema de Curto de Solda. Verifique estatisticamente se o tempo de soldagem do processo era um vital few. (α=0,05) 1º  Definir o Teste a ser utilizado: 2 Proportion 2º  Definir as Hipóteses: H0  PAntes = Patual H1  PAntes > Patual 3°  Fazer o teste no Minitab: (Stat>Basic Statistics>2 Proportion) Conclusão: o tempo de soldagem do processo era Vital Few? H0 – O processo não é Vital Few. P-value: 0,233 Não há relação entre o tempo de soldagem e a quantidade de defeitos. Entrar com os dados C.L. = (1-α)*100 Sempre será 0,0 Escolha o H1 H0, pois o valor de P-value > 0,05
156 Dados Discretos – Chi-Square Test [Dados Discretos – Chi-Square Test [χχ²]²] Chi-Square Test Suponha que seja realizada uma pesquisa para determinar se existe relação entre o local de residência e a preferência por monitores. Uma amostra aleatória de 200 proprietários de monitores da cidade grande, 150 do subúrbio e 150 na zona rural foi selecionada. Verifique estatisticamente se o local de residência era um vital few. (α=0,05) Abrir o exemplo: “Chi-square Test.mtw” 1º  Definir o Teste a ser utilizado: Chi-Square Test 2º  Definir as Hipóteses: H0  Não existe relação entre Vendas e o Local de Residência H1  Existe relação entre Vendas e o Local de Residência 3°  Fazer o teste no Minitab: (Stat>Tables>Chi-Square Test) Entrar com os dados H1, pois o valor de P-value < 0,05 Conclusão: o local de residência era Vital Few?
157 Dados Contínuos – Normality TestDados Contínuos – Normality Test Normality Test Esta ferramenta não é um Teste de Hipótese, é simplesmente uma ferramenta de ajuda para garantirmos que os dados que estão sendo analisados seguem uma distribuição Normal. Abrir o exemplo: “Normality Test.mtw” Stat>Basic Statistics>Normality Test * Importante: só calculamos a normalidade para dados CONTÍNUOS. Regra da Normalidade P-value > 0,05  Dados Normais P-value < 0,05  Dados não Normais Caso A Percent 13121110987 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,649 9,992 StDev 0,9986 N 100 AD 0,277 P-Value Probability Plot of Caso A Normal Entrar com os dados Sempre utilizar esse método Conclusão: os dados são normais ? Caso A Frequency 1312111098 20 15 10 5 0 Histogram of Caso A
158 Caso B Percent 2015105 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean <0,005 12,26 StDev 2,347 N 100 AD 1,271 P-Value Probability Plot of Caso B Normal Caso C Percent 16,516,015,515,014,514,013,5 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,537 15,06 StDev 0,4649 N 100 AD 0,316 P-Value Probability Plot of Caso C Normal Conclusão: os dados são normais ? Dados Contínuos – Normality TestDados Contínuos – Normality Test Caso B Frequency 181512963 25 20 15 10 5 0 Histogram of Caso B Caso C Frequency 16,015,515,014,514,0 25 20 15 10 5 0 Histogram of Caso C Outliers Data Percent 2015105 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,649 12,26 2,347 100 1,271 <0,005 15,06 0,4649 100 0,316 StDev 0,537 N AD P 9,992 0,9986 100 0,277 Variable Caso C Caso A Caso B Probability Plot of Caso A; Caso B; Caso C Normal - 95% CI Graph>Probability Plot
159 Dados Contínuos – 1 Sample TDados Contínuos – 1 Sample T 1 Sample T Sabe-se que a peça XXX esteja aprovada ela precisa ser menor do que 10cm. Durante um projeto 6 Sigma foi levantado que um dos Possíveis X era a densidade de uma parte do processo. Foi coletado uma amostra desse fator, verifique estatisticamente se a densidade era um vital few (α=0,05). Abrir o exemplo: “1 Sample T.mtw” 1º  Normalidade dos Dados: P-value = 0,897  dados normais 2º  Definir o Teste a ser utilizado: 1 Sample T 3º  Definir as Hipóteses: H0  Xatual = 10cm H1  Xatual < 10cm 4°  Fazer o teste no Minitab: (Stat>Basic Statistics>1 Sample T) Padrão Selecionar H1
160 Dados Contínuos – 1 Sample TDados Contínuos – 1 Sample T De acordo com o P-value aceitamos H1, pois o valor é menor do que 0,05. Gráficos: A mostra 7 777777777 X _ Ho Boxplot of Amostra 7 (with Ho and 77% t-confidence interval for the mean) A mostra 7 777777777 X _ Ho Individual Value Plot of Amostra 7 (with Ho and 77% t-confidence interval for the mean) A mostra 7 Frequency 7777777 77 77 77 77 77 7 7 X _ Ho Histogram of Amostra 7 (with Ho and 77% t-confidence interval for the mean) Conclusão: a densidade era um Vital Few?
161 Dados Contínuos – Test for Equal VariancesDados Contínuos – Test for Equal Variances Test for Equal Variances Foi realizado um projeto 6 Sigma para diminuir o tempo de produção de uma linha de Celular, o processo de “Call Test” foi considerado como um Possível X. Foi coletado uma amostra do tempo desse processo, depois de algumas mudanças foi coletado uma nova amostra. Compare a variação dessas 2 amostras e decida se são iguais ou não. (α=0,05). Abrir o exemplo: “Exemplo A.mtw” 1º  Normalidade dos Dados: P-value Amostra 1 = 0,817  dados normais P-value Amostra 2 = 0,390  dados normais 2º  Definir o Teste a ser utilizado: Test for Equal Variances 3º  Definir as Hipóteses: H0  Variações iguais H1  Variações Diferentes 4°  Fazer o teste no Minitab: (Stat>ANOVA>Test for Equal Variances) Amostras 77% Bonferroni Confidence Intervals for StDevs Amostra 7 Amostra 7 7,77,77,77,77,7 Amostras Dados Amostra 7 Amostra 7 7777777777 F-Test 7,777 Test Statistic 7,77 P-Value 7,777 Levene's Test Test Statistic 7,77 P-Value Test for Equal Variances for Dados Sempre usar esse método Levene’s só é utilizado para dados não normais Conclusão: as variações são iguais ?
162 Dados Contínuos – 2 Sample TDados Contínuos – 2 Sample T 2 Sample T Utilizando o exemplo anterior compare essas 2 amostras e decida se houve melhoria na média do tempo de produção de celulares. (α=0,05). Abrir o exemplo: “Exemplo A.mtw” 1º  Normalidade dos Dados: P-value Amostra 1 = 0,817  dados normais P-value Amostra 2 = 0,390  dados normais 2º  Homogeneidade das amostras (Test For Equal Variances): P-value = 0,728  as variações são homogenias. 3º  Definir as Hipóteses: H0  Xantes = Xatual H1  Xantes > Xatual 4°  Fazer o teste no Minitab: (Stat>Basic Statistics>2 Sample T) Só selecionar se as variações forem iguais. Sempre será 0 Escolher H1
163 Dados Contínuos – 2 Sample TDados Contínuos – 2 Sample TData Amostra 7Amostra 7 77 77 77 77 77 Boxplot of Amostra 7; Amostra 7 Gráficos: Data Amostra 7Amostra 7 77 77 77 77 77 Individual Value Plot of Amostra 7; Amostra 7 De acordo com o P-value aceitamos H1, pois o valor é menor do que 0,05.
Dados Contínuos – ANOVADados Contínuos – ANOVA Propósito Média Geral A B C • Analysis of Variance, esse teste de hipótese é indicado quando deseja-se verificar a variação da média entre as amostras coletadas. • Utilizamos a ANOVA quando temos 3 ou mais amostras • Pré-requisitos da ANOVA: - Aleatoriedade dos dados; - Normalidade dos dados; - Homogeneidade das variações. Grupo Dados 1 25 1 26 1 27 1 24 1 29 2 35 2 39 2 38 2 37 2 34 3 42 3 45 3 49 3 44 3 48 Se há 3 grupos, nós podemos calcular 4 médias diferentes. ● Média Total : 36.1 ● Média do Grupo 1 : 26.2 ● Média do Grupo 2 : 36.6 ● Média do Grupo 3 : 45.6 Se a taxa de variação entre os subgrupos e a variação dentro dos subgrupo é grande, nós podemos dizer que há uma grande diferença entre os subgrupos F < 1, variação pequena entre os grupos Entendendo ANOVAEntendendo ANOVA 1 SubgruposdentroVariação SubgruposentreVariação F >= 164 LG Electronics Green Belt [Mfg]
165 Dados Contínuos – ANOVADados Contínuos – ANOVA Para testar a força de uma novo adesivo, o Depto de Desenvolvimento selecionou 3 amostras de fabricantes diferentes. Verificar se existe diferença entre as médias, tendo como base a força da cola (adhesive strength) de cada amostra (α=0,05). Abrir o exemplo: “ANOVA.mtw” 1º  Normalidade dos Dados: P-value Adesivo 1 = 0,734  dados normais P-value Adesivo 2 = 0,372  dados normais P-value Adesivo 3 = 0,506  dados normais 2º  Homogeneidade das amostras (Test For Equal Variances): P-value = 0,452  as variações são homogenias. 3º  Definir as Hipóteses: H0  Médias Iguais H1  Médias Diferentes 4°  Fazer o teste no Minitab: (Stat>ANOVA>One Way)
166 Dados Contínuos – ANOVADados Contínuos – ANOVA De acordo com o P-value aceitamos H1, pois o valor é menor do que 0,05. Type Strength Adhesive 7Adhesive 7Adhesive 7 77 77 77 77 77 77 77 77 Individual Value Plot of Strength vs Type Type Strength Adhesive 7Adhesive 7Adhesive 7 77 77 77 77 77 77 77 77 Boxplot of Strength by Type Gráficos:
167 Dados Contínuos – CorrelaçãoDados Contínuos – Correlação Propósito • Verificar se existe uma relação linear entre as variáveis X’s e Y • É a relação entre duas ou mais variáveis, é representada pela letra “r” - r mede a força da relação linear entre duas variáveis. - r sempre está entre –1 e 1. - Se r é igual a –1 ou 1, isto implica em uma perfeita correlação positiva ou negativa. - r é afetado por pontos fora do padrão (outliers). • Se existir correlação entre duas variáveis podemos montar uma equação do tipo: Y= α + β*X Onde: α= constante ; β=coeficiente de inclinação da reta. Exemplos de Correlação X Y r = 1 Correlação Positiva X r = -1 Correlação Negativa X Y r ≈ 0 Sem Correlação
168 Se existir correlação podemos montar a Equação de Regressão, veja o exemplo abaixo se existir correlação montar a equação de regressão. A PM recolheu dados sobre o tempo de uso de um determinado equipamento utilizado na linha de produção e relacionou esse tempo com o custo de manutenção do mesmo. Verificar a Correlação e montar a equação de regressão, verificar sua confiabilidade e estimar um custo de manutenção para utilizar o equipamento por 4,5 anos (C.L. 95%) Abrir o exemplo: “regressão.mtw” Dados Contínuos – CorrelaçãoDados Contínuos – Correlação Exemplo Correlação Forte Positiva Tempo de Uso (anos) CustoManutenção 7777777777 777 777 777 777 777 77 77 77 77 Scatterplot of Custo Manutenção vs Tempo de Uso (anos)
169 Dados Contínuos – CorrelaçãoDados Contínuos – Correlação Como existe a correlação entre o X e o Y pode-se montar a Equação de Regressão. Sempre colocar o Y Sempre colocar os X’s Equação de Regressão Esses 2 valores mostram o quanto a Equação é confiável. Regra da Equação de Regressão: R-sq > 64% P-value < 0,05 Essa equação é confiável ?
170 Dados Contínuos – CorrelaçãoDados Contínuos – Correlação Podemos fazer previsões utilizando a Equação encontrada anteriormente, assim pode-se ver como o processo irá se comportar e consegue-se estipular valores ideais para o processo. Colocar o valor que deseja-se prever. Valor previsto Intervalo de confiança estimado
171 Dados Contínuos – CorrelaçãoDados Contínuos – Correlação Podemos verificar o comportamento do processo graficamente. Clicar nessas opções Tempo de Uso (anos) CustoManutenção 7777777777 777 777 777 777 77 7 S 77,7777 R-Sq 77,7% R-Sq(adj) 77,7% Regression 77% CI 77% PI Fitted Line Plot Custo Manutenção = 77,77+ 77,77Tempo de Uso (anos) Escolher o melhor modelo
Melhoria - Encontrar e selecionar o método de melhoria para resolver a causa raiz do fator vital - Verificar o efeito da melhoria aplicando-a nos negócios Metas Ferramentas Etapas Fase 8. Selecionar o melhor projeto Fase 9. Executar e Verificar o mesmo - Compreender os vários métodos de projeto e seus métodos de análise. - Compreender o efeito e aplicá-los na prática. - Compreender os vários padrões qualitativos que se transformam em um padrão de pensamento sistemático - Brainstorming, Logic Tree, Matriz de Priorização, QFD (revisão) - Regressão (revisão) e Design de Experimento (DOE) 172 LG Electronics Green Belt [Mfg] 6
173 Meta Fase de Ação Saída Fase 8 - Projetar a lista de melhorias / análise de resultados dos experimentos - Selecionar um plano otimizado - O processo deverá ser Mapeado e re-definido Fase 9 - Planilha de execução do plano - Verificação dos resultado sobre o piloto - Análise de resultado : demonstrado financeiramente Extrair o plano de melhoria do processo baseado no princípio da causa e fatores vitais, selecionados na fase de análise e configuração de desempenho do projeto 8.1 Extrair um plano de melhoria 8.2 Avaliar o plano de melhoria 8.3 Selecionar o plano de melhoria 9.1 Preparar o desempenho do projeto 9.2 Executar e verificar Fase 9. Execute e verifiqueFase 8. Escolha de um plano otimizado Melhoria
174 Passo 8 Estabelecer o plano otimizado Avaliar /Comparar os vários planos de melhorias de diferentes ponto de vista e selecionar o melhor plano prático •Extrair vários planos de melhoria que podem eliminar a causa fundamental - Extrair o plano de melhoria - Selecionar o nível adequado do fator vital -Preparar e analisar o Brainstorming -Melhoria qualitativa Extrair plano de melhoria •Avaliar o plano de melhoria de diferentes pontos de vista. - Decidir prioridadeAvaliar o plano de melhoria Atividade Ferramenta •Selecionar o plano ótimo que for mais fácil de aplicar e ter maior possibilidade de atingir a meta baseado na avaliação do resultado. - Decidir prioridade - Selecionar o plano ótimo Selecionar o plano ótimo Propósito -Análise de experimento -Método qualitativo -Votação
175 • Elaborar o plano de performance apropriado para a ótima performance • Inspecionar se atinge a através de uma execução piloto ou pela performance do plano otimizado. - Elaborar o plano de performance - Executar o plano ótimo - Inspecionar o plano ótimo Elaborar o plano de performance Executar /Inspecionar - A prova de erros - Análise da capabilidade do processo Atividade Ferramenta Passo 9 Executar e inspecionar -Elaborar o plano de performance do plano ótimo selecionado. -Se necessário, refazer o plano ótimo e análises adicionais. Propósito
176 Escolha do Plano de MelhoriaEscolha do Plano de Melhoria Em caso de vários projetos de melhoria, teste-os objetivamente – Focar naqueles de maior impacto financeiro ou processo. Após extrair todas as Melhorias do plano para eliminar a causa raiz, escolha o plano final otimizado que é o mais apropriado e que pode ser executado. Observação • Considere o máximo de variedade de planos possíveis. • Selecione o plano que atenda o seu objetivo • Reflita sobre o novo plano de melhoria Extrair o plano de melhoria Avaliar o plano de melhoria Selecionar o máximo de planos de melhorias possíveis para eliminar as causas raiz. Métodos Qualitativos Métodos Quantitavos (Check Points) -O projeto de melhoria final poderá atingir o objetivo ? - Existe algum impacto sobre outra escala/função do processo? - Pode o plano de melhoria eliminar toda a causa raiz? - A performance padrão é concreta? Checar Padrão para selecionar um plano de melhoria inovador • Quebre os paradigmasQuebre os paradigmas • Mude seu ponto de vistaMude seu ponto de vista • Mantenha o focoMantenha o foco • Anote as informaçõesAnote as informações • Não coloque obstáculos para aNão coloque obstáculos para a soluçãosolução • Elabore as características do planoElabore as características do plano • Benchmarking avançadoBenchmarking avançado • Aprenda com os mais experientesAprenda com os mais experientes É importante manter a consistência do problema/causa raiz/e plano de melhoria Selecione e verifique a melhoria final do projeto baseada nos check-points. Selecione o plano otimizado
177 Selecionar Extrair Diagnóstico Meta Atual GAP Obter planos de melhoria inovadores Avaliar Manter a consistência A sabedoria de uma organização com a mente inovadora é importante para o projeto de melhoria contínua. Causa raiz Sugestão de projeto de melhoria Projeto de melhoria Nível de Sigma Execução Investir/ efeito Total P r o b l e m a Causa em que ocorre o GAP Introspecção + Resultado da análise Escolha do Plano de MelhoriaEscolha do Plano de Melhoria
178 Extrair o plano de melhoria: -Brainstorming Avaliar plano de melhoria: -Logic Tree -Avaliação da Influência das variáveis (DOE) -Regressão Selecionar o plano de melhoria: -Matriz de priorização -QFD -Otimização Vital(is) Few Dados Mensuráveis Brainstorming Logic Tree Matriz de Priorização Tratamento Estatístico Regressão DOE GLM QFD SN Execução e Inspeção Passo 8 Estabelecer o plano otimizado Passo 9 Executar e inspecionar Otimização 1 2 3 4 5 Brainstorming: ver pág. 47 Logic Tree: ver pág. 127 QFD: ver pág. 60 Regressão: ver pág. 167 DOE: será visto na Melhoria 1 2 3 4 5 Escolha do Plano de MelhoriaEscolha do Plano de Melhoria
179 Avaliação da Influência das Variáveis (DOE)Avaliação da Influência das Variáveis (DOE) É criado para economizar tempo e custo, e também para projetar um experimento. Existem várias maneiras de se fazer um experimento, mas normalmente segue-se os 3 passos abaixo: ☞ Passo 1 : Triagem de Variáveis: Planejamento fracionário( X’s causas raiz) ☞ Passo 2 : Avaliação da influência das Variáveis: Planejamento fatorial completo ☞ Passo 3 : Otimização: Método dos Mínimos Quadrados e Metodologia de Superfície de Resposta(RSM) (Não visto neste curso) Termos básicos para o experimento Qual é a variável resposta? Também chamada de variável dependente, a variável resposta é o Y Quais são as variáveis controláveis ? São A, B, C.....  Chamadas variáveis independentes ou fatores (X) Qual é a condição dos fatores no experimento? A condição é o nível: (+) para o nível alto e (-) para o nível baixo Visão geral 2 fatorialk k = Expressa o número de fatores O número máximo de fatores é 2k 2 = O número de níveis
180 ◎ Processo de solução pelo experimento ◎ Condição para o design do experimento eficiente - Aplicar o conhecimento de campo : Entendimento do ambiente do experimento Aplicação e administração do resultado - Conhecimento de experimento e análise : Método de análise e design do experimento, Método de interpretação do resultado. Desenho de experimento Know-How Conhecimento de campo (Know-How tecnológico) Desenho e prática (Decidir fator e nível ) Coletar os dados Coletar os dados Análise de dado Análise de dispersão - Pós análise Análise de dado Análise de dispersão - Pós análise ◎ Processo e plano de experimento 프로세스 SaídaEntrada Fatores controláveis (X’s) Fatores incontroláveis (N’s) = noise, erro Processo A,B,C.... Y1, Y2... DOEDOE
181 DOEDOE 3 princípios para projetar um experimento - Entender o princípio básico do experimento. Experimento Design Análise estatística Aleatoriedade Replicação Blocking Objetividade/ Reprodutibilidade da análise de resultado Análise de resultado Análise de resultado Designar a ordem na qual as tentativas experimentais serão realizadas usando aleatoriedade. Por quê? Para tirar a influência de qualquer variável oculta sobre os fatores do experimento. Para ajudar a validar as conclusões estatísticas feitas a partir do experimento. É a repetição de uma observação ou medição a fim de aumentar a precisão de análise de um experimento. Não é a mesma coisa que medições múltiplas em uma única peça ou lote. Por quê? Para que possamos decidir se a diferença entre as resposta é devida á mudança nos níveis de fatores( uma causa especial) ou é devida a uma causa comum. Para ver claramente se um fator é importante ou não. É a analise de variação externa no seu experimento Por quê? Para que possamos analisar se a variação externa está influenciando no seu experimento como por exemplo : Fazendo experimento com ar condicionado ligado ou não, linhas diferentes com umidades diferentes etc. O Design determina o método de análise e resultado. Replicação e Repetição •Replicação :Repetir todas as condições do experimento •Repetição : Repetir algumas condições do experimento Block e Blocking • Block : Grupo de experimentos em condições idênticas (unidade). • Blocking : Classificação de todas as condições da experiência em um só bloco Aleatoriedade : Não decidir subjetivamente (1) Permitir a aleatoriedade de cada item no experimento (2) Fazer o experimento aleatoriamente
182 DOE – Exemplo DPCDOE – Exemplo DPC Exemplo : DPC Com a finalidade de testar a influência de dois diferentes treinamentos em duas seções do DPC, executaremos um Design Of Experiment (DOE). Problema: Objetivo do Experimento : Quantificar a influência do local e do tipo de treinamento que o DGI ministra ao DPC em relação ao grau de motivação dos funcionários (pesquisa LGE Way) 1. Nome de Processo 2. Data 3.Testador OutputInput Fatores controlável Fatores incontrolável Processo : Humor dos funcionários Horas de Treinamento Local de Treinamento Y Tipo de Y G, P, A X Nível de X Método de experimento Causa de Noise Pesquisa LGE Way XXX MotivaçãoTipo de Treinamento Motivação do Funcionário Tipo de Treinamento Local do Treinamento Full Fatorial Nível 2 Obs: Repetição 2 vezes Humor (B) Local - (5s) + (C.A.) - (LG) + (Hotel) 60 52 Média : 56 72 83 Média : 77,5 54 45 Média : 49,5 68 80 Média : 74 (A) Tipo de Trein. (Resultado) G=Grande, P=Pequeno e A=Alvo Tipo: 5s e C.A. Local: LG e Hotel
183 Replicação daMedição Item Treinamento Local Satisfação (nota) 1 5s LG 60 2 C.A. LG 72 3 5s Hotel 54 4 C.A. Hotel 68 5 5s LG 52 6 C.A. LG 83 7 5s Hotel 45 8 C.A. Hotel 80 Medição (Resultad o) Fator A = Tipo de Treinamento (-1) Baixo = 5s ( 1 ) Alto = C.A. Fator B = Local de Treinamento (-1) Baixo = LG ( 1 ) Alto = Hotel (B) Local - (5s) + (C.A.) - (LG) + (Hotel) 60 52 Média : 56 72 83 Média : 77,5 54 45 Média : 49,5 68 80 Média : 74 (A) Tipo de Trein. DOE – Exemplo DPCDOE – Exemplo DPC
184 2 Repetições 1 2 DOE – Exemplo DPCDOE – Exemplo DPC
185 Numero de Fatores 1 Para garantir a aleatoriedade. Quando formos fazer um experimento real essa função deve estar ativada 2 Coloque o nome dos fatores e os níveis alto e baixo *caso esses não sejam colocados a tabela será formada por 1 e -1 3 DOE – Exemplo DPCDOE – Exemplo DPC
186 Coloque as respostas na coluna C7 DOE – Exemplo DPCDOE – Exemplo DPC
187 DOE – Exemplo DPCDOE – Exemplo DPC Entre com a coluna que contem o resultado 1 2 3 LG Electronics Green Belt [Mfg] 187
188 Factorial Fit: Nota versus Tipo; Local Estimated Effects and Coefficients for Nota (coded units) Term Effect Coef SE Coef T P Constant 64,250 2,531 25,38 0,000 Tipo 23,000 11,500 2,531 4,54 0,010 Local -5,000 -2,500 2,531 -0,99 0,379 Tipo*Local 1,500 0,750 2,531 0,30 0,782 S = 7,15891 R-Sq = 84,44% R-Sq(adj) = 72,77% Analysis of Variance for Nota (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 2 1108,00 1108,00 554,000 10,81 0,024 2-Way Interactions 1 4,50 4,50 4,500 0,09 0,782 Residual Error 4 205,00 205,00 51,250 Pure Error 4 205,00 205,00 51,250 Total 7 1317,50 Fator A (Tipo de treinamento) tem significância Graficamente: O gráfico que ultrapassa o valor de T é o significante Numericamente: Quando p-value < α este fator é significante Valor de T para α = 0,1 DOE – Exemplo DPCDOE – Exemplo DPC 188
189 DOE – Exemplo DPCDOE – Exemplo DPC Selecione as três opções1 Resposta Y2 Seleção dos Fatores Escolha Individual Escolha Total 3
190 DOE – Exemplo DPCDOE – Exemplo DPC A Análise Gráfica serve pra identificarmos visualmente os fatores principais e suas interações, mas a decisão final deve ser tomada com relação ao valor de p-value. Local Mean HotelLG 80 75 70 65 60 55 50 Tipo 5s C.A. Interaction Plot (data means) for Nota MeanofNota C.A.5s 75 70 65 60 55 50 HotelLG Tipo Local Main Effects Plot (data means) for Nota O tipo de treinamento tem uma maior influência na resposta Y (grau de motivação) do que o local do treinamento. O tipo de treinamento tem uma maior influência na resposta Y (grau de motivação) do que o local do treinamento.  Não há interação  O treinamento na LG, para ambos os treinamentos, é mais motivador que no Hotel  Aqueles que fizeram o treinamento de C.A. estão mais motivados do que aqueles que fizeram o treinamento de 5s.  Não há interação  O treinamento na LG, para ambos os treinamentos, é mais motivador que no Hotel  Aqueles que fizeram o treinamento de C.A. estão mais motivados do que aqueles que fizeram o treinamento de 5s.
191 DOE – Exemplo DPCDOE – Exemplo DPC Hotel LG C.A.5s Local Tipo 74,0 77,556,0 49,5 Cube Plot (data means) for Nota Melhor condição de motivação para os funcionários Podemos observar no gráfico que com o treinamento de C.A. tivemos uma melhoria expressiva no grau de motivação dos funcionários. Quanto à localidade do treinamento não tivemos uma grande diferença. Logo, quando analisamos os efeitos causados em Y, podemos verificar que o tipo de treinamento influencia muito mais do que o local do treinamento. Podemos observar no gráfico que com o treinamento de C.A. tivemos uma melhoria expressiva no grau de motivação dos funcionários. Quanto à localidade do treinamento não tivemos uma grande diferença. Logo, quando analisamos os efeitos causados em Y, podemos verificar que o tipo de treinamento influencia muito mais do que o local do treinamento.  Conclusão
192 DOE – Exemplo 2DOE – Exemplo 2³³ -Quando o número de fatores é 3 Para aumentar o rendimento, fazer um experimento selecionando 3 fatores. Definir Y através da taxa de defeito, teste 3 vezes as mesmas condições. - A : Temperatura (400 F, 450 F) - B : Densidade (10%, 20%) - C : Tempo de Pré Aquecimento(45 Seg, 90 Seg) Processo Data Nome Equipamento de Medida Y Char Y L, T, S X Nível Projeto Fator de Ruído Outros Rendimento 00/00/00 Sistema de medida Defeito Temp., Densidade e Temp. Pré Aquec. Densidade : 20%,10% Tempo Pré: 45s,90s Temperatura: 400F,450F 2 Level (Full) SaídaEntrada Fatores Controláveis Fatores Incontroláveis Processo :
193 DOE – Exemplo 2DOE – Exemplo 2³³ ● Resultado do experimento A : Temperatura - (400 F) + (450 F) C : Tempo Pré Aquecimento - (45Sec) + (90Sec) - (45Sec) + (90Sec) B Densidade - (10%) + (20%) - - - - + - - - + - + + + - - + + - + - + + + + 66.63 62.01 57.85 50.25 59.95 56.05 60.31 60.87 63.93 56.46 58.03 54.72 77.25 70.33 67.73 66.91 70.16 74.67 69.98 67.28 67.54 74.88 73.12 73.80 Média : 62.16 Média : 55.42 Média : 61.70 Média : 56.40 Média : 71.77 Média : 70.58 Média : 68.27 Média : 73.93 C : Tempo Pré Aquecimento
194 DOE – Exemplo 2DOE – Exemplo 2³³ StdOrder RunOrder CenterPt Blocks TemperaturaDensidade Tempo Y Rendimento 1 1 1 1 400 10 45 66,63 2 2 1 1 450 10 45 77,25 3 3 1 1 400 20 45 50,25 4 4 1 1 450 20 45 66,91 5 5 1 1 400 10 90 60,31 6 6 1 1 450 10 90 69,98 7 7 1 1 400 20 90 56,46 8 8 1 1 450 20 90 74,88 9 9 1 1 400 10 45 62,01 10 10 1 1 450 10 45 70,33 11 11 1 1 400 20 45 59,95 12 12 1 1 450 20 45 70,16 13 13 1 1 400 10 90 60,87 14 14 1 1 450 10 90 67,28 15 15 1 1 400 20 90 58,03 16 16 1 1 450 20 90 73,12 17 17 1 1 400 10 45 57,85 18 18 1 1 450 10 45 67,73 19 19 1 1 400 20 45 56,05 20 20 1 1 450 20 45 74,67 21 21 1 1 400 10 90 63,93 22 22 1 1 450 10 90 67,54 23 23 1 1 400 20 90 54,72 24 24 1 1 450 20 90 73,8 Medição2Medição1Medição3 3Replicações Fator A Níveis (-1)(Baixo) (+1)(Alto) Fator B Fator C Resposta Y K= 3 Fatores Fatorial 23
195 DOE – Exemplo 2DOE – Exemplo 2³³ Fractional Factorial Fit: y versus Temp, Density, Pre Estimated Effects and Coefficients for y (coded units) Term Effect Coef SE Coef T P Constant 65.0296 0.6924 93.91 0.000 Temp 12.2158 6.1079 0.6924 8.82 0.000 Density -1.8925 -0.9462 0.6924 -1.37 0.191 Pre 0.0942 0.0471 0.6924 0.07 0.947 Temp*Density 4.1308 2.0654 0.6924 2.98 0.009 Temp*Pre -0.1692 -0.0846 0.6924 -0.12 0.904 Density*Pre 2.0758 1.0379 0.6924 1.50 0.153 Temp*Density*Pre 1.3525 0.6762 0.6924 0.98 0.343 Analysis of Variance for y (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 3 916.90 916.90 305.63 26.56 0.000 2-Way Interactions 3 128.41 128.41 42.80 3.72 0.033 3-Way Interactions 1 10.98 10.98 10.98 0.95 0.343 Residual Error 16 184.11 184.11 11.51 Pure Error 16 184.11 184.11 11.51 Total 23 1240.40 Fractional Factorial Fit: y versus Temp, Density, Pre Estimated Effects and Coefficients for y (coded units) Term Effect Coef SE Coef T P Constant 65.0296 0.6924 93.91 0.000 Temp 12.2158 6.1079 0.6924 8.82 0.000 Density -1.8925 -0.9462 0.6924 -1.37 0.191 Pre 0.0942 0.0471 0.6924 0.07 0.947 Temp*Density 4.1308 2.0654 0.6924 2.98 0.009 Temp*Pre -0.1692 -0.0846 0.6924 -0.12 0.904 Density*Pre 2.0758 1.0379 0.6924 1.50 0.153 Temp*Density*Pre 1.3525 0.6762 0.6924 0.98 0.343 Analysis of Variance for y (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 3 916.90 916.90 305.63 26.56 0.000 2-Way Interactions 3 128.41 128.41 42.80 3.72 0.033 3-Way Interactions 1 10.98 10.98 10.98 0.95 0.343 Residual Error 16 184.11 184.11 11.51 Pure Error 16 184.11 184.11 11.51 Total 23 1240.40 Numericamente: Podemos confirmar o que o gráfico nos apresenta: que a temperatura e a Interação Temperatura/densidade são significativos em sua influencia na resposta Y (Rendimento), pois p-value < α. (Para o caso α=0,1) - Para determinarmos os efeitos principais ou quais tem significância podemos utilizar tanto a análise gráfica como a numérica 0 1 2 3 4 5 6 7 8 9 C AC ABC B BC AB A Pareto Chart of the Standardized Effects (response is Y Rendim, Alpha = ,10) A: Temperat B: Densidad C: Tempo Fator A (Temperatura) tem significância Interação Temperatura x Densidade tem significância Pareto dos efeitos e interações Análise Numérica LG Electronics Green Belt [Mfg] 195
196 Análise Gráfica Fator A (Temperatura) é o que mais tem significância pois é o que apresenta maior variação entre os níveis alto(450) e baixo(400) Interação Temperatura x Densidade tem maior significância pois é a interação que tem maior influencia no Y DOE – Exemplo 2DOE – Exemplo 2³³ O importante é o quanto a reta está inclinada.
⊙ Onde é o melhor ponto? -1,-1,-1 1,-1,-1 -1,-1,1 -1,1,1 -1,1,-1 1,1,1 1,1,-1 1,-1,1 (1)(-1) (-1) (1) (-1) (1) A B C Considerando que quanto maior o rendimento melhor. Nossa melhor situação é: MELHOR PONTO: Temperatura (450) Densidade (20) Tempo (90) MELHOR PONTO: A (1) B (1) C (1) Rendimento = 73,933 OU 197 DOE – Exemplo 2DOE – Exemplo 2³³
Interpretação dos gráficos de Interação Efeito Principal Devido a B Fator B - + Resposta Fator A - + Fator B - + Resposta Fator A - + Fator B - + Resposta Fator A - + Fator B - + Resposta Fator A - + Fator B - + Resposta Fator A Fator B - + Resposta Fator A - + - + Sem Efeito Principal Devido a B SEM INTERAÇÃO INTERAÇÃO SUAVE INTERAÇÃO ELEVADA 198 DOE – Exemplo 2DOE – Exemplo 2³³
199 A meia fração de um fatorial completo pode, freqüentemente, fornecer as mesmas informações que o fatorial completo, com apenas metade do número de lotes. O mesmo deve ser utilizado somente quando o número de fatores é muito elevado ou o experimento demanda um alto custo. Vantagens: Utiliza menos lotes , poupa tempo e dinheiro e podemos excluir fatores de menor significância Vamos refazer o exercício anterior através de um planejamento fatorial fracionado StdOrder RunOrder CenterPt Blocks Temperatura Densidade Tempo Y 1 1 1 1 400 10 90 60,31 2 2 1 1 450 10 45 77,25 3 3 1 1 400 20 45 50,25 4 4 1 1 450 20 90 74,88 5 5 1 1 400 10 90 60,87 6 6 1 1 450 10 45 70,33 7 7 1 1 400 20 45 59,59 8 8 1 1 450 20 90 73,12 9 9 1 1 400 10 90 63,93 10 10 1 1 450 10 45 67,73 11 11 1 1 400 20 45 56,05 12 12 1 1 450 20 90 73,8 Medição2Medição1Medição3 3Replicações Fator A Níveis (-1)(Baixo) (+1)(Alto) Fator B Fator C Resp Y Fatorial Fracionado 23 DOE – Exemplo 2DOE – Exemplo 2³ - Fracionado³ - Fracionado
200 Fractional Factorial Fit: Y versus Temperatura; Densidade; Tempo Estimated Effects and Coefficients for Y (coded units) Term Effect Coef SE Coef T P Constant 65,676 1,031 63,69 0,000 Temperat 14,352 7,176 1,031 6,96 0,000 Densidad -2,122 -1,061 1,031 -1,03 0,334 Tempo 4,285 2,142 1,031 2,08 0,071 Analysis of Variance for Y (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 3 686,5 686,5 228,83 17,94 0,001 Residual Error 8 102,1 102,1 12,76 Pure Error 8 102,1 102,1 12,76 Total 11 788,6 ◎ O Fatorial Fracionado é quase similar ao Fatorial total, a única diferença no Minitab é que devemos selecionar ½ Fraction 1- Criando o experimento – Caminho no Minatab: StatDOEFractionalCreate Factorial Design 2- Analisando o experimento P-value<α StdOrder RunOrder CenterPt Blocks Temperatura Densidade Tempo Y 1 1 1 1 400 10 90 60,31 2 2 1 1 450 10 45 77,25 3 3 1 1 400 20 45 50,25 4 4 1 1 450 20 90 74,88 5 5 1 1 400 10 90 60,87 6 6 1 1 450 10 45 70,33 7 7 1 1 400 20 45 59,59 8 8 1 1 450 20 90 73,12 9 9 1 1 400 10 90 63,93 10 10 1 1 450 10 45 67,73 11 11 1 1 400 20 45 56,05 12 12 1 1 450 20 90 73,8 200 DOE – Exemplo 2DOE – Exemplo 2³ - Fracionado³ - Fracionado
201 Execução e InspeçãoExecução e Inspeção ① Resumo para verificação do resultado : De acordo com o Plano de Ação, por meio da execução e verificação dos resultados do plano de melhoria, a utilidade da poderá ser determinada. q Por meio da aplicação do plano de melhoria, a eficiência da melhoria pode ser determinada e comparada com os dados da medição do processo. q De acordo com a medição do Y selecionado, pode-se checar a validade da melhoria quando comparada com o valor de Z (σ padrão) qQuando não se encontra o nível esperado de melhoria, avance para o próximo step ordenadamente. ② Pontos de Verificação q São os mesmos como do Y selecionado no processo de medição? q São os mesmos tipos dos dados selecionados na medição do processo? q O Plano de Ação inclui coleta de dados? 1) Implementação e Verificação : Verificação dos resultados
202 Execução e InspeçãoExecução e Inspeção Exemplo de Verificação dos Resultados Cliente ASC Fábrica - Overseas - Domestic ① ②③ ④ ⑤ ⑥ LGEAP In-stock (Ordem Normal) 0 Dias0 Dias 0 dias0 dias 0 Dias0 Dias 0 Dias0 Dias antes depois 52% Melhoria 56% Melhoria → → →① ② ③ ④ performanceperformanceParts Supply process Parts Supply process Ordem de retorno (2001.Março) → → →① ② ⑤ ⑥ → →③ ④ Atual 0 %0 % 0%0%30% Melhoria antes depois antes depois Um conjunto de tarefas especiais foi organizada e executada para ajustar o tempo de entrega. US$ 720KUS$ 720K
203 Controle - Padronizar o processo melhorado. - Estabelecer o Sistema de Monitoramento regular para melhoria contínua. - Compartilhar o resultado e o conhecimento extraído do Projeto. Metas Ferra mentas Passos - Passo 10 : Padronizar - Passo 11 : Monitorar - Passo 12 : Compartilhar e disseminar o resultado A fase de controle é aquela que mantém a melhoria alcançada na melhor condição. É importante para estabelecer o Sistema de Monitoramento correto. - À Prova de Erro (Mistake Proofing) - Cartas de Controle (Control Charts) : Xbar-R, P, NP, C, U 7
204 Propósito Passo da Atividade Saída Padronizar de forma a manter o resultado da melhoria otimizado checado na fase de Melhoria e estabelecer o plano de controle. Preparar a base de compartilhamento/disseminação para que o resultado e método inspecionado possa ser estabelecido em outras áreas. Passo 10 - Padrão de trabalho Passo 11 Passo 12 - Plano Futuro/ Plano de gerenciamento - Relatório de Conclusão do Projeto 10.1 Padronizar 11.1 Estabelecer o plano de gerenciamento 12.1 Relatório de Conclusão do Projeto 12.2 Compartilhar/Disseminar Passo 12. Disseminar/ Compartilhar Resultado Passo 11. MonitorarPasso 10. Padronizar
205 Padronizar - Estabelecer o plano padrão de operação do processo para entender o sistema de qualidade prático e para manter continuamente o resultado da melhoria. Padronizar / documentar Processo Incontrolável - Aumenta a distribuição do processo - Impossível manter o resultado da melhoria -A forma de trabalho não mudou pois o padrão e processo de melhoria não se refletem. - Aumenta o tempo de controle - Aumenta a insatisfação do cliente Não Manter o resultado da melhoria Sim Processo Entra da Saída YVital Few X’s Melhoria do Processo T Não havendo padronização do processo para extrair o resultado do projeto, não há expectativa do resultado da melhoria em campo Note: - Adequação, praticidade dos conteúdos necessários para o trabalho de gerência, gerência da atividade da produção, de su-porte na vista da gerência e da tecnologia - conteúdo detalhado e de fácil entendi- mento para todos os funcionários. -desenho baseado no processo de traba- lho ou processo detalhado com clareza e precisão para não haver má comunicação - sem contraposição à lei, aos padrões nacionais, ou à política da empresa. Refletir no sistema de qualidade Regulamentação do Padrão de Trabalho Manual da Qualidade Padrão de Trabalho Instrução de Trabalho Estrutura do Sistema de Qualidade
206 A prova de Erros - (Poka Yoke) -Reflete no “trabalhar adiantado” para minimizar o efeito causado pelo erro. -Estabelecer o padrão para que o erro não ocorra. Método Principal - pare : erros/defeitos ocorridos ou esperados : Carros automáticos não ligam com a marcha no nível D. : Secadores de cabelo param se superaquecidos, através de um sensor. - controle: para parar de ter produtos com defeito mova-se para o próximo nível : disco de 3.5 pol. não pode ser inserido na direção errada - alerte : falha ocorrida ou esperada : o alarme liga se não apertar o cinto de segurança. : medir a aplicação e o seu resultado Checar o problema Estabelecer a prioridade Examinar a causa raiz Selecionar o plano de melhoria Processo Básico do MP Espírito Básico Qualquer um que faça uma bobagem, nada de errado ocorrerá Mesmo que alguém cometa um erro, seu efeito não será grande. Poka YokePoka Yoke
207 Sistema de Monitoramento Para decidir conteúdos detalhados (tempo, meta de medição, departamento, etc.) do sistema regular de monitoramento. Note que para o Sistema de Monitoramento - O que medir? - Com que freqüência? - Como deve ser controlado? (Sob qual padrão?) - Quem irá monitorar? - Se não controlado, como encontrar a causa? (Sob qual padrão?) Responsabilidade do Controle do CTQ Sistema de Auditoria e Responsabilidade Exemplo - Para melhorar o CTQ, o líder da equipe de projeto assume a responsabilidade de confirmar a transição e o controle com o depto funcional depois da transferência ao depto funcional. - Depois de um certo período, o depto funcional assume o controle total do CTQ Auditoria de CTQ MBB Checar o status de finalização do F/U do tema finalizado . Relatar o status atual do controle ao Champion e corrigir Auditoria dos integrantes da inovação . Checar status do Follow Up do tema finalizado Relatar o status atual do controle ao Chefe e corrigir Auditoria de processo e grupo da qualidade assegurada . Checar o status do CTQ da R&D, tema finalizado da Mfg e o Sistema de Dados do CTQ . Relatar o status atual da quali-dade assegurada do controle ao chefe, e Champion e corrigir
208 Método de Monitoramento Quantitativo - Diagnosticar o status do CTQ que afeta a estabilidade do processo e melhora se necessário. Também controlar a distribuição e movimento central do processo usando a carta de controle estatística. - Isso ajuda que o status otimizado continue. Estabelecer o objeto Estabelecer plano de extração de amostra ex : Número de grupo da amostra com o número de grupo Desenhar a carta de controle Diagnosticar e Avaliar Causa anormal Causa contingente Controle Melhoria Manter
209 Aplicação e Modo de Checagem -Situação estável de processo : Os pontos estão dentro dos limite de controle. E não há um regulamento próprio nos pontos marcados. -Situação instável : Os pontos estão fora dos limites e tem característica especifica nos pontos marcados. Isso , significa que existe uma causa que precisa de providência. -Providência imediata sobre a causa anormal: - Os pontos que saíram dos limites de controle. - Mostra uma características especifica, como: inclinação,tendência, freqüência, etc. Os gráficos de controle usados mais frequentemente são:  Dados de Atributo – Gráfico P: localiza proporção de unidades defeituosas observado em uma amostra (Nº de amostra diferentes). – Gráfico U: gráfico de controle por unidade (Nº de amostra diferente).  Dados de Variável – Gráfico I-MR (X-RM):Um gráfico de controle que localiza variação no processo e indica causas especiais, podendo detectar mudanças em variação a longo prazo. – Gráfico Xbar-R (onde “R” é o Range):Gráfico de controle para média e Range de subgrupos de dados. Carta de Controle - Método que busca deixar o processo em condição estável - Processo estatístico que pode detectar mudança da qualidade num processo contínuo Propósito Manter e melhorar a qualidade através de busca de especialidade no processo, corrigindo e mantendo o processo estável. Enfatiza o controle do X’s além do resultado do processo (Y). Cartas de ControleCartas de Controle
210 3 Diagnóstico da Carta de Controle 1. No caso de certo valor de controle exceder a linha de limite do controle. (±3σ) 2. Aparecer 9 ea do valor de controle continuamente acima ou abaixo da linha central. 3. 6 ea do valor de controle aumentam ou diminuem continuamente. 4. 14 ea do valor de controle aparecem acima e abaixo da linha central regularmente. 5. 2 ea do valor de controle aparecem na região A em um lado da linha central (acima ou abaixo) entre 3 ea do valor de controle. 6. 4 ea do valor de controle aparecem na região A ou B em um lado da linha central (acima ou abaixo) entre 5 ea do valor de controle. 7. 15 ea do valor de controle aparecem na região C em um lado do centro em ordem. 8. 8 ea do valor de controle aparecem em ordem na região A ou B em um lado da linha central. A : -3S~-2S ou 2S~3S B : -2S~-1S ou 1S~2S C : -1S~Centro ou Centro~1S Continuous Attribute 1 2 3 4 5 6 7 8 1 1 2 + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A 4 5 5 + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A 6 6 7 8 Vários padrões de anormalidade podem aparecer numa carta de controle simultaneamente. - No caso da ocorrência de padrão de anormalidade, checar a sua causa Diagnóstico Padrão Cartas de ControleCartas de Controle
211 Tipos de Carta de Controle Contínuo Tamanho da Amostra I-MR Xbar-R Xbar-S n = 1 n = 2~5 n > 6 Tipo de Dado Atributo Nº de defeito/proporção Número de Falhas Tamanho da Amostra Tamanho da Amostra NP P C U Regular Irregular Regular Irregular Cartas de Controle para Dados Contínuos Use o valor medido da máquina e em geral, faça a carta de controle individual de características de qualidade peculiares. Use a Carta Xbar-R quando o tamanho da peça/parte for menor do que 10 ea. Cartas de Controle para Dados Atributos Desenhe para checar a estabilidade do processo com a coleta de dados atributos e uma carta de controle prove a informação da distribuição. Cartas de ControleCartas de Controle
212 - A carta de controle Xbar-R serve para checar a característica das medições da média e da distribuição ao mesmo tempo. - Geralmente os dados são coletados na forma de subgrupos : Estabeleça o nº de grupos para detectar a variação anormal do processo considerando a causa potencial. : Use de 2 ~ 5 ea para cada grupo (within). Exemplo Carta de Controle Xbar-R A caixa abaixo contém dados coletados durante 7 dias, n=5, duas vezes ao dia, num processo contínuo para controlar a média e a distribuição do ruído de saída. Mas, para um diagnóstico fácil no caso de ocorrer causa anormal, registra-se o Resumo dos Dados baseado no 4M -A ruído de saída real deve ser menor do que 95. -Abrir o exemplo: “XBar-R.mtw” Xbar-R Grupo e Dados Resumo dos dados Cartas de Controle – Xbar-RCartas de Controle – Xbar-R
213 Stat > Control Charts > Variable Charts for Subgroups Estabeleça a variável Estabeleça o grupo variável Escolha todos os testes possíveis Cartas de Controle – Xbar-RCartas de Controle – Xbar-R
214 Date SampleMean 7.A7.M6.A6.M5.A5.M4.A4.M3.A3.M2.A2.M1.A1.M 95 90 85 __ X=90.30 UCL=96.66 LCL=83.94 Date SampleRange 7.A7.M6.A6.M5.A5.M4.A4.M3.A3.M2.A2.M1.A1.M 20 15 10 5 0 _ R=11.03 UCL=23.31 LCL=0 1 Xbar- R Chart of Noise No 6.M, aparece o fenômeno anormal que excede os limites de controle. No outro grupo não aparece o fenômeno anormal em 8 testes. Cartas de Controle – Xbar-RCartas de Controle – Xbar-R
215 Exemplo Carta de Controle NP O Serviço ao Cliente da OO Electronics quer ter entrevistas de follow-up 2 vezes por semana (Terça e Sexta) selecionando aleatoriamente vários clientes que foram atendidos. Nesse momento, eles perguntam sobre 5 itens e consideram como defeito a pontuação média menor do que 3.5. Eles prevêem a taxa de defeito por volta de 8%. Então eles escolhem 50 pessoas considerando a possibilidade de análise, tempo e man-power entre 13~63 pessoas. No caso de muitos não responderem, consideram a Amostra Adicional. -Considere o número do grupo (g=24) com unidade de 3 meses que é capaz de aplicar ação real. - Registre por classificação a média/min/max já que a quantidade de vendas pode afetar. -Eles enviam a instrução do pesquisador já que a atitude ou o tempo da pergunta podem afetar no resultado. Também limitam o tempo em 12 horas após o atendimento. -Abrir o exemplo: “NP.mtw” -Controla o número de defeitos no caso do número da amostra entre-grupos serem idênticos. -Decide o número de amostra entre-grupos 1/taxa de defeito ~5/taxa de defeito no caso em que for possível esperar a taxa de defeito do processo. NP Grupo e Dados Resumo dos Dados Cartas de Controle – NPCartas de Controle – NP
216 Stat > Control Charts > Attribute Charts > NP … Estabeleça a variável Estabeleça o número entre-grupo Escolha todos os testes possíveis Cartas de Controle – NPCartas de Controle – NP
217 Houve insatisfação do cliente nas 2ª e 9ª semanas da pesquisa semanal. E os dois casos são a respeito da grande quantidade de vendas naquelas semanas. Date SampleCount 12.Tue 11.Tue 10.Tue 9.Tue 8.Tue 7.Tue 6.Tue 5.Tue 4.Tue 3.Tue 2.Tue 1.Tue 14 12 10 8 6 4 2 0 __ NP=5.04 UCL=11.43 LCL=0 1 1 NP Chart of NC ID NC 2520151050 14 12 10 8 6 4 2 0 4 7 GT.A GT.A AVG AVGAVGAVG GT.A LT.A AVG GT.AGT.A AVGAVG LT.A LT.A AVG LT.AGT.ALT.ALT.A GT.A LT.A AVG LT.A NC vs ID (W.R.T Sales.Q) Cartas de Controle – NPCartas de Controle – NP
218 Exemplo Cartas de Controle P - Para controlar a taxa de defeito no caso de grupos com tamanhos diferentes de acordo com o tempo da pesquisa. - No caso de baixa taxa de defeito, decida o tamanho que conter pelo menos mais de 1 defeito. P Enquanto processava a entrevista de follow-up citada acima, o número real de clientes não era idêntico. Assim, o Serviço ao Cliente da OO Electronics revisa o plano de coleta da seguinte maneira: Marca o objeto da entrevista 5% dos clientes e registra somente os casos de sucesso. Abrir o exemplo: “P.mtw” Grupo e dados Resumo dos dados Cartas de Controle – PCartas de Controle – P
219 Stat > Control Charts > Attribute Charts > P … Estabeleça a variável Estabeleça a variável que registrou o número entre-grupos Escolha todos os testes possíveis Cartas de Controle – PCartas de Controle – P
220 Date Proportion 12.Tue 11.Tue 10.Tue 9.Tue 8.Tue 7.Tue 6.Tue 5.Tue 4.Tue 3.Tue 2.Tue 1.Tue 0.20 0.15 0.10 0.05 0.00 _ P=0.0697 UCL=0.1709 LCL=0 P Chart of NC Tests performed with unequal sample sizes Processo Estável Cartas de Controle – PCartas de Controle – P
221 Exemplo Carta de Controle C Esta carta é para controlar o número de dots que aparecem no painel do OO PVC. Desde quando o primeiro dot apareceu no lado superior direito, eles melhoraram a causa através de um projeto anterior. E agora, os dots ocorrem no produto aleatoriamente. Deste modo, os dados são coletados da seguinte maneira. - Registra-se o número de dots de um certo tamanho que aparece na mesma área. - Número do grupo é de 3 vezes por dia (M, A, E) em duas semanas (g=42) - Os inspetores são 4 pessoas que trabalham 8 horas cada e definiram o Heat. C de acordo com o julgamento do gerente do processo. -Abrir o exemplo: “C.mtw” -Controlar o número de defeito que ocorre em certa unidade (comprimento, área etc.) -Unidade a ser pesquisada tem que ser sempre regular. Em caso de não classificar o tipo de defeito, pode-se considerar mais que uma unidade simultaneamente. C Resumo dos Dados Grupo e Dados Cartas de Controle – CCartas de Controle – C
222 Stat > Control Charts > Attribute Charts > C … Estabeleça a variável Escolha todos os testes possíveis Cartas de Controle – CCartas de Controle – C
223 Sample SampleCount 4137332925211713951 25 20 15 10 5 0 _ C=11.40 UCL=21.54 LCL=1.27 1 C Chart of NC Muitos dots podem ter sido causados pelo Heat.C e precisam ser inspecionados junto ao teste padrão da inspetoria. Cartas de Controle – CCartas de Controle – C
224 Exemplo Carta de Controle U -Feita para controlar o número de defeitos que aparecem em certa unidade (comprimento, área) -No caso da unidade ser irregular, o controle deve estar baseado na suposição de que cada defeito aparece individualmente. U Se uma placa é produzida num processo,e se faz um produto cortando-a em certo tamanho. Colete os dados para controlar o número de defeitos de uma placa apropriada e para controlar o número de defeito pesquisado no painel de diferente tamanho. Registre o cálculo da área e número de dots com a área da unidade. -Número do grupo é 3 vezes por dia (M, A, E) com 2 semanas (g=42) -Abrir o exemplo: “U.mtw” Grupo e dados Data Resume Cartas de Controle – UCartas de Controle – U
225 Stat > Control Charts > Attribute Charts > U … Estabelecer a variável Escolher todos os teste possíveis Cartas de Controle – UCartas de Controle – U
226 Date SampleCountPerUnit 14.A13.M11.E10.A9.M7.E6.A5.M3.E2.A1.M 0.7 0.6 0.5 0.4 0.3 _ U=0.5304 UCL=0.6970 LCL=0.3638 1 U Chart of NC Tests performed with unequal sample sizes Qual é o caso que excede o limite de controle? Cartas de Controle – UCartas de Controle – U
227 Resultado do Estágio de Definição Saída por passos (steps) • 1º Passo - Definição do VOC/VOB - Analise superficial do processo - Extrair Little Y através do desenvolvimento do Big Y • 2º Passo - Analise detalhada do processo - CTQ e o Y do projeto - Folha com plano de Ação Rápida. Imagem da Saída Principal Compartilhe e Espalhe o resultado - Isto é para tornar fácil o compartilhamento uns com os outros, através da organização/relatório do resultado com um método padronizado. 사업구조 혁신 제조원가 혁신 Digital생산방식 구축을 통한 원가 혁신 Premium모델 매출증대 제품 생산지 이전 현재수준 년도별 목표설정 00% 00% 00% 05년 06년 07년 08년 사업부 전략과제 제품력 강화 신제품 개발로 제품 차별화 현지공장 R&D역량 강화 00% 00% 00% Premium모델의 매출액 비율 신제품 개발 제조원가율 현지개발모델 수 00% Big Y = KPI 사업구조 혁신 제조원가 혁신 Digital생산방식 구축을 통한 원가 혁신 Premium모델 매출증대 제품 생산지 이전 현재수준 년도별 목표설정 00% 00% 00% 05년 06년 07년 08년 사업부 전략과제 제품력 강화 신제품 개발로 제품 차별화 현지공장 R&D역량 강화 00% 00% 00% Premium모델의 매출액 비율 신제품 개발 제조원가율 현지개발모델 수 00% Big Y = KPI 해외영업 P/O 입력 생산 공장 공장물류 해외물류 선사 인증기관 수출금융 주문입력 생산 수출신고 출하 수출신고 출하 선적 S/R 확정 Draft B/L송부 B/L 정정 B/L 이상유무 매출확정 네고서류저장 은행네고 B/L 원본 송부 Yes No 매출 네고서류작성 은행네고 S/R 입력 선적 0.5일 ~ 3일 0.5일 ~ 3일 0.5일 ~ 2일 개선대상 업무영역 Original B/L 접수시간 소 요 B/L Check 時 시간소요 S/R 誤 입력 해외영업 P/O 입력 생산 공장 공장물류 해외물류 선사 인증기관 수출금융 주문입력 생산 수출신고 출하 수출신고 출하 선적 S/R 확정 Draft B/L송부 B/L 정정 B/L 이상유무 매출확정 네고서류저장 은행네고 B/L 원본 송부 Yes No 매출 네고서류작성 은행네고 S/R 입력 선적 0.5일 ~ 3일 0.5일 ~ 3일 0.5일 ~ 2일 개선대상 업무영역 Original B/L 접수시간 소 요 B/L Check 時 시간소요 S/R 誤 입력 Revisão GeralRevisão Geral
228 Saída por Passos • 3º Passo - Folha de registro do projeto e plano de ação Resultado da fase de Medição • 4º Passo - Criar folha com resumo dos dados - Folha com o plano de Coleta de dados - Resultado e contramedida do Gage R&R • 5º Passo - Analisar o resultado da Capabilidade do Processo - Diagrama de 4-Blocos - Direção da melhoria e meta 4 Block Diagram 1.5 Z shift ZST 4.5 C A B D 관리 부족 기술 부족 관리 적절 기술 부족 관리 부족 기술 적절 관리 적절 기술 적절 Poor Good GoodPoor Control Technology 4 Block Diagram 1.5 Z shift ZST 4.5 C A B D 관리 부족 기술 부족 관리 적절 기술 부족 관리 부족 기술 적절 관리 적절 기술 적절 Poor Good GoodPoor Control Technology Saída por Passos Imagem da Saída Principal Imagem da Saída Principal Revisão GeralRevisão Geral
229 Resultado da Fase de Analise • 6º Passo - Listar Possíveis X - Selecione o fator vital de uma lista - Checar se a meta é atingível • 7º Passo - Avaliação sobre a causa raiz dos fatores vitais. 인력운영 System제 도 난수리 차등 이관 난이도 담당지역 처리건 우대 사전 정보 감동사 기술력 등급시험 경력 설치팀 장비 교육 전담팀 운영 친절교육 필요인력 변동 비수기 성수기 복장/용모 인력부족 수익문제 인원관리 센터직원 설치팀 이관문제 미등록 임시활동 인원 교육 수익문제 건수 집중 문제 지역별 요일별 CIC접수 설치불량건 사전점검 품질평가 차별포상 공정성 제품별건수별 고객성향 대행료 이관 시간 책임소재 불분명 설명처리 신속성 독촉건 신규건 기존 설치건 시스템 에어컨 기동대 접수처 일반건 전문점 접수 평가 설치불량건관리 전문점 처리건 미평가 이관 접수 정보미 흡 설명처리 후 이관 기술력 통신문제 통신비 음영지역 소요시간 불분명 자재 미지참 품절 기술등급 기술 & Mind 기술력 고객만족도 기술력 고객만족도 Possible X’s 인력운영 System제 도 난수리 차등 이관 난이도 담당지역 처리건 우대 사전 정보 감동사 기술력 등급시험 경력 설치팀 장비 교육 전담팀 운영 친절교육 필요인력 변동 비수기 성수기 복장/용모 인력부족 수익문제 인원관리 센터직원 설치팀 이관문제 미등록 임시활동 인원 교육 수익문제 건수 집중 문제 지역별 요일별 CIC접수 설치불량건 사전점검 품질평가 차별포상 공정성 제품별건수별 고객성향 대행료 이관 시간 책임소재 불분명 설명처리 신속성 독촉건 신규건 기존 설치건 시스템 에어컨 기동대 접수처 일반건 전문점 접수 평가 설치불량건관리 전문점 처리건 미평가 이관 접수 정보미 흡 설명처리 후 이관 기술력 통신문제 통신비 음영지역 소요시간 불분명 자재 미지참 품절 기술등급 기술 & Mind 기술력 고객만족도 기술력 고객만족도 Possible X’sPossible X’s A.Sales Training Region YesNo WestEastWestEast 45000 40000 35000 30000 25000 20000 Boxplot of A.Sales vs Training, Region A.Sales Training Region YesNo WestEastWestEast 45000 40000 35000 30000 25000 20000 Boxplot of A.Sales vs Training, Region P.Sales A.Sales 1400012000100008000 45000 40000 35000 30000 25000 20000 A .Profit 604020 SSM A B C D Matrix Plot of A.Sales vs P.Sales, A.Profit Saída por Passos Imagem da Saída Principal Revisão GeralRevisão Geral
230 Resultado da Fase de Melhoria • 8º Passo - Resultado do teste desenvolvido e lista de analise/plano melhoria. - Selecione o plano ótimo - Deve ser mapeado/processo redefinido • 9º Passo - Folha com o plano de performance - Verificação / Resultado piloto - Resultado da Analise: Expressar financeiramente 개선 전 개선 후 근본원인 제기된 개선안 개선안 Sigma 수준 실행가능성 투자/효과 종합 최 종 안 선 택문 제 근본원인 제기된 개선안 개선안 Sigma 수준 실행가능성 투자/효과 종합 최 종 안 선 택문 제 Term Standardized Effect A C CD D B 876543210 2.228 Factor D Name A A B B C C D Pareto Chart of the Standardized Effects (response is Response, Alpha =.05) Saída por Passos Imagem da Saída Principal Revisão GeralRevisão Geral
231 Resultado da Fase de Controle • 10º Passo - Padrões de trabalho • 11º Passo - Folha com o Plano futuro de Controle • 12º Passo - Relatório de finalização do projeto 일자 : 프로세스 : 고객 : CTQ Y Process Map Monitoring 비고 Step부서 Y, X 인자 Spec . 항목 주기 책임 자 상황계 획 NO # 일자 변경 내용 책임자 승인 프로세스 관리 Sheet Manual Qualidade 주요 Output Image Step별 Output 1) Define 단계에서의 결과물 • Step 1 - Big Y 및 KPI • Step 2 - Big Y 별 세부 과제 Tree - 선정 된 테마의 CTQ 및 Spec. • Step 3 - 테마 등록서 및 활동 계획서 - Process Mapping 자료 KPI 경비 제조원가율 투하자산 품질목표 Y₁ 재고자산 절감 Y12 Y13 시스템 장비 재고 절감 경비 ‘01년 사업계획 ‘01년 사업계획 CTQ :매출액 대비 재고 비용 Spec. : 10% 이내 주 요 개선 대 상 한계 돌파 해 야 할 점 한계 돌파를 위한 I D EA K P I Wo rl d b e st Ta rg e t실 적 얻 을 수 있는 경영 상의 성과 는 ? ( 정량 적 / 정 성적 ) 테 마 명 N e c k P o i n t • 외 부 환경 • 내 부 환경 왜 하게 되었 는 가？ 어떻 게하 는가？ 추진 일정 : 팀구 성 이름 소 속 역 할 • 정 량적 성과 • 정 성적 성 과 표준화 ControlStep 12. 성과공유/전파 가. 완료 보고서 작성 주요 Output Image Step별 Output 1) Define 단계에서 의 결 과물 • Step 1 - Big Y 및 KPI • Step 2 - Big Y 별 세부 과제 Tree - 선정 된 테마의 CTQ 및 Spec. • Step 3 - 테마 등록서 및 활동 계획서 - Process Mapping 자료 KPI 경비 제조원가율 투하자산 품질목표 Y₁ 재고자산 절감 Y12 Y13 시스템 장비 재고 절감 경비 ‘01년 사업계획 ‘01년 사업계획 CTQ :매출액 대비 재고 비용 Spec. : 10% 이내 주요 개 선 대 상 한계 돌파 해야 할 점 한계 돌파 를 위 한 I D EA K P I Wo rl db e st Ta rg et실 적 얻을 수 있는 경영 상의 성과는 ? ( 정량적 / 정 성적 ) 테마 명 N e c k P o i n t • 외 부 환경 • 내 부 환경 왜 하게 되었 는가？ 어떻 게하 는가？ 추진 일 정 : 팀구 성 이름 소 속 역 할 • 정 량적 성과 • 정 성적 성과 표준화 ControlStep 12. 성과공유/전파 가. 완료 보고서 작성 주요 Output Image Step별 Output 2) Measurement 단계에서의 결과물 표준화 ControlStep 12. 성과공유/전파 • Step 4 - 가인자 List - Data 수집 계획서 - Gage R&R • Step 5 - 공정능력 분석 결과 - 관리도 : X_BarR Chart or I Chart - Quick Action 계획서 / 실행 결과 Data SourceY 지표 기준 Data 유형 Source %Contribution %Study Var %Tolerance Total Gage R&R 10.67 32.66 11.44 Repeatability 3.10 17.62 6.17 Reproducibility 7.56 27.50 9.63 9. 0 9. 5 10. 0 10. 5 11. 0 LSL USL Process Capa bility Analysis for Y US L Target LS L Me an S ampleN St De v(Wi thin) StDev (Overal l) C p CPU CP L Cpk Cpm P p PPU PP L Ppk PP M< LS L P PM > US L PP MTo tal PP M< LS L PPM > US L PP MTotal PP M< LS L PPM > USL PP MTo tal 10 .5000 * 9 .5000 10 .1838 60 0.1899 86 0.3084 07 0.88 0.55 1.20 0.55 * 0.54 0.34 0.74 0.34 166 66. 67 2000 00. 00 2166 66. 67 1 59. 49 480 40.83 482 00.32 133 00. 99 1526 43. 63 1659 44. 62 Proces sD at a Pot ent ia l (W ithi n)Ca pabil it y Overall Ca pabi l it y Obse rv ed Perfo rmance E xp. "Wi th in" Perfo rman ce Exp . "Overall" Perfo rman ce W ithi n Ove rall 105Subgr oup 0 10.6 10.5 10.4 10.3 10.2 10.1 10.0 9.9 9.8 9.7 9.6 SampleMean 1 1 1 1 1 Mean= 10.18 U CL= 10.44 LCL= 9.925 1.0 0.5 0.0 SampleRange R= 0.4483 U CL= 0.9480 LC L=0 Xbar/R Chart forY Saída por Passos Imagem da Saída Principal Trabalho Padrões/Regulamentos Padrões de trabalho Instrução de trabalho Revisão GeralRevisão Geral
232 LG Electronics Green Belt [Mfg] General Administration Innovation Human Resource Suporte Black BeltSuporte Black Belt
233 LG Electronics Green Belt [Mfg] Suporte Black BeltSuporte Black Belt Notebook Washing Machine
234 LG Electronics Green Belt [Mfg] Suporte Black BeltSuporte Black Belt Purchase / Material (MNT) Production Cellular GERENTE
235 LG Electronics Green Belt [Mfg] Suporte Black BeltSuporte Black Belt Engineering (MNT/ CELL/ WM)
236 LG Electronics Green Belt [Mfg] Suporte Black BeltSuporte Black Belt Production MNT
237 LG Electronics Green Belt [Mfg] Suporte Black BeltSuporte Black Belt Quality (MNT/ CELL) Total = 31 Black Belt
238 LIVRO DE 6 SIGMA PARA GREEN BELTS - MFG • Data emissão: 27/01/2011 [rev. 01] • Departamento de Inovação [DGI] • Desenvolvido por: César Pintor [BB] Diego Gutierres [BB] Mauricio Fulgêncio [BB] LG Electronics Green Belt [Mfg]

