Treinamento Six Sigma LG Electronics
description
Transcript of Treinamento Six Sigma LG Electronics
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
3LG 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
3M2001
SSA
1994
AT&T
Jack Welch
1996
História do História do 66σσ
8LG Electronics Green Belt [Mfg]
9
’96(GE Benchmarking)
‘99 ’04
MFG
R&D
TQ
‘98 …..‘97
Cre
scim
ento
6σ
CAGR (25%)*
Crescimento
FMI
Sobrevivência Global PlayerNo.1LG
Six SigmaSix Sigma
*CAGR : Compound Annual Growth Rate
66σσ na LG Electronics na LG Electronics
10
Inovação e Six Sigma InovaçãoMudar 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 produção2. 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 verdesDefinição correta/processo otimizado
Colher frutas baixasAvaliar com gráfico simples
Colher as frutas caídasProcesso de decisão através de experiência e bom senso
Colher frutas docesDesenvolver 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 Projeto S3. Entrada do Projeto S2. Extrair Y do Projeto S2. Extrair Y do Projeto S1. Seleção do Projeto S1. Seleção do Projeto
1.1 Verificar negócio 1.2 Extrair Big Y1.3 Selecionar Projeto
2.1 Analisar processo 2.2 Definir CTQ 2.3 Extrair Y do Projeto
3.1 Organizar time3.2 Determinar metas3.2 Registro do Projeto
S5. Verificar nível atual S5. 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 atual5.3 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 causa S7. Examinar a causa S6. Selecionar fator Vital S6. Selecionar fator Vital
8.1 Extrair o plano de melhoria8.2 Avaliar o plano de melhoria8.3 Selecionar o plano ótimo
9.1 Preparar o plano de execução 9.2 Executar e inspecionar
S9. Executar e Inspecionar S9. Executar e Inspecionar S8. Selecionar o plano ótimo S8. Selecionar o plano ótimo
S12. Compartilhar resultadoS12. Compartilhar resultado S11. Monitoramento S11. Monitoramento S10. Padronização S10. Padronização
6.1 Selecionar o fator Vital6.2 Coletar/examinar dados adicionais6.3 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
Diretor Diretor
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:
* 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:
METRICS
easureverythinghatesultsnustomersatisfaction
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.
MÉDIAMEDIANA
DESVIO PADRÃOOUTROS
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.
TIPOS
DE
DADOS
Tipo de DadosTipo de Dados
24
Tipo de DadosTipo de Dados
TIPOS
DE
DADOS
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
DadosostodosdeSomaX__
=
3,63611
3 2 1 3 3 4 4 5 10 3 2__
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)(nMedianadaPosição
+=
Ex.: 1; 2; 7; 14; 85
n = 5
3=+=2
1)(5Mediana da Posição
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
643
posição = 1 2 3 4 5
1+2
ne
54 67 73 86 89
6
41 =+2
6
A mediana estará entre a posição 3 e a 4
702
73)(67mediana =+=
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
XXσ
2__
i
−
−
=∑
( )N
XXσ
2__
i∑
−
=
(para amostra) (para população)
Data
Frequen
cy
242118151296
200
150
100
50
0
VariableAB
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
XXσ
2__
i2
−
−
=∑
( )N
XXσ
2__
i2
∑
−
=
(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 6,3177Skewness 0,168710Kurtosis -0,220324N 10
Minimum 5,1831
A -Squared
1st Q uartile 7,2471Median 8,97433rd Q uartile 11,0719Maximum 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 9,1753StDev 2,5135
9 5 % C onf idence I nte r v a ls
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 0,8000Skewness -0,954642Kurtosis -0,003324N 10
Minimum 8,1800
A -Squared
1st Q uartile 9,2000Median 10,11003rd Q uartile 10,5525Maximum 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 9,8890StDev 0,8944
9 5 % C onf idence I nte r v a ls
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 & Moda Dados 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 peçasDefeitos = 7 peçasAmostra = 1000 peçasDefeitos = 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 = 0σ = 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 +6σZ-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: 5,9305StDev: 0,664074N: 20
Anderson-Darling Normality TestA-Squared: 0,257P-Value: 0,685
5 6 7
,001
,01
,05
,20
,50
,80
,95
,99