Mais conteúdo relacionado

PDF
Aula 4 prevenção a poluição
porGiovanna Ortiz
 
PDF
Gerenciamento dos Riscos em Projetos
porMauro Sotille, MBA, PMP
 
PPT
Previsão de demanda
porclilson
 
PPT
Apresentação Takt Time
porEngenharia Produção
 
PDF
Gestão de Stakeholders em Projetos
porDimitri Campana, PMP
 
PDF
9 Projeto conceitual (parte 2)
porMarcel Gois
 
PPT
Teoria das restrições
pornilsonjunior2012
 
PDF
O modelo japonês de administração
porAntonio Marcos Montai Messias
 
Aula 4 prevenção a poluição
porGiovanna Ortiz
 
Gerenciamento dos Riscos em Projetos
porMauro Sotille, MBA, PMP
 
Previsão de demanda
porclilson
 
Apresentação Takt Time
porEngenharia Produção
 
Gestão de Stakeholders em Projetos
porDimitri Campana, PMP
 
9 Projeto conceitual (parte 2)
porMarcel Gois
 
Teoria das restrições
pornilsonjunior2012
 
O modelo japonês de administração
porAntonio Marcos Montai Messias
 

Mais procurados

PPTX
Gerenciamento de Resíduos Sólidos
porMaster Ambiental
 
PPT
Gestao agil de projetos
porAdriano Tavares
 
PPTX
PDCA - Treinamento completo
porVinícius Toledo França de Nader
 
PPTX
Ciclo pdca
porCarci
 
PDF
Aula 01 SGQ - Introdução
porClaudio Bernardi Stringari
 
PDF
Aula 9 aterro
porGiovanna Ortiz
 
PPTX
Gestão da qualidade
porCarlos Sousa
 
PDF
Masp
porJaqueline Trindade Dos Santos
 
PDF
Apresentacao Pmbok
porLuiz Neto
 
PPT
Ciclo de vida de um projeto
porWellington Oliveira
 
PDF
Política Pública na Prevenção de Desastres Naturais
porClaudio Ferreira
 
PPT
B2 C Logistica Reversa
porclubedalogistica4
 
PPTX
Fundamento em Gestão da Qualidade
porGerente Consciente
 
PPT
Administração da Produção - Cronoanalise
pordouglas
 
PPTX
Distribuição e Transporte
porwilliam ribeiro
 
PDF
Controle estatístico de processos
porSynergia - Engenharia de Software e Sistemas
 