,999
Pro
bab
ility
Fornecedor A
Normal Probability Plot
Average: 71,0997StDev: 9,23496N: 1318
Anderson-Darling Normality TestA-Squared: 155,693P-Value: 0,000
62 72 82 92 102 112 122 132
,001
,01,05
,20
,50
,80
,95,99
,999
Pro
babi
lity
C15
Normal Probability Plot
Average: 64,0987StDev: 17,4209N: 526
Anderson-Darling Normality TestA-Squared: 51,090P-Value: 0,000
0 10 20 30 40 50 60 70 80
,001
,01
,05
,20
,50
,80
,95
,99
,999
Pro
babi
lity
C17
Normal Probability Plot
60 70 80 90 100 110 120 130
0
100
200
300
400
C15
Fre
que
ncy
60 70 80 90 100 110 120 130
0
100
200
300
400
C15
Fre
que
ncy
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
Freq
ue
ncy
5251504948
9
8
7
6
5
4
3
2
1
0
Mean 50,04StDev 0,9111N 30
Histogram of Lot1Normal
Lot1
Perc
ent
535251504948
99
95
90
80
70
60504030
20
10
5
1
Mean
0,466
50,04StDev 0,9111N 30AD 0,343P-Value
Probabi l i ty P lot of Lot1Normal
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 projeto 3. Registro do projeto 2: Extrair Y do Projeto 2: 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 time3.2 Determinar metas3.2 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
VerificarNegócio
VerificarNegócio
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
Definiçãode 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
DefinirMetas
• 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:
Y 2 Y5 Y
8
Y9
Y7Y4Y1
Y3 Y6
Y2 Y7
Y9
BrainstormingBrainstorming
Mapeamento de ProcessoMapeamento de Processo
FMEA FMEA
Gráfico de Pareto Gráfico de Pareto
QFDQFD
BrainstormingBrainstorming
Mapeamento de ProcessoMapeamento de Processo
FMEA FMEA
Gráfico de Pareto Gráfico 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 Prim ariaZona Prim aria LG KoreaLG KoreaLG KoreaLG Korea
CO
NFE
RÊ
NC
IA F
Í SIC
AC
ON
FER
ÊN
CIA
FÍ S
ICA
LGESPREC EBIM ENTO
LGESPREC EBIM ENTO
TRANSPORT ADO R ATRANS PORT ADO R A
LG ESP
P.O . (DSG )
VERDEVERDE
AM AR ELOAM ARELO
CIN ZACINZA
VERM ELHOVERM ELHO
RECEBIM ENTORECEBIM ENTO
PRESENÇA DE C ARG A
PRESENÇA DE C ARG A
PA
RA
ME
TRIZ
AÇ
ÃO
PA
RA
ME
TRIZ
AÇ
ÃO
CÓPIA DOS DO CsCÓPIA DOS DO Cs
SO LIC IT AÇÃO DE DT A N A ALFAN DEG A
SOLICIT AÇÃO DE DT A N A ALFAN DEG A
TERM O DE RESPONS AB ILID ADE
TERM O DE RESPONS AB ILID ADE
DT ADT A
LG KO RE ALG KO RE A
FAT UR AM ENTOFAT UR AM ENTO
EM BARQ UEEM BARQ UE
ET A S ANTOS, VCP
ET A S ANTOS, VCP
REG ISTRO DE D. I.DO C. O RIGINAL
REG ISTRO DE D. I.DO C. ORIGINAL
Utilização do Ato concessório no registro da D .I. isentando do pagam ento do Im posto de Im portação e M arinha 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/Despsolicita DTA
IN499
ETA
DTA
EADI
Pr. Carga
D.I.
Normal
D/B Susp
D/B Isen
Param
etrização
Green
Yellow
Red
Gray
Conf. Fisica
NFE
Ent.
PO
Load
PPLPO Load
App Res
Stuf
NFS
R.E.
B/L
Embar
InvoiceM-System
SD Detail
GNT EagleCóp Doc
Embarque
Doc OriginEmbarque
D/B System Control
NCM/QTE/ Valor
DOC s
BOM/Laudo
Análise
Exigen
Concessão
Ato Concessório
360 dias
L.I.
Prorro
Baixa do Ato
RED.I.{
Import
Export
D/B
Key Point
IMS
Rep
Start
**
**
**
**
**
**
**
**
**
****
54
Ferramentas – FMEA Ferramentas – FMEA ((FFailure ailure MMode & ode & EEffect ffect 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 – FMEA Ferramentas – FMEA ((FFailure ailure MMode & ode & EEffect ffect 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 – FMEA Ferramentas – FMEA ((FFailure ailure MMode & ode & EEffect ffect 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
Oco
rrên
cia
Dete
cção
Severid
ad
e
N P
R
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 com camada mínima de cera para retardar corrosão
Painel Interior/inferior da porta corroído.
Vida útil da porta diminuída devido a:•Aparência insatisfatória devido a ferrugem;•Funcionamento irregular do mecanismo interno da porta.
Bico de jateamento posicionado manualmente não está posicionado suficiente longe. 8
Checagem visual a cada 1 hora por turno.Medir profundidade da camada.
5 280
Instalar um fim de curso no jateador .
5
Teste do jateador no começo do trabalho e após longos períodos sem uso, e programa de manutenção para limpar bicos.
2 70
Usar projetos de experimentos(DOE) na viscosidade X temperatura X pressão
Tempo de jateamentoinsuficiente.