PPTX
Pesquisa Operacional
pormsleite100
 
PDF
Aula 5 - Sistemas de Produção
porUnidade Acedêmica de Engenharia de Produção
 
PDF
Lean manufacturing 3-técnicas e ferramentas
porjparsilva
 
PPTX
Os 10 Piores Alimentos
porsmdsm
 
Gerenciamento de Resíduos Sólidos
porMaster Ambiental
 
Gestao agil de projetos
porAdriano Tavares
 
PDCA - Treinamento completo
porVinícius Toledo França de Nader
 
Ciclo pdca
porCarci
 
Aula 01 SGQ - Introdução
porClaudio Bernardi Stringari
 
Aula 9 aterro
porGiovanna Ortiz
 
Gestão da qualidade
porCarlos Sousa
 
Masp
porJaqueline Trindade Dos Santos
 
Apresentacao Pmbok
porLuiz Neto
 
Ciclo de vida de um projeto
porWellington Oliveira
 
Política Pública na Prevenção de Desastres Naturais
porClaudio Ferreira
 
B2 C Logistica Reversa
porclubedalogistica4
 
Fundamento em Gestão da Qualidade
porGerente Consciente
 
Administração da Produção - Cronoanalise
pordouglas
 
Distribuição e Transporte
porwilliam ribeiro
 
Controle estatístico de processos
porSynergia - Engenharia de Software e Sistemas
 
Pesquisa Operacional
pormsleite100
 
Aula 5 - Sistemas de Produção
porUnidade Acedêmica de Engenharia de Produção
 
Lean manufacturing 3-técnicas e ferramentas
porjparsilva
 
Os 10 Piores Alimentos
porsmdsm
 

Destaque

PPTX
TDD - Test Driven Development
porElias Nogueira
 
PPT
Testes Funcionais
porJuliana Maria Lopes
 
PDF
O que é o ruby on rails?
porLeonardo Costa
 
ODP
Test link
porPlácido Segundo
 
PDF
Responsabilidade na Entrega Contínua por Carlos Villela
porThoughtworks
 
PDF
Aula questões dissertativas
porEduardo Lopes
 
PPT
Usability Ergebnisse Umfrage
porNina Rebele
 
PDF
09 IBH E Assessment
porCornelia Ruedel
 
PPTX
Anatomie eines Trending Topics: Retweet-Ketten als Verbreitungsmechanismus fü...
porAxel Bruns
 
PDF
Comment déterminer le critère de jugement et le nombre de sujets nécessaires
porHubert Maisonneuve
 
PPTX
Test de estereopsis
pornikitaht21
 
PPT
Evaluación diagnóstico funcional en la práctica ortomolecular.
por4003
 
PPTX
Taller de evaluación de la agudeza visual y la visión binocular en el infante...
porMónica Márquez
 
PPTX
Nuove norme sul segreto di stato e sulle informazioni classificate
porDirectio
 
PDF
ALGA
porPeter Veneris
 
PPTX
2014 ncae nvb presentation
porJerwin Rodel Magno Diaz
 
PDF
3e jaars
porleonvanraaij
 
PPTX
Advertising Quiz
porDaily 10 Minutes
 
PPT
Delray Presentation Microsoft
porSerein
 
PDF
Cours econometrie-uqam-st-3-v4
porArthur Charpentier
 
TDD - Test Driven Development
porElias Nogueira
 
Testes Funcionais
porJuliana Maria Lopes
 
O que é o ruby on rails?
porLeonardo Costa
 
Test link
porPlácido Segundo
 
Responsabilidade na Entrega Contínua por Carlos Villela
porThoughtworks
 
Aula questões dissertativas
porEduardo Lopes
 
Usability Ergebnisse Umfrage
porNina Rebele
 
09 IBH E Assessment
porCornelia Ruedel
 
Anatomie eines Trending Topics: Retweet-Ketten als Verbreitungsmechanismus fü...
porAxel Bruns
 
Comment déterminer le critère de jugement et le nombre de sujets nécessaires
porHubert Maisonneuve
 
Test de estereopsis
pornikitaht21
 
Evaluación diagnóstico funcional en la práctica ortomolecular.
por4003
 
Taller de evaluación de la agudeza visual y la visión binocular en el infante...
porMónica Márquez
 
Nuove norme sul segreto di stato e sulle informazioni classificate
porDirectio
 
ALGA
porPeter Veneris
 
2014 ncae nvb presentation
porJerwin Rodel Magno Diaz
 
3e jaars
porleonvanraaij
 
Advertising Quiz
porDaily 10 Minutes
 
Delray Presentation Microsoft
porSerein
 
Cours econometrie-uqam-st-3-v4
porArthur Charpentier
 

Semelhante a Treinamento Six Sigma LG Electronics

PDF
seissigmatrad.pdf
porLuizFellipeSilva
 
PDF
Seminário T2G6 - Six Sigma loean six empresas
porlarissabarbosa86931
 
PPT
Six Sigma 2014
porCLT Valuebased Services
 
PDF
Seis sigma apres fap
porFilippe Lagôa Do Nascimento
 
PPTX
Trabalho de 6 sigmas administração da produção 2
porCleverson Carlos Vasconcelos de Souza
 
PDF
Six sigma
porManoel Sidnesio
 
PDF
10 - Capítulo=O que é o Lean Seis Sigma GB.pdf
porPaula22044
 
PPT
7 6 Sigma Dmaic
porguestcfdccb15
 
PDF
Lean six sigma operations
porCLT Valuebased Services
 
PPT
6 sigma
porNilton Goulart
 
PPT
Gerenciamento quali total 6sigma
porMarcus Vinicius Carina
 
PPT
Seminário Aese - Conceitos teóricos do LSS
porPedrodosSantos
 
PPT
Gerenciamento da qualidade total 6sigma marcus vinicius carina
porMarcus Vinicius Carina
 
PDF
Memory_jogger_Six_sigma.pdf
porIsaqueBerbert2
 
PPTX
Seis Sigma: estratégia chave para a excelência operacional
porSustentare Escola de Negócios
 
PDF
GEstão de qualidade e ferramentas da qualidade
porbiamorais10
 
PPT
Six Sigma
porJairo Siqueira
 
PDF
e book conhea_o_seis_sigma
poredinilsonfarias
 
PPTX
Six sigma
pordanbonfimsouza
 
PDF
Qualidade de software
porRodrigo Oliveira, Msc, PMP
 
seissigmatrad.pdf
porLuizFellipeSilva
 
Seminário T2G6 - Six Sigma loean six empresas
porlarissabarbosa86931
 
Six Sigma 2014
porCLT Valuebased Services
 
Seis sigma apres fap
porFilippe Lagôa Do Nascimento
 
Trabalho de 6 sigmas administração da produção 2
porCleverson Carlos Vasconcelos de Souza
 
Six sigma
porManoel Sidnesio
 
10 - Capítulo=O que é o Lean Seis Sigma GB.pdf
porPaula22044
 
7 6 Sigma Dmaic
porguestcfdccb15
 
Lean six sigma operations
porCLT Valuebased Services
 
6 sigma
porNilton Goulart
 
Gerenciamento quali total 6sigma
porMarcus Vinicius Carina
 
Seminário Aese - Conceitos teóricos do LSS
porPedrodosSantos
 
Gerenciamento da qualidade total 6sigma marcus vinicius carina
porMarcus Vinicius Carina
 
Memory_jogger_Six_sigma.pdf
porIsaqueBerbert2
 
Seis Sigma: estratégia chave para a excelência operacional
porSustentare Escola de Negócios
 