8Instruções do operador e amostragem do lote(10 portas/turno) para checar aplicação de cera nas áreas críticas.
7 392 Instalar um “timer” no jateador
7
Bico jateador entupido:•Viscosidade muito alta;•Temperatura muito baixa;•Pressão muito baixa.
CTQ
CTQ
FMEA: LGESP
Nome do modelo: Data: Área:
Revisão nº: Data da rev.: Responsável:
Projeto Six Sigma
7
56
57
Count
Perc
ent
DefeitosCount
17,8 12,0 8,7 3,9 2,0Cum % 55,6 73,4 85,4 94,1
274
98,0 100,0
88 59 43 19 10Percent 55,6
OtherEDBFA
500
400
300
200
100
0
100
80
60
40
20
0
Pareto Chart of Defei tos
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
Perc
ent
DefeitosCount
17,8 12,0 8,7 3,9 2,0Cum % 55,6 73,4 85,4 94,1
274
98,0 100,0
88 59 43 19 10Percent 55,6
CEDBFA
500
400
300
200
100
0
100
80
60
40
20
0
Pareto Chart of Defei tos
- 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 – QFD Ferramentas – QFD ((QQuality uality FFunction unction 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 – QFD Ferramentas – QFD ((QQuality uality FFunction unction 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 – QFD Ferramentas – QFD ((QQuality uality FFunction unction 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 4 VOC
Weight 1 3 3 2Total
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 4 VOC
Weight 1 3 3 2Total
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
Conteúdo
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 daMelhoria
Ponto critico
Y(K P I)
Como fazer a melhoria?Por que selecionar este projeto?
Ob
jeti
vo
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
PassosPASSO 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 atualPasso 4. Verificar as propriedadesdo Y do Projeto
4.1 Preparar resumo dos dados4.2 Definir plano de medição4.2 Aprovar sistema de medição
5.1 Coletar dados do Y do Projeto5.2 Medir nível atual5.3 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 deMedições
• 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&RVerificar oSistema 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 290270EIXO de X
1 2 3-2 -1-3 0EIXO de Z
µ = 300σ = 10µ = 300σ = 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
Res
post
a P
roce
sso
WHITE NOISE
BLACK NOISERATIONAL
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.
MSACom 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)
ValorReal
Valor deReferência (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
AceitoCondicionalmente
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
%ContributionSource VarComp (of VarComp)Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37Part-To-Part 1,08645 92,24Total Variation 1,17788 100,00
Study Var %Study Var %ToleranceSource 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 45,37Part-To-Part 1,04233 6,25396 96,04 208,47Total Variation 1,08530 6,51180 100,00 217,06
Number of Distinct Categories = 4
Gage R&R
%ContributionSource VarComp (of VarComp)Total Gage R&R 0,09143 7,76 Repeatability 0,03997 3,39 Reproducibility 0,05146 4,37 Operator 0,05146 4,37Part-To-Part 1,08645 92,24Total Variation 1,17788 100,00
Study Var %Study Var %ToleranceSource 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 45,37Part-To-Part 1,04233 6,25396 96,04 208,47Total 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 categoriasdistintas
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 CategoriasDistintas
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
1Equip.Tol. ==
83
Gráficos:
Gage R&RGage R&R
Per
cent
Part-to-PartReprodRepeatGage R&R
200
100
0
% Contribution
% Study Var
% Tolerance
Sam
ple
Ran
ge
1,0
0,5
0,0
_R=0,342
UCL=0,880
LCL=0
A B C
Sam
ple
Mea
n
2
0
-2
__X=0,001UCL=0,351LCL=-0,348
A B C
P art10987654321
2
0
-2
OperatorCBA
2
0
-2
P art
Ave
rage
10 9 8 7 6 5 4 3 2 1
2
0
-2
Operator
A
BC
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 Mauricio1 NG OK NG NG2 OK NG OK OK3 OK NG OK OK4 OK NG NG OK5 OK OK OK NG6 OK OK OK OK7 NG NG NG NG8 NG NG NG NG9 NG NG OK OK10 NG NG OK NG11 NG NG NG NG12 OK NG OK OK1 NG OK NG2 OK OK NG3 OK NG OK4 OK OK NG5 OK OK OK6 OK OK OK7 OK OK OK8 OK OK NG9 OK NG OK10 NG NG OK11 NG NG NG12 OK NG OK1 OK OK NG2 OK OK NG3 OK NG OK4 OK OK NG5 OK NG OK6 OK OK OK7 OK OK NG8 OK OK NG9 NG NG OK10 NG OK OK11 NG NG NG12 OK NG OK
Peça AtributoOperadores
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 % CICésar 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.