GEstão de qualidade e ferramentas da qualidade
porbiamorais10
 
Six Sigma
porJairo Siqueira
 
e book conhea_o_seis_sigma
poredinilsonfarias
 
Six sigma
pordanbonfimsouza
 
Qualidade de software
porRodrigo Oliveira, Msc, PMP
 

Mais de ejedelmal

PDF
ctb-2020-v1-publicacao.pdf
porejedelmal
 
PDF
ctb-2018-publicacao-v5.pdf
porejedelmal
 
PDF
ctb-2019-v2-publicacao.pdf
porejedelmal
 
PDF
carga-tributaria-2017.pdf
porejedelmal
 
PDF
Transparencia Internacional Lava Jato
porejedelmal
 
PDF
The satanic children's big book of activities
porejedelmal
 
PDF
BPM Sucesu BA 2013
porejedelmal
 
PDF
BPM Sucesu BA 2012
porejedelmal
 
PDF
PUC Formacao de Green Belts
porejedelmal
 
PDF
Fdd em uma casca de banana
porejedelmal
 
ctb-2020-v1-publicacao.pdf
porejedelmal
 
ctb-2018-publicacao-v5.pdf
porejedelmal
 
ctb-2019-v2-publicacao.pdf
porejedelmal
 
carga-tributaria-2017.pdf
porejedelmal
 
Transparencia Internacional Lava Jato
porejedelmal
 
The satanic children's big book of activities
porejedelmal
 
BPM Sucesu BA 2013
porejedelmal
 
BPM Sucesu BA 2012
porejedelmal
 
PUC Formacao de Green Belts
porejedelmal
 
Fdd em uma casca de banana
porejedelmal
 

Treinamento Six Sigma LG Electronics

  • 1.
  • 2.
    2 Inovação Real Inovar Verificar Executar 1º. Rápido 2º.Forte 3º. Inteligente Discurso do CEO Vamos mostrar ao mundo do que somos capazes. Juntos reconquistaremos a glória da LG Electronics. - Continuo Desenvolvimento de Produtos - Assegurar a Melhor Qualidade -Estratégia de Negócios Focada na Perspectiva do Cliente - Nutrir os Excelentes Talentos - Cultura Organizacional Baseada em Criatividade e Autonomia Outubro/2010 (Vice Chairman Bon Joon Koo)
  • 3.
     Índice 3 LG ElectronicsGreen Belt [Mfg] Introdução 05 Estatística Básica 19 SIPOC 21 Coleta de Dados (amostragem) 22 Tipos de Dados (discretos e contínuos) 23 - Dados Contínuos Média 25 Mediana 27 Moda 28 Desvio Padrão 29 Variância 30 Amplitude 31 - Dados Discretos Proporção e Moda 32 Variação Natural 33 Distribuição Normal 34 Z-Table 36 Normality Test 38 Deslocamento da Média 40 Definição 41 Resumo Seleção do Projeto 43 Extração do Y 44 Registro do Projeto 45 Ferramentas 46 Brainstorming 47 Mapeamento do Processo 49 FMEA 54 Gráfico de Pareto 57 QFD 61 Meta & Cronograma 64 Estimativa de Ganho e Registro 65 Medição 66 Resumo Verificar as propriedades do Y do Projeto 68 Verificar nível atual (Z-value) 69 Entendendo o Z-value 70 Coleta de Dados (Rational Subgrouping) 71 Tipos de Gage 72 Gage R&R 73 Repetibilidade / Reprodutibilidade 74 Bias / Estbilidade 75 Linearidade 76 Regra de Thumb 78 Exemplo 79 Gráficos 83 Gage Attribute 84 Exemplo MInitab 85
  • 4.
     Índice 4 LGElectronics Green Belt [Mfg] Cálculos 87 Exemplo feito manualmente 88 Calculando o Z-value 90 Dados Contínuos Capability Analysis 91 Fórmulas CP/PP/Cpk/Ppk 92 Calculo ZST/ZLT/ZShift no Minitab 93 Diagrama de 4 Blocos 97 Calculo Cp/Cpk/Pp/Ppk no Minitab 99 Dados Discretos DPU/DPO/DPMO 102 Exemplo 103 Análise 107 Resumo Selecionar o fator Vital 109 Examinar a causa raiz 110 Vital Few 111 Introdução 112 Introdução ao Minitab 113 Extrair Possíveis X’s 125 Espinha de Peixe (Fish Bone) 126 Logic Tree (MECE) 127 Análise dos Possíveis X’s 129 Análise Gráfica 130 - Dados Discretos Bar Chart 131 - Dados Contínuos Dot Plot 133 Histograma 136 Bar Chart 138 Box Plot 139 Descriptive Statistics 141 Graphical Summary 143 Scatter Plot 144 Correlation 145 Matrix Plot 146 Probability Plot 148 Testes de Hipótese 150 Definição 151 Erros (α e β) 152 Tipos de Teste 153 - Dados Discretos 1 Proportion 154 2 Proportion 155 Chi-Square Test 156
  • 5.
     Índice 5 LGElectronics Green Belt [Mfg] Dados Contínuos Normality Test 157 1 Sample T 159 Test for Equal Variances 161 2 Sample T 162 ANOVA 164 Correlação e Analise de Regressão 167 Correlação 167 Exemplo 168 Equação de Regressão 169 Gráfico 171 Melhoria 172 Resumo Estabelecer o plano otimizado 174 Executar e inspecionar 175 Escolha do Plano de Melhoria 176 DOE (Design of Experiment) 179 3 Princípios de um Experimento 181 Exemplo 182 Identificando o Main Effect 187 Identificando as Interações 190 Identificando o melhor Ponto (Cube Plot) 191 DOE com 3 Fatores 192 DOE Fracionado 199 Execução e inspeção das Melhorias 201 Controle 203 Resumo Padronizar 204 Monitorar 204 Compartilhar o Resultado 204 Padronizar 205 Sistema a prova de falhas Poka Yoke 206 Sistema de Monitoramento 207 Cartas de Controle 209 Regras da Carta 210 Tipos de cartas 211 - Dados Contínuos XBar-R 212 - Dados Discretos NP 215 P 218 C 221 U 224 Revisão Geral 227
  • 6.
    INTRODUÇÃO 6 1 - Entender oconceito de inovação e a importância da atividade da Inovação. - Entender o propósito do gerenciamento 6σ na LGE. - Entender a filosofia e princípio do 6σ bem como o método de apresentação. Objetivos LG Electronics Green Belt [Mfg]
  • 7.
    7 Introdução  6σ éa linguagem comum para nossa companhia.  Se você conversa em CTQ e Z-value, as conversações tornam-se simples e claras.  Inspecionar e tomar decisão no campo imediatamente.  Comunicação baseado nos dados (fatos).  6σ contém ferramentas para identificar os problemas e as soluções, e ferramentas de validação.  Testes através de 6σ podem adicionar segurança para resultados. “ ..6σ é uma ferramenta inovadora..…”
  • 8.
    1987 Galvin CEO MikelJ Harry, Ph.D 1997 1995 3M 2001 SSA 1994 AT&T Jack Welch 1996 História doHistória do 66σσ 8 LG Electronics Green Belt [Mfg]
  • 9.
    9 ’96 (GE Benchmarking) ‘99 ’04 MFG R&D TQ ‘98…..‘97 Crescimento6σ CAGR (25%)* Crescimento FMI Sobrevivência Global Player No.1 LG Six SigmaSix Sigma *CAGR : Compound Annual Growth Rate 66σσ na LG Electronicsna LG Electronics
  • 10.
    10 Inovação e SixSigma Inovação Mudar completamente e renovar. Por que a atividade de inovação falha? (Pesquisa em 100 empresas) - Atitude de negação do funcionário para a mudança: 45% - Capacidade/habilidade, Plano de execução : 23% - Falta de liderança da Gerência : 17% Desenvolvimento de empresas Chinesas Entrada na Globalização Mercado de produtos baratos Entrada na OMC. Convite Olímpico Novo desenvolvimento do Japão Técnica acumulada de concorrência. Investimento em P&D Força das empresas Americanas/Européias Desenvolvimento na área de serviços Obtenção de tecnologia exclusiva Condição atual das empresas Coreanas 1. Perda de vantagem competitiva para produção 2. Falta de obtenção de tecnologia avançada Pré-requisitos para o desenvolvimento das empresas Coreanas -Assegurar competitividade Global -Inovação aplicando métodos avançados -Maximizar a vantagem através de controle de campo -Força Six Sigma 6σ é o motor do gerenciamento de inovação. Inovação e Six SigmaInovação e Six Sigma
  • 11.
    11 Filosofia de GerenciamentoSix Sigma Six Sigma é o método de execução que traz resultados para gerência e funcionários. 6σ não significa apenas fazer, mas fazer eficientemente. 100PPM é cortar o caule de uma erva daninha, 6σ é extrair a raiz de uma erva daninha. 6σ Gerenciamento de campo pela alta administração 6σ é a linguagem comum da organização. Filosofia de Gerenciamento 6σ Filosofia de GerenciamentoFilosofia de Gerenciamento
  • 12.
    12 Métrica Six Sigma -Nível Sigma é o índice de avaliação para a capabilidade do processo Colher frutas verdes Definição correta/processo otimizado Colher frutas baixas Avaliar com gráfico simples Colher as frutas caídas Processo de decisão através de experiência e bom senso Colher frutas doces Desenvolver o processo considerando resultado • Nível de σ(Sigma)- é a medida estatística que reflete a capabilidade do processo. • O Sigma medido é determinado pelo DPU (Defeito por unidade), PPM (parte por milhão), falha e taxa de erro. Nível 6 5 4 3 2 PPM 3.4 233 6,210 66,807 308,537 Processo Defeito Cap. Mudança ( Hipótese de longo período com deslocamento de 1,5σ, processo estável.) 6 5 4 3 2 Melhora defeitos 5 vezes Melhora defeitos 11 vezes Melhora defeitos 25 vezes Melhora defeitos 68 vezes Quanto mais o nível de Sigma diminui, mais o PPM aumenta. MétricaMétrica
  • 13.
    13 Qualidade Tradicional QualidadeSix Sigma • Organização Centralizada. • Ausência de estrutura formal para utilização de ferramentas. • Falta de Suporte no uso de ferramentas. • Dados misturados com “achismo” tomada de decisão. • Abordagem “Band-aid” (quebra galhos). • Falta de treinamento estruturado. • Inspeções (foco em “Y”, no resultado). • Participantes respondem diretamente dentro de suas funções • Uso estruturado de ferramentas estatística para ajudar na solução de problemas. • Estrutura de suporte para usuários das ferramentas • Decisões baseadas em dados • Abordagem baseada em causa raiz • Treinamento estruturado em todas as ferramentas aplicáveis • Entradas de controle de processo (foco em “X´s”, nas causas ComparativoComparativo Comparando Qualidade Tradicional com Six Sigma - Qualidade Tradicional vs Qualidade Six Sigma
  • 14.
    14 Próximo da perfeiçãoPróximoda perfeição Nível de Sigma Área Palavras Tempo Distancia 1 Área ocupada pelo Astrodome (Houston-USA) 170 palavras erradas por página num livro 31,75 anos em 1 século Daqui até a Lua 2 Área ocupada por um grande supermercado 25 palavras erradas por página num livro 4,50 anos em 1 século 1 volta e ½ ao redor da Terra 3 Área ocupada por uma pequena loja de Hardware 1,5 palavras erradas por página num livro 3,50 meses em 1 século Viagem de costa- a-costa. 4 Área ocupada por uma sala de estar comum 1 palavra errada em 30 páginas de um livro 2,5 dias em 1 século Dirigir 45 minutos numa estrada 5 Área da parte inferior do seu telefone 1 palavra errada em uma enciclopédia inteira. 30 minutos em 1 século 1 ida até o posto de gasolina 6 Área de um diamante comum 1 palavra errada em todos os livros de uma pequena livraria 6 segundos em 1 século 4 passos em qualquer direção 7 Área de um furo de agulha de costura. 1 palavra errada em todos os livros de várias livrarias 1 piscada de olho em 1 século 1 polegada  Quanto maior o nível de Sigma, maior nossa precisão e exatidão (Texas Instruments) Precisão e exatidão
  • 15.
    15 Six Sigma: DMAIC -Entendendo detalhadamente cada fase do processo básico de um projeto Six Sigma. Fase Passos detalhados S3. Entrada do ProjetoS3. Entrada do ProjetoS2. Extrair Y do ProjetoS2. Extrair Y do ProjetoS1. Seleção do ProjetoS1. Seleção do Projeto 1.1 Verificar negócio 1.2 Extrair Big Y 1.3 Selecionar Projeto 2.1 Analisar processo 2.2 Definir CTQ 2.3 Extrair Y do Projeto 3.1 Organizar time 3.2 Determinar metas 3.2 Registro do Projeto S5. Verificar nível atualS5. Verificar nível atualS4. Verificar adequação do Y do PjtS4. Verificar adequação do Y do Pjt 4.1 Resumo dos dados 4.2 Plano de medição 4.2 Verificação do sistema de medição 5.1 Coletar dados do Y do projeto 5.2 Verificar nível atual 5.3 Definir direção de melhoria 10.1 Padronização 11.1 Plano de gerenciamento 12.1 Relatório de finalização de projeto 12.2 Compartilhar resultado 7.1 Examinar a causa S7. Examinar a causaS7. Examinar a causaS6. Selecionar fator VitalS6. Selecionar fator Vital 8.1 Extrair o plano de melhoria 8.2 Avaliar o plano de melhoria 8.3 Selecionar o plano ótimo 9.1 Preparar o plano de execução 9.2 Executar e inspecionar S9. Executar e InspecionarS9. Executar e InspecionarS8. Selecionar o plano ótimoS8. Selecionar o plano ótimo S12. Compartilhar resultadoS12. Compartilhar resultadoS11. MonitoramentoS11. MonitoramentoS10. PadronizaçãoS10. Padronização 6.1 Selecionar o fator Vital 6.2 Coletar/examinar dados adicionais 6.3 Selecionar item principal e verificar possibilidade de alcançar a meta Definição Medição Analise Melhoria Controle DMAICDMAIC
  • 16.
    16 Estrutura Departamento deInovação (Six Sigma)Estrutura Departamento de Inovação (Six Sigma) S. Y. HanS. Y. Han DiretorDiretor GerenteGerente RogérioRogério Six SigmaSix Sigma César PintorCésar Pintor Pedro GamaPedro Gama Departamento de Gerenciamento de Inovação [DGI – Six Sigma] Estrutura do Departamento de Gerenciamento de Inovação (Six Sigma) segue abaixo: jimmy.han@lge.com rogerio.martins@lge.com 12-2125-5518 cesar.alcantara@lge.com 12-2125-5570 pedro.gama@lge.com 12-2125-5684 * Atualizado em jan/2011
  • 17.
    17 Por que buscaro Six Sigma?Por que buscar o Six Sigma? • Aumentar o Faturamento Clientes Satisfeitos Voltam Sempre • Aumentar o Lucro Final Custa Menos Fazer Certo da Primeira Vez Six Sigma significará para nós...Six Sigma significará para nós... • Mais Tempo com o Cliente em vez de resolver problemas isoladamente no escritório. • Trabalho Proativo em vez de “Apagar o Incêndio” através de reação. • Confiança em que os Pedidos são feitos, cumpridos, entregues “Sem Erros”. • Confiança que o trabalho antes e depois é livre de defeitos. • Aumento dos Negócios com nossos Clientes. Base do Six SigmaBase do Six Sigma Dados constituem toda a base do Six Sigma Toda e qualquer decisão é baseada em DADOS e não em suposições. Por isso a coleta de dados é muito importante e deve ser feita com critério, atenção e sem tendências para que as analises, decisões, melhorias e controles sejam sustentáveis ao longo do tempo. ObjetivoObjetivo
  • 18.
    18 Porque o 6Porqueo 6σ funcionaσ funciona Foco do Six Sigma O Six Sigma funciona porque tem o FOCO no CLIENTE.  A filosofia de excelência do 6 Sigma é: M E T R I C S easure verything hat esults n ustomers atisfaction  Medir tudo aquilo que possa impactar na satisfação dos Clientes.  A meta do 6 Sigma é identificar, isolar e eliminar VARIAÇÂO.  Prevenir os defeitos ao invés de detectá-los.  Solução de problemas de modo pró-ativo ao invés de “apagar incêndio”.  Melhoria continua dos processos, produtos e serviços.
  • 19.
    ESTATÍSTICA BÁSICA 19 2 - Entendersobre Estatística Básica. - Conhecer os termos utilizadosObjetivos LG Electronics Green Belt [Mfg]
  • 20.
    20 PENSAMENTO ESTATÍSTICO • Équando pensamos em transformar dados comuns em uma maneira na qual possamos analisá-los. MÉDIA MEDIANA DESVIO PADRÃO OUTROS Estatística é uma ciência que visa obter conclusões sobre fenômenos (eventos) em um universo (população), a partir de alguns dados (amostras), extraídos desse mesmo universo. Estatística - Entendendo o que é estatística. EstatísticaEstatística
  • 21.
    21 Fornecedor ClienteProcesso Entrada Saída SI P O CS I P O C SUPPLYER INPUT PROCESS OUTPUT CUSTOMER FORNECEDOR ENTRADA PROCESSO SAÍDA CLIENTE 5M 1E Man (Homem) Machine (Máquina) Material (Material) Method (Método) Measurement (Medida) Environment (Meio Ambiente) Todo processo produtivo, gera variações entre as etapas (SIP) Causas das variações do processo Que somente são detectadas nas etapas (OC) SIPOC Divisões de um processo. Todo e qualquer processo apresenta essas 5 partes. SIPOCSIPOC
  • 22.
    22 POPULAÇÃO: Conjunto deelementos que apresentam característica em comum. PARÂMETRO: Característica da população. AMOSTRA: Subconjunto da População. ESTATÍSTICA: Característica da amostra. POPULAÇÃO: Conjunto de elementos que apresentam característica em comum. PARÂMETRO: Característica da população. AMOSTRA: Subconjunto da População. ESTATÍSTICA: Característica da amostra. POPULAÇÃO: __________________________ PARÂMETRO: _________________________ AMOSTRA: ____________________________ ESTATÍSTICA: _________________________ POPULAÇÃO: __________________________ PARÂMETRO: _________________________ AMOSTRA: ____________________________ ESTATÍSTICA: _________________________ POPULAÇÃO AMOSTRA EXERCÍCIO Misture bem. Pegue uma colher. Tome uma decisão. Ação. Misture bem. Pegue uma colher. Tome uma decisão. Ação. ALEATÓRIO: Determina uma amostra saída da população, de forma que cada membro tenha chance igual de ser extraído. ALEATÓRIO: Determina uma amostra saída da população, de forma que cada membro tenha chance igual de ser extraído. Coleta da amostra: Deve expressar as características do grupo a ser medido e ser coletada aleatoriamente. Coleta da amostra: Deve expressar as características do grupo a ser medido e ser coletada aleatoriamente. Coleta de DadosColeta de Dados  Letras Gregas: Quando estamos trabalhando com a população utilizamos as letras gregas para representar alguma característica da mesma. Ex.: Média = µ Desvio Padrão = σ  Letras Romanas: Quando estamos trabalhando com a amostra utilizamos as letras romanas para representar alguma característica da mesma. Ex.: Média = x Desvio Padrão = s
  • 23.
    23 DADOS DISCRETOS ouATRIBUTOS: Definem situações onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4. DADOS DISCRETOS ou ATRIBUTOS: Definem situações onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4. DADOS CONTÍNUOS: Definem situações onde os dados do processo, podem assumir qualquer valor (podendo ser infinito) entre dois números, ou seja, os valores depois da vírgula são significativos. Ex.: comprimento ou largura de uma peça, diâmetro de um tubo, pH de banhos, temperatura ambiente, etc. DADOS CONTÍNUOS: Definem situações onde os dados do processo, podem assumir qualquer valor (podendo ser infinito) entre dois números, ou seja, os valores depois da vírgula são significativos. Ex.: comprimento ou largura de uma peça, diâmetro de um tubo, pH de banhos, temperatura ambiente, etc.  É muito importante para o GB/BB identificar com qual tipo de dados está lidando no processo, pois são eles quem definem quais as ferramentas que serão utilizadas durante o projeto. T I P O S D E D A D O S Tipo de DadosTipo de Dados
  • 24.
    24 Tipo de DadosTipode Dados T I P O S D E D A D O S DiscretosDiscretosDiscretosDiscretos ContínuosContínuosContínuosContínuos Tendência Central Tendência de Dispersão MÉDIA MEDIANA MODA VARIÂNCIA DESVIO PADRÃO AMPLITUDE MODA PROPORÇÃO  Para cada tipo de dados temos ferramentas específicas, abaixo temos as ferramentas mais utilizadas em Six Sigma.
  • 25.
    25 CUIDADOS AO USARA MÉDIA Observamos na figura ao lado, onde o mergulhador obteve a informação de que o rio tem uma profundidade média de 5m, mas esta informação (média), ocultou as variações de profundidade, pois o rio possui em sua extensão profundidades acima e abaixo de 5m, ou seja, variações. Quando tratamos de dados estatísticos, podemos observar que a média oculta a variação dos dados. Nós podemos cometer um grande erro só porque nós tomamos uma decisão baseada apenas na média. Assim, nós precisamos de informações adicionais, por exemplo:  Variância (σ2 )  Desvio Padrão (σ). Dados Contínuos - MédiaDados Contínuos - Média
  • 26.
    26 Dados Contínuos -MédiaDados Contínuos - Média A média é uma medida que indica o centro da distribuição. Simplesmente é a soma de todas as observações dividida pelo número de observações. Para os dados abaixo, a média é: - Usa todos os dados - Fortemente influenciado por valores extremos (outliers) - Também representadas pela letra grega (lê-se : mi) DadosdeQTY DadosostodosdeSoma X __ = 3,636 11 321334451032__ X = ++++++++++ = µ
  • 27.
    27 Dados Contínuos -MedianaDados Contínuos - Mediana Mediana é o meio dos dados, ou seja, é o ponto de 50%, (ou o “número do meio”) Calculo da Mediana:  Para amostra com número impar de dados: 1º) Arranje os dados na ordem de menor a maior (ordem crescente) 2º) A posição da mediana será encontrada pela formula: 2 1)(n MedianadaPosição + = Ex.: 1; 2; 7; 14; 85 n = 5 3= + = 2 1)(5 MedianadaPosição 1 2 7 14 85 posição = 1 2 3 4 5 mediana  Para amostra com número par de dados: 1º) Arranje os dados na ordem de menor a maior (ordem crescente) 2º) A posição da mediana será encontrada pela média das duas formulas abaixo: 2 n Ex.: 67; 86; 43; 89; 54; 73 n = 6 3= 2 6 43 posição = 1 2 3 4 5 1+ 2 n e 54 67 73 86 89 6 41=+ 2 6 A mediana estará entre a posição 3 e a 4 70 2 73)(67 mediana = + =
  • 28.
    28 Dados Contínuos -ModaDados Contínuos - Moda Moda é o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqüência. Não existe formula para calculo da Moda, basta verificar quais números se repetem mais.  A moda pode ser utilizada tanto para dados discretos como para dados contínuos.  Pode acontecer de uma amostra não apresentar moda.  Em algumas amostras podemos ter 2 modas, quando isso acontece, chamamos de “bimodal”. Ex: 10; 15; 12; 11; 9; 10; 8; 14; 13; 17; 10 Moda 20; 21; 22; 22; 18; 19; 23; 19; 25; 24 Bimodal A moda, não é comumente utilizada.
  • 29.
    29 Dados Contínuos –Desvio PadrãoDados Contínuos – Desvio Padrão Desvio Padrão é a distancia média entre a média do processo e seus dados, ou seja, é a variação de um processo em torno da média.  Quanto maior o desvio padrão, maior é a variação no processo, pior será esse processo. Todo processo que sofre muita variação gera muito defeito.  O desvio padrão é inversamente proporcional ao Nível de Sigma.  O desvio padrão é representado pela letra “S” ou pela letra grega “σ” (lê-se: sigma)  Sua formula é: ( )1n XX σ 2__ i −       − = ∑ ( )N XX σ 2__ i∑       − = (para amostra) (para população) Data Frequency 242118151296 200 150 100 50 0 Variable A B Histogram of A; B Pouca variação Muita variação
  • 30.
    30 Dados Contínuos –VariânciaDados Contínuos – Variância Variância idem ao desvio padrão, mas menos utilizada, pois seu valor se distância muito dos valores da amostra.  Quanto maior a variância, maior é a variação no processo, pior será esse processo. Todo processo que sofre muita variação gera muito defeito.  A variância é representada pela letra “SS” ou pela letra grega “ σ² ”  Sua formula é: ( )1n XX σ 2__ i 2 −       − = ∑ ( )N XX σ 2__ i 2 ∑       − = (para amostra) (para população) Ex: Amostra 9,46 11,06 11,11 13,67 5,18 6,52 8,49 8,19 7,49 10,58 14121086 Median Mean 1110987 A nderson-Darling Normality Test V ariance 6,3177 Skew ness 0,168710 Kurtosis -0,220324 N 10 Minimum 5,1831 A -Squared 1st Q uartile 7,2471 Median 8,9743 3rd Q uartile 11,0719 Maximum 13,6740 95% C onfidence Interv al for Mean 7,3772 0,15 10,9733 95% C onfidence Interv al for Median 7,1572 11,0768 95% C onfidence Interv al for StDev 1,7289 4,5887 P-V alue 0,945 Mean 9,1753 StDev 2,5135 9 5 % C onfidence I nter v als Summary for Amostra σ = 2,5135 σ² = 6,3177 Fica confuso dizer que a média é 9,1753 e que a variação é de 6,3177, parece que esse processo esta com uma variação enorme, por isso é mais comum utilizar o “Desvio Padrão”
  • 31.
    31 Dados Contínuos –AmplitudeDados Contínuos – Amplitude Amplitude é a diferença entre o maior e o menor valor de uma amostra.  Quanto maior a amplitude, maior é a variação no processo, pior será esse processo. Todo processo que sofre muita variação gera muito defeito.  A amplitude é representada pela letra “R” (range).  Sua formula é: mínimomáximoR −= 11,010,510,09,59,08,58,0 Median Mean 10,5010,2510,009,759,509,259,00 A nderson-Darling Normality Test V ariance 0,8000 Skewness -0,954642 Kurtosis -0,003324 N 10 Minimum 8,1800 A -Squared 1st Q uartile 9,2000 Median 10,1100 3rd Q uartile 10,5525 Maximum 10,9600 95% C onfidence Interv al for Mean 9,2492 0,46 10,5288 95% C onfidence Interv al for Median 9,1335 10,5534 95% C onfidence Interv al for StDev 0,6152 1,6329 P-V alue 0,202 Mean 9,8890 StDev 0,8944 9 5 % C onfidence I nter v als Summary for Dados Dados 9,95 10,27 8,66 9,92 8,18 10,46 10,55 10,96 10,56 9,38 Ex: 2,78R 8,180010,9600R = −=
  • 32.
    32 Dados Discretos –Proporção & ModaDados Discretos – Proporção & Moda Proporção é uma medida que indica a relação entre dois dados. Simplesmente é a quantidade de um evento dividido pelo total da amostra vezes 100, pois seu valor é expresso em %.  A proporção é representada pela letra: P  Para os dados abaixo, a proporção é: Amostra = 1000 peças Defeitos = 7 peças Amostra = 1000 peças Defeitos = 7 peças %7,0100*100* === 1000 7 AmostraTotal EventoQty P Moda é o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqüência. Não existe formula para calculo da Moda, basta verificar quais números se repetem mais.  A moda pode ser utilizada tanto para dados discretos como para dados contínuos.  Pode acontecer de uma amostra não apresentar moda.  Em algumas amostras podemos ter 2 modas, quando isso acontece, chamamos de “bimodal”. Ex: 10; 15; 12; 11; 9; 10; 8; 14; 13; 17; 10 Moda
  • 33.
    33 Variação NaturalVariação Natural VariaçãoNatural é a variação que ocorre em todos os processos. Todo e qualquer processo sofre variação devido a influências externas (5M1E) e essa variação recebe o nome de Variação Natural, é através dela que temos a Distribuição Normal representada pela Curva de Gauss. Abaixo podemos provar essa variação natural para isso será necessário 2 dados de 6 faces cada um. Na somatória dos 2 dados no mínimo teremos o valor 2 e no máximo 12. Jogue os dados e anote quantas vezes cada valor aparecerá, ao final de, aproximadamente 90 vezes, teremos um gráfico semelhante ao que esta abaixo, que se aproxima da curva de Gauss. Isso acontece devido a variação natural do processo. 0 2 4 6 8 10 12 14 Repetições 2 7 9 10 11 13 12 9 8 4 2 2 3 4 5 6 7 8 9 10 11 12
  • 34.
    34 Distribuição Normal (DistribuiçãoGaussiana)Distribuição Normal (Distribuição Gaussiana) Distribuição Normal é a quando os dados de um processo qualquer se distribui em torno da média, onde essa divide esses dados exatamente no meio, ou seja, o processo fica simétrico em torno da média. A distribuição normal tem um formato semelhante a de um “Sino” e também pode ser chamada de Distribuição Gaussiana, por causa da Curva de Gauss. A maioria dos fenômenos naturais e processos criados pelo homem são distribuídos normalmente, ou podem ser representados como normalmente distribuídos. A área total da Curva Normal é igual a 1, ou seja, 100%. Quando temos uma curva normal centrada e padronizada significa que sua média é igual a 0 e o desvio padrão é 1. µ = 0 σ = 1 0 50%50%
  • 35.
    35 68,2% 95,4% 99,7% 99,994% 99,9994% 99,99999975% X -6σ X-5σ X -4σ X -3σ X -2σ X -1σ X +1σ X+2σ X +3σ X +4σ X +5σ X +6σX -6σ -5σ -4σ -3σ -2σ -1σ +1σ +2σ +3σ +4σ +5σ +6σ Z-Value σ : Distribuição Normal (Distribuição Gaussiana)Distribuição Normal (Distribuição Gaussiana) Quando padronizamos a distribuição normal com os valores de Z, temos a seguinte relação entre cada nível (Z-value) e a Área da Curva Normal: Ou seja: para ± 1σ temos 68,2% da área total, o restante 31,8% estaria fora da curva então podemos classificá-los como defeito.
  • 36.
    36 ※ Atenção :esta carta calcula apenas um lado da Distribuição Normal Z 0 0.01 0.02 0.03 0.04 0.05 0.0 5.00E-01 4.96E-01 4.92E-01 4.88E-01 4.84E-01 4.80E-01 0.1 4.60E-01 4.56E-01 4.52E-01 4.48E-01 4.44E-01 4.40E-01 0.2 4.21E-01 4.17E-01 4.13E-01 4.09E-01 4.05E-01 4.01E-01 0.3 3.82E-01 3.78E-01 3.74E-01 3.71E-01 3.67E-01 3.63E-01 0.4 3.45E-01 3.41E-01 3.37E-01 3.34E-01 3.30E-01 3.26E-01 0.5 3.09E-01 3.05E-01 3.02E-01 2.98E-01 2.95E-01 2.91E-01 0.6 2.74E-01 2.71E-01 2.68E-01 2.64E-01 2.61E-01 2.58E-01 0.7 2.42E-01 2.39E-01 2.36E-01 2.33E-01 2.30E-01 2.27E-01 0.8 2.12E-01 2.09E-01 2.06E-01 2.03E-01 2.00E-01 1.98E-01 0.9 1.84E-01 1.81E-01 1.79E-01 1.76E-01 1.74E-01 1.71E-01 1.0 1.59E-01 1.56E-01 1.54E-01 1.52E-01 1.49E-01 1.47E-01 1.1 1.36E-01 1.33E-01 1.31E-01 1.29E-01 1.27E-01 1.25E-01 1.2 1.15E-01 1.13E-01 1.11E-01 1.09E-01 1.07E-01 1.06E-01 1.3 9.68E-02 9.51E-02 9.34E-02 9.18E-02 9.01E-02 8.85E-02 1.4 8.08E-02 7.93E-02 7.78E-02 7.64E-02 7.49E-02 7.35E-02 Z TableZ Table A Tabela Z mostra qual área da curva normal cada nível de sigma representa, por exemplo: O valor Z = 1,41 equivale à 7,93E-02, ou seja, temos 7,93 % de defeito nesse processo.
  • 37.
    37 Z TableZ Table Exercício: Dadaa figura abaixo calcule: ZUSL, ZLSL e ZBench 93 LSL μ = 7,5 USL σ=0,8 ZUSL = USL - µ = 9 – 7,5 = 1,88 ⇒P(X>USL) = 3,01x10-2 = 31.000 ppm σ 0,8 ZLSL = µ - LSL = 7,5 – 3 = 5,63 ⇒P(X<LSL) = 1,03x10-8 = 1,03x10-2 ppm σ 0,8 P(TOTAL)) = 31.000 ppm + 1,03x10-2 ppm = 31.000 ppm ⇒Zbench = 1,88
  • 38.
    38 Average: 5,9305 StDev: 0,664074 N:20 Anderson-Darling Normality Test A-Squared: 0,257 P-Value: 0,685 5 6 7 ,001 ,01 ,05 ,20 ,50 ,80 ,95 ,99 ,999 Probability Fornecedor A Normal Probability Plot Average: 71,0997 StDev: 9,23496 N: 1318 Anderson-Darling Normality Test A-Squared: 155,693 P-Value: 0,000 62 72 82 92 102 112 122 132 ,001 ,01 ,05 ,20 ,50 ,80 ,95 ,99 ,999 Probability C15 Normal Probability Plot Average: 64,0987 StDev: 17,4209 N: 526 Anderson-DarlingNormalityTest A-Squared: 51,090 P-Value: 0,000 0 10 20 30 40 50 60 70 80 ,001 ,01 ,05 ,20 ,50 ,80 ,95 ,99 ,999 Probability C17 Normal Probability Plot 60 70 80 90 100 110 120 130 0 100 200 300 400 C15 Frequency 60 70 80 90 100 110 120 130 0 100 200 300 400 C15 Frequency Normality TestNormality Test Quando um gráfico apresenta uma forma de um “Sino” provavelmente temos uma distribuição normal, mas para termos certeza é necessário utilizar uma ferramenta chamada: Normaluity Test. Quando utilizamos essa ferramenta temos uma regra para saber se os dados analisados são normais ou não, basta olharmos o P-value. P-value > 0,05  Dados Normais P-value < 0,05 Dados não normais
  • 39.
    39 Normality TestNormality Test Exercício: Verifiquese os dados abaixo seguem uma distribuição normal. a) Verifique a normalidade graficamente (Histograma): Lot1 Lot2 Lot3 Lot4 Lot5 50,9 50,3 50,3 49,0 50,2 50,1 50,2 50,6 50,6 50,1 51,1 49,2 49,0 50,1 52,4 49,2 49,8 50,5 50,0 50,4 48,4 48,5 50,9 51,5 49,1 49,8 51,1 49,0 49,8 49,2 Lot1 Frequency 5251504948 9 8 7 6 5 4 3 2 1 0 Mean 50,04 StDev 0,9111 N 30 Histogram of Lot1 Normal Lot1 Percent 535251504948 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean 0,466 50,04 StDev 0,9111 N 30 AD 0,343 P-Value Probability Plot of Lot1 Normal b) Verifique a normalidade utilizando o Normality Test
  • 40.
    40 Deslocamento da médiaDeslocamentoda média Como já foi falado anteriormente todos os processos variam de maneira natural devido a influencias externas (5M1E), essa variação é considerada normal até o valor limite de 1,5σ , caso o processo varie mais do que isso, este não será mais classificado como Normal. Quando falamos que um processo esta centrado, significa que não ocorreu deslocamento de sua média, se esse processo estiver com um nível de Sigma igual a 6 teremos um probabilidade de defeito de 0,0025 ppm. Mas como todos os processos variam é impossível, na pratica, termos esse valor. Considerando um deslocamento de média de 1,5σ teremos, para um nível de 6 sigma, um valor de defeito de 3,4 ppm. Então quando falamos que para 6 Sigma os defeitos serão de 3,4 ppm, significa que esse processo esta deslocado de 1,5σ 0 1,5 1,5σ
  • 41.
    DEFINIÇÃO 41 3 Passo 1. Seleçãode projeto Passo 2. Extrair o Y do Projeto Passo 3. Registro do projeto - Entender os itens que influenciam o ponto de vista do cliente e negócio e selecionar o tema do projeto. - Extrair a possibilidade de melhoria através do processo do projeto selecionado. - Definir o item a melhorar. Meta Ferramenta Passos - SIPOC, Mapeamento do processo - Logic Tree, Diagrama de espinha de peixe - QFD, FMEA, Análise de Pareto LG Electronics Green Belt [Mfg]
  • 42.
    42 Propósito Passos da atividade 3.Registro do projeto3. Registro do projeto2: Extrair Y do Projeto2: Extrair Y do Projeto1: Selecionar Projeto1: Selecionar Projeto 1.1 Verificar companhia 1.2 Definir o Big Y 1.3 Selecionar o projeto 2.1 Analisar o processo 2.2 Definir o CTQ 2.3 Extrair o Y do projeto 3.1 Organizar o time 3.2 Determinar metas 3.2 Registro do projeto Saída Extrair o projeto que é o mais importante do ponto de vista do cliente e ter maior relevância para metas gerenciais. Defina o projeto a fim de promover as metas. Passo 1 - Definir a VOC/VOB (Voz do cliente / Voz do negócio) - Analisar maiores impactos - Extrair o Little Y através do Big Y Passo 2 Passo 3 - Analisar processo detalhado - Definir o CTQ e o Projeto Y - Plano de ação rápida - Registro do projeto e plano de atividade Definição Passos da DefiniçãoPassos da Definição
  • 43.
    43 Selecionar o corretoBig Y através de problemas do negócio e extrair o projeto que possa maximizar o resultado através de análise do processo ou desenvolvimento detalhados. Atividade Ferramenta •Selecionar o Big Y para resolver o problema no processo e selecionar o KPI adequado. •Selecionar o ótimo Big Y focando no negócio e verificar escopo da melhoria no processo através de processos superiores ou processos subordinados ao Big Y • Definir a prioridade do projeto (projeto detalhado) e selecionar o objetivo a melhorar. - Verificar o Negócio - Definir KPI - Desenvolver o Little Y - Analisar processos Superiores. - Seleção do Projeto - Mapeamento do Processo - SIPOC Verificar Negócio Verificar Negócio Extrair Big Y Extrair Big Y Selecionar Projeto Selecionar Projeto Passo 1 Seleção do Projeto - Brainstorming - Votação Propósito Seleção do ProjetoSeleção do Projeto
  • 44.
    44 Análise do Processo Definição de CTQ •Definir CTQ refletindo VOC/VOB no escopo da melhoria - Definir/analisar o processo - Planejamento de ação rápida -Mapeamento do processo de baixo nível • Análise detalhada dos processos ligados ao projeto selecionado e selecionar escopo de ações rápidas. - Desenvolver processo - Estudar a VOC e relacionamento com funcionamento do processo - QFD - FMEA - Análise de Pareto Propósito Atividade Ferramenta Passo 2 Extração do Y do Projeto Analisar o processo detalhado sobre o projeto a melhorar, definir o escopo da melhoria e definir CTQ e Y do Projeto. Extração do Project Y • Extrair o projeto Y onde o efeito da melhoria é preciso e possível medir entre os CTQ definidos. - Verificar validade - Decidir prioridades - Brainstorming - Votação Extração do YExtração do Y
  • 45.
    45 • Organizar otime que pode desenvolver o projeto com sucesso. Definir membros do time ligados ao projeto. • Definir metas do projeto. • Examinar o resultado e verificar a necessidade de projetos relacionados. -Analisar os membros examinando sua função no processo - Organizar o time - Definir metas - Examinar resultado - Verificar projetos relacionados - - Organizar o time Definir Metas • Examinar o projeto e executar o kick off (aprovação do registro). - Desenhar o registro do projeto - Examinar o projeto - Registrar o projeto - Kick-Off - Registro do projeto Atividade Ferramenta Passo 3 Registro do Projeto Propósito Organizar o time misto para promover o projeto adequadamente e registrar o projeto definindo um plano viável. Registro do ProjetoRegistro do Projeto
  • 46.
    46 FerramentasFerramentas Na fase deDEFINIÇÂO podemos utilizar algumas ferramentas para ajudar a encontrar e justificar o “Y” do projeto. Veremos a seguir: Y2 Y5 Y8 Y9 Y7Y4Y1 Y3 Y6 Y2 Y7 Y9  BrainstormingBrainstorming  Mapeamento de ProcessoMapeamento de Processo  FMEAFMEA  Gráfico de ParetoGráfico de Pareto  QFDQFD  BrainstormingBrainstorming  Mapeamento de ProcessoMapeamento de Processo  FMEAFMEA  Gráfico de ParetoGráfico de Pareto  QFDQFD