Appra iser
Pe
rce
nt
PedroMauricioCésar
100
80
60
40
20
0
95,0% C IPercent
Appra iser
Pe
rce
nt
PedroMauricioCésar
100
80
60
40
20
0
95,0% C IPercent
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
AcertosQtdePE =
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*medidas repeticoes Total*padrão boas peças
FalsoAlarmeQtdePFA =
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*repetições Total*padrão ruins Peças
ErroQtdeP 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
ValueBenedito 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
44PE ==
4,17%100*3*8
1PFA ==
0%100*3*7
0PMiss ==
Benedito Joly Barbará
86,67%100*45
39PE ==
20,83%100*3*8
5PFA ==
4,76%100*3*7
1PMiss ==
88,89%100*45
40PE ==
4,17%100*3*8
1PFA ==
19,05%100*3*7
4PMiss ==
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
Métricacomum
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
LSLUSLCp
−=periodo) ngooverall(lo6.σ
LSLUSLPp
−=
T
T
k
k
k
k)Pp.(1Ppk
k)Cp.(1Cpk
−=−=
Fórmulas:
Cp/Pp
Cpk/Ppk
2LSL-USL
TX k
−=
within3.σ
XUSLCPU
−=
ou
within3.σ
LSLXCPL
−=CPL]min[CPU;Cpk =
overall3.σ
XUSLPPU
−=
overall3.σ
LSLXPPL
−=
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
Perc
ent
13121110987
99
95
90
80
70
605040
30
20
10
5
1
Mean
0,335
9,89StDev 1,045N 30AD 0,404P-Value
Probabi l i ty P lot of DadosNormal
Regra Normality Test:
P-value > 0,05 dados normais.
P-value < 0,05 dados não normais.
P-value=0,335Dados normais
P-value=0,335Dados 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 USLProcess Data
Sample N 30StDev (Within) 1,09725StDev (O v erall) 1,05414
LSL 7,5Target *USL 10,5Sample Mean 9,89
Potential (Within) C apability
C C pk 0,46
O v erall C apability
Z.Bench 0,54Z.LSL 2,27Z.USL 0,58Ppk
Z.Bench
0,19C pm *
0,51Z.LSL 2,18Z.USL 0,56C pk 0,19
O bserv ed PerformancePPM < LSL 0,00PPM > USL 266666,67PPM Total 266666,67
Exp. Within PerformancePPM < LSL 14696,59PPM > USL 289127,55PPM Total 303824,15
Exp. O v erall PerformancePPM < LSL 11687,24PPM > USL 281405,09PPM Total 293092,34
WithinOverall
Process Capabi l i ty of Dados
ZLTZLT
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 USLProcess Data
Sample N 30StDev (Within) 1,09725StDev (O v erall) 1,05414
LSL 7,5Target *USL 10,5Sample Mean 9
Potential (Within) C apability
C C pk 0,46
O v erall C apability
Z.Bench 1,02Z.LSL 1,42Z.USL 1,42Ppk
Z.Bench
0,47C pm *
0,95Z.LSL 1,37Z.USL 1,37C pk 0,46
O bserv ed PerformancePPM < LSL 0,00PPM > USL 266666,67PPM Total 266666,67
Exp. Within PerformancePPM < LSL 85804,19PPM > USL 85804,19PPM Total 171608,38
Exp. O v erall PerformancePPM < LSL 77373,13PPM > USL 77373,13PPM Total 154746,27
WithinOverall
Process Capabi l i ty of Dados
ZSTZST
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 USLProcess Data
Sample N 30StDev (Within) 1,09725StDev (O v erall) 1,05414
LSL 7,5Target *USL 10,5Sample Mean 9,89
Potential (Within) C apability
C C pk 0,46
O v erall C apability
Pp 0,47PPL 0,76PPU 0,19Ppk
C p
0,19C pm *
0,46C PL 0,73C PU 0,19C pk 0,19
O bserv ed PerformancePPM < LSL 0,00PPM > USL 266666,67PPM Total 266666,67
Exp. Within PerformancePPM < LSL 14696,59PPM > USL 289127,55PPM Total 303824,15
Exp. O v erall PerformancePPM < LSL 11687,24PPM > USL 281405,09PPM Total 293092,34
WithinOverall
Process Capabi l i ty 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 defeitosExemplos:- 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• MensurávelOportunidades: é o número de chances de um processo se desviar do esperadoExemplo:- 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 = 500Defeitos = 50Oportunidades = 2
Defeito - DDefeito - D
DPU- Defeito por UnidadeDPU- Defeito por Unidade
DPO- Defeito por OportunidadeDPO- Defeito por Oportunidade
Fórmulas:
Exemplo
desOportunida Total
DPUDPO
Unidades Total
DefeitoDPU
=
=
0,1500
50DPU == 0,05
2
0,1DPO ==
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 unidade1 oportunidade
1 unidade5 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
PassosPasso 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 causa Passo 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 TreeExaminar
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 potenciaisFatores possíveis
Vital Few
VF
Potential
PossibleVF
Potential
Possible
VF
Potential
PossibleVF
Potential
PossibleVF
Potential
Possible
Process/System Entrada Saída (Y)
X’s : Vital Few
X’s : Muitas causasY é a variável dependente.
X é a variável independente.
Y depende de X.
Se controlar o X, pode-se melhorar o Y.
TriviallyMany
VitalFew
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 Proportion2 Proportion
Chi-square Test
1 Sample T2 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 PeixeLogic 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
JigsAPC
Processo
Manual
Antigas
AjusteSeqüência Linha
Monitoramento
Autom
ático
Manual
Revezamento
Linha ALinha BLinha C
Temperatura
Am
biente
Solda
Pre-heater
Elet. EstáticaEsteira
Carrinho
Umidade
Oxidação
Turnos
Pinos
Cabos
1º 2º 3º
ObsoletoEmpenado
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
AC
AB é ME, não CE.Exemplo: animais A: mamíferos B: peixes
ABC é CE, não ME.Exemplo: MulherA: solteiras B casadasC: Trabalhando
AB não é nem ME nem CE.Exemplo: Classe de AlunosA: Bons em matemáticaB: 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’sPossível 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
DefeitoC
oun
tCBA
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
Coun
t
CBA
70
60
50
40
30
20
10
0
25
65
25
Char t of Defeito
Selecionar essa opção
Cou
nt
LinhaDefeito
LCLBLACBACBACBA
77
77
77
77
7
7
77
7
77
77
7
7
77
7
Chart of L inha; Defei to
133
Dados Contínuos – Dot Plot Dados 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 Plot Dados Contínuos – Dot Plot
Separando os dados por fornecedores.
Tensão [V]
Forn
ece
dor
7,777,777,777,777,777,777,77
Fornecedor A
Fornecedor B
Fornecedor C
Dotplot of Tensão [V] vs Fornecedor
135
Dados Contínuos – Dot Plot Dados 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
Mean o
f Te
mpo
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
Tem
po
11
10
9
8
7
6
5
4
3
8,221
Boxplot of Tempo
Máximo
Separando por Turnos:
Turno
Tem
poTurno 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
Tem
po
Turno CTurno BTurno A
77
77
7
7
7
7
7
7
7
Boxplot of Tempo by Turno
Turno
Tem
po
Turno CTurno BTurno A
77
77
7
7
7
7
7
7
7
Indiv idual Value P lot of Tempo vs Turno
Tempo
Fre
que
ncy
77777777
77
77
77
77
7
77777777
77
77
77
77
7
Turno A Turno B
Turno C
Turno A
7,777StDev 7,777N 777
Turno CMean 7,777StDev 7,7777
Mean
N 777
7,777StDev 7,7777N 777
Turno BMean
Histogram (w ith Normal Curve) of Tempo by Turno
Panel variable: Turno
TempoFr
eq
ue
ncy
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
Anderson-Darling Normality Test
V ariance 7,7777Skew ness -7,777777Kurtosis -7,777777N 777
Minimum 7,7777
A-Squared
7st Q uartile 7,7777Median 7,77777rd Q uartile 7,7777Maximum 7,7777
77% Confidence 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 7,7777StDev 7,7777
77% C onf idence I n te r v a ls
Summary for TempoTurno = Turno C
77,77,77,77,77,7
Median
Mean
7,77,77,77,7
Anderson-Darling Normality Test
V ariance 7,7777Skew ness -7,777777Kurtosis -7,777777N 777
Minimum 7,7777
A-Squared
7st Q uartile 7,7777Median 7,77777rd Q uartile 7,7777Maximum 77,7777
77% Confidence 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 7,7777StDev 7,7777
77% C onf idence I n te r v a ls
Summary for TempoTurno = Turno B
77,77,77,77,77,7
Median
Mean
7,777,777,777,777,777,777,77
Anderson-Darling Normality Test
V ariance 7,7777Skew ness -7,7777777Kurtosis -7,7777777N 777
Minimum 7,7777
A -Squared
7st Q uartile 7,7777Median 7,77777rd Q uartile 7,7777Maximum 7,7777
77% Confidence 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 7,7777StDev 7,7777
77% C onf idence I n te r v a ls
Summary for TempoTurno = 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]
Com
p. [c
m]
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]
Com
p. [c
m]
120115110105100
22
21
20
19
18
17
16
15
14
13
Tempo [s]
161514
Matr ix P lot 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
Perc
ent
22201816141210
99,9
99
9590
80706050403020
10
5
1
0,1
Mean0,783
13,77 0,9939 100 0,402 0,35217,89 1,012 100 0,606
StDev
0,112
N AD P15,10 1,004 100 0,236
Variable
Fornecedor C
Fornecedor AFornecedor B
Probabi l i ty P lot of Fornecedor A; Fornecedor B; Fornecedor CNormal - 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
GrandeA 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 IIH1 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 = 0,05α*100 = 5% Nível de Significânciaα = 0,05α*100 = 5% Nível de Significância
C.L. = 1- α C.L. = 0,95C.L.*100 = 95% Nível de Confiança
C.L. = 1- α C.L. = 0,95C.L.*100 = 95% Nível de Confiança
Regra de P-value:P-value > α Aceita H0P-value < α Rejeita H0
Regra de P-value:P-value > α Aceita H0P-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 Proportion Dados 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 Proportion Dados 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
Perc
ent
13121110987
99,9
99
9590
80706050403020
10
5
1
0,1
Mean
0,649
9,992StDev 0,9986N 100AD 0,277P-Value
Probabi l i ty P lot of Caso ANormal
Entrar com os dados
Sempre utilizar esse método
Conclusão: os dados são normais ?