  • 47.
    47 Ferramentas – BrainstormingFerramentas– Brainstorming É uma técnica de grupo simples e eficaz que tem por objetivo gerar idéias novas e de preferência, úteis. Normalmente é utilizada na melhoria de Qualidade para identificar as possíveis causas de um problema e sugerir uma série de soluções depois que a causa for conhecida. No entanto o “brainstorming” pode ser usado de muitas outras maneiras, até mesmo na identificação das áreas problemáticas e para listagem das possíveis oportunidades para aperfeiçoamento. • Roda Livre – Fluxo de idéias espontâneas de todos os participantes do Time. • Mesa Redonda – Participantes do Time se alteram em sugestões de idéias. • Método dos Cartões – Participantes do Time escrevem idéias em cartões sem haver comentários. • Nenhuma idéia é criticada • Todas idéias são registradas • Não se interpreta idéias • Construção a partir de outra idéias • Não se discute idéias • Idéias “malucas” são encorajadas • Todos participam • Enfoque em assunto específico O que é: Tipos: Diretrizes: Observação: Quando nós não conseguimos medir um determinado defeito nós devemos utilizar o Brainstorming para definir o defeito.
  • 48.
    48 Ferramentas – BrainstormingFerramentas– Brainstorming  Liste todas as possíveis causas SABOR (Y): • Tipo de ingrediente limão (1) • Quantidade de açúcar adicionado • Tipo de água utilizada (a) INGREDIENTES LIMÃO: • Limões espremidos na hora (2) • Líquido concentrado • Concentrado congelado • Pó com sabor limão (b) LIMÕES EXPREMIDO NA HORA: • Onde os limões foram colhidos • Como os limões foram transportados • Idade quando foram espremidos • Como foram espremidos os limões  Agrupe os problemas similares  Priorize problemas (critérios) Barraca de Limonada (c) LIMÕES EXPREMIDO NA HORA: •Onde os limões foram colhidos •Como os limões foram transportados •Idade quando foram espremidos •Como foram espremidos os limões Exemplo:
  • 49.
    49 Ferramentas – Mapeamentode ProcessoFerramentas – Mapeamento de Processo É uma análise detalhada do processo. É preciso definir qual é o Inicio e o Fim desse processo de maneira bem precisa, e analisar cada parte bem detalhadamente, assim será possível extrair o maior problema. Os resultados esperados do Mapeamento do Processo são:  Maior conhecimento sobre o processo;  Identificação de oportunidades para eliminar etapas;  Identificar gargalos; O que é: Símbolos: Indica a fronteira do processo em análise. Quando for mostrar alguma atividade. Pontos de Decisão. Indica a direção do fluxo do processo. Entrada ou saída principal. Conecta um processo a próxima página. Início e Fim Atividade Decisão Seta Entrada/Saída Processo Conjuntivo Símbolo Significado Quando usar
  • 50.
    50 ProcessoProcesso Entradas Saídas Ferramenta chave para identificação deoportunidades de melhoria Ferramenta chave para identificação de oportunidades de melhoria Ferramentas – Mapeamento de ProcessoFerramentas – Mapeamento de Processo Método para criar um Mapa de Processo • Definir os limites do seu processo (área ou processo específico onde acontecerá o projeto). • Descrever e ordenar os passos do processo com o time que trabalha na área com o processo. O processo deverá ser o existente, sem alterações. • Codificar atividades usando símbolos (fluxograma) para fácil análise • Acompanhar o processo para validar o mapa Importante! O processo deverá ser o existente, sem alterações!
  • 51.
    51 Ferramentas – Mapeamentode ProcessoFerramentas – Mapeamento de Processo • Esforço da Equipe Operadores, Técnicos, Gerentes, Clientes, Fornecedores,... (devem participar todos aqueles que tenham conhecimento sobre o processo estudado) • Entradas para o Mapa de Processo - Brainstorming - Manuais de Operação - Especificações de Engenharia - Experiência do operador - Mostrar complexidades inesperadas, áreas problemas, redundâncias, desvios desnecessários e onde pode ser possível. Simplificar ou padronizar. - Comparar e contrastar o fluxo real de um processo com o fluxo ideal para identificar oportunidades de melhorias. - Permitir a uma Equipe chegar a um acordo quanto às várias etapas de um processo e examinar quais atividades podem ter impacto no desempenho do processo. - Identificar locais onde dados adicionais podem ser coletados e investigados. - Servir como um recurso de Treinamento para se entender o processo como um todo. Preparativos: Possibilidades:
  • 52.
    52 Ferramentas – Mapeamentode ProcessoFerramentas – Mapeamento de Processo Exemplo: LGESPLGESP Zona SecundáriaZona Secundária Zona PrimariaZona Primaria LG KoreaLG KoreaLG KoreaLG Korea CONFERÊNCIAFÍSICACONFERÊNCIAFÍSICA LGESP RECEBIM ENTO LGESP RECEBIM ENTO TRANSPORTADORATRANSPORTADORA LGESP P.O. (DSG) VERDEVERDE AM ARELOAM ARELO CINZACINZA VERM ELHOVERM ELHO RECEBIMENTORECEBIM ENTO PRESENÇA DE CARGA PRESENÇA DE CARGA PARAMETRIZAÇÃOPARAMETRIZAÇÃO CÓPIA DOS DOCsCÓPIA DOS DOCs SOLICITAÇÃO DE DTA NA ALFANDEG A SOLICITAÇÃO DE DTA NA ALFANDEG A TERM O DE RESPONSABILIDADE TERMO DE RESPONSABILIDADE DTADTA LG KOREALG KOREA FATURAM ENTOFATURAM ENTO EM BARQUEEM BARQUE ETA SANTOS, VCP ETA SANTOS, VCP REGISTRO DE D. I. DOC. ORIGINAL REGISTRO DE D. I. DOC. ORIGINAL Utilização do Ato concessório no registro da D.I. isentando do pagamento do Imposto de Importação e Marinha Mercante ** **
  • 53.
    53 Ferramentas – Mapeamentode ProcessoFerramentas – Mapeamento de Processo Exemplo: Origem Santos / VCP Import LGESP Export System Doc´s DECEX / BB Embarque SCP SAM IMP COM CRE IMP Trans/Desp solicita DTA IN499 ETA DTA EADI Pr. Carga D.I. Normal D/BSusp D/BIsen Parametrização Green Yellow Red Gray Conf.Fisica NFE Ent. PO Load PPL PO Load App Res Stuf NFS R.E. B/L Embar Invoice M-System SD Detail GNTEagle Cóp Doc Embarque DocOrigin Embarque D/B System Control NCM/QTE/ Valor DOC´s BOM/Laudo Análise Exigen Concessão Ato Concessório 360 dias L.I. Prorro Baixa do Ato RE D.I.{ Import Export D/B Key Point IMS Rep Start ** ** ** ** ** ** ** ** ** ****
  • 54.
    54 Ferramentas – FMEAFerramentas– FMEA ((FFailureailure MMode &ode & EEffectffect AAnalysis)nalysis) - Identifica preventivamente as potenciais (formas) modos (tipos) de falhas de um processo. - Identifica falhas (furos) nos Planos de Controle dos Processos. - Conduz equipe a fazer mais perguntas sobre o processo e estuda-lo mais profundamente podendo, assim, identificar as causas raízes dos defeitos. Método Estruturado para: - Identificar como um Processo pode fracassar em atender os requisitos críticos (CTQ´s) dos clientes. - Estimar o risco de causas específicas em relação as falhas potenciais - Avaliar o Plano de Controle atual quanto à prevenção destas falhas - Dar prioridade às ações que deveriam ser tomadas para melhorar o processo Conceito: Identificar como o Produto, Processo ou Serviço podem fracassar em proporcionar a função intencionada. - Identificar Possíveis Causas e eliminá-las - Localizar Impactos de falhas e reduzir Efeitos Finalidade: Definição:
  • 55.
    55 Ferramentas – FMEAFerramentas– FMEA ((FFailureailure MMode &ode & EEffectffect AAnalysis)nalysis) Medidas que asseguram a Qualidade geral do produto e serviços devem, cada vez mais, ser operacionalizadas nas fases de Desenvolvimento e Planejamento, antes de sua aplicação. O objetivo é identificar sistematicamente as falhas potenciais em todos os processos e no produto diminuindo sensivelmente os riscos de problemas de funcionamento e de relacionamento com clientes e consumidores. Prevenir as falhas desde a concepção do produto/serviço até sua aplicação significa incluir a Qualidade Exigida pelo Cliente. - na fase de Desenvolvimento (Projeto), atendendo as especificações e as particularidades da produção e aplicação. - na fase de preparativos de produção através de especificações de critérios, planejando processos capazes de produzir a qualidade exigida. - na fase de fabricação do produto ou aplicação do serviço através de processos seguros e dominados. - na complementação de cumprimento às leis e normas vigentes Necessidade: Reúna a equipe Six Sigma juntamente com toda a documentação existente sobre o processo (Mapa de processo, Espinha de peixe). Para cada um dos potenciais fontes de variação já conhecidas, pergunte: - De que modo esta fonte de variação pode contribuir para que o processo não cumpra com a sua função? - Qual o efeito deste modo de falha para o cliente? - Qual a causa deste modo de falha? - Qual o controle atual existente para evitar que a causa do modo de falha ocorra? Como Fazer:
  • 56.
    Ferramentas – FMEAFerramentas– FMEA ((FFailureailure MMode &ode & EEffectffect AAnalysis)nalysis) Item Modo de falha potencial Efeito(s) Potencial(is) da Falha Causa(s) e Mecanismos(s) Potencial(is) da Falha Controles Atuais do Projeto Ações Recomendadas Função Ocorrência Detecção Severidade NPR Todo NPR que ultrapassar u m valor de 300(30%) deve ser tomada u ma ação corretiva para que o mesmo reduza o valor do NPR. Severidade(S): 1(sem efeito); 2(Muito menor); 3(Menor); 4(Muito Baixo); 5(Baix o); 6 (Moderado); 7(Alto); 8(Muito alto); 9(Perigo com aviso pré vio); 10(Perigo sem aviso prévio) Ocorrência(O): 1(Remota); 2 ~ 3(Baixa); 4 ~ 6(Moderada); 7 ~ 8(Alta); 9 ~10 (M uito alta) Detecção(D): 1(Quase certamente); 2(Muito alta); 3(Alta); 4(Moderadamente al ta): 5 (Moderada); 6 (Baixa); 7 (Muito baixa); 8 (Remota); 9(Mui to remota); 10(Absoluta incerteza) NPR=(S) * (O) * (D) NPR > 100 é CTQ Aplicação manual de cera na parte interna da porta •Cobrir parte interna da porta, superfície inferior comcamada mínima de cera para retardar corrosão Painel Interior/infe rior da porta corroído. Vida útil da porta diminuída devidoa: •Aparência insatisfatória devidoa ferrugem; •Funcionamentoirregular domecanismo internoda porta. Bico de jateamento posicionado manualmente não está posicionadosuficiente longe. 8 Checagemvisual a cada 1 hora por turno. Medir profundidade da camada. 5 280 Instalar um fim de curso no jateador . 5 Teste do jateador no começodotrabalho e após longos períodos semuso, e programa de manutençãopara limpar bicos. 2 70 Usar projetos de experimentos(DOE) na viscosidade X temperatura X pressão Tempode jateamento insuficiente. 8 Instruções do operador e amostragemdolote(10 portas/turno) para checar aplicaçãode cera nas áreas críticas. 7 392 Instalar um “timer” no jateador 7 Bico jateador entupido: •Viscosidade muitoalta; •Temperatura muitobaixa; •Pressãomuito baixa. CTQ CTQ FMEA: LGESP Nome do modelo: Data: Área: Revisão nº: Data da rev.: Responsável: Projeto Six Sigma 7 56
  • 57.
    57 Count Percent Defeitos Count 17,8 12,0 8,73,9 2,0 Cum % 55,6 73,4 85,4 94,1 274 98,0 100,0 88 59 43 19 10 Percent 55,6 OtherEDBFA 500 400 300 200 100 0 100 80 60 40 20 0 Pareto Chart of Defeitos Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto O Gráfico de Pareto ajuda nosso esforço naqueles problemas, que oferecem a maior oportunidade para melhorar, por apresentar como se relacionam num gráfico de barras. Seu nome provém do economista e banqueiro italiano Vilfredo Pareto (1848-1923) que observou que 80% da riqueza italiana era controlada por 20% da população. Ele prosseguiu estudando muitos outros assuntos e começou a descobrir que muitas coisas dentro do nosso ambiente aparentava seguir esta Regra “80-20”. Sua teoria é atualmente aplicada por grupos da Qualidade em aplicações semelhantes. Exemplo: 80% dos defeitos relacionam-se à 20% das causas potenciais. Finalidade: Devemos selecionar os itens até chegar em 80%
  • 58.
    58 - Coletar dadospor categoria. - Coletar a freqüência por categoria. - Inserir, no gráfico, a freqüência (eixo y) e o tipos de categorias (eixo y) num gráfico de barras, em freqüência decrescentes. - Analise os dados para fatores de maior destaque no gráfico. - Analise fatores econômicos relativos aos fatores de maior destaque: custos de execução custo para diminuição ou eliminação - Pensamento 20 : 80 • 20% das causas contribuem para 80% dos problemas. • O diagrama de Pareto é uma ferramenta usada para avaliar dados discretos. É um modo de mostrar os fatores que contribuem para um problema em ordem decrescente de importância. a) Coleta de dados referentes a possíveis problemas. b) Usando Minitab, faça o gráfico de Pareto. - Stat > Quality Tools > Pareto Chart Processo: Ferramentas – Gráfico de ParetoFerramentas – Gráfico de Pareto Minitab: Conceito:
  • 59.
    59 Ferramentas – Gráficode ParetoFerramentas – Gráfico de Pareto Exemplo: Defeitos QTY A 274 B 59 C 10 D 43 E 19 F 88 - Digite os dados abaixo no Minitab. Depois siga o caminho abaixo: Aparecerá o menu do Pareto, selecione a opção “Chart defect table”, depois adicione a coluna que tem os nomes dos defeitos em “Labels in” e a quantidade em “Frequencies in”. Por fim escolha até qual % o Minitab irá colocar no gráfico (comumente utiliza-se 95%) o máximo aceito é 99,99999.
  • 60.
    60 Ferramentas – Gráficode ParetoFerramentas – Gráfico de Pareto Exemplo: Count Percent Defeitos Count 17,8 12,0 8,7 3,9 2,0 Cum % 55,6 73,4 85,4 94,1 274 98,0 100,0 88 59 43 19 10 Percent 55,6 CEDBFA 500 400 300 200 100 0 100 80 60 40 20 0 Pareto Chart of Defeitos - Irá aparecer o gráfico abaixo: Devemos atuar nos defeitos “A”, “F” e “B”, pois na somatória das suas % chegamos em 80%, lembre-se do pensamento 20:80.
  • 61.
    61 - Escutar osclientes - Aprender o que eles querem - Determinar qual é a melhor maneira de atender - Determinar quais os caminhos para atender - Melhor alocar recursos com melhores resultados - Quais são as “qualidades” que os clientes querem? - Quais funções precisam, um produto ou serviço, atender? - Quais funções precisamos usar para fornecer o produto ou serviço? - Como podemos chegar ao melhor fornecimento daquilo que o cliente exige? O QFD antecipa a visão do controle do processo necessário à qualidade do produto para garantir o controle da qualidade Global do produto, desde a sua concepção à realização. Salta do controle de processos para projetar a qualidade nos produtos. • QFD é utilizado para ligar os Requisitos chaves do cliente com as Especificação técnica e Sub-CTQ ´s. • QFD é elaborado por um time de processo experiente. Ferramentas – QFDFerramentas – QFD ((QQualityuality FFunctionunction DDeployment)eployment) QFD: Desdobramento da Função da Qualidade Objetivo: Perguntas: Pensamento:
  • 62.
    62 a) Esclareça asnecessidades dos clientes, confiabilidade dos requisitos, qualidade presente VOC (Voice of Customer). b) Priorize todas as informações, liste as possíveis soluções técnicas. c) Priorize as soluções técnicas, selecione as maiores como CTQs. d) Liste os possíveis causa referentes aos CTQs. e) Priorize os CTQs e selecione os Sub-CTQs. QFD traduz exigências do cliente em exigências técnicas adequadas O QFD não permite a ausência de questionamento. Razões para fazer perguntas: - Aprender - Mostra interesse - Despertar interesse - Esclarecer - Ter retorno - Conseguir concordância/consenso - Discordar para novas idéias - Manter pensamento ativo “ A coisa mais importante é nunca parar de perguntar” Albert Einstein Ferramentas – QFDFerramentas – QFD ((QQualityuality FFunctionunction DDeployment)eployment) Etapas:
  • 63.
    63 Aplicando um QFDnum Salão de Beleza: O salão “OOO Hair Design” desenvolveu um plano de QFD para se selecionar os itens urgentes que precisa melhoria para satisfazer o cliente. Foram descobertos 4 itens pela pesquisa que foi realizado com os clientes que visitaram o salão de beleza no mês passado (VOC). - Preço mais satisfatório - Sistema de reserva mais conveniente - Relação pessoal mais agradável entre o cliente e funcionários - Serviço adicional (Manicure, Pedicure etc....) Exemplo: Ferramentas – QFDFerramentas – QFD ((QQualityuality FFunctionunction DDeployment)eployment) Processo principal Corte de cabelo e outros serviços Programação da hora Aceita de reserva Recrutar Manter os funcionários Planejar os serviços adicionais Comprar acessórios 1 2 3 4VOC Weight 1 3 3 2 Total 3 9 0 0 1 27 9 0 0 27 9 0 1 9 27 6 1 0 9 0 0 0 0 6 3 0 0 2 Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: não tem ponto Total Processo principal Corte de cabelo e outros serviços Programação da hora Aceita de reserva Recrutar Manter os funcionários Planejar os serviços adicionais Comprar acessórios 1 2 3 4VOC Weight 1 3 3 2 Total 3 9 0 0 1 27 9 0 0 27 9 0 1 9 27 6 1 0 9 0 0 0 0 6 3 0 0 2 Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: não tem ponto Total
  • 64.
    64 Meta & CronogramaMeta& Cronograma Estabelecimento da Meta e do Cronograma. As metas podem ser:  Provenientes da Matriz (HQ Korea);  Provenientes da Alta Administração (FSE);  Estabelecidas de forma desafiadora (30% é possível, mas 5% pode não ser). Cronograma: Liste as direções detalhadas do conteúdo do projeto e estabeleça o cronograma. ※ O Plano deve considerar todas as situações que podem ocorrer no andamento do projeto, possíveis contratempos. Ex.: O formulário acima não foi padronizado e pode ser modificado de acordo com a situação. Controlar (C)Melhorar (I)Analisar (A)Medir (M)Definir (D) 6/1 6/17 7/25 8/12 10/14 10/30 1.1 Checar Biz. Issue. 1.2 Definição Big Y. 1.3 Selecione o PJT. 2.1 Analise do processo. 2.2 Definição CTQ. 2.3 Extração do Y. 3.1 Organização do time. 3.2 Meta e Cronograma. 3.3 Calculo do lucro 3.4 Registro Projeto. 4.1 Estabeleça um plano de coleta de dados. 4.2 Inspecione o sistema de medição. 5.1 Colete dados 5.2 Meça o nível Z atual 5.3 Estabeleça a direção de melhoria 6.1 Extração de pos- síveis X’s. 6.2 Coleta e exame de dados adicionais. 6.3 Seleção do Vital Few e checagem da possibilidade de alcan çar a meta. 7.1 Examinar a causa do Vital Few. 8.1 Extração do plano de melhoria. 8.2 Avaliar o plano de melhoria. 8.3 Selecionar o plano de melhoria. 9.1 Execute/ inspeci- one 9.2 Calculo do lucro real. 10.1 Padronização das me lhorias. 11.1 Estabeleça plano de gerenciamento 12.1 Finalize o relatório do projeto. 12.2 Compartilhe o resultado Processo Conte údo
  • 65.
    65 3.3 Cálculo estimadodo ganho do projeto. Após a definição da meta a ser alcançada com o projeto é possível estimar o ganho financeiro caso essa meta seja atingida. Para isso aconselha-se uma reunião do líder do projeto com o Black Belt que estará dando suporte e um membro do Depto Financeiro. 3.4 Registro do Projeto Por fim deve ser preenchida a folha de registro e agendado uma reunião com um membro do Depto de Inovação que estará analisando a definição. Após a assinatura do Depto de Inovação deve ser agendado o Sponsor Review para que o Sponsor analise a Definição do projeto e autorize a apresentação para o Champion. Somente após a coleta de todas as assinaturas pode-se dar continuidade ao projeto. Folha padrão de Registro do Projeto: Estimativa de Ganho & RegistroEstimativa de Ganho & Registro Nome do Projeto: Itens da Melhoria Ponto critico Y(K P I) Como fazer a melhoria?Por que selecionar este projeto? Objetivo Planejado Classificação do PJT Composição do time Resultado Quantitativo : Data do Registro: Registro Coréia Realizado Suporte(Belt) : Little Y Big Y Reg. Nº.: Resultado Qualitativo Registro de Projeto Situação Atual Objetivo Data do Registro: AA II CCMMDD ChampionSponsorInnovationLeader ChampionSponsorInnovationLeader Great Company Great People Faça Perfeito ! ParticipaçãoBeltPapelDeptoNome ParticipaçãoBeltPapelDeptoNome 1P1P
  • 66.
    66 4 Medição - Entender aimportância da medição. - Entender o método correto para coletar os dados. - Verificar a condição atual do processo. - Decidir a direção e a extensão da melhoria. Metas Ferramentas Passos PASSO 4 : Verificar as características do Y do Projeto PASSO 5 : Verificar a condição atual - Análise do sistema de medição : Gage R&R - Análise da capacidade do processo : Nível de sigma, DPU, DPO, DPMO - Diagrama de 4 Blocos LG Electronics Green Belt [Mfg]
  • 67.
    67 Propósito Passos da atividade Saída Passo4 - Preparar folha de resumo de dados - Relatório de medições - Resultado do Gage R&R e ações Passo 5 - Resultado da análise do processo - Diagrama de 4 blocos - Meta de melhoria e direção Examinar as propriedades do Y do Projeto selecionado e definir a base através da medição do nível atual. Definir a meta de melhoria e a direção a ser tomada. Passo 5. Medir o nível atual Passo 4. Verificar as propriedades do Y do Projeto 4.1 Preparar resumo dos dados 4.2 Definir plano de medição 4.2 Aprovar sistema de medição 5.1 Coletar dados do Y do Projeto 5.2 Medir nível atual 5.3 Decidir direção de melhoria Medição
  • 68.
    68 • Definir apossível causa de variação e possível item a medir. • Preparar o correto plano de medição sobre o item do Projeto Y e resumo dos dados. - Lista 5M1E, Potenciais X’s Possíveis eventos especiais - Prepara o plano de medição sobre o item a ser medido -Diagrama de fatores -Logic Tree -Matriz X-Y Preparar o resumo dos dados Preparar Plano de Medições • Verificar a adequação do sistema de medição. - Verificar as propriedades dos métodos/processos e padrões de medição e propriedades dos equipamentos de medição - Gage R&R Verificar o Sistema de medição Atividade Ferramenta Passo 4 Verificar as propriedades do Y do Projeto Definir/examinar as causas das variações no processo e seus atributos e verificar a validade da medição para selecionar o Y do projeto. Propósito
  • 69.
    69 Medir o nível atual Decidira direção da melhoria • Verificar a capabilidade do Projeto Y. - Cálculo do Nível de Sigma (Z-value) - Capabilidade do processo - Análise - (Curto/longo prazo) • Definir a direção de melhoria baseada na atual capabilidade. -Definir a direção da melhoria Coletar dados do Y do Projeto • Coletar dados para medir a capabilidade do processo de curto e longo prazo do projeto Y. No caso de não poder dividir em curto e longo prazo, isso deve ser mencionado. - Coletar dados - Registrar dados - Resumir item - Rational Sub-grouping Atividade Ferramenta Passo 5 Verificar o nível atual Definir o nível atual (capabilidade do processo) do Projeto Y e com base nisso, Definir a meta e direção do projeto. Propósito
  • 70.
    70 Entendendo o Z-ValueEntendendoo Z-Value Propósito A escala σ (Z-value) é uma métrica para medir o nível de qualidade de um produto/processo/serviço. Da mesma maneira que utilizamos metros [m] para distância e graus Celsius [ºC] para temperatura, utilizamos o Z-Value como uma linguagem comum. Desta forma, diferentes departamentos podem verificar o nível da qualidade um do outro. Exemplo: A velocidade média de um carro de fórmula 1 é de aproximadamente 300km/h, com um desvio padrão de 10km/h. 300 +1σ 310 320 330280 290270 µ µ+1σ µ+2σ µ+3σµ-2σ µ-1σµ-3σ 300 310 320 330280 290270 EIXO de X 1 2 3-2 -1-3 0 EIXO de Z µ = 300 σ = 10 µ = 300 σ = 10
  • 71.
    71 Coleta de Dados(Rational Subgrouping)Coleta de Dados (Rational Subgrouping) Propósito Nesta fase do projeto é NECESSÁRIO fazer um plano de coleta de dados. Os dados precisam ser coletados pois precisamos saber o Nível de Sigma atual do processo (Y). Para se coletar os dados é necessário criar um plano chamado de Rational Subgrouping (Subgrupo Racional), que nada mais é que a coleta de amostras de maneira aleatória, garantindo assim, que todas as variações possíveis aconteçam (Black Noise e White Noise). Para montar o plano é preciso definir:  Tipo de Dados do Y, discreto ou continuo;  Quem irá coletar as amostras (ex.: José);  Freqüência da coleta (ex.: semanal, diário, por turnos);  Ferramenta utilizada para medir a amostra ( ex.: régua, paquímetro, software) Fazendo o Rational Subgrouping conseguimos um valor mais próximo da população (diminuição do erro amostral). Tempo RespostaProcesso WHITE NOISE BLACK NOISE RATIONAL SUBGROUPS  White Noise: É a variação que acontece dentro de cada subgrupo. Também conhecido como Causa Comum, pois acontece em todos os processos e é impossível eliminá-la.  Black Noise: É a variação que acontece entre os subgrupos. Também conhecido como Causa Especial, pois é algo estranho ao processo, ou seja, não deveria haver variação entre os subgrupos. Nos projetos 6 Sigma, atuamos principalmente no “Black“Black Noise”Noise” pois o impacto da melhoria será maior. IMPORTANTE
  • 72.
    72 Gage R&R (Crossed) Nãodestroi a peça Gage R&R (Crossed) Não destroi a peça Gage R&R (Nested) danifica a peça Gage R&R (Nested) danifica a peça ContínuosContínuos DiscretoDiscreto DadosDados Tipos de GageTipos de Gage Gage AttributeGage Attribute Para cada Tipo de dados existe um Gage apropriado.  Gage R&R Crossed É utilizado quando podemos repetir as medições feitas em cada peça, ou seja, cada peça pode ser medida mais de uma vez.  Gage R&R Nested É utilizado em ensaios destrutivos, ou seja, cada vez que medimos uma peça ela é destruída não sendo possível repetir a medição. IMPORTANTE ANOVAANOVA X-Bar RX-Bar R ANOVAANOVA
  • 73.
    73 Gage R&RGage R&R Propósito Paracoletar os dados você precisou utilizar um equipamento, por exemplo, um paquímetro. Como você pode garantir que os dados são confiáveis? Para validar seu sistema de medição, garantindo que os dados medidos sejam confiáveis, você deve utilizar o GAGE R&R. O Gage R&R só pode ser utilizado para dados contínuos. MSA Com o Gage R&R iremos analisar o sistema de medição (Measurement System Analysis) a fim de validá-lo. A variação de um processo é composta por 2 partes: Variação Real do Processo (σProcesso) e Variação Sistema de Medição (σR&R) R&RProcessoTotal σσσ += Variação real do processoVariação real do processo Bias Estabilidade Linearidade Variação Total Observada Variação Sistema Medição White Noise Black Noise Exatidão Precisão σProcesso σT σR&R Repetibilidade Reprodutibilidade
  • 74.
    74 Gage R&RGage R&R Valorobservado Repetibilidade é a variação nas medidas obtidas com um equipamento de medida (gage), quando usado várias vezes pelo mesmo operador medindo a mesma característica da peça. Reprodutibilidade é a variação nas médias das medidas feitas por diferentes operadores usando o mesmo equipamento de medida (gage) quando medindo a mesma característica da peça. Operador A Operador B Operador C Repetibilidade (equipamento) Reprodutibilidade (operador) Operador A
  • 75.
    75 Valor real Bias Médiaobservada ☞ Diferença entre valor real e a média do valor observado • Programação do valor real é medido pelo Sistema de medida exato ☞ É a variação total nas medições obtidas com um sistema de medição sobre o mesmo padrão ou valor de referência num determinado período de tempo. • Sistema de medidas afeta o resultado quando tempo se vai por fatores ambientais, abrasividade, temperatura, umidade, etc. Estabilidade Tempo 1 Tempo 2 Bias Estabilidade Gage R&RGage R&R
  • 76.
    76 Gage R&RGage R&R Desviode exatidão: grande Desvio de exatidão: pequeno LSL USL Valor Atual Valores Referência (medido) Valor Real Valor de Referência (medido) Linearidade ☞ É a diferença nos valores através da faixa de operação. • Avaliar comparando exatidão dentro do alcance da função de espaço. • Exatidão por alcance geral da função de espaço.
  • 77.
    77 Gage R&RGage R&R ▶Dispersão é a variação nas medidas obtidas com um equipamento de medida quando usado várias vezes. ▷ A dispersão é dividida em duas categorias: Repetibilidade e Reprodutibilidade. - ANOVA método que pode definir as causas da variação em um equipamento de medida melhor que o método Xbar R. - Menor efeito dos pontos fora dos padrões. - Para uma mesma quantidade de dados, ANOVA fornece mais informações detalhadas sobre um o equipamento de medida que o método Xbar – R. - Pode separar a interação entre operadores e peças. a ) Quando a Repetibilidade é maior que a Reprodutibilidade  Problema de equipamento de medida - Manutenção preventiva no equipamento de medida - Equipamento de medida inadequado - Localização (lugar da medida ou ponto da peça medida) b) Quando a Reprodutibilidade é maior que a Repetibilidade  Problema com Operador - Não está acostumado com o equipamento de medida. Precisa de treinamento. c) Causas da variação - Equipamento de medida : Diferença entre equipamentos de medida, diferenças entre escalas - Métodos : Leitura da escala, Medidas habituais. - Peças : Variação entre as peças - Condições : Diferentes ambientes tais como umidade, temperatura etc. - Operadores : Diferenças entre operadores, turnos, laboratórios, etc Propósito: ANOVA Como Ajustar:
  • 78.
    78 Gage R&RGage R&R -Geralmente 2~3 operadores, 10 peças medidas de 2~3 vezes. - Antes do estudo, verifique a calibração do equipamento. - Cada operador mede todas as partes aleatoriamente. - Atenção : Operador não deve identificar as peças quando está medindo. - Analise dos resultados : Repetibilidade, Reprodutibilidade, %R&R. - A coleta de dados para um Gage não deve ser aleatória mas sim intencional, devem ser coletadas peças por todo o range do processo. % Tol ou % Study Var < 20% : Aceita % Tol ou % Study Var 20%~29% : Aceita condicionalmente %Tol ou % Study Var > 30% : Rejeita. Precisa ser melhorado % Tol. % Study30 30 20 0 20 OK Aceito Condicionalmente Troca do Sistema de medida Processo: Regra de Thumb
  • 79.
    79 Gage R&RGage R&R Exemplo: Afimde avaliar o sistema de medição foi realizado um Gage R&R com 3 operadores sendo que cada um mediu 10 peças 3 vezes cada. Spec. : 2.5 ± 1.5 Abrir o arquivo: Gageaiag.mtw, esse arquivo vem no banco de dados do próprio Minitab. Stat>Quality tools>Gage Study>Gage R&R Study (Crossed) Coluna com os números das peças Coluna com os nomes dos operadores Coluna com as medições feitas Método ANOVA mais precisão no resultado.
  • 80.
    80 Gage R&RGage R&R Apóster adicionado as três colunas (peça, operador e medições) clicar no botão “Options”. Nesse menu é possível colocar a tolerância do processo em análise, nessa caso a tolerância é: ± 1,5, assim devemos colocar o valor 3 no campo indicado abaixo. Tolerância do processo. (± 1,5)
  • 81.
    81 Gage R&RGage R&R GageR&R %Contribution Source VarComp (of VarComp) Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37 Part-To-Part 1,08645 92,24 Total Variation 1,17788 100,00 Study Var %Study Var %Tolerance Source StdDev (SD) (6 * SD) (%SV) (SV/Toler) Total Gage R&R 0,30237 1,81423 27,86 60,47 Repeatability 0,19993 1,19960 18,42 39,99 Reproducibility 0,22684 1,36103 20,90 45,37 Operator 0,22684 1,36103 20,90 45,37 Part-To-Part 1,04233 6,25396 96,04 208,47 Total Variation 1,08530 6,51180 100,00 217,06 Number of Distinct Categories = 4 Gage R&R %Contribution Source VarComp (of VarComp) Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37 Part-To-Part 1,08645 92,24 Total Variation 1,17788 100,00 Study Var %Study Var %Tolerance Source StdDev (SD) (6 * SD) (%SV) (SV/Toler) Total Gage R&R 0,30237 1,81423 27,86 60,47 Repeatability 0,19993 1,19960 18,42 39,99 Reproducibility 0,22684 1,36103 20,90 45,37 Operator 0,22684 1,36103 20,90 45,37 Part-To-Part 1,04233 6,25396 96,04 208,47 Total Variation 1,08530 6,51180 100,00 217,06 Number of Distinct Categories = 4 O resultado abaixo aparecerá no Minitab. É preciso avaliar alguns pontos importantes para garantir que o Sistema de Medição está confiável. São eles:  % Study Var  % Tolerance  Nº Categorias Distintas  Exercício: Avalie o Gage R&R ao lado, decida se esta aceito ou rejeitado. Justifique sua resposta.
  • 82.
    82 Nº categorias distintas Significado 1 Sea variação do Sistema de Medição for semelhante a variação real do processo não é possível avaliar este processo, com isso o número de categorias cai. Sistema inapropriado. 2~4 Não é possível detectar a variação do processo mesmo utilizando uma carta de controle, pois a sensibilidade do equipamento ainda não consegue distinguir as várias categorias. Sistema inapropriado. ≥ 5 Nessa faixa já é possível verificar e gerenciar as variações existentes no processo, com isso o Sistema de Medição se torna confiável. Sistema apropriado % Study Var Avalia se o Sistema de Medição é capaz de detectar a variação do processo ou não. Isto significa que esse sistema é apropriado. % Tolerance Mostra a exatidão do Sistema de Medição de acordo com a tolerância do processo, avalia se é possível detectar se a peça esta boa ou ruim. Nº Categorias Distintas Avalia se o Sistema de Medição consegue distinguir as variações do processo. Descreve quantos grupos diferentes o sistema consegue distinguir, quanto maior melhor será o resultado. Significado: Gage R&RGage R&R  Tolerância do Equipamento. Quando for necessário utilizar um equipamento para realizar um Gage R&R sua resolução deve ser de 1/10 da tolerância do processo. Ex.: Se a Spec for 2±0,5 [cm] significa que a tolerância é de ±0,5 [cm], nesse caso o equipamento tem que ter a capacidade de medir 1/10 desse valor, ou seja: O equipamento tem que conseguir medir nessa escala. [cm]0,0050,05* 10 1 Equip.Tol. ==
  • 83.
    83 Gráficos: Gage R&RGage R&R Percent Part-to-PartReprodRepeatGageR&R 200 100 0 % Contribution % Study Var % Tolerance SampleRange 1,0 0,5 0,0 _ R=0,342 UCL=0,880 LCL=0 A B C SampleMean 2 0 -2 __ X=0,001 UCL=0,351 LCL=-0,348 A B C P art 10987654321 2 0 -2 Operator CBA 2 0 -2 P art Average 10987654321 2 0 -2 Operator A B C Gage name: Date of study : Reported by : Tolerance: Misc: Com ponents of Variation R Chart by Operator Xbar Chart by Operator Measurem ent by Part Measurem ent by Operator Operator * Part Interaction Gage R& R (A NOVA ) for Measurement O Gage R&R gera o gráfico abaixo, onde podemos verificar se este está ou não aprovado. 1 2 3 4 5 6  Nesse gráfico é possível ver a variação de cada parte: Part-to-Part  variação do processo; Gage R&R  Variação sistema de medição. A variação Part-to-Part tem que ser muito maior que a Gage R&R.  Mostra a estabilidade dos operadores, os pontos devem estar dentro dos limites UCL e LCL  Mostra o número de categorias distintas, ou seja, a sensibilidade do equipamento, os pontos devem estar fora dos limites UCL e LCL.  Mostra a diferença entre as medidas feitas pelos operadores para cada uma das peças, a linha central indica a média das medidas, é desejável que essa média varie entre as peças.  Mostra a diferença entre os operadores, o ideal é que a linha esteja praticamente horizontal.  Mostra a interação entre os operadores, quanto mais próximo as linhas melhor será. 1 2 3 4 5 6
  • 84.
    84 Gage AttributeGage Attribute Propósito Oque são dados atributos? São os dados do tipo: OK / NG ou Verde / Amarelo. Normalmente são utilizados quando estamos avaliando um operador, se este sabe ou não inspecionar algum ponto do processo/produto/serviço. Neste caso devemos trabalhar da seguinte forma: Nº Operadores Mínimo peças avaliadas Mínimo repetições 1 24 5 2 18 4 3 12 3 Estatística Apropriado Aceito condicional Inapropriado Eficiência [PE] 90~100 % 80~90 % Abaixo 80 % Alarme Falso [PFA] 0~5 % 5~10 % Acima 10 % Perda [Pmiss] 0~2 % 2~5 % Acima 5 % Regra: Importante: cuidado com as medidas de fronteira (ex.: PFA = 5%, pode ser simultaneamente classificado como “Apropriado” e “Aceito Condicionalmente”)