Caso A
Frequen
cy
1312111098
20
15
10
5
0
Histogram of Caso A
158
Caso B
Perc
ent
2015105
99,9
99
95
90
80706050403020
10
5
1
0,1
Mean
<0,005
12,26StDev 2,347N 100AD 1,271P-Value
Probabi l i ty P lot of Caso BNormal
Caso C
Perc
ent
16,516,015,515,014,514,013,5
99,9
99
9590
80706050403020
10
5
1
0,1
Mean
0,537
15,06StDev 0,4649N 100AD 0,316P-Value
Probabi l i ty P lot of Caso CNormal
Conclusão: os dados são normais ?
Dados Contínuos – Normality TestDados Contínuos – Normality Test
Caso B
Fre
qu
ency
181512963
25
20
15
10
5
0
Histogram of Caso B
Caso C
Freq
ue
ncy
16,015,515,014,514,0
25
20
15
10
5
0
Histogram of Caso C
Outliers
Data
Per
cen
t
2015105
99,9
99
9590
80706050403020
10
5
1
0,1
Mean0,649
12,26 2,347 100 1,271 <0,00515,06 0,4649 100 0,316
StDev
0,537
N AD P9,992 0,9986 100 0,277
Variable
Caso C
Caso ACaso B
Probabi l i ty P lot of Caso A; Caso B; Caso CNormal - 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 most ra 7777777777
X_
Ho
Boxplot of Amostra 7(with Ho and 77% t-confidence interval for the mean)
A most ra 7777777777
X_
Ho
Individual Value P lot of Amostra 7(with Ho and 77% t-confidence interval for the mean)
A most ra 7
Fre
qu
en
cy
7777777
77
77
77
77
77
7
7X_
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)
Am
ostr
as
77% Bonfer r oni Confidence Inter vals for StDevs
Amostra 7
Amostra 7
7,77,77,77,77,7
Am
ostr
as
D ados
Amostra 7
Amostra 7
7777777777
F-Test
7,777
Test Statistic 7,77P-Value 7,777
Levene's Test
Test Statistic 7,77P-Value
Test for Equal Var iances for DadosSempre 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 TD
ata
Amostra 7Amostra 7
77
77
77
77
77
Boxplot of Amostra 7; Amostra 7
Gráficos:
Da
ta
Amostra 7Amostra 7
77
77
77
77
77
Indiv idual Value P lot 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
1SubgruposdentroVariação
SubgruposentreVariaçãoF >=
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
Str
ength
Adhesive 7Adhesive 7Adhesive 7
77
77
77
77
77
77
77
77
Individual Value P lot of Strength vs Type
Type
Str
ength
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
Yr = 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)
Cust
o M
anute
nçã
o
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)
Cust
o M
anute
nçã
o
7777777777
777
777
777
777
77
7
S 77,7777R-Sq 77,7%R-Sq(adj) 77,7%
Regression77% CI77% PI
Fitted L ine P lotCusto Manutenção = 77,77 + 77,77 Tempo 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
EtapasFase 8. Selecionar o melhor projetoFase 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)
172LG 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 maiorpossibilidade de atingir a metabaseado na avaliação doresultado.
- 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
melhoriaExtrair 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 vista Mude seu ponto de vista
• Mantenha o focoMantenha o foco
• Anote as informaçõesAnote as informações
• Não coloque obstáculos para a Não coloque obstáculos para a soluçãosolução
• Elabore as características do planoElabore as características do plano
• Benchmarking avançado Benchmarking 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
GAPObter planos de
melhoria inovadores
AvaliarManter a consistência
A sabedoria de uma organização
com a mente inovadora é
importante para o projeto de
melhoria contínua.
Causa raiz
Sugestão deprojeto de melhoria
Projeto de
melhoria
Nível deSigma Execução Investir/
efeitoTotal
Problema
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
DadosMensuráveis
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 YQuais 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 experimentoPor 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 deProcesso 2. Data
3.Testador
OutputInput
Fatores controlável
Fatores incontrolável
Processo :
Humor dosfuncionários
Horas de TreinamentoLocal de Treinamento
Y
Tipo de Y
G, P, A
X
Nível deX
Método deexperimento
Causa deNoise
Pesquisa LGE Way
XXX
MotivaçãoTipo de Treinamento
Motivação do Funcionário
Tipo de TreinamentoLocal do Treinamento
Full Fatorial Nível 2
Obs:
Repetição 2 vezes
Humor(B) Local
- (5s)
+ (C.A.)
- (LG) + (Hotel)
6052
Média : 56
7283
Média : 77,5
5445
Média : 49,5
6880
Média : 74
(A) Tipo de Trein.
(Resultado)
G=Grande, P=Pequeno e A=Alvo
Tipo: 5s e C.A.Local: LG e Hotel
183
Rep
licaç
ão
da M
ediç
ão
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
Med
ição
(Resultado)
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)
6052
Média : 56
7283
Média : 77,5
5445
Média : 49,5
6880
Média : 74
(A) Tipo de Trein.
DOE – Exemplo DPCDOE – Exemplo DPC
184
2 Repetições
1
2
DOE – Exemplo DPCDOE – Exemplo DPC
185
Numero de Fatores1
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 colocadosa 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 PConstant 64,250 2,531 25,38 0,000Tipo 23,000 11,500 2,531 4,54 0,010Local -5,000 -2,500 2,531 -0,99 0,379Tipo*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 PMain Effects 2 1108,00 1108,00 554,000 10,81 0,0242-Way Interactions 1 4,50 4,50 4,500 0,09 0,782Residual Error 4 205,00 205,00 51,250 Pure Error 4 205,00 205,00 51,250Total 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 IndividualEscolha 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
Tipo5sC.A.
Interaction P lot (data means) for Nota
Mean o
f Nota
C.A.5s
75
70
65
60
55
50HotelLG
Tipo Local
Main Effects P lot (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 P lot (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
NomeEquipamento de Medida
Y
CharY
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,90sTemperatura: 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)
BD
ensi
dad
e
- (10%)
+ (20%)
- - -
- + -
- - +
- + +
+ - -
+ + -
+ - +
+ + +
66.6362.0157.85
50.2559.9556.05
60.3160.8763.93
56.4658.0354.72
77.2570.3367.73
66.9170.1674.67
69.9867.2867.54
74.8873.1273.80
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 Temperatura Densidade Tempo Y Rendimento1 1 1 1 400 10 45 66,632 2 1 1 450 10 45 77,253 3 1 1 400 20 45 50,254 4 1 1 450 20 45 66,915 5 1 1 400 10 90 60,316 6 1 1 450 10 90 69,987 7 1 1 400 20 90 56,468 8 1 1 450 20 90 74,88
9 9 1 1 400 10 45 62,0110 10 1 1 450 10 45 70,3311 11 1 1 400 20 45 59,9512 12 1 1 450 20 45 70,1613 13 1 1 400 10 90 60,8714 14 1 1 450 10 90 67,2815 15 1 1 400 20 90 58,0316 16 1 1 450 20 90 73,12
17 17 1 1 400 10 45 57,8518 18 1 1 450 10 45 67,7319 19 1 1 400 20 45 56,0520 20 1 1 450 20 45 74,6721 21 1 1 400 10 90 63,9322 22 1 1 450 10 90 67,5423 23 1 1 400 20 90 54,7224 24 1 1 450 20 90 73,8
Med
ição
2M
ediç
ão 1
Med
ição
3
3 R
eplic
açõe
s
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 PConstant 65.0296 0.6924 93.91 0.000Temp 12.2158 6.1079 0.6924 8.82 0.000Density -1.8925 -0.9462 0.6924 -1.37 0.191Pre 0.0942 0.0471 0.6924 0.07 0.947Temp*Density 4.1308 2.0654 0.6924 2.98 0.009Temp*Pre -0.1692 -0.0846 0.6924 -0.12 0.904Density*Pre 2.0758 1.0379 0.6924 1.50 0.153Temp*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 PMain Effects 3 916.90 916.90 305.63 26.56 0.0002-Way Interactions 3 128.41 128.41 42.80 3.72 0.0333-Way Interactions 1 10.98 10.98 10.98 0.95 0.343Residual Error 16 184.11 184.11 11.51 Pure Error 16 184.11 184.11 11.51Total 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 PConstant 65.0296 0.6924 93.91 0.000Temp 12.2158 6.1079 0.6924 8.82 0.000Density -1.8925 -0.9462 0.6924 -1.37 0.191Pre 0.0942 0.0471 0.6924 0.07 0.947Temp*Density 4.1308 2.0654 0.6924 2.98 0.009Temp*Pre -0.1692 -0.0846 0.6924 -0.12 0.904Density*Pre 2.0758 1.0379 0.6924 1.50 0.153Temp*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 PMain Effects 3 916.90 916.90 305.63 26.56 0.0002-Way Interactions 3 128.41 128.41 42.80 3.72 0.0333-Way Interactions 1 10.98 10.98 10.98 0.95 0.343Residual Error 16 184.11 184.11 11.51 Pure Error 16 184.11 184.11 11.51Total 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: TemperatB: DensidadC: 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 temsignificância 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- +