  • 85.
    85 Pedro César Mauricio 1NG OK NG NG 2 OK NG OK OK 3 OK NG OK OK 4 OK NG NG OK 5 OK OK OK NG 6 OK OK OK OK 7 NG NG NG NG 8 NG NG NG NG 9 NG NG OK OK 10 NG NG OK NG 11 NG NG NG NG 12 OK NG OK OK 1 NG OK NG 2 OK OK NG 3 OK NG OK 4 OK OK NG 5 OK OK OK 6 OK OK OK 7 OK OK OK 8 OK OK NG 9 OK NG OK 10 NG NG OK 11 NG NG NG 12 OK NG OK 1 OK OK NG 2 OK OK NG 3 OK NG OK 4 OK OK NG 5 OK NG OK 6 OK OK OK 7 OK OK NG 8 OK OK NG 9 NG NG OK 10 NG OK OK 11 NG NG NG 12 OK NG OK Peça Atributo Operadores Exemplo: Foi realizado um Gage Atributos com 3 operadores para verificar se os mesmos sabem inspecionar peças do processo XXX. Abaixo esta o resultado das medições feitas. Utilizando o Minitab, faça a análise. Stat>Quality Tools>Attribute Agreement Analysis 1 2 3 4 1 2 3 4  Attribute column: preencher este campo com a coluna das medidas dos operadores.  Samples: preencher este campo com a coluna dos números de cada peça.  Appraisers: preencher este campo com a coluna dos nomes dos operadores  Known standard/attribute: preencher esse campo com a coluna do atributo padrão (referência), caso este exista. Gage AttributeGage Attribute
  • 86.
    86 Gage AttributeGage Attribute WithinAppraisers Assessment Agreement Appraiser # Inspected # Matched Percent 95 % CI César 12 6 50,00 (21,09; 78,91) Mauricio 12 10 83,33 (51,59; 97,91) Pedro 12 8 66,67 (34,89; 90,08) # Matched: Appraiser agrees with him/herself across trials. Appraiser Percent PedroMauricioCésar 100 80 60 40 20 0 95,0% C I Percent Appraiser Percent PedroMauricioCésar 100 80 60 40 20 0 95,0% C I Percent Date of study: Reported by: Name of product: Misc: Assessment Agreement Within Appraisers Appraiser vs Standard Abaixo esta o valor do PE de cada operador, de acordo com a regra avalie cada operador dizendo se estão aceitos ou não. Justifique sua reposta. PE
  • 87.
    87 Gage AttributeGage Attribute Cálculos: Asprobabilidades (PE, PFA e Pmiss) podem ser calculadas sem o Minitab através das seguintes fórmulas: [%]100* ções)Peças(mediTotal AcertosQtde = PE é a taxa de acerto de cada operador. O calculo é realizado através da divisão do total de medições corretas pelo total de peças inspecionadas. [%]100* medidasrepeticoesTotal*padrãoboaspeças FalsoAlarmeQtde PFA = PFA é a taxa de alarme falso. Alarme falso é o erro que o operador comete quando julga uma peça “BOA” como “RUIM”. Esse tipo de erro não é tão grave quanto o PMiss, mas diminui a eficiência da linha de produção. [%]100* repetiçõesTotal*padrãoruinsPeças ErroQtde P Perda Miss = PMiss é o erro que o operador comete quando julga uma peça “RUIM” como “BOA”. Esse tipo de erro é bem grave, pois o operador deixa entrar no processo peças com defeito. Sendo esse tipo de erro muito alto, o defeito chegará no cliente.
  • 88.
    88 Gage AttributeGage Attribute Exemplo: Foirealizado um Gage Atributos na companhia LGE000, para verificar se os operadores sabiam fazer a inspeção de Cosmetic na linha de LCD. Calcule PE, PFA e PMiss e analise os operadores. Parts Actual Value Benedito Joly Bárbara 1 2 3 1 2 3 1 2 3 1 G G G G G G G G G G 2 G G G G G G G G G G 3 NG NG NG NG NG NG NG NG NG NG 4 G G G G G G G G G G 5 NG NG NG NG NG G NG G G G 6 G G G G G NG NG G G G 7 NG NG NG NG NG NG NG NG NG NG 8 NG NG NG NG NG NG NG NG G NG 9 G G G G G G G G G G 10 G G G G G G G G G G 11 NG NG NG NG NG NG NG NG NG NG 12 G G NG G NG NG NG G G NG 13 NG NG NG NG NG NG NG NG NG NG 14 G G G G G G G G G G 15 NG NG NG NG NG NG NG NG NG NG
  • 89.
    89 Gage AttributeGage Attribute 97,78%100* 45 44 PE== 4,17%100* 3*8 1 PFA == 0%100* 3*7 0 PMiss == Benedito Joly Barbará 86,67%100* 45 39 PE == 20,83%100* 3*8 5 PFA == 4,76%100* 3*7 1 PMiss == 88,89%100* 45 40 PE == 4,17%100* 3*8 1 PFA == 19,05%100* 3*7 4 PMiss == Conclusão: Conclusão: Conclusão:
  • 90.
    90 Measurement Basic Metrics Common Z(Bench)-Value (ST, LT),Zshift Cp, Cpk Pp, Ppk Dados Discretos Sigma-level, RTY Baseado na qty/proporção DPU DPO,DPMO Taxa de defeito PPM Tipo Dados Dados Contínuos Métricas Básica Métrica comum ZBench Zshift Cp, Cpk Pp, Ppk Nível de sigma Baseado na variação/média DPU DPO,DPMOPPM Calculando o Z-valueCalculando o Z-value Z-value: Após já ter sido coletado as amostras dos dados atuais do Y do Projeto é preciso calcular o Z- value. Para cada tipo de dados existe uma ferramenta adequada. Abaixo esta a relação de ferramentas: Capability Anlysis
  • 91.
    91 Capability AnalysisCapability Analysis PCI Quandoestamos trabalhando com o Y do projeto sendo dados contínuos, para calcular o Z- value utiliza-se o PCI (Process Capability Analysis). Com essa ferramenta podemos calcular o ZST, o ZLT e o Zshift, além dos indicadores de capabilidade Cp, Cpk, Pp e Ppk. Esta também é a única ferramenta que nos indica o sentido de melhoria que deve ser tomado no processo, através do Diagrama de 4 Blocos. ZST  Nível de sigma em curto período (short term) também pode ser escrito ZSTBench ZLT  Nível de sigma em longo período (long term) também pode ser escrito ZLTBench Zshift  deslocamento entre o ZST e o ZLT, se esse valor for maior do que 1,5 terá problema no processo, sinal de muito deslocamento, ou seja, o processo está deslocado do centro da Spec. Cp  Capabilidade do processo em curto período avaliando a variação(within). Cpk  Capabilidade do processo em curto período avaliando o deslocamento da média (within). Pp  Capabilidade do processo em longo período avaliando a variação(overall). Ppk  Capabilidade do processo em longo período avaliando o deslocamento da média (overall).
  • 92.
    92 LSL USL Cp =2.0 Cp = 1.33 Cp = 0.6 Capability AnalysisCapability Analysis Cp, Cpk, Pp, Ppk Analisando graficamente temos: Podemos verificar que quanto maior a variação menor será o Cp/Pp. Podemos verificar que quanto maior a variação menor será o Cp/Pp. LSL USLCpk = 1,5 Cpk = 1,00 Cpk = 0,45 Podemos verificar que quanto maior o deslocamento menor será o Cpk/Ppk. Podemos verificar que quanto maior o deslocamento menor será o Cpk/Ppk. Fórmulas: periodo)towithin(cur6.σ LSLUSL Cp − = periodo)ngooverall(lo6.σ LSLUSL Pp − = T T k k k k)Pp.(1Ppk k)Cp.(1Cpk −= −= Fórmulas: Cp/Pp Cpk/Ppk 2 LSL-USL TX k − = within3.σ XUSL CPU − = ou within3.σ LSLX CPL − = CPL]min[CPU;Cpk = overall3.σ XUSL PPU − = overall3.σ LSLX PPL − = PPL]min[PPU;Ppk =
  • 93.
    93 Capability AnalysisCapability Analysis ZST/ ZLT / ZShift Para calcularmos o Níveis de Sigma iremos utilizar o Minitab. O primeiro passo a realizar é verificar se os dados coletados seguem uma distribuição normal. Abaixo esta os dados coletados de um processo XXX, sendo que sua Spec é: 9±1,5 Abrir o exemplo: capability.mtw L1 L2 L3 L4 L5 8,73 9,66 8,85 10,37 9,05 10,09 9,67 10,86 10,96 11,45 10,21 10,4 9,26 8,73 8,84 11,83 10,51 10,22 8,21 10,25 8,52 9,13 8,76 10,17 10,68 11,71 7,99 10,41 10,03 11,15 1º Passo: Normality Test. Adicionar coluna dos dados Sempre utilizar esse método Dados Percent 13121110987 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean 0,335 9,89 StDev 1,045 N 30 AD 0,404 P-Value Probability Plot of Dados Normal  Regra Normality Test: P-value > 0,05  dados normais. P-value < 0,05  dados não normais. P-value=0,335 Dados normais P-value=0,335 Dados normais
  • 94.
    94 2º Passo: Calcularo ZLT Stat>Quality Tools>Capability Analysis>Normal Capability AnalysisCapability Analysis Coluna com os dados Tamanho amostra Spec do processo Depois de adicionar a coluna com os dados e colocar a Spec do processo, clique em “Options”. Selecione a opção “Benchmark Z’s (sigma level)”
  • 95.
    95 Irá aparecer ográfico abaixo, neste gráfico temos o valor de ZLT. Capability AnalysisCapability Analysis 12111098 LSL USL Process Data Sample N 30 StDev (Within) 1,09725 StDev (O v erall) 1,05414 LSL 7,5 Target * USL 10,5 Sample Mean 9,89 Potential (Within) C apability C C pk 0,46 O v erall C apability Z.Bench 0,54 Z.LSL 2,27 Z.USL 0,58 Ppk Z.Bench 0,19 C pm * 0,51 Z.LSL 2,18 Z.USL 0,56 C pk 0,19 O bserv ed Performance PPM < LSL 0,00 PPM > USL 266666,67 PPM Total 266666,67 Exp. Within Performance PPM < LSL 14696,59 PPM > USL 289127,55 PPM Total 303824,15 Exp. O v erall Performance PPM < LSL 11687,24 PPM > USL 281405,09 PPM Total 293092,34 Within Overall Process Capability of Dados ZLT ZLT Para calcularmos o ZST é preciso utilizar o valor do Desvio Padrão curto período (StDev (within) e também precisamos do Target do processo.  StDev (Within) = 1,09725  Target = 9,0
  • 96.
    96 3º Passo: Calcularo ZST Stat>Quality Tools>Capability Analysis>Normal Capability AnalysisCapability Analysis 121110987 LSL USL Process Data Sample N 30 StDev (Within) 1,09725 StDev (O v erall) 1,05414 LSL 7,5 Target * USL 10,5 Sample Mean 9 Potential (Within) C apability C C pk 0,46 O v erall C apability Z.Bench 1,02 Z.LSL 1,42 Z.USL 1,42 Ppk Z.Bench 0,47 C pm * 0,95 Z.LSL 1,37 Z.USL 1,37 C pk 0,46 O bserv ed Performance PPM < LSL 0,00 PPM > USL 266666,67 PPM Total 266666,67 Exp. Within Performance PPM < LSL 85804,19 PPM > USL 85804,19 PPM Total 171608,38 Exp. O v erall Performance PPM < LSL 77373,13 PPM > USL 77373,13 PPM Total 154746,27 Within Overall Process Capability of Dados ZST ZST Target StDev (Within)
  • 97.
    97 Capability AnalysisCapability Analysis 4ºPasso: Calcular o ZShift Para calcular o ZShift utilizamos a seguinte fórmula: Neste exemplo temos: ZST=0,95 ZLT=0,54 ZShift=0,95-0,54 = 0,41 Com o valor do ZST e do ZShift é possível montar o Diagrama de 4 Blocos, essa ferramenta nos mostra o sentido de melhoria que devemos tomar. LTSTShift ZZZ −= ZST ZShift 1,5 4,5 1 2 3 4 O eixo ZST também é chamado de TecnologiaTecnologia, e esta relacionado com a Variação do processo quanto mais variação pior será. Essa variação esta relacionada com problemas de White Noise. O eixo ZShift também é chamado de ControleControle, e esta relacionado com o Deslocamento da Média do processo, quanto mais deslocada pior será. Esse deslocamento esta relacionado com problemas de Black Noise. NG OK NG OK 1 2 3 4  Pior quadrante, nessa região temos problema tanto de Controle como de Tecnologia.  Nesse quadrante temos problema somente com a tecnologia, será preciso diminuir a variação no processo investindo em equipamentos.  Nesse quadrante temos problema somente de controle, será preciso diminuir o deslocamento da média, diminuindo as influências de Black Noise.  Esse é o melhor quadrante, todos os pontos estão bons.
  • 98.
    98 Capability AnalysisCapability Analysis 4ºPasso: Calcular o ZShift Já sabemos que o ZST=0,95 e ZShift=0,95-0,54 = 0,41 então plotando esses valores no diagrama teremos: ZST ZShift 1,5 4,5NG OK NG OK 0,95 0,41 Nesse quadrante temos problema de Tecnologia, será preciso diminuir a variação do Processo, reduzindo problemas de White Noise.
  • 99.
    99 Capability AnalysisCapability Analysis CalculandoCp, Cpk, Pp e Ppk através do Minitab. Vamos utilizar o mesmo exemplo anterior. Apagar esses valores Clicar em “Options” Escolher essa opção.
  • 100.
    100 Capability AnalysisCapability Analysis Iráaparecer o gráfico abaixo, nele temos todos os índices relacionados a Capabilidade do processo. 12111098 LSL USL Process Data Sample N 30 StDev (Within) 1,09725 StDev (O v erall) 1,05414 LSL 7,5 Target * USL 10,5 Sample Mean 9,89 Potential (Within) C apability C C pk 0,46 O v erall C apability Pp 0,47 PPL 0,76 PPU 0,19 Ppk C p 0,19 C pm * 0,46 C PL 0,73 C PU 0,19 C pk 0,19 O bserv ed Performance PPM < LSL 0,00 PPM > USL 266666,67 PPM Total 266666,67 Exp. Within Performance PPM < LSL 14696,59 PPM > USL 289127,55 PPM Total 303824,15 Exp. O v erall Performance PPM < LSL 11687,24 PPM > USL 281405,09 PPM Total 293092,34 Within Overall Process Capability of Dados Capabilidade Curto Período (within) Capabilidade Curto Período (within) Capabilidade Longo Período (overall) Capabilidade Longo Período (overall) Desvio Padrão Longo Período (overall) Desvio Padrão Longo Período (overall) Desvio Padrão Curto Período (within) Desvio Padrão Curto Período (within) PPM Real da amostra PPM Real da amostra PPM estimado em Curto período PPM estimado em Curto período PPM estimado em Longo período PPM estimado em Longo período
  • 101.
    101 Capability AnalysisCapability Analysis Osdados abaixo foram coletados de um processo YYY, verificar se os dados são normais e depois calcular o ZST, ZLT e ZShift para que possa ser montado o Diagrama de 4 Blocos e indicado o sentido de melhoria. Spec = 21±2,5 L1 L2 L3 L4 L5 L6 L7 L8 L9 L10 23,50 21,48 21,91 22,20 23,53 21,71 22,67 22,92 20,98 24,95 22,56 22,34 21,47 24,37 22,43 21,87 22,64 21,44 22,52 21,88 21,92 21,75 21,81 22,46 20,51 22,53 22,69 24,20 22,72 22,13 22,47 21,25 22,05 21,81 22,37 22,96 23,41 22,50 22,77 22,01 20,67 21,86 21,98 21,75 23,41 20,11 22,96 22,00 21,41 22,30 Exercício.
  • 102.
    102 DPU / DPO/ DPMODPU / DPO / DPMO • Uma medida de volume de saída da área • É observável e contável • Deve ter um ponto de início e término definidos • Onde o trabalho é normalmente analisado criticamente (exemplo: inspeção, teste) • A “coisa” sobre a qual estamos contando os defeitos Exemplos: - Pedido de um produto pelo cliente - Chamada telefônica de um cliente - Ordem de compra - Pedido de importação - Um produto ou uma peça - Uma instalação de equipamento - Um serviço solicitado pelo cliente • Indica a complexidade do processo • Necessário ser Independente • Mensurável Oportunidades: é o número de chances de um processo se desviar do esperado Exemplo: - Um processo de importação pode falhar de três formas diferentes (3 oportunidades): - chegar o produto fora do prazo; - a documentação estar incorreta; - não chegar o produto correto Unidade - UUnidade - U Oportunidades - OpOportunidades - Op Propósito Para calcularmos os Níveis de Sigma para dados DISCRETOS iremos utilizar os cálculos de DPU, DPO e DPMO. Abaixo esta o significado de cada um.
  • 103.
    103 DPU / DPO/ DPMODPU / DPO / DPMO Qualquer coisa que gera insatisfação do cliente • Qualquer coisa que gera não-conformidades em uma oportunidade ou numa unidade • Qualquer variação de uma característica requerida de um produto ou serviço ou suas peças que impede o produto ou serviço de preencher os requisitos funcionais ou físicos do cliente • Qualquer coisa que leva alguém ou um produto a sair do processo normal É o número total de defeitos dividido pelo número total de unidades coletadas por um período razoável de tempo (de modo a formar uma imagem do processo que acredita-se representar a variação típica a qual o processo está normalmente sujeito). É o DPU dividido pelas oportunidades de erros que existirem no processo em análise. Durante 3 meses, um Green Belt coletou 500 pedidos de clientes verificou que 30 deles foram entregues fora do prazo e 20 foram entregues produtos diferentes. ( 2 oportunidades por unidade = fora do prazo ou produto diferente ) Total Unidades = 500 Defeitos = 50 Oportunidades = 2 Defeito - DDefeito - D DPU- Defeito por UnidadeDPU- Defeito por Unidade DPO- Defeito por OportunidadeDPO- Defeito por Oportunidade  Fórmulas: Exemplo desOportunidaTotal DPU DPO UnidadesTotal Defeito DPU = = 0,1 500 50 DPU == 0,05 2 0,1 DPO ==
  • 104.
    104 DPU / DPO/ DPMODPU / DPO / DPMO É o DPU dividido pelo número total de oportunidades vezes um 1.000.000. O DPMO é medido em PPM, ou seja, quantos defeitos temos por milhão de peças/produtos. Quando temos o valor do DPMO basta procurá-lo na Tabela Z que teremos o Nível de Sigma. Definir o numero de unidade, oportunidade, e defeito. Calcular DPU, DPO e DPMO Numero de Unidade: DPU: Numero de oportunidade: DPO: Numero de defeito: DPMO: DPMO- Defeito por Milhão de OportunidadesDPMO- Defeito por Milhão de Oportunidades Exercício: Z-value = 1 unidade 1 oportunidade 1 unidade 5 oportunidades
  • 105.
    105 Avaliação de capacidadede fabricação Mr. Kim, dono de um fabrica de brocas, sempre repreende o Líder da linha de produção B por ter um taxa de defeito mais alta que o da linha de produção A. Compare com a capacidade de fabricação de cada linha e avalie se as ordens de Mr.Kim são justamente baseadas na próxima página. DPU / DPO / DPMODPU / DPO / DPMO
  • 106.
    106 Linha de produçãoA Linha de produção B Taxa de defeito Número de unidade Número total de oportunidade Número total de defeito DPU DPO DPMO ZST Faça os cálculos e verifique se a reclamação do Mr. Kim esta de fato correto. Verifique se realmente a linha A é melhor do que a B. DPU / DPO / DPMODPU / DPO / DPMO
  • 107.
    107 5 Análise - Selecionar ofator principal examinando o X possível. - Examinar rigorosamente a causa do fator principal ou do defeito. - Análise Gráfica - Interferência estatística : Intervalo de Estimativa & Test de Hipótese - Análise de Regressão Objetivos Ferramentas Passos Passo 6 : Selecionar o fator principal (Vital Few) Passo 7 : Examinar a principal causa LG Electronics Green Belt [Mfg]
  • 108.
    108 Propósito Passos da atividade Saída Passo6 - Lista dos possíveis X - Lista do Vital Few - Verificar a possibilidade de alcançar a meta Passo 7 6.1 Extrair os possíveis X’s 6.2 Coletar e examinar dados adicionais 6.3 Selecionar o fator vital e checar a possibilidade de atingir a meta 7.1 Examinar a causa Passo 7. Examinar a causaPasso 6. Seleciona o fator vital Análise - Extrair o Possível X para melhorar o Y do Projeto selecionando os Vital Few. - Examinar a causa fundamental através do estudo do Vital Few e tomar a ação para isso, se necessário. -Explicar e avaliar a causa fundamental extraída através do Vital Few.
  • 109.
    109 • Extrair osvários X´s possíveis através do exame da direção da melhoria e metas. • Inicialmente examinar o Resumo dos dados. Examinar os fatores variáveis do processo adicionais e relacionar com variação e atributos se necessário. -Examinar o processo -Extrair/definir o fator potencial/Possível X - Logic Tree - Fish Bone - Matriz X-YExtrair possíveis X´s Atividade Ferramenta Passo 6 Selecionar o fator vital Extrair vários fatores vitais baseado na meta de melhoria e direção. Selecionar os fatores vitais que podem alcançar a meta através do exame e análise. Propósito • Selecionar os dados adicionais focando no possível X e examinar sua relação e influência no Projeto Y -Coletar dados -Métodos quantitativos/ qualitativos. Coletar e examinar dados adicionais • Decidir os fatores vitais que tem maior influência no Projeto Y. • Verificar/examinar a possibilidade de atingir as metas com os fatores vitais. -Verificar causa e efeito -Seleção do fator Vital Seleção do Fator Vital - Análise Gráfica -Estimar intervalo/Teste de hipótese - Análise de regressão linear - Avaliar experimentos -Análise de comparação qualitativa
  • 110.
    110 • Examinar acausa fundamental e seu efeito sobre Y do projeto através do Vital Few extraído. - Definir o Vital Few - Examinar a causa fundamental - 5 Porquês - Logic Tree Examinar a causa fundamental Atividade Ferramenta Passo 7 Examinar a causa Examinar a relação entre o Projeto Y e a extração do Fator Vital. Examinar a causa fundamental e seu efeito em cada fator vital. Propósito
  • 111.
    111 Vital Few - Poucosfatores Controláveis que influenciam a saída. - Deve existir o fator principal. Fatores potenciais Fatores possíveis Vital Few VF Potential Possible VF Potential Possible VF Potential PossibleVF Potential PossibleVF Potential Possible Process/SystemEntrada Saída (Y) X’s : Vital Few X’s : Muitas causas Y é a variável dependente. X é a variável independente. Y depende de X. Se controlar o X, pode-se melhorar o Y. Trivially Many Vital Few Efeitos de Y N° de Causas Vital FewVital Few ( )XfY =
  • 112.
    112 IntroduçãoIntrodução • Depois deser calculado o valor Z do CTQ(Y ) no estagio de MEDIÇÃO. • No estagio de ANÁLISE, nós estamos focando nas CAUSAS (X´s) que afetam Y. • Primeiro, liste todas as possíveis causas, e então encontre as significativas (Vital Few) usando ferramentas estatísticas. - Passo 1 - Liste as possíveis causas Brainstorming para listar as Possíveis causas Brainstorming para listar as Possíveis causas Desenhe o Diagrama de Causa e Efeito (Fish Bone) Desenhe o Diagrama de Causa e Efeito (Fish Bone) Histograma Scatter Plot / Matrix Plot Bar Chart Box Plot - Passo 2 - Coletar Dados 1) Coletar dados de cada um dos possíveis X’s levantados no Fish Bone / Logic Tree. 2) No caso de dificuldade na coleta, pode-se utilizar o DOE. 1) Coletar dados de cada um dos possíveis X’s levantados no Fish Bone / Logic Tree. 2) No caso de dificuldade na coleta, pode-se utilizar o DOE. - Passo 3 - Identificar o Vital Few 1 Proportion 2 Proportion Chi-square Test 1 Sample T 2 Sample T ANOVA Correlação Equação Regressão Test for equal Variance Análise Gráfica Testes Hipótese Correlação Seqüência: Dot Plot
  • 113.
    113 Introdução ao MinitabIntroduçãoao Minitab Ao abrir o Minitab 16 irá aparecer a tela abaixo, essa tela é dividida em 2 partes: Sessão (Session) e a planilha (Worksheet). Os resultados dos testes e ferramentas irão aparecer nessa área. Os resultados dos testes e ferramentas irão aparecer nessa área. Os dados para a análise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e não com células como o Excel. Os dados para a análise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e não com células como o Excel.
  • 114.
    114 Introdução ao MinitabIntroduçãoao Minitab Na worksheet podemos adicionar dados de 2 maneiras: “Agrupado” ou “Desagrupado”. Quando temos dados Agrupados (Stack) significa que estes estão todos em uma só coluna, já os Desagrupados (Unstack) estão em várias colunas, veja o exemplo abaixo: AgrupadosAgrupados DesagrupadosDesagrupados
  • 115.
    115 Introdução ao MinitabIntroduçãoao Minitab Dados Agrupados Para utilizar algumas ferramentas do Minitab, é necessário que os dados estejam digitados em uma só coluna, ou seja, Dados Agrupados. Exemplo, se temos os dados já digitados no Excel e queremos utilizá-los no Minitab e precisamos agrupá-los, devemos seguir os passos abaixo: Dados Desagrupados Dados Desagrupados Data>Stack>Columns Adicionar as colunas que se deseja agrupar. Escolher a coluna que ficarão os dados agrupados Escolher a coluna que ficarão os nomes dos dados agrupados
  • 116.
    116 Dados Desagrupados Dados Desagrupados Dados Agrupados Dados Agrupados Depois disso osdados estarão agrupados. Introdução ao MinitabIntrodução ao Minitab
  • 117.
    117 Dados Desagrupados Para utilizaralgumas ferramentas do Minitab, é necessário que os dados estejam digitados em várias colunas, ou seja, Dados Desagrupados. Veja o exemplo abaixo: Introdução ao MinitabIntrodução ao Minitab Dados Agrupados Dados Agrupados Data>Unstack Columns Adicionar a coluna com os dados que se deseja desagrupar. Selecionar essa opção Adicionar a coluna com os nomes dos dados que se deseja desagrupar.
  • 118.
    118 Depois disso osdados estarão desagrupados. Introdução ao MinitabIntrodução ao Minitab Dados Desagrupados Dados Desagrupados Dados Agrupados Dados Agrupados
  • 119.
    119 Introdução ao MinitabIntroduçãoao Minitab Exercício: Agrupe os dados abaixo utilizando o Minitab. Desagrupe os dados abaixo utilizando o Minitab. Turma Nota A 18,4 A 19,9 A 20,4 A 19,5 B 21,5 B 20,2 B 21,1 B 19,4 C 19,2 C 20,6 C 17,8 C 19,2 D 20,5 D 21,7 D 20,4 D 20,3 E 20,2 E 20,4 E 20,6 E 20,9 A B C D E 18,4 21,5 19,2 20,5 20,2 19,9 20,2 20,6 21,7 20,4 20,4 21,1 17,8 20,4 20,6 19,5 19,4 19,2 20,3 20,9
  • 120.
    120 Criando Seqüências: O Minitabcria seqüências de números e de textos, assim fica fácil montar tabelas com dados que se repetem. Veja exemplo abaixo. Criar a seqüência de números de 1~10, com 4 repetições de cada seqüência. Introdução ao MinitabIntrodução ao Minitab Calc>Make Patterned Data>Simple Set of Numbers Escolher a coluna que deseja colocar a seqüência. Escolher o 1º número da seqüência. Escolher o último número da seqüência. Escolher os incrementos. Escolher quantas vezes irá aparecer cada número. Escolher quantas vezes irá repetir a sequência inteira.
  • 121.
    121 Criando Seqüências: Criar aseqüência de palavras João, Carlos e Pedro, repetindo cada valor 5 vezes. Introdução ao MinitabIntrodução ao Minitab Calc>Make Patterned Data>Text values Escolher a coluna que deseja colocar a seqüência. Digitar as palavras Escolher quantas vezes vai repetir cada palavra. Escolher quantas vezes vai repetir a seqüência inteira.
  • 122.
    122 Salvando arquivos: No Minitabpodemos salvar dois tipos de arquivos, pode ser salvo somente a Worksheet que contém os dados, quando fazemos isso todos os gráficos e cálculos que estiverem na Sessão não serão salvos, ou também podemos salvar o Projeto, assim todas as informações serão salvas. Introdução ao MinitabIntrodução ao Minitab File>Save Project As File>Save Current Worksheet As
  • 123.
    123 Abrindo arquivos: Podemos abrirtanto uma Worksheet ou um Projeto, para isso precisamos escolher a opção adequada, se tentar abrir uma worksheet clicando no menu Open Project ira aparecer uma mensagem de erro. Introdução ao MinitabIntrodução ao Minitab File>Open Project File>Open Worksheet
  • 124.
    124 Atalhos: Para ficarmos alternandoentre a Seção, Gráficos e Worksheet pode utilizar os seguintes botões. Introdução ao MinitabIntrodução ao Minitab Vai para os Gráficos; Vai para a Worksheet; Vai para a Seção. Para voltar na última ferramenta utilizada clique no botão:
  • 125.
    125 Extrair Possíveis X’sExtrairPossíveis X’s Possíveis X’s Na fase de ANALISE devemos extrair os possíveis X’s que estão afetando o Y do projeto. Para isso podemos utilizar algumas ferramentas. Veja o diagrama abaixo. Processo / Sistema Possíveis X’s Vital Few Vários X’s X’s Potenciais Sugestão de Idéias Analisar / Discutir Decidir Vital Few Identificar relação com o Y Escala e méto do de medição Resumo dos Dados Input Output (Y) Brainstorming Espinha de Peixe Logic Tree Sabedoria da Organização
  • 126.
    126 Espinha de Peixe(Fish Bone)Espinha de Peixe (Fish Bone) Propósito Ferramenta para listar todas as potencias causas que possam estar influenciando no Y do projeto. Após a montagem da Espinha de Peixe é preciso, através de um brainstorming, listar quais das causas vão ser os Possíveis X’s, lembrando que todos os X’s selecionados como possíveis deverão ser medidos e analisados. Importante: na espinha de peixe devem ser colocado as CAUSAS que geram o Y e não as soluções para essas causas, por exemplo: Y = Curto Solda X1 = Diminuir velocidade do Finger Esse X indicado é a solução para o problema, o correto seria: X1 = Velocidade do Finger Para fazer a espinha de peixe podemos separar as causas pelo 5M1E, 4P ou Seqüência do Processo.  5M1E Man – Homem Machine – Máquina Method – Método Material – Material Measure – Medida  4P Place – Local Product – Produto Price – Preço Promotion - Promoção YY Man Machine Method Material Environment Treinamento Inspeção Habilidade Manuseio 5S Visual Pulseira DDC Jigs APC Processo Manual Antigas Ajuste Seqüência Linha Monitoramento Automático Manual Revezamento LinhaA LinhaB LinhaC Temperatura Ambiente Solda Pre-heater Elet. Estática Esteira Carrinho Umidade Oxidação Turnos Pinos Cabos 1º 2º 3º Obsoleto Empenado Manchado Riscado X1 X2 X3 X4 X5
  • 127.
    127 Logic TreeLogic Tree Propósito Ferramentapara listar todas as potencias causas que possam estar influenciando no Y do projeto. Após a montagem do Logic Tree, através de um brainstorming, listar quais das causas vão ser os Possíveis X’s, lembrando que todos os X’s selecionados como possíveis deverão ser medidos e analisados. Importante: o Logic Tree deve ser feito com o método MECEMECE (Mutually Exclusive Collectively Exhaustive), ou seja, Mutuamente Exclusivo e Coletivamente Exaustivo. Veja a figura abaixo. No caso de MECE No caso de não MECE A B A B A B B A C  AB é ME, não CE. Exemplo: animais A: mamíferos B: peixes  ABC é CE, não ME. Exemplo: Mulher A: solteiras B casadas C: Trabalhando  AB não é nem ME nem CE. Exemplo: Classe de Alunos A: Bons em matemática B: Bons em literatura A1 MECE A2 B1 MECE B2 C1 C2 C3 A B C MECE MECE C
  • 128.
    128 Logic TreeLogic Tree Exemplo: Usaro método MECE significa que todos os potencias X’s serão analisados (Collectively Exhaustive (CE)) e que nenhum deles influenciará o outro (Mutually Exclusive (ME)) A1 A2 B1 B3 C1 C2 C3 A B C Y MECEMECE B2 A1 B1 C1 A B C Y MEME A1 B1 B1 B2 C1 A1 C2 A B C Y CECE C1 OK Não foram analisadas todas as possibilidades em cada item. Não é CE Existem causas duplicadas em alguns itens. Não é ME
  • 129.
    129 Dados Discretos:  BarChart;  Pareto Chart. Dados Contínuos:  Box Plot;  Dot Plot;  Histograma;  Bar Chart;  Scatterplot;  Matrix Plot;  Probability Plot. Dados Discretos:  Bar Chart;  Pareto Chart. Dados Contínuos:  Box Plot;  Dot Plot;  Histograma;  Bar Chart;  Scatterplot;  Matrix Plot;  Probability Plot. Dados Discretos:  1 Proportion;  2 Proportion;  Chi Square Test (χ²) Dados Contínuos:  Normality Test;  1 Sample T;  2 Sample T;  ANOVA;  Test for Equal Variance; Dados Discretos:  1 Proportion;  2 Proportion;  Chi Square Test (χ²) Dados Contínuos:  Normality Test;  1 Sample T;  2 Sample T;  ANOVA;  Test for Equal Variance; Dados Discretos:  Chi Square Test (χ²) Dados Contínuos:  Correlation;  Equação de Regressão. Dados Discretos:  Chi Square Test (χ²) Dados Contínuos:  Correlation;  Equação de Regressão. Análise dos Possíveis X’sAnálise dos Possíveis X’s Propósito É preciso analisar todos os Possíveis X’s que foram destacados pelo Brainstorming na Espinha de Peixe ou Logic Tree, e criar um plano de coleta de dados respeitando o Rational Subgrouping. Devemos utilizar as ferramentas do 6 Sigma para decidir quais destes Possíveis X’s serão os Vital Few. Tipos de Análise Para buscar os Vital Few podemos fazer alguns tipos de Análise: Gráfica, Teste de Hipótese ou Correlação. GráficaGráfica Teste HipóteseTeste Hipótese CorrelaçãoCorrelação
  • 130.
    130 Análise GráficaAnálise Gráfica Propósito Identificaros Vital Few através da Análise Gráfica. Para cada tipo de dados e dependendo de qual informação queremos mostrar existe um gráfico adequado. Veja a tabela abaixo: Dados Discretos Contínuos * Pareto Chart Bar Chart Tipo de DadosTipo de Dados GráficoGráfico PropósitoPropósito “Rankear” os valores de cada X’s, mostrando o mais impactante. Quantificar os valores de cada X’s, mostrando o mais impactante. Dot Plot Histograma Bar Chart Box Plot Scatterplot Matrix Plot Probability Plot Verificar a variação do item em análise. Também é possível identificar Outliers. Verificar a variação do item em análise. Também é possível identificar Outliers e possibilidade de ser uma distribuição Normal. Fazer comparação entre os fatores/variáveis em análise. Fazer comparação entre os fatores/variáveis em análise. Possível verificar outliers. Verificar se existe correlação entre o Y e os X’s Possível verificar outliers. Verificar se os dados seguem uma Distribuição Normal. * Já foi visto anteriormente
  • 131.
    131 Dados Discretos –Bar ChartDados Discretos – Bar Chart Bar Chart Foram coletados dados de uma companhia, esses dados mostram os tipos de defeitos e suas respectivas quantidades ao longo de 12 meses. Verificar qual é o pior problema. Abrir o exemplo “bar-chart.mtw”. Graph> Bar Chart Selecionar essa opção DefeitoCount CBA 77 77 77 77 77 77 77 7 77 77 77 Chart of Defeito
  • 132.
    132 Dados Discretos –Bar ChartDados Discretos – Bar Chart Podemos detalhar mais as informações no gráfico. Como pode ser visto no gráfico anterior o pior defeito é o “B”, verifique se esse defeito é o mais crítico em cada uma das 3 linhas. Defeito Count CBA 70 60 50 40 30 20 10 0 25 65 25 Chart of Defeito Selecionar essa opção Count Linha Defeito LCLBLA CBACBACBA 77 77 77 77 7 7 77 7 77 77 7 7 77 7 Chart of Linha; Defeito
  • 133.
    133 Dados Contínuos –Dot PlotDados Contínuos – Dot Plot Dot Plot A companhia LGE000 produz telefones celulares, atualmente 3 fornecedores fabricam baterias para sua produção. Verifique as variações entre estes fornecedores, sabendo que a característica medida foi a tensão elétrica fornecida pela bateria, sua faixa pode variar de 3,0 ~ 4,2 [V]. Abrir o exemplo: “Dot-plot.mtw” Graph> Dot Plot Tensão [V] 3,923,783,643,503,363,223,08 Dotplot of Tensão [V]
  • 134.
    134 Dados Contínuos –Dot PlotDados Contínuos – Dot Plot Separando os dados por fornecedores. Tensão [V] Fornecedor 7,777,777,777,777,777,777,77 Fornecedor A Fornecedor B Fornecedor C Dotplot of Tensão [V] vs Fornecedor
  • 135.
    135 Dados Contínuos –Dot PlotDados Contínuos – Dot Plot Outliers são pontos distantes do resto da amostra, normalmente são problemas que aconteceram durante a coleta de dados. Toda vez que for encontrado outliers é essencial que este seja removido, mas para isso é preciso saber porque ele esta na amostra. A presença de outliers pode fazer com que uma amostra seja transformada em dados não normais, dessa forma é impossível realizar a análise. Identificando outliers no Minitab: Outliers Clicar botão direto do mouse sobre o gráfico Outliers  Outliers: 3,44185 [V] 3,44973 [V]
  • 136.
    136 Dados Contínuos –HistogramaDados Contínuos – Histograma Histograma Vamos utilizar o mesmo exemplo do gráfico anterior. Abrir o exemplo: “Dot-plot.mtw” Graph> Histogram Tensão [V] Frequency 3,903,753,603,453,303,153,00 50 40 30 20 10 0 Histogram of Tensão [V]
  • 137.
    137 Dados Contínuos –HistogramaDados Contínuos – Histograma Separando por fornecedores. Os dados devem estar desagrupados. Selecionar Frequency 3,903,753,603,453,303,153,00 40 30 20 10 0 3,903,753,603,453,303,153,00 40 30 20 10 0 Fornecedor A Fornecedor B Fornecedor C Histogram of Fornecedor A; Fornecedor B; Fornecedor C
  • 138.
    138 Dados Contínuos –Bar ChartDados Contínuos – Bar Chart Bar Chart Foram coletados dados do processo XXX durante 60 dias, esses dados estão divididos pelos turnos que existem na empresa (turno A, B e C). Sabe-se que o que foi medido foi o tempo deste processo, compare a média de tempo de produção entre os três turnos. Abrir o exemplo: “Bar-chart 2.mtw” Graph> Bar Chart Selecionar Selecionar Escolher o que deseja-se comparar. Turno MeanofTempo Turno CTurno BTurno A 77 7 7 7 7 7,77777 7,77777 7,77777 Chart of Mean( Tempo ) vs Turno
  • 139.
    139 Dados Contínuos –Box PlotDados Contínuos – Box Plot Box Plot Vamos utilizar o mesmo exemplo do gráfico anterior. Abrir o exemplo: “Bar-chart 2.mtw” Graph> Box Plot Selecionar Selecionar
  • 140.
    140 Dados Contínuos –Box PlotDados Contínuos – Box Plot Tempo 11 10 9 8 7 6 5 4 3 8,221 Boxplot of Tempo Máximo Separando por Turnos: Turno Tempo Turno CTurno BTurno A 11 10 9 8 7 6 5 4 3 8,99688 7,16093 8,50519 Boxplot of Tempo vs Turno 3º Quartil – 75% dos dados Mediana – 50% dos dados Média 1º Quartil – 25% dos dados Mínimo Outliers Graph> Box Plot
  • 141.
    141 Dados Contínuos –Descriptive StatisticsDados Contínuos – Descriptive Statistics Descriptive Statistics Se desejamos calcular todos os pontos do Box Plot (quartis, mediana, média, etc) devemos utilizar a ferramenta de Estatística Descritiva. Não somente os pontos do Box Plot, mas toda a estatística descritiva pode ser calculada com essa ferramenta. Stat>Basic Statistics>Display Descriptive Statistics Adicionar variável Adicionar subgrupos
  • 142.
    142 Dados Contínuos –Descriptive StatisticsDados Contínuos – Descriptive Statistics Turno Tempo Turno CTurno BTurno A 77 77 7 7 7 7 7 7 7 Boxplot of Tempo by Turno Turno Tempo Turno CTurno BTurno A 77 77 7 7 7 7 7 7 7 Individual Value Plot of Tempo vs Turno Tempo Frequency 77777777 77 77 77 77 7 77777777 77 77 77 77 7 Turno A Turno B Turno C Turno A 7,777 StDev 7,777 N 777 Turno C Mean 7,777 StDev 7,7777 Mean N 777 7,777 StDev 7,7777 N 777 Turno B Mean Histogram (with Normal Curve) of Tempo by Turno Panel variable: Turno TempoFrequency 77777777 77 77 77 77 7 77777777 77 77 77 77 7 Turno A Turno B Turno C Histogram of Tempo by Turno Panel variable: Turno
  • 143.
    143 Dados Contínuos –Graphical SummaryDados Contínuos – Graphical Summary Graphical Summary Tem a mesma função da ferramenta anterior, mas aparece em um único painel os gráficos e os valores da estatística descritiva. Stat>Basic Statistics>Graphical Summary 77,77,77,77,77,7 Median Mean 7,7777,7777,7777,7777,7777,7777,777 A nderson-Darling Normality Test V ariance 7,7777 Skew ness -7,777777 Kurtosis -7,777777 N 777 Minimum 7,7777 A -Squared 7st Q uartile 7,7777 Median 7,7777 7rd Q uartile 7,7777 Maximum 7,7777 77% C onfidence Interv al for Mean 7,7777 7,77 7,7777 77% C onfidence Interv al for Median 7,7777 7,7777 77% C onfidence Interv al for StDev 7,7777 7,7777 P-V alue 7,777 Mean 7,7777 StDev 7,7777 77% C onfidence I nter v als Summary for Tempo Turno = Turno C 77,77,77,77,77,7 Median Mean 7,77,77,77,7 A nderson-Darling Normality Test V ariance 7,7777 Skew ness -7,777777 Kurtosis -7,777777 N 777 Minimum 7,7777 A -Squared 7st Q uartile 7,7777 Median 7,7777 7rd Q uartile 7,7777 Maximum 77,7777 77% C onfidence Interv al for Mean 7,7777 7,77 7,7777 77% C onfidence Interv al for Median 7,7777 7,7777 77% C onfidence Interv al for StDev 7,7777 7,7777 P-V alue 7,777 Mean 7,7777 StDev 7,7777 77% C onfidence I nter v als Summary for Tempo Turno = Turno B 77,77,77,77,77,7 Median Mean 7,777,777,777,777,777,777,77 A nderson-Darling Normality Test V ariance 7,7777 Skew ness -7,7777777 Kurtosis -7,7777777 N 777 Minimum 7,7777 A -Squared 7st Q uartile 7,7777 Median 7,7777 7rd Q uartile 7,7777 Maximum 7,7777 77% C onfidence Interv al for Mean 7,7777 7,77 7,7777 77% C onfidence Interv al for Median 7,7777 7,7777 77% C onfidence Interv al for StDev 7,7777 7,7777 P-V alue 7,777 Mean 7,7777 StDev 7,7777 77% C onfidence I nter v als Summary for Tempo Turno = Turno A
  • 144.
    144 Dados Contínuos –ScatterplotDados Contínuos – Scatterplot Scatterplot Sabe-se que conforme aumentamos a temperatura no forno [°C] o comprimento do produto varia, verifique se existe uma correlação entre o aumento da temperatura e o comprimento da peça [cm]. Abrir o exemplo: “Scatterplot.mtw” Graph> Scatterplot NÃO inverter X com Y Temp [°C] Comp.[cm] 120115110105100 22 21 20 19 18 17 16 15 14 13 Scatterplot of Comp. [cm] vs Temp [°C] Existe correlação?
  • 145.
    145 Dados Contínuos –CorrelationDados Contínuos – Correlation Correlation Apenas graficamente fica difícil afirmar que existe ou não correlação entre o Y e o X, com isso utilizaremos a ferramenta “Correlation”. Utilizando o exemplo anterior, calcular o coeficiente de correlação (r). Stat> Basic Statistics> Correlation Adicionar as variáveis X e Y Regra da Correlação -1 -0,8 -0,3 10,80,3 Forte Negativa Forte Positiva Fraca Positiva Fraca Negativa Sem Existe correlação? Conforme a regra de correlação,existe correlação forte e positiva.
  • 146.
    146 Dados Contínuos –Matrix PlotDados Contínuos – Matrix Plot Matrix Plot Utilizamos o matrix plot quando temos mais do que um X para verificar a correlação com o Y. No exemplo anterior tínhamos o Y sendo a comprimento da peça e o X sendo a temperatura, agora, além da temperatura, descobrimos que o tempo em que a peça fica no forno também esta influenciando a produção. Abrir o exemplo: “Matrix Plot.mtw” Graph> Matrix Plot Temp [°C] Comp.[cm] 120115110105100 22 21 20 19 18 17 16 15 14 13 Tempo [s] 161514 Matrix Plot of Comp. [cm] vs Temp [°C]; Tempo [s]
  • 147.
    147 Dados Contínuos –CorrelationDados Contínuos – Correlation Utilizando o exemplo anterior, calcular o coeficiente de correlação (r), verificando se existe ou não a correlação. Stat> Basic Statistics> Correlation Existe correlação?
  • 148.
    148 Dados Contínuos –Probability PlotDados Contínuos – Probability Plot Probability Plot Quando trabalhamos com dados de produção temos que garantir que estes sejam distribuídos normalmente (Distribuição Normal), podemos verificar isso através do Probability Plot. Abrir o exemplo: “Probability Plot.mtw” Graph> Probability Plot Adicionar as variáveis
  • 149.
    149 Data Percent 22201816141210 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,783 13,77 0,9939 1000,402 0,352 17,89 1,012 100 0,606 StDev 0,112 N AD P 15,10 1,004 100 0,236 Variable Fornecedor C Fornecedor A Fornecedor B Probability Plot of Fornecedor A; Fornecedor B; Fornecedor C Normal - 95% CI Dados Contínuos – Probability PlotDados Contínuos – Probability Plot Foco Regra da Normalidade P-value > 0,05  Dados Normais P-value < 0,05  Dados não Normais Os dados são normais?
  • 150.
    150 Teste de HipóteseTestede Hipótese Propósito Quando temos duas possibilidade de decisão, mas não sabemos qual das duas vai ser aceita, utilizamos os Testes de Hipótese. Nós chamamos dois fatos não confirmados de Hipóteses separando-os em Hipótese Nula (H0) e Hipótese de Oposição ou Alternativa (H1). Ex.: O IQC examina diariamente peças do Fornecedor A com relação a qualidade da mesma, eles comparam as peças com um padrão pré-definido. Quais são as duas hipóteses que podemos ter? H0  Peças iguais ao padrão (boas) H1  Peças diferentes do padrão (ruins) Como podemos esboçar uma decisão razoável? Diferença entre amostra e padrão A possibilidade de aceitar H0 é alta Pequena Grande A possibilidade de aceitar H0 é baixa
  • 151.
    151 Teste de HipóteseTestede Hipótese • Em outras palavras Teste de Hipótese, é o calculo da probabilidade de aceitar ou rejeitar H0. Se a probabilidade é alta aceita-se H0, e se for baixa rejeita-se H0 conseqüentemente aceitando H1. » Mas como definir entre as hipóteses H0 e H1? • A possibilidade de se aceitar ou rejeitar H0 é definida através de um valor de probabilidade chamado “P-value”. • Para se decidir se o valor de P-value é alto ou não, ou seja, se eu aceito ou rejeito H0, após calculado este valor, um padrão será necessário. Este padrão é chamado de Nível Significativo (Significant Level) normalmente escolhido entre 1%, 5% e 10%. (Padronizado 5%) • O padrão de seleção do Nível Significativo depende do nível de confiança. Se o nível de confiança é alto, a possibilidade para aceitar H0 deveria ser alta. Neste caso, o Nível Significativo deveria ser baixo. • De outro modo, se a possibilidade para aceitar H0 deveria ser baixa, o Nível Significativo deveria ser alto. • Ex.: Supondo que duas turmas estivessem fazendo a prova de Green Belt e gostaríamos de verificar se a médias entre elas é igual ou não. Qual seriam as hipóteses neste caso? • H0 = μ1 = μ2 (médias iguais) • H1 = μ1 ≠ μ2 (médias diferentes) H0 = P-value >0,05 H1 = P-valeu < 0,05
  • 152.
    Teste de HipóteseTestede Hipótese α = erro tipo I H0 é verdadeiro, seleciono H1 β = erro tipo II H1 é verdadeiro, seleciono H0  Erro α é quando rejeitamos a hipótese verdadeira. (risco do fornecedor)  Erro β é quando aceitamos a hipótese falsa. (risco do cliente)  O “P-value” é a probabilidade de se obter uma estatística para o teste onde poderemos aceitar ou rejeitar a hipótese nula (H0). Ele é o menor nível no qual H0 pode ser rejeitado. Aceitar H0Aceitar H0 α = 0,05 α*100 = 5%  Nível de Significância α = 0,05 α*100 = 5%  Nível de Significância C.L. = 1- α C.L. = 0,95 C.L.*100 = 95%  Nível de Confiança C.L. = 1- α C.L. = 0,95 C.L.*100 = 95%  Nível de Confiança Regra de P-value: P-value > α  Aceita H0 P-value < α  Rejeita H0 Regra de P-value: P-value > α  Aceita H0 P-value < α  Rejeita H0 2,5%2,5% 95%95% 2,5%2,5% O valor de “α” no gráfico ao lado é de 5%, então se P-value for menor que ele, nós rejeitaremos a Hipótese nula (H0), por conseqüência iremos aceitar a hipótese alternativa (H1). Será dessa forma que iremos utilizar os testes de hipótese, sempre analisando o “P-value” e comparando-o com o nível significante (α). *Obs.: o valor de α é o quanto estaremos aceitando o erro de rejeitarmos o H0, quando na verdade deveríamos aceita-lo. O C.L. nos mostra a confiabilidade do teste, sendo que quanto maior o “α” pior será essa confiabilidade. α/2 α/2C.L. LG Electronics Green Belt [Mfg] 152 Erro α e β P-value:
  • 153.
    153 Propósito Identificar os VitalFew através de Testes de Hipótese. Para cada tipo de dados e dependendo de qual informação queremos mostrar existe um Teste adequado. Veja a tabela abaixo: Dados Discretos Contínuos 1 Proportion 2 Proportion Tipo de DadosTipo de Dados Teste HipóteseTeste Hipótese PropósitoPropósito Comparar 1 proporção com um padrão. Comparar 2 proporções entre si. Chi Square Test * Normality Test 1 Sample T 2 Sample T Test for Equal Variance ANOVA Comparar a relação entre 2 ou mais proporções Verificar se os dados seguem uma distribuição normal. Comparar a média de 1 amostra com um padrão. Comparar a média entre 2 amostras Comparar a variação entre 2 ou mais amostras. * Não é um Teste de Hipótese Teste de HipóteseTeste de Hipótese Comprar a variação da média entre 2 ou mais amostras
  • 154.
    154 Dados Discretos –1 ProportionDados Discretos – 1 Proportion 1 Proportion O nível de defeito do Fornecedor A era de 7%. Eles realizaram um projeto 6 Sigma visando a diminuição desse índice, uma das idéias de melhorias foi mudar a seqüência do processo estampagem, foi feito um teste com a nova seqüência, e coletado uma amostra de 1250 peças onde ocorreram 6 defeitos. Verifique estatisticamente se a seqüência do processo era um vital few. (α=0,05) 1º  Definir o Teste a ser utilizado: 1 Proportion 2º  Definir as Hipóteses: H0  PAtual = 7% H1  PAtual < 7% 3°  Fazer o teste no Minitab: (Stat>Basic Statistics>1 Proportion) Entrar com os dados C.L. = (1-α)*100 Entre com o Padrão Escolha o H1 H1, pois o valor de P-value < 0,05 Conclusão: a seqüência do processo era Vital Few? Sim, pois P-value =0,000 < 0,05,é Vital Few.
  • 155.
    155 Dados Discretos –2 ProportionDados Discretos – 2 Proportion 2 Proportion Foi coletado uma amostra de 3500 monitores na linha de produção de LCD, e encontrado 10 defeitos, esses defeitos eram todos relacionados a problemas de Curto de Solda. Foi alterado a velocidade da Máquina de Solda, e depois disso coletou-se uma nova amostra onde de 3500 peças 7 estavam com problema de Curto de Solda. Verifique estatisticamente se o tempo de soldagem do processo era um vital few. (α=0,05) 1º  Definir o Teste a ser utilizado: 2 Proportion 2º  Definir as Hipóteses: H0  PAntes = Patual H1  PAntes > Patual 3°  Fazer o teste no Minitab: (Stat>Basic Statistics>2 Proportion) Conclusão: o tempo de soldagem do processo era Vital Few? H0 – O processo não é Vital Few. P-value: 0,233 Não há relação entre o tempo de soldagem e a quantidade de defeitos. Entrar com os dados C.L. = (1-α)*100 Sempre será 0,0 Escolha o H1 H0, pois o valor de P-value > 0,05
  • 156.
    156 Dados Discretos –Chi-Square Test [Dados Discretos – Chi-Square Test [χχ²]²] Chi-Square Test Suponha que seja realizada uma pesquisa para determinar se existe relação entre o local de residência e a preferência por monitores. Uma amostra aleatória de 200 proprietários de monitores da cidade grande, 150 do subúrbio e 150 na zona rural foi selecionada. Verifique estatisticamente se o local de residência era um vital few. (α=0,05) Abrir o exemplo: “Chi-square Test.mtw” 1º  Definir o Teste a ser utilizado: Chi-Square Test 2º  Definir as Hipóteses: H0  Não existe relação entre Vendas e o Local de Residência H1  Existe relação entre Vendas e o Local de Residência 3°  Fazer o teste no Minitab: (Stat>Tables>Chi-Square Test) Entrar com os dados H1, pois o valor de P-value < 0,05 Conclusão: o local de residência era Vital Few?
  • 157.
    157 Dados Contínuos –Normality TestDados Contínuos – Normality Test Normality Test Esta ferramenta não é um Teste de Hipótese, é simplesmente uma ferramenta de ajuda para garantirmos que os dados que estão sendo analisados seguem uma distribuição Normal. Abrir o exemplo: “Normality Test.mtw” Stat>Basic Statistics>Normality Test * Importante: só calculamos a normalidade para dados CONTÍNUOS. Regra da Normalidade P-value > 0,05  Dados Normais P-value < 0,05  Dados não Normais Caso A Percent 13121110987 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,649 9,992 StDev 0,9986 N 100 AD 0,277 P-Value Probability Plot of Caso A Normal Entrar com os dados Sempre utilizar esse método Conclusão: os dados são normais ? Caso A Frequency 1312111098 20 15 10 5 0 Histogram of Caso A
  • 158.
    158 Caso B Percent 2015105 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean <0,005 12,26 StDev 2,347 N100 AD 1,271 P-Value Probability Plot of Caso B Normal Caso C Percent 16,516,015,515,014,514,013,5 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,537 15,06 StDev 0,4649 N 100 AD 0,316 P-Value Probability Plot of Caso C Normal Conclusão: os dados são normais ? Dados Contínuos – Normality TestDados Contínuos – Normality Test Caso B Frequency 181512963 25 20 15 10 5 0 Histogram of Caso B Caso C Frequency 16,015,515,014,514,0 25 20 15 10 5 0 Histogram of Caso C Outliers Data Percent 2015105 99,9 99 95 90 80 70 60 50 40 30 20 10 5 1 0,1 Mean 0,649 12,26 2,347 100 1,271 <0,005 15,06 0,4649 100 0,316 StDev 0,537 N AD P 9,992 0,9986 100 0,277 Variable Caso C Caso A Caso B Probability Plot of Caso A; Caso B; Caso C Normal - 95% CI Graph>Probability Plot
  • 159.
    159 Dados Contínuos –1 Sample TDados Contínuos – 1 Sample T 1 Sample T Sabe-se que a peça XXX esteja aprovada ela precisa ser menor do que 10cm. Durante um projeto 6 Sigma foi levantado que um dos Possíveis X era a densidade de uma parte do processo. Foi coletado uma amostra desse fator, verifique estatisticamente se a densidade era um vital few (α=0,05). Abrir o exemplo: “1 Sample T.mtw” 1º  Normalidade dos Dados: P-value = 0,897  dados normais 2º  Definir o Teste a ser utilizado: 1 Sample T 3º  Definir as Hipóteses: H0  Xatual = 10cm H1  Xatual < 10cm 4°  Fazer o teste no Minitab: (Stat>Basic Statistics>1 Sample T) Padrão Selecionar H1
  • 160.
    160 Dados Contínuos –1 Sample TDados Contínuos – 1 Sample T De acordo com o P-value aceitamos H1, pois o valor é menor do que 0,05. Gráficos: A mostra 7 777777777 X _ Ho Boxplot of Amostra 7 (with Ho and 77% t-confidence interval for the mean) A mostra 7 777777777 X _ Ho Individual Value Plot of Amostra 7 (with Ho and 77% t-confidence interval for the mean) A mostra 7 Frequency 7777777 77 77 77 77 77 7 7 X _ Ho Histogram of Amostra 7 (with Ho and 77% t-confidence interval for the mean) Conclusão: a densidade era um Vital Few?
  • 161.
    161 Dados Contínuos –Test for Equal VariancesDados Contínuos – Test for Equal Variances Test for Equal Variances Foi realizado um projeto 6 Sigma para diminuir o tempo de produção de uma linha de Celular, o processo de “Call Test” foi considerado como um Possível X. Foi coletado uma amostra do tempo desse processo, depois de algumas mudanças foi coletado uma nova amostra. Compare a variação dessas 2 amostras e decida se são iguais ou não. (α=0,05). Abrir o exemplo: “Exemplo A.mtw” 1º  Normalidade dos Dados: P-value Amostra 1 = 0,817  dados normais P-value Amostra 2 = 0,390  dados normais 2º  Definir o Teste a ser utilizado: Test for Equal Variances 3º  Definir as Hipóteses: H0  Variações iguais H1  Variações Diferentes 4°  Fazer o teste no Minitab: (Stat>ANOVA>Test for Equal Variances) Amostras 77% Bonferroni Confidence Intervals for StDevs Amostra 7 Amostra 7 7,77,77,77,77,7 Amostras Dados Amostra 7 Amostra 7 7777777777 F-Test 7,777 Test Statistic 7,77 P-Value 7,777 Levene's Test Test Statistic 7,77 P-Value Test for Equal Variances for Dados Sempre usar esse método Levene’s só é utilizado para dados não normais Conclusão: as variações são iguais ?
  • 162.
    162 Dados Contínuos –2 Sample TDados Contínuos – 2 Sample T 2 Sample T Utilizando o exemplo anterior compare essas 2 amostras e decida se houve melhoria na média do tempo de produção de celulares. (α=0,05). Abrir o exemplo: “Exemplo A.mtw” 1º  Normalidade dos Dados: P-value Amostra 1 = 0,817  dados normais P-value Amostra 2 = 0,390  dados normais 2º  Homogeneidade das amostras (Test For Equal Variances): P-value = 0,728  as variações são homogenias. 3º  Definir as Hipóteses: H0  Xantes = Xatual H1  Xantes > Xatual 4°  Fazer o teste no Minitab: (Stat>Basic Statistics>2 Sample T) Só selecionar se as variações forem iguais. Sempre será 0 Escolher H1
  • 163.
    163 Dados Contínuos –2 Sample TDados Contínuos – 2 Sample TData Amostra 7Amostra 7 77 77 77 77 77 Boxplot of Amostra 7; Amostra 7 Gráficos: Data Amostra 7Amostra 7 77 77 77 77 77 Individual Value Plot of Amostra 7; Amostra 7 De acordo com o P-value aceitamos H1, pois o valor é menor do que 0,05.
  • 164.
    Dados Contínuos –ANOVADados Contínuos – ANOVA Propósito Média Geral A B C • Analysis of Variance, esse teste de hipótese é indicado quando deseja-se verificar a variação da média entre as amostras coletadas. • Utilizamos a ANOVA quando temos 3 ou mais amostras • Pré-requisitos da ANOVA: - Aleatoriedade dos dados; - Normalidade dos dados; - Homogeneidade das variações. Grupo Dados 1 25 1 26 1 27 1 24 1 29 2 35 2 39 2 38 2 37 2 34 3 42 3 45 3 49 3 44 3 48 Se há 3 grupos, nós podemos calcular 4 médias diferentes. ● Média Total : 36.1 ● Média do Grupo 1 : 26.2 ● Média do Grupo 2 : 36.6 ● Média do Grupo 3 : 45.6 Se a taxa de variação entre os subgrupos e a variação dentro dos subgrupo é grande, nós podemos dizer que há uma grande diferença entre os subgrupos F < 1, variação pequena entre os grupos Entendendo ANOVAEntendendo ANOVA 1 SubgruposdentroVariação SubgruposentreVariação F >= 164 LG Electronics Green Belt [Mfg]
  • 165.
    165 Dados Contínuos –ANOVADados Contínuos – ANOVA Para testar a força de uma novo adesivo, o Depto de Desenvolvimento selecionou 3 amostras de fabricantes diferentes. Verificar se existe diferença entre as médias, tendo como base a força da cola (adhesive strength) de cada amostra (α=0,05). Abrir o exemplo: “ANOVA.mtw” 1º  Normalidade dos Dados: P-value Adesivo 1 = 0,734  dados normais P-value Adesivo 2 = 0,372  dados normais P-value Adesivo 3 = 0,506  dados normais 2º  Homogeneidade das amostras (Test For Equal Variances): P-value = 0,452  as variações são homogenias. 3º  Definir as Hipóteses: H0  Médias Iguais H1  Médias Diferentes 4°  Fazer o teste no Minitab: (Stat>ANOVA>One Way)
  • 166.
    166 Dados Contínuos –ANOVADados Contínuos – ANOVA De acordo com o P-value aceitamos H1, pois o valor é menor do que 0,05. Type Strength Adhesive 7Adhesive 7Adhesive 7 77 77 77 77 77 77 77 77 Individual Value Plot of Strength vs Type Type Strength Adhesive 7Adhesive 7Adhesive 7 77 77 77 77 77 77 77 77 Boxplot of Strength by Type Gráficos:
  • 167.
    167 Dados Contínuos –CorrelaçãoDados Contínuos – Correlação Propósito • Verificar se existe uma relação linear entre as variáveis X’s e Y • É a relação entre duas ou mais variáveis, é representada pela letra “r” - r mede a força da relação linear entre duas variáveis. - r sempre está entre –1 e 1. - Se r é igual a –1 ou 1, isto implica em uma perfeita correlação positiva ou negativa. - r é afetado por pontos fora do padrão (outliers). • Se existir correlação entre duas variáveis podemos montar uma equação do tipo: Y= α + β*X Onde: α= constante ; β=coeficiente de inclinação da reta. Exemplos de Correlação X Y r = 1 Correlação Positiva X r = -1 Correlação Negativa X Y r ≈ 0 Sem Correlação
  • 168.
    168 Se existir correlaçãopodemos montar a Equação de Regressão, veja o exemplo abaixo se existir correlação montar a equação de regressão. A PM recolheu dados sobre o tempo de uso de um determinado equipamento utilizado na linha de produção e relacionou esse tempo com o custo de manutenção do mesmo. Verificar a Correlação e montar a equação de regressão, verificar sua confiabilidade e estimar um custo de manutenção para utilizar o equipamento por 4,5 anos (C.L. 95%) Abrir o exemplo: “regressão.mtw” Dados Contínuos – CorrelaçãoDados Contínuos – Correlação Exemplo Correlação Forte Positiva Tempo de Uso (anos) CustoManutenção 7777777777 777 777 777 777 777 77 77 77 77 Scatterplot of Custo Manutenção vs Tempo de Uso (anos)
  • 169.
    169 Dados Contínuos –CorrelaçãoDados Contínuos – Correlação Como existe a correlação entre o X e o Y pode-se montar a Equação de Regressão. Sempre colocar o Y Sempre colocar os X’s Equação de Regressão Esses 2 valores mostram o quanto a Equação é confiável. Regra da Equação de Regressão: R-sq > 64% P-value < 0,05 Essa equação é confiável ?
  • 170.
    170 Dados Contínuos –CorrelaçãoDados Contínuos – Correlação Podemos fazer previsões utilizando a Equação encontrada anteriormente, assim pode-se ver como o processo irá se comportar e consegue-se estipular valores ideais para o processo. Colocar o valor que deseja-se prever. Valor previsto Intervalo de confiança estimado
  • 171.
    171 Dados Contínuos –CorrelaçãoDados Contínuos – Correlação Podemos verificar o comportamento do processo graficamente. Clicar nessas opções Tempo de Uso (anos) CustoManutenção 7777777777 777 777 777 777 77 7 S 77,7777 R-Sq 77,7% R-Sq(adj) 77,7% Regression 77% CI 77% PI Fitted Line Plot Custo Manutenção = 77,77+ 77,77Tempo de Uso (anos) Escolher o melhor modelo
  • 172.
    Melhoria - Encontrar eselecionar o método de melhoria para resolver a causa raiz do fator vital - Verificar o efeito da melhoria aplicando-a nos negócios Metas Ferramentas Etapas Fase 8. Selecionar o melhor projeto Fase 9. Executar e Verificar o mesmo - Compreender os vários métodos de projeto e seus métodos de análise. - Compreender o efeito e aplicá-los na prática. - Compreender os vários padrões qualitativos que se transformam em um padrão de pensamento sistemático - Brainstorming, Logic Tree, Matriz de Priorização, QFD (revisão) - Regressão (revisão) e Design de Experimento (DOE) 172 LG Electronics Green Belt [Mfg] 6
  • 173.
    173 Meta Fase de Ação Saída Fase8 - Projetar a lista de melhorias / análise de resultados dos experimentos - Selecionar um plano otimizado - O processo deverá ser Mapeado e re-definido Fase 9 - Planilha de execução do plano - Verificação dos resultado sobre o piloto - Análise de resultado : demonstrado financeiramente Extrair o plano de melhoria do processo baseado no princípio da causa e fatores vitais, selecionados na fase de análise e configuração de desempenho do projeto 8.1 Extrair um plano de melhoria 8.2 Avaliar o plano de melhoria 8.3 Selecionar o plano de melhoria 9.1 Preparar o desempenho do projeto 9.2 Executar e verificar Fase 9. Execute e verifiqueFase 8. Escolha de um plano otimizado Melhoria
  • 174.
    174 Passo 8 Estabelecero plano otimizado Avaliar /Comparar os vários planos de melhorias de diferentes ponto de vista e selecionar o melhor plano prático •Extrair vários planos de melhoria que podem eliminar a causa fundamental - Extrair o plano de melhoria - Selecionar o nível adequado do fator vital -Preparar e analisar o Brainstorming -Melhoria qualitativa Extrair plano de melhoria •Avaliar o plano de melhoria de diferentes pontos de vista. - Decidir prioridadeAvaliar o plano de melhoria Atividade Ferramenta •Selecionar o plano ótimo que for mais fácil de aplicar e ter maior possibilidade de atingir a meta baseado na avaliação do resultado. - Decidir prioridade - Selecionar o plano ótimo Selecionar o plano ótimo Propósito -Análise de experimento -Método qualitativo -Votação
  • 175.
    175 • Elaborar oplano de performance apropriado para a ótima performance • Inspecionar se atinge a através de uma execução piloto ou pela performance do plano otimizado. - Elaborar o plano de performance - Executar o plano ótimo - Inspecionar o plano ótimo Elaborar o plano de performance Executar /Inspecionar - A prova de erros - Análise da capabilidade do processo Atividade Ferramenta Passo 9 Executar e inspecionar -Elaborar o plano de performance do plano ótimo selecionado. -Se necessário, refazer o plano ótimo e análises adicionais. Propósito
  • 176.
    176 Escolha do Planode MelhoriaEscolha do Plano de Melhoria Em caso de vários projetos de melhoria, teste-os objetivamente – Focar naqueles de maior impacto financeiro ou processo. Após extrair todas as Melhorias do plano para eliminar a causa raiz, escolha o plano final otimizado que é o mais apropriado e que pode ser executado. Observação • Considere o máximo de variedade de planos possíveis. • Selecione o plano que atenda o seu objetivo • Reflita sobre o novo plano de melhoria Extrair o plano de melhoria Avaliar o plano de melhoria Selecionar o máximo de planos de melhorias possíveis para eliminar as causas raiz. Métodos Qualitativos Métodos Quantitavos (Check Points) -O projeto de melhoria final poderá atingir o objetivo ? - Existe algum impacto sobre outra escala/função do processo? - Pode o plano de melhoria eliminar toda a causa raiz? - A performance padrão é concreta? Checar Padrão para selecionar um plano de melhoria inovador • Quebre os paradigmasQuebre os paradigmas • Mude seu ponto de vistaMude seu ponto de vista • Mantenha o focoMantenha o foco • Anote as informaçõesAnote as informações • Não coloque obstáculos para aNão coloque obstáculos para a soluçãosolução • Elabore as características do planoElabore as características do plano • Benchmarking avançadoBenchmarking avançado • Aprenda com os mais experientesAprenda com os mais experientes É importante manter a consistência do problema/causa raiz/e plano de melhoria Selecione e verifique a melhoria final do projeto baseada nos check-points. Selecione o plano otimizado
  • 177.
    177 Selecionar Extrair Diagnóstico Meta Atual GAP Obter planosde melhoria inovadores Avaliar Manter a consistência A sabedoria de uma organização com a mente inovadora é importante para o projeto de melhoria contínua. Causa raiz Sugestão de projeto de melhoria Projeto de melhoria Nível de Sigma Execução Investir/ efeito Total P r o b l e m a Causa em que ocorre o GAP Introspecção + Resultado da análise Escolha do Plano de MelhoriaEscolha do Plano de Melhoria
  • 178.
    178 Extrair o planode melhoria: -Brainstorming Avaliar plano de melhoria: -Logic Tree -Avaliação da Influência das variáveis (DOE) -Regressão Selecionar o plano de melhoria: -Matriz de priorização -QFD -Otimização Vital(is) Few Dados Mensuráveis Brainstorming Logic Tree Matriz de Priorização Tratamento Estatístico Regressão DOE GLM QFD SN Execução e Inspeção Passo 8 Estabelecer o plano otimizado Passo 9 Executar e inspecionar Otimização 1 2 3 4 5 Brainstorming: ver pág. 47 Logic Tree: ver pág. 127 QFD: ver pág. 60 Regressão: ver pág. 167 DOE: será visto na Melhoria 1 2 3 4 5 Escolha do Plano de MelhoriaEscolha do Plano de Melhoria
  • 179.
    179 Avaliação da Influênciadas Variáveis (DOE)Avaliação da Influência das Variáveis (DOE) É criado para economizar tempo e custo, e também para projetar um experimento. Existem várias maneiras de se fazer um experimento, mas normalmente segue-se os 3 passos abaixo: ☞ Passo 1 : Triagem de Variáveis: Planejamento fracionário( X’s causas raiz) ☞ Passo 2 : Avaliação da influência das Variáveis: Planejamento fatorial completo ☞ Passo 3 : Otimização: Método dos Mínimos Quadrados e Metodologia de Superfície de Resposta(RSM) (Não visto neste curso) Termos básicos para o experimento Qual é a variável resposta? Também chamada de variável dependente, a variável resposta é o Y Quais são as variáveis controláveis ? São A, B, C.....  Chamadas variáveis independentes ou fatores (X) Qual é a condição dos fatores no experimento? A condição é o nível: (+) para o nível alto e (-) para o nível baixo Visão geral 2 fatorialk k = Expressa o número de fatores O número máximo de fatores é 2k 2 = O número de níveis
  • 180.
    180 ◎ Processo desolução pelo experimento ◎ Condição para o design do experimento eficiente - Aplicar o conhecimento de campo : Entendimento do ambiente do experimento Aplicação e administração do resultado - Conhecimento de experimento e análise : Método de análise e design do experimento, Método de interpretação do resultado. Desenho de experimento Know-How Conhecimento de campo (Know-How tecnológico) Desenho e prática (Decidir fator e nível ) Coletar os dados Coletar os dados Análise de dado Análise de dispersão - Pós análise Análise de dado Análise de dispersão - Pós análise ◎ Processo e plano de experimento 프로세스 SaídaEntrada Fatores controláveis (X’s) Fatores incontroláveis (N’s) = noise, erro Processo A,B,C.... Y1, Y2... DOEDOE
  • 181.
    181 DOEDOE 3 princípios paraprojetar um experimento - Entender o princípio básico do experimento. Experimento Design Análise estatística Aleatoriedade Replicação Blocking Objetividade/ Reprodutibilidade da análise de resultado Análise de resultado Análise de resultado Designar a ordem na qual as tentativas experimentais serão realizadas usando aleatoriedade. Por quê? Para tirar a influência de qualquer variável oculta sobre os fatores do experimento. Para ajudar a validar as conclusões estatísticas feitas a partir do experimento. É a repetição de uma observação ou medição a fim de aumentar a precisão de análise de um experimento. Não é a mesma coisa que medições múltiplas em uma única peça ou lote. Por quê? Para que possamos decidir se a diferença entre as resposta é devida á mudança nos níveis de fatores( uma causa especial) ou é devida a uma causa comum. Para ver claramente se um fator é importante ou não. É a analise de variação externa no seu experimento Por quê? Para que possamos analisar se a variação externa está influenciando no seu experimento como por exemplo : Fazendo experimento com ar condicionado ligado ou não, linhas diferentes com umidades diferentes etc. O Design determina o método de análise e resultado. Replicação e Repetição •Replicação :Repetir todas as condições do experimento •Repetição : Repetir algumas condições do experimento Block e Blocking • Block : Grupo de experimentos em condições idênticas (unidade). • Blocking : Classificação de todas as condições da experiência em um só bloco Aleatoriedade : Não decidir subjetivamente (1) Permitir a aleatoriedade de cada item no experimento (2) Fazer o experimento aleatoriamente
  • 182.
    182 DOE – ExemploDPCDOE – Exemplo DPC Exemplo : DPC Com a finalidade de testar a influência de dois diferentes treinamentos em duas seções do DPC, executaremos um Design Of Experiment (DOE). Problema: Objetivo do Experimento : Quantificar a influência do local e do tipo de treinamento que o DGI ministra ao DPC em relação ao grau de motivação dos funcionários (pesquisa LGE Way) 1. Nome de Processo 2. Data 3.Testador OutputInput Fatores controlável Fatores incontrolável Processo : Humor dos funcionários Horas de Treinamento Local de Treinamento Y Tipo de Y G, P, A X Nível de X Método de experimento Causa de Noise Pesquisa LGE Way XXX MotivaçãoTipo de Treinamento Motivação do Funcionário Tipo de Treinamento Local do Treinamento Full Fatorial Nível 2 Obs: Repetição 2 vezes Humor (B) Local - (5s) + (C.A.) - (LG) + (Hotel) 60 52 Média : 56 72 83 Média : 77,5 54 45 Média : 49,5 68 80 Média : 74 (A) Tipo de Trein. (Resultado) G=Grande, P=Pequeno e A=Alvo Tipo: 5s e C.A. Local: LG e Hotel
  • 183.
    183 Replicação daMedição Item Treinamento LocalSatisfação (nota) 1 5s LG 60 2 C.A. LG 72 3 5s Hotel 54 4 C.A. Hotel 68 5 5s LG 52 6 C.A. LG 83 7 5s Hotel 45 8 C.A. Hotel 80 Medição (Resultad o) Fator A = Tipo de Treinamento (-1) Baixo = 5s ( 1 ) Alto = C.A. Fator B = Local de Treinamento (-1) Baixo = LG ( 1 ) Alto = Hotel (B) Local - (5s) + (C.A.) - (LG) + (Hotel) 60 52 Média : 56 72 83 Média : 77,5 54 45 Média : 49,5 68 80 Média : 74 (A) Tipo de Trein. DOE – Exemplo DPCDOE – Exemplo DPC
  • 184.
    184 2 Repetições 1 2 DOE –Exemplo DPCDOE – Exemplo DPC
  • 185.
    185 Numero de Fatores 1 Paragarantir a aleatoriedade. Quando formos fazer um experimento real essa função deve estar ativada 2 Coloque o nome dos fatores e os níveis alto e baixo *caso esses não sejam colocados a tabela será formada por 1 e -1 3 DOE – Exemplo DPCDOE – Exemplo DPC
  • 186.
    186 Coloque as respostasna coluna C7 DOE – Exemplo DPCDOE – Exemplo DPC
  • 187.
    187 DOE – ExemploDPCDOE – Exemplo DPC Entre com a coluna que contem o resultado 1 2 3 LG Electronics Green Belt [Mfg] 187
  • 188.
    188 Factorial Fit: Notaversus Tipo; Local Estimated Effects and Coefficients for Nota (coded units) Term Effect Coef SE Coef T P Constant 64,250 2,531 25,38 0,000 Tipo 23,000 11,500 2,531 4,54 0,010 Local -5,000 -2,500 2,531 -0,99 0,379 Tipo*Local 1,500 0,750 2,531 0,30 0,782 S = 7,15891 R-Sq = 84,44% R-Sq(adj) = 72,77% Analysis of Variance for Nota (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 2 1108,00 1108,00 554,000 10,81 0,024 2-Way Interactions 1 4,50 4,50 4,500 0,09 0,782 Residual Error 4 205,00 205,00 51,250 Pure Error 4 205,00 205,00 51,250 Total 7 1317,50 Fator A (Tipo de treinamento) tem significância Graficamente: O gráfico que ultrapassa o valor de T é o significante Numericamente: Quando p-value < α este fator é significante Valor de T para α = 0,1 DOE – Exemplo DPCDOE – Exemplo DPC 188
  • 189.
    189 DOE – ExemploDPCDOE – Exemplo DPC Selecione as três opções1 Resposta Y2 Seleção dos Fatores Escolha Individual Escolha Total 3
  • 190.
    190 DOE – ExemploDPCDOE – Exemplo DPC A Análise Gráfica serve pra identificarmos visualmente os fatores principais e suas interações, mas a decisão final deve ser tomada com relação ao valor de p-value. Local Mean HotelLG 80 75 70 65 60 55 50 Tipo 5s C.A. Interaction Plot (data means) for Nota MeanofNota C.A.5s 75 70 65 60 55 50 HotelLG Tipo Local Main Effects Plot (data means) for Nota O tipo de treinamento tem uma maior influência na resposta Y (grau de motivação) do que o local do treinamento. O tipo de treinamento tem uma maior influência na resposta Y (grau de motivação) do que o local do treinamento.  Não há interação  O treinamento na LG, para ambos os treinamentos, é mais motivador que no Hotel  Aqueles que fizeram o treinamento de C.A. estão mais motivados do que aqueles que fizeram o treinamento de 5s.  Não há interação  O treinamento na LG, para ambos os treinamentos, é mais motivador que no Hotel  Aqueles que fizeram o treinamento de C.A. estão mais motivados do que aqueles que fizeram o treinamento de 5s.
  • 191.
    191 DOE – ExemploDPCDOE – Exemplo DPC Hotel LG C.A.5s Local Tipo 74,0 77,556,0 49,5 Cube Plot (data means) for Nota Melhor condição de motivação para os funcionários Podemos observar no gráfico que com o treinamento de C.A. tivemos uma melhoria expressiva no grau de motivação dos funcionários. Quanto à localidade do treinamento não tivemos uma grande diferença. Logo, quando analisamos os efeitos causados em Y, podemos verificar que o tipo de treinamento influencia muito mais do que o local do treinamento. Podemos observar no gráfico que com o treinamento de C.A. tivemos uma melhoria expressiva no grau de motivação dos funcionários. Quanto à localidade do treinamento não tivemos uma grande diferença. Logo, quando analisamos os efeitos causados em Y, podemos verificar que o tipo de treinamento influencia muito mais do que o local do treinamento.  Conclusão
  • 192.
    192 DOE – Exemplo2DOE – Exemplo 2³³ -Quando o número de fatores é 3 Para aumentar o rendimento, fazer um experimento selecionando 3 fatores. Definir Y através da taxa de defeito, teste 3 vezes as mesmas condições. - A : Temperatura (400 F, 450 F) - B : Densidade (10%, 20%) - C : Tempo de Pré Aquecimento(45 Seg, 90 Seg) Processo Data Nome Equipamento de Medida Y Char Y L, T, S X Nível Projeto Fator de Ruído Outros Rendimento 00/00/00 Sistema de medida Defeito Temp., Densidade e Temp. Pré Aquec. Densidade : 20%,10% Tempo Pré: 45s,90s Temperatura: 400F,450F 2 Level (Full) SaídaEntrada Fatores Controláveis Fatores Incontroláveis Processo :
  • 193.
    193 DOE – Exemplo2DOE – Exemplo 2³³ ● Resultado do experimento A : Temperatura - (400 F) + (450 F) C : Tempo Pré Aquecimento - (45Sec) + (90Sec) - (45Sec) + (90Sec) B Densidade - (10%) + (20%) - - - - + - - - + - + + + - - + + - + - + + + + 66.63 62.01 57.85 50.25 59.95 56.05 60.31 60.87 63.93 56.46 58.03 54.72 77.25 70.33 67.73 66.91 70.16 74.67 69.98 67.28 67.54 74.88 73.12 73.80 Média : 62.16 Média : 55.42 Média : 61.70 Média : 56.40 Média : 71.77 Média : 70.58 Média : 68.27 Média : 73.93 C : Tempo Pré Aquecimento
  • 194.
    194 DOE – Exemplo2DOE – Exemplo 2³³ StdOrder RunOrder CenterPt Blocks TemperaturaDensidade Tempo Y Rendimento 1 1 1 1 400 10 45 66,63 2 2 1 1 450 10 45 77,25 3 3 1 1 400 20 45 50,25 4 4 1 1 450 20 45 66,91 5 5 1 1 400 10 90 60,31 6 6 1 1 450 10 90 69,98 7 7 1 1 400 20 90 56,46 8 8 1 1 450 20 90 74,88 9 9 1 1 400 10 45 62,01 10 10 1 1 450 10 45 70,33 11 11 1 1 400 20 45 59,95 12 12 1 1 450 20 45 70,16 13 13 1 1 400 10 90 60,87 14 14 1 1 450 10 90 67,28 15 15 1 1 400 20 90 58,03 16 16 1 1 450 20 90 73,12 17 17 1 1 400 10 45 57,85 18 18 1 1 450 10 45 67,73 19 19 1 1 400 20 45 56,05 20 20 1 1 450 20 45 74,67 21 21 1 1 400 10 90 63,93 22 22 1 1 450 10 90 67,54 23 23 1 1 400 20 90 54,72 24 24 1 1 450 20 90 73,8 Medição2Medição1Medição3 3Replicações Fator A Níveis (-1)(Baixo) (+1)(Alto) Fator B Fator C Resposta Y K= 3 Fatores Fatorial 23
  • 195.
    195 DOE – Exemplo2DOE – Exemplo 2³³ Fractional Factorial Fit: y versus Temp, Density, Pre Estimated Effects and Coefficients for y (coded units) Term Effect Coef SE Coef T P Constant 65.0296 0.6924 93.91 0.000 Temp 12.2158 6.1079 0.6924 8.82 0.000 Density -1.8925 -0.9462 0.6924 -1.37 0.191 Pre 0.0942 0.0471 0.6924 0.07 0.947 Temp*Density 4.1308 2.0654 0.6924 2.98 0.009 Temp*Pre -0.1692 -0.0846 0.6924 -0.12 0.904 Density*Pre 2.0758 1.0379 0.6924 1.50 0.153 Temp*Density*Pre 1.3525 0.6762 0.6924 0.98 0.343 Analysis of Variance for y (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 3 916.90 916.90 305.63 26.56 0.000 2-Way Interactions 3 128.41 128.41 42.80 3.72 0.033 3-Way Interactions 1 10.98 10.98 10.98 0.95 0.343 Residual Error 16 184.11 184.11 11.51 Pure Error 16 184.11 184.11 11.51 Total 23 1240.40 Fractional Factorial Fit: y versus Temp, Density, Pre Estimated Effects and Coefficients for y (coded units) Term Effect Coef SE Coef T P Constant 65.0296 0.6924 93.91 0.000 Temp 12.2158 6.1079 0.6924 8.82 0.000 Density -1.8925 -0.9462 0.6924 -1.37 0.191 Pre 0.0942 0.0471 0.6924 0.07 0.947 Temp*Density 4.1308 2.0654 0.6924 2.98 0.009 Temp*Pre -0.1692 -0.0846 0.6924 -0.12 0.904 Density*Pre 2.0758 1.0379 0.6924 1.50 0.153 Temp*Density*Pre 1.3525 0.6762 0.6924 0.98 0.343 Analysis of Variance for y (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 3 916.90 916.90 305.63 26.56 0.000 2-Way Interactions 3 128.41 128.41 42.80 3.72 0.033 3-Way Interactions 1 10.98 10.98 10.98 0.95 0.343 Residual Error 16 184.11 184.11 11.51 Pure Error 16 184.11 184.11 11.51 Total 23 1240.40 Numericamente: Podemos confirmar o que o gráfico nos apresenta: que a temperatura e a Interação Temperatura/densidade são significativos em sua influencia na resposta Y (Rendimento), pois p-value < α. (Para o caso α=0,1) - Para determinarmos os efeitos principais ou quais tem significância podemos utilizar tanto a análise gráfica como a numérica 0 1 2 3 4 5 6 7 8 9 C AC ABC B BC AB A Pareto Chart of the Standardized Effects (response is Y Rendim, Alpha = ,10) A: Temperat B: Densidad C: Tempo Fator A (Temperatura) tem significância Interação Temperatura x Densidade tem significância Pareto dos efeitos e interações Análise Numérica LG Electronics Green Belt [Mfg] 195
  • 196.
    196 Análise Gráfica Fator A(Temperatura) é o que mais tem significância pois é o que apresenta maior variação entre os níveis alto(450) e baixo(400) Interação Temperatura x Densidade tem maior significância pois é a interação que tem maior influencia no Y DOE – Exemplo 2DOE – Exemplo 2³³ O importante é o quanto a reta está inclinada.
  • 197.
    ⊙ Onde éo melhor ponto? -1,-1,-1 1,-1,-1 -1,-1,1 -1,1,1 -1,1,-1 1,1,1 1,1,-1 1,-1,1 (1)(-1) (-1) (1) (-1) (1) A B C Considerando que quanto maior o rendimento melhor. Nossa melhor situação é: MELHOR PONTO: Temperatura (450) Densidade (20) Tempo (90) MELHOR PONTO: A (1) B (1) C (1) Rendimento = 73,933 OU 197 DOE – Exemplo 2DOE – Exemplo 2³³
  • 198.
    Interpretação dos gráficosde Interação Efeito Principal Devido a B Fator B - + Resposta Fator A - + Fator B - + Resposta Fator A - + Fator B - + Resposta Fator A - + Fator B - + Resposta Fator A - + Fator B - + Resposta Fator A Fator B - + Resposta Fator A - + - + Sem Efeito Principal Devido a B SEM INTERAÇÃO INTERAÇÃO SUAVE INTERAÇÃO ELEVADA 198 DOE – Exemplo 2DOE – Exemplo 2³³
  • 199.
    199 A meia fraçãode um fatorial completo pode, freqüentemente, fornecer as mesmas informações que o fatorial completo, com apenas metade do número de lotes. O mesmo deve ser utilizado somente quando o número de fatores é muito elevado ou o experimento demanda um alto custo. Vantagens: Utiliza menos lotes , poupa tempo e dinheiro e podemos excluir fatores de menor significância Vamos refazer o exercício anterior através de um planejamento fatorial fracionado StdOrder RunOrder CenterPt Blocks Temperatura Densidade Tempo Y 1 1 1 1 400 10 90 60,31 2 2 1 1 450 10 45 77,25 3 3 1 1 400 20 45 50,25 4 4 1 1 450 20 90 74,88 5 5 1 1 400 10 90 60,87 6 6 1 1 450 10 45 70,33 7 7 1 1 400 20 45 59,59 8 8 1 1 450 20 90 73,12 9 9 1 1 400 10 90 63,93 10 10 1 1 450 10 45 67,73 11 11 1 1 400 20 45 56,05 12 12 1 1 450 20 90 73,8 Medição2Medição1Medição3 3Replicações Fator A Níveis (-1)(Baixo) (+1)(Alto) Fator B Fator C Resp Y Fatorial Fracionado 23 DOE – Exemplo 2DOE – Exemplo 2³ - Fracionado³ - Fracionado
  • 200.
    200 Fractional Factorial Fit:Y versus Temperatura; Densidade; Tempo Estimated Effects and Coefficients for Y (coded units) Term Effect Coef SE Coef T P Constant 65,676 1,031 63,69 0,000 Temperat 14,352 7,176 1,031 6,96 0,000 Densidad -2,122 -1,061 1,031 -1,03 0,334 Tempo 4,285 2,142 1,031 2,08 0,071 Analysis of Variance for Y (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 3 686,5 686,5 228,83 17,94 0,001 Residual Error 8 102,1 102,1 12,76 Pure Error 8 102,1 102,1 12,76 Total 11 788,6 ◎ O Fatorial Fracionado é quase similar ao Fatorial total, a única diferença no Minitab é que devemos selecionar ½ Fraction 1- Criando o experimento – Caminho no Minatab: StatDOEFractionalCreate Factorial Design 2- Analisando o experimento P-value<α StdOrder RunOrder CenterPt Blocks Temperatura Densidade Tempo Y 1 1 1 1 400 10 90 60,31 2 2 1 1 450 10 45 77,25 3 3 1 1 400 20 45 50,25 4 4 1 1 450 20 90 74,88 5 5 1 1 400 10 90 60,87 6 6 1 1 450 10 45 70,33 7 7 1 1 400 20 45 59,59 8 8 1 1 450 20 90 73,12 9 9 1 1 400 10 90 63,93 10 10 1 1 450 10 45 67,73 11 11 1 1 400 20 45 56,05 12 12 1 1 450 20 90 73,8 200 DOE – Exemplo 2DOE – Exemplo 2³ - Fracionado³ - Fracionado
  • 201.
    201 Execução e InspeçãoExecuçãoe Inspeção ① Resumo para verificação do resultado : De acordo com o Plano de Ação, por meio da execução e verificação dos resultados do plano de melhoria, a utilidade da poderá ser determinada. q Por meio da aplicação do plano de melhoria, a eficiência da melhoria pode ser determinada e comparada com os dados da medição do processo. q De acordo com a medição do Y selecionado, pode-se checar a validade da melhoria quando comparada com o valor de Z (σ padrão) qQuando não se encontra o nível esperado de melhoria, avance para o próximo step ordenadamente. ② Pontos de Verificação q São os mesmos como do Y selecionado no processo de medição? q São os mesmos tipos dos dados selecionados na medição do processo? q O Plano de Ação inclui coleta de dados? 1) Implementação e Verificação : Verificação dos resultados
  • 202.
    202 Execução e InspeçãoExecuçãoe Inspeção Exemplo de Verificação dos Resultados Cliente ASC Fábrica - Overseas - Domestic ① ②③ ④ ⑤ ⑥ LGEAP In-stock (Ordem Normal) 0 Dias0 Dias 0 dias0 dias 0 Dias0 Dias 0 Dias0 Dias antes depois 52% Melhoria 56% Melhoria → → →① ② ③ ④ performanceperformanceParts Supply process Parts Supply process Ordem de retorno (2001.Março) → → →① ② ⑤ ⑥ → →③ ④ Atual 0 %0 % 0%0%30% Melhoria antes depois antes depois Um conjunto de tarefas especiais foi organizada e executada para ajustar o tempo de entrega. US$ 720KUS$ 720K
  • 203.
    203 Controle - Padronizar oprocesso melhorado. - Estabelecer o Sistema de Monitoramento regular para melhoria contínua. - Compartilhar o resultado e o conhecimento extraído do Projeto. Metas Ferra mentas Passos - Passo 10 : Padronizar - Passo 11 : Monitorar - Passo 12 : Compartilhar e disseminar o resultado A fase de controle é aquela que mantém a melhoria alcançada na melhor condição. É importante para estabelecer o Sistema de Monitoramento correto. - À Prova de Erro (Mistake Proofing) - Cartas de Controle (Control Charts) : Xbar-R, P, NP, C, U 7
  • 204.
    204 Propósito Passo da Atividade Saída Padronizarde forma a manter o resultado da melhoria otimizado checado na fase de Melhoria e estabelecer o plano de controle. Preparar a base de compartilhamento/disseminação para que o resultado e método inspecionado possa ser estabelecido em outras áreas. Passo 10 - Padrão de trabalho Passo 11 Passo 12 - Plano Futuro/ Plano de gerenciamento - Relatório de Conclusão do Projeto 10.1 Padronizar 11.1 Estabelecer o plano de gerenciamento 12.1 Relatório de Conclusão do Projeto 12.2 Compartilhar/Disseminar Passo 12. Disseminar/ Compartilhar Resultado Passo 11. MonitorarPasso 10. Padronizar
  • 205.
    205 Padronizar - Estabelecer oplano padrão de operação do processo para entender o sistema de qualidade prático e para manter continuamente o resultado da melhoria. Padronizar / documentar Processo Incontrolável - Aumenta a distribuição do processo - Impossível manter o resultado da melhoria -A forma de trabalho não mudou pois o padrão e processo de melhoria não se refletem. - Aumenta o tempo de controle - Aumenta a insatisfação do cliente Não Manter o resultado da melhoria Sim Processo Entra da Saída YVital Few X’s Melhoria do Processo T Não havendo padronização do processo para extrair o resultado do projeto, não há expectativa do resultado da melhoria em campo Note: - Adequação, praticidade dos conteúdos necessários para o trabalho de gerência, gerência da atividade da produção, de su-porte na vista da gerência e da tecnologia - conteúdo detalhado e de fácil entendi- mento para todos os funcionários. -desenho baseado no processo de traba- lho ou processo detalhado com clareza e precisão para não haver má comunicação - sem contraposição à lei, aos padrões nacionais, ou à política da empresa. Refletir no sistema de qualidade Regulamentação do Padrão de Trabalho Manual da Qualidade Padrão de Trabalho Instrução de Trabalho Estrutura do Sistema de Qualidade
  • 206.
    206 A prova deErros - (Poka Yoke) -Reflete no “trabalhar adiantado” para minimizar o efeito causado pelo erro. -Estabelecer o padrão para que o erro não ocorra. Método Principal - pare : erros/defeitos ocorridos ou esperados : Carros automáticos não ligam com a marcha no nível D. : Secadores de cabelo param se superaquecidos, através de um sensor. - controle: para parar de ter produtos com defeito mova-se para o próximo nível : disco de 3.5 pol. não pode ser inserido na direção errada - alerte : falha ocorrida ou esperada : o alarme liga se não apertar o cinto de segurança. : medir a aplicação e o seu resultado Checar o problema Estabelecer a prioridade Examinar a causa raiz Selecionar o plano de melhoria Processo Básico do MP Espírito Básico Qualquer um que faça uma bobagem, nada de errado ocorrerá Mesmo que alguém cometa um erro, seu efeito não será grande. Poka YokePoka Yoke
  • 207.
    207 Sistema de Monitoramento Paradecidir conteúdos detalhados (tempo, meta de medição, departamento, etc.) do sistema regular de monitoramento. Note que para o Sistema de Monitoramento - O que medir? - Com que freqüência? - Como deve ser controlado? (Sob qual padrão?) - Quem irá monitorar? - Se não controlado, como encontrar a causa? (Sob qual padrão?) Responsabilidade do Controle do CTQ Sistema de Auditoria e Responsabilidade Exemplo - Para melhorar o CTQ, o líder da equipe de projeto assume a responsabilidade de confirmar a transição e o controle com o depto funcional depois da transferência ao depto funcional. - Depois de um certo período, o depto funcional assume o controle total do CTQ Auditoria de CTQ MBB Checar o status de finalização do F/U do tema finalizado . Relatar o status atual do controle ao Champion e corrigir Auditoria dos integrantes da inovação . Checar status do Follow Up do tema finalizado Relatar o status atual do controle ao Chefe e corrigir Auditoria de processo e grupo da qualidade assegurada . Checar o status do CTQ da R&D, tema finalizado da Mfg e o Sistema de Dados do CTQ . Relatar o status atual da quali-dade assegurada do controle ao chefe, e Champion e corrigir
  • 208.
    208 Método de MonitoramentoQuantitativo - Diagnosticar o status do CTQ que afeta a estabilidade do processo e melhora se necessário. Também controlar a distribuição e movimento central do processo usando a carta de controle estatística. - Isso ajuda que o status otimizado continue. Estabelecer o objeto Estabelecer plano de extração de amostra ex : Número de grupo da amostra com o número de grupo Desenhar a carta de controle Diagnosticar e Avaliar Causa anormal Causa contingente Controle Melhoria Manter
  • 209.
    209 Aplicação e Modode Checagem -Situação estável de processo : Os pontos estão dentro dos limite de controle. E não há um regulamento próprio nos pontos marcados. -Situação instável : Os pontos estão fora dos limites e tem característica especifica nos pontos marcados. Isso , significa que existe uma causa que precisa de providência. -Providência imediata sobre a causa anormal: - Os pontos que saíram dos limites de controle. - Mostra uma características especifica, como: inclinação,tendência, freqüência, etc. Os gráficos de controle usados mais frequentemente são:  Dados de Atributo – Gráfico P: localiza proporção de unidades defeituosas observado em uma amostra (Nº de amostra diferentes). – Gráfico U: gráfico de controle por unidade (Nº de amostra diferente).  Dados de Variável – Gráfico I-MR (X-RM):Um gráfico de controle que localiza variação no processo e indica causas especiais, podendo detectar mudanças em variação a longo prazo. – Gráfico Xbar-R (onde “R” é o Range):Gráfico de controle para média e Range de subgrupos de dados. Carta de Controle - Método que busca deixar o processo em condição estável - Processo estatístico que pode detectar mudança da qualidade num processo contínuo Propósito Manter e melhorar a qualidade através de busca de especialidade no processo, corrigindo e mantendo o processo estável. Enfatiza o controle do X’s além do resultado do processo (Y). Cartas de ControleCartas de Controle
  • 210.
    210 3 Diagnóstico da Cartade Controle 1. No caso de certo valor de controle exceder a linha de limite do controle. (±3σ) 2. Aparecer 9 ea do valor de controle continuamente acima ou abaixo da linha central. 3. 6 ea do valor de controle aumentam ou diminuem continuamente. 4. 14 ea do valor de controle aparecem acima e abaixo da linha central regularmente. 5. 2 ea do valor de controle aparecem na região A em um lado da linha central (acima ou abaixo) entre 3 ea do valor de controle. 6. 4 ea do valor de controle aparecem na região A ou B em um lado da linha central (acima ou abaixo) entre 5 ea do valor de controle. 7. 15 ea do valor de controle aparecem na região C em um lado do centro em ordem. 8. 8 ea do valor de controle aparecem em ordem na região A ou B em um lado da linha central. A : -3S~-2S ou 2S~3S B : -2S~-1S ou 1S~2S C : -1S~Centro ou Centro~1S Continuous Attribute 1 2 3 4 5 6 7 8 1 1 2 + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A 4 5 5 + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A + 1 S + 2S + 3S - 3 S - 2 S - 1 S A B C C B A 6 6 7 8 Vários padrões de anormalidade podem aparecer numa carta de controle simultaneamente. - No caso da ocorrência de padrão de anormalidade, checar a sua causa Diagnóstico Padrão Cartas de ControleCartas de Controle
  • 211.
    211 Tipos de Cartade Controle Contínuo Tamanho da Amostra I-MR Xbar-R Xbar-S n = 1 n = 2~5 n > 6 Tipo de Dado Atributo Nº de defeito/proporção Número de Falhas Tamanho da Amostra Tamanho da Amostra NP P C U Regular Irregular Regular Irregular Cartas de Controle para Dados Contínuos Use o valor medido da máquina e em geral, faça a carta de controle individual de características de qualidade peculiares. Use a Carta Xbar-R quando o tamanho da peça/parte for menor do que 10 ea. Cartas de Controle para Dados Atributos Desenhe para checar a estabilidade do processo com a coleta de dados atributos e uma carta de controle prove a informação da distribuição. Cartas de ControleCartas de Controle
  • 212.
    212 - A cartade controle Xbar-R serve para checar a característica das medições da média e da distribuição ao mesmo tempo. - Geralmente os dados são coletados na forma de subgrupos : Estabeleça o nº de grupos para detectar a variação anormal do processo considerando a causa potencial. : Use de 2 ~ 5 ea para cada grupo (within). Exemplo Carta de Controle Xbar-R A caixa abaixo contém dados coletados durante 7 dias, n=5, duas vezes ao dia, num processo contínuo para controlar a média e a distribuição do ruído de saída. Mas, para um diagnóstico fácil no caso de ocorrer causa anormal, registra-se o Resumo dos Dados baseado no 4M -A ruído de saída real deve ser menor do que 95. -Abrir o exemplo: “XBar-R.mtw” Xbar-R Grupo e Dados Resumo dos dados Cartas de Controle – Xbar-RCartas de Controle – Xbar-R
  • 213.
    213 Stat > ControlCharts > Variable Charts for Subgroups Estabeleça a variável Estabeleça o grupo variável Escolha todos os testes possíveis Cartas de Controle – Xbar-RCartas de Controle – Xbar-R
  • 214.
    214 Date SampleMean 7.A7.M6.A6.M5.A5.M4.A4.M3.A3.M2.A2.M1.A1.M 95 90 85 __ X=90.30 UCL=96.66 LCL=83.94 Date SampleRange 7.A7.M6.A6.M5.A5.M4.A4.M3.A3.M2.A2.M1.A1.M 20 15 10 5 0 _ R=11.03 UCL=23.31 LCL=0 1 Xbar- R Chartof Noise No 6.M, aparece o fenômeno anormal que excede os limites de controle. No outro grupo não aparece o fenômeno anormal em 8 testes. Cartas de Controle – Xbar-RCartas de Controle – Xbar-R
  • 215.
    215 Exemplo Carta deControle NP O Serviço ao Cliente da OO Electronics quer ter entrevistas de follow-up 2 vezes por semana (Terça e Sexta) selecionando aleatoriamente vários clientes que foram atendidos. Nesse momento, eles perguntam sobre 5 itens e consideram como defeito a pontuação média menor do que 3.5. Eles prevêem a taxa de defeito por volta de 8%. Então eles escolhem 50 pessoas considerando a possibilidade de análise, tempo e man-power entre 13~63 pessoas. No caso de muitos não responderem, consideram a Amostra Adicional. -Considere o número do grupo (g=24) com unidade de 3 meses que é capaz de aplicar ação real. - Registre por classificação a média/min/max já que a quantidade de vendas pode afetar. -Eles enviam a instrução do pesquisador já que a atitude ou o tempo da pergunta podem afetar no resultado. Também limitam o tempo em 12 horas após o atendimento. -Abrir o exemplo: “NP.mtw” -Controla o número de defeitos no caso do número da amostra entre-grupos serem idênticos. -Decide o número de amostra entre-grupos 1/taxa de defeito ~5/taxa de defeito no caso em que for possível esperar a taxa de defeito do processo. NP Grupo e Dados Resumo dos Dados Cartas de Controle – NPCartas de Controle – NP
  • 216.
    216 Stat > ControlCharts > Attribute Charts > NP … Estabeleça a variável Estabeleça o número entre-grupo Escolha todos os testes possíveis Cartas de Controle – NPCartas de Controle – NP
  • 217.
    217 Houve insatisfação docliente nas 2ª e 9ª semanas da pesquisa semanal. E os dois casos são a respeito da grande quantidade de vendas naquelas semanas. Date SampleCount 12.Tue 11.Tue 10.Tue 9.Tue 8.Tue 7.Tue 6.Tue 5.Tue 4.Tue 3.Tue 2.Tue 1.Tue 14 12 10 8 6 4 2 0 __ NP=5.04 UCL=11.43 LCL=0 1 1 NP Chart of NC ID NC 2520151050 14 12 10 8 6 4 2 0 4 7 GT.A GT.A AVG AVGAVGAVG GT.A LT.A AVG GT.AGT.A AVGAVG LT.A LT.A AVG LT.AGT.ALT.ALT.A GT.A LT.A AVG LT.A NC vs ID (W.R.T Sales.Q) Cartas de Controle – NPCartas de Controle – NP
  • 218.
    218 Exemplo Cartas deControle P - Para controlar a taxa de defeito no caso de grupos com tamanhos diferentes de acordo com o tempo da pesquisa. - No caso de baixa taxa de defeito, decida o tamanho que conter pelo menos mais de 1 defeito. P Enquanto processava a entrevista de follow-up citada acima, o número real de clientes não era idêntico. Assim, o Serviço ao Cliente da OO Electronics revisa o plano de coleta da seguinte maneira: Marca o objeto da entrevista 5% dos clientes e registra somente os casos de sucesso. Abrir o exemplo: “P.mtw” Grupo e dados Resumo dos dados Cartas de Controle – PCartas de Controle – P
  • 219.
    219 Stat > ControlCharts > Attribute Charts > P … Estabeleça a variável Estabeleça a variável que registrou o número entre-grupos Escolha todos os testes possíveis Cartas de Controle – PCartas de Controle – P
  • 220.
    220 Date Proportion 12.Tue 11.Tue 10.Tue 9.Tue 8.Tue 7.Tue 6.Tue 5.Tue 4.Tue 3.Tue 2.Tue 1.Tue 0.20 0.15 0.10 0.05 0.00 _ P=0.0697 UCL=0.1709 LCL=0 P Chart ofNC Tests performed with unequal sample sizes Processo Estável Cartas de Controle – PCartas de Controle – P
  • 221.
    221 Exemplo Carta deControle C Esta carta é para controlar o número de dots que aparecem no painel do OO PVC. Desde quando o primeiro dot apareceu no lado superior direito, eles melhoraram a causa através de um projeto anterior. E agora, os dots ocorrem no produto aleatoriamente. Deste modo, os dados são coletados da seguinte maneira. - Registra-se o número de dots de um certo tamanho que aparece na mesma área. - Número do grupo é de 3 vezes por dia (M, A, E) em duas semanas (g=42) - Os inspetores são 4 pessoas que trabalham 8 horas cada e definiram o Heat. C de acordo com o julgamento do gerente do processo. -Abrir o exemplo: “C.mtw” -Controlar o número de defeito que ocorre em certa unidade (comprimento, área etc.) -Unidade a ser pesquisada tem que ser sempre regular. Em caso de não classificar o tipo de defeito, pode-se considerar mais que uma unidade simultaneamente. C Resumo dos Dados Grupo e Dados Cartas de Controle – CCartas de Controle – C
  • 222.
    222 Stat > ControlCharts > Attribute Charts > C … Estabeleça a variável Escolha todos os testes possíveis Cartas de Controle – CCartas de Controle – C
  • 223.
    223 Sample SampleCount 4137332925211713951 25 20 15 10 5 0 _ C=11.40 UCL=21.54 LCL=1.27 1 C Chart ofNC Muitos dots podem ter sido causados pelo Heat.C e precisam ser inspecionados junto ao teste padrão da inspetoria. Cartas de Controle – CCartas de Controle – C
  • 224.
    224 Exemplo Carta deControle U -Feita para controlar o número de defeitos que aparecem em certa unidade (comprimento, área) -No caso da unidade ser irregular, o controle deve estar baseado na suposição de que cada defeito aparece individualmente. U Se uma placa é produzida num processo,e se faz um produto cortando-a em certo tamanho. Colete os dados para controlar o número de defeitos de uma placa apropriada e para controlar o número de defeito pesquisado no painel de diferente tamanho. Registre o cálculo da área e número de dots com a área da unidade. -Número do grupo é 3 vezes por dia (M, A, E) com 2 semanas (g=42) -Abrir o exemplo: “U.mtw” Grupo e dados Data Resume Cartas de Controle – UCartas de Controle – U
  • 225.
    225 Stat > ControlCharts > Attribute Charts > U … Estabelecer a variável Escolher todos os teste possíveis Cartas de Controle – UCartas de Controle – U
  • 226.
    226 Date SampleCountPerUnit 14.A13.M11.E10.A9.M7.E6.A5.M3.E2.A1.M 0.7 0.6 0.5 0.4 0.3 _ U=0.5304 UCL=0.6970 LCL=0.3638 1 U Chart ofNC Tests performed with unequal sample sizes Qual é o caso que excede o limite de controle? Cartas de Controle – UCartas de Controle – U
  • 227.
    227 Resultado do Estágiode Definição Saída por passos (steps) • 1º Passo - Definição do VOC/VOB - Analise superficial do processo - Extrair Little Y através do desenvolvimento do Big Y • 2º Passo - Analise detalhada do processo - CTQ e o Y do projeto - Folha com plano de Ação Rápida. Imagem da Saída Principal Compartilhe e Espalhe o resultado - Isto é para tornar fácil o compartilhamento uns com os outros, através da organização/relatório do resultado com um método padronizado. 사업구조 혁신 제조원가 혁신 Digital생산방식 구축을 통한 원가 혁신 Premium모델 매출증대 제품 생산지 이전 현재수준 년도별 목표설정 00% 00% 00% 05년 06년 07년 08년 사업부 전략과제 제품력 강화 신제품 개발로 제품 차별화 현지공장 R&D역량 강화 00% 00% 00% Premium모델의 매출액 비율 신제품 개발 제조원가율 현지개발모델 수 00% Big Y = KPI 사업구조 혁신 제조원가 혁신 Digital생산방식 구축을 통한 원가 혁신 Premium모델 매출증대 제품 생산지 이전 현재수준 년도별 목표설정 00% 00% 00% 05년 06년 07년 08년 사업부 전략과제 제품력 강화 신제품 개발로 제품 차별화 현지공장 R&D역량 강화 00% 00% 00% Premium모델의 매출액 비율 신제품 개발 제조원가율 현지개발모델 수 00% Big Y = KPI 해외영업 P/O 입력 생산 공장 공장물류 해외물류 선사 인증기관 수출금융 주문입력 생산 수출신고 출하 수출신고 출하 선적 S/R 확정 Draft B/L송부 B/L 정정 B/L 이상유무 매출확정 네고서류저장 은행네고 B/L 원본 송부 Yes No 매출 네고서류작성 은행네고 S/R 입력 선적 0.5일 ~ 3일 0.5일 ~ 3일 0.5일 ~ 2일 개선대상 업무영역 Original B/L 접수시간 소 요 B/L Check 時 시간소요 S/R 誤 입력 해외영업 P/O 입력 생산 공장 공장물류 해외물류 선사 인증기관 수출금융 주문입력 생산 수출신고 출하 수출신고 출하 선적 S/R 확정 Draft B/L송부 B/L 정정 B/L 이상유무 매출확정 네고서류저장 은행네고 B/L 원본 송부 Yes No 매출 네고서류작성 은행네고 S/R 입력 선적 0.5일 ~ 3일 0.5일 ~ 3일 0.5일 ~ 2일 개선대상 업무영역 Original B/L 접수시간 소 요 B/L Check 時 시간소요 S/R 誤 입력 Revisão GeralRevisão Geral
  • 228.
    228 Saída por Passos •3º Passo - Folha de registro do projeto e plano de ação Resultado da fase de Medição • 4º Passo - Criar folha com resumo dos dados - Folha com o plano de Coleta de dados - Resultado e contramedida do Gage R&R • 5º Passo - Analisar o resultado da Capabilidade do Processo - Diagrama de 4-Blocos - Direção da melhoria e meta 4 Block Diagram 1.5 Z shift ZST 4.5 C A B D 관리 부족 기술 부족 관리 적절 기술 부족 관리 부족 기술 적절 관리 적절 기술 적절 Poor Good GoodPoor Control Technology 4 Block Diagram 1.5 Z shift ZST 4.5 C A B D 관리 부족 기술 부족 관리 적절 기술 부족 관리 부족 기술 적절 관리 적절 기술 적절 Poor Good GoodPoor Control Technology Saída por Passos Imagem da Saída Principal Imagem da Saída Principal Revisão GeralRevisão Geral
  • 229.
    229 Resultado da Fasede Analise • 6º Passo - Listar Possíveis X - Selecione o fator vital de uma lista - Checar se a meta é atingível • 7º Passo - Avaliação sobre a causa raiz dos fatores vitais. 인력운영 System제 도 난수리 차등 이관 난이도 담당지역 처리건 우대 사전 정보 감동사 기술력 등급시험 경력 설치팀 장비 교육 전담팀 운영 친절교육 필요인력 변동 비수기 성수기 복장/용모 인력부족 수익문제 인원관리 센터직원 설치팀 이관문제 미등록 임시활동 인원 교육 수익문제 건수 집중 문제 지역별 요일별 CIC접수 설치불량건 사전점검 품질평가 차별포상 공정성 제품별건수별 고객성향 대행료 이관 시간 책임소재 불분명 설명처리 신속성 독촉건 신규건 기존 설치건 시스템 에어컨 기동대 접수처 일반건 전문점 접수 평가 설치불량건관리 전문점 처리건 미평가 이관 접수 정보미 흡 설명처리 후 이관 기술력 통신문제 통신비 음영지역 소요시간 불분명 자재 미지참 품절 기술등급 기술 & Mind 기술력 고객만족도 기술력 고객만족도 Possible X’s 인력운영 System제 도 난수리 차등 이관 난이도 담당지역 처리건 우대 사전 정보 감동사 기술력 등급시험 경력 설치팀 장비 교육 전담팀 운영 친절교육 필요인력 변동 비수기 성수기 복장/용모 인력부족 수익문제 인원관리 센터직원 설치팀 이관문제 미등록 임시활동 인원 교육 수익문제 건수 집중 문제 지역별 요일별 CIC접수 설치불량건 사전점검 품질평가 차별포상 공정성 제품별건수별 고객성향 대행료 이관 시간 책임소재 불분명 설명처리 신속성 독촉건 신규건 기존 설치건 시스템 에어컨 기동대 접수처 일반건 전문점 접수 평가 설치불량건관리 전문점 처리건 미평가 이관 접수 정보미 흡 설명처리 후 이관 기술력 통신문제 통신비 음영지역 소요시간 불분명 자재 미지참 품절 기술등급 기술 & Mind 기술력 고객만족도 기술력 고객만족도 Possible X’sPossible X’s A.Sales Training Region YesNo WestEastWestEast 45000 40000 35000 30000 25000 20000 Boxplot of A.Sales vs Training, Region A.Sales Training Region YesNo WestEastWestEast 45000 40000 35000 30000 25000 20000 Boxplot of A.Sales vs Training, Region P.Sales A.Sales 1400012000100008000 45000 40000 35000 30000 25000 20000 A .Profit 604020 SSM A B C D Matrix Plot of A.Sales vs P.Sales, A.Profit Saída por Passos Imagem da Saída Principal Revisão GeralRevisão Geral
  • 230.
    230 Resultado da Fasede Melhoria • 8º Passo - Resultado do teste desenvolvido e lista de analise/plano melhoria. - Selecione o plano ótimo - Deve ser mapeado/processo redefinido • 9º Passo - Folha com o plano de performance - Verificação / Resultado piloto - Resultado da Analise: Expressar financeiramente 개선 전 개선 후 근본원인 제기된 개선안 개선안 Sigma 수준 실행가능성 투자/효과 종합 최 종 안 선 택문 제 근본원인 제기된 개선안 개선안 Sigma 수준 실행가능성 투자/효과 종합 최 종 안 선 택문 제 Term Standardized Effect A C CD D B 876543210 2.228 Factor D Name A A B B C C D Pareto Chart of the Standardized Effects (response is Response, Alpha =.05) Saída por Passos Imagem da Saída Principal Revisão GeralRevisão Geral
  • 231.
    231 Resultado da Fasede Controle • 10º Passo - Padrões de trabalho • 11º Passo - Folha com o Plano futuro de Controle • 12º Passo - Relatório de finalização do projeto 일자 : 프로세스 : 고객 : CTQ Y Process Map Monitoring 비고 Step부서 Y, X 인자 Spec . 항목 주기 책임 자 상황계 획 NO # 일자 변경 내용 책임자 승인 프로세스 관리 Sheet Manual Qualidade 주요 Output Image Step별 Output 1) Define 단계에서의 결과물 • Step 1 - Big Y 및 KPI • Step 2 - Big Y 별 세부 과제 Tree - 선정 된 테마의 CTQ 및 Spec. • Step 3 - 테마 등록서 및 활동 계획서 - Process Mapping 자료 KPI 경비 제조원가율 투하자산 품질목표 Y₁ 재고자산 절감 Y12 Y13 시스템 장비 재고 절감 경비 ‘01년 사업계획 ‘01년 사업계획 CTQ :매출액 대비 재고 비용 Spec. : 10% 이내 주 요 개선 대 상 한계 돌파 해 야 할 점 한계 돌파를 위한 I D EA K P I Wo rl d b e st Ta rg e t실 적 얻 을 수 있는 경영 상의 성과 는 ? ( 정량 적 / 정 성적 ) 테 마 명 N e c k P o i n t • 외 부 환경 • 내 부 환경 왜 하게 되었 는 가？ 어떻 게하 는가？ 추진 일정 : 팀구 성 이름 소 속 역 할 • 정 량적 성과 • 정 성적 성 과 표준화 ControlStep 12. 성과공유/전파 가. 완료 보고서 작성 주요 Output Image Step별 Output 1) Define 단계에서 의 결 과물 • Step 1 - Big Y 및 KPI • Step 2 - Big Y 별 세부 과제 Tree - 선정 된 테마의 CTQ 및 Spec. • Step 3 - 테마 등록서 및 활동 계획서 - Process Mapping 자료 KPI 경비 제조원가율 투하자산 품질목표 Y₁ 재고자산 절감 Y12 Y13 시스템 장비 재고 절감 경비 ‘01년 사업계획 ‘01년 사업계획 CTQ :매출액 대비 재고 비용 Spec. : 10% 이내 주요 개 선 대 상 한계 돌파 해야 할 점 한계 돌파 를 위 한 I D EA K P I Wo rl db e st Ta rg et실 적 얻을 수 있는 경영 상의 성과는 ? ( 정량적 / 정 성적 ) 테마 명 N e c k P o i n t • 외 부 환경 • 내 부 환경 왜 하게 되었 는가？ 어떻 게하 는가？ 추진 일 정 : 팀구 성 이름 소 속 역 할 • 정 량적 성과 • 정 성적 성과 표준화 ControlStep 12. 성과공유/전파 가. 완료 보고서 작성 주요 Output Image Step별 Output 2) Measurement 단계에서의 결과물 표준화 ControlStep 12. 성과공유/전파 • Step 4 - 가인자 List - Data 수집 계획서 - Gage R&R • Step 5 - 공정능력 분석 결과 - 관리도 : X_BarR Chart or I Chart - Quick Action 계획서 / 실행 결과 Data SourceY 지표 기준 Data 유형 Source %Contribution %Study Var %Tolerance Total Gage R&R 10.67 32.66 11.44 Repeatability 3.10 17.62 6.17 Reproducibility 7.56 27.50 9.63 9. 0 9. 5 10. 0 10. 5 11. 0 LSL USL Process Capa bility Analysis for Y US L Target LS L Me an S ampleN St De v(Wi thin) StDev (Overal l) C p CPU CP L Cpk Cpm P p PPU PP L Ppk PP M< LS L P PM > US L PP MTo tal PP M< LS L PPM > US L PP MTotal PP M< LS L PPM > USL PP MTo tal 10 .5000 * 9 .5000 10 .1838 60 0.1899 86 0.3084 07 0.88 0.55 1.20 0.55 * 0.54 0.34 0.74 0.34 166 66. 67 2000 00. 00 2166 66. 67 1 59. 49 480 40.83 482 00.32 133 00. 99 1526 43. 63 1659 44. 62 Proces sD at a Pot ent ia l (W ithi n)Ca pabil it y Overall Ca pabi l it y Obse rv ed Perfo rmance E xp. "Wi th in" Perfo rman ce Exp . "Overall" Perfo rman ce W ithi n Ove rall 105Subgr oup 0 10.6 10.5 10.4 10.3 10.2 10.1 10.0 9.9 9.8 9.7 9.6 SampleMean 1 1 1 1 1 Mean= 10.18 U CL= 10.44 LCL= 9.925 1.0 0.5 0.0 SampleRange R= 0.4483 U CL= 0.9480 LC L=0 Xbar/R Chart forY Saída por Passos Imagem da Saída Principal Trabalho Padrões/Regulamentos Padrões de trabalho Instrução de trabalho Revisão GeralRevisão Geral
  • 232.
    232 LG Electronics GreenBelt [Mfg] General Administration Innovation Human Resource Suporte Black BeltSuporte Black Belt
  • 233.
    233 LG Electronics GreenBelt [Mfg] Suporte Black BeltSuporte Black Belt Notebook Washing Machine
  • 234.
    234 LG Electronics GreenBelt [Mfg] Suporte Black BeltSuporte Black Belt Purchase / Material (MNT) Production Cellular GERENTE
  • 235.
    235 LG Electronics GreenBelt [Mfg] Suporte Black BeltSuporte Black Belt Engineering (MNT/ CELL/ WM)
  • 236.
    236 LG Electronics GreenBelt [Mfg] Suporte Black BeltSuporte Black Belt Production MNT
  • 237.
    237 LG Electronics GreenBelt [Mfg] Suporte Black BeltSuporte Black Belt Quality (MNT/ CELL) Total = 31 Black Belt
  • 238.
    238 LIVRO DE 6SIGMA PARA GREEN BELTS - MFG • Data emissão: 27/01/2011 [rev. 01] • Departamento de Inovação [DGI] • Desenvolvido por: César Pintor [BB] Diego Gutierres [BB] Mauricio Fulgêncio [BB] LG Electronics Green Belt [Mfg]