Res
post
a
Fator A-
+
Fator B- +
Res
post
a
Fator A-
+
Fator B- +
Res
post
a
Fator A
-
+
Fator B- +
Res
post
a
Fator A-
+
Fator B- +
Res
post
a
Fator A
Fator B- +
Res
post
a
Fator A
-
+
-
+
Sem Efeito Principal
Devido a B
SEM INTERAÇÃO
INTERAÇÃOSUAVE
INTERAÇÃOELEVADA
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 Y1 1 1 1 400 10 90 60,312 2 1 1 450 10 45 77,253 3 1 1 400 20 45 50,254 4 1 1 450 20 90 74,88
5 5 1 1 400 10 90 60,876 6 1 1 450 10 45 70,337 7 1 1 400 20 45 59,598 8 1 1 450 20 90 73,12
9 9 1 1 400 10 90 63,9310 10 1 1 450 10 45 67,7311 11 1 1 400 20 45 56,0512 12 1 1 450 20 90 73,8
Med
ição
2M
ediç
ão 1
Med
ição
3
3 R
eplic
açõe
s
Fator A
Níveis(-1)(Baixo)
(+1)(Alto)
Fator B Fator C Resp YFatorial Fracionado 23
DOE – Exemplo 2DOE – Exemplo 2³ - Fracionado³ - Fracionado
200
Fractional Factorial Fit: Y versus Temperatura; Densidade; TempoEstimated Effects and Coefficients for Y (coded units)Term Effect Coef SE Coef T PConstant 65,676 1,031 63,69 0,000Temperat 14,352 7,176 1,031 6,96 0,000Densidad -2,122 -1,061 1,031 -1,03 0,334Tempo 4,285 2,142 1,031 2,08 0,071Analysis of Variance for Y (coded units)Source DF Seq SS Adj SS Adj MS F PMain Effects 3 686,5 686,5 228,83 17,94 0,001Residual Error 8 102,1 102,1 12,76 Pure Error 8 102,1 102,1 12,76Total 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: Stat\DOE\Fractional\Create Factorial Design
2- Analisando o experimento
P-value<α
StdOrder RunOrder CenterPt Blocks Temperatura Densidade Tempo Y1 1 1 1 400 10 90 60,312 2 1 1 450 10 45 77,253 3 1 1 400 20 45 50,254 4 1 1 450 20 90 74,88
5 5 1 1 400 10 90 60,876 6 1 1 450 10 45 70,337 7 1 1 400 20 45 59,598 8 1 1 450 20 90 73,12
9 9 1 1 400 10 90 63,9310 10 1 1 450 10 45 67,7311 11 1 1 400 20 45 56,0512 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.
● Por meio da aplicação do plano de melhoria, a eficiência da melhoria pode ser
determinada e comparada com os dados da medição do processo.
● De acordo com a medição do Y selecionado, pode-se checar a validade da
melhoria quando comparada com o valor de Z (σ padrão)
●Quando não se encontra o nível esperado de melhoria, avance para o próximo
step ordenadamente.
② Pontos de Verificação● São os mesmos como do Y selecionado no processo de medição?
● São os mesmos tipos dos dados selecionados na medição do processo?
● 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
performance performance Parts 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
Ferramentas
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. Monitorar Passo 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 oresultado da melhoria
Sim
ProcessoEntra
daSaída
YVital Few X’s
Melhoria do Processo
TNão 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 nosistema de qualidade
Regulamentação doPadrão de Trabalho
Manualda 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 planode melhoria
Processo Básico do MP
EspíritoBásico
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 objetoEstabelecer plano deextração de amostra
ex : Número de grupo da amostra com o número de grupo
Desenhar a cartade controle
Diagnosticare 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~3SB : -2S~-1S ou 1S~2SC : -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
ABC
CBA
+ 1 S
+ 2S
+ 3S
- 3 S
- 2 S
- 1 S
ABC
CBA
+ 1 S
+ 2S
+ 3S
- 3 S
- 2 S
- 1 S
ABC
C
BA
+ 1 S
+ 2S
+ 3S
- 3 S
- 2 S
- 1 S
ABC
CBA
+ 1 S
+ 2S
+ 3S
- 3 S
- 2 S
- 1 S
ABC
C
BA
4
5
5
+ 1 S
+ 2S
+ 3S
- 3 S
- 2 S
- 1 S
ABC
CBA
+ 1 S
+ 2S
+ 3S
- 3 S
- 2 S
- 1 S
A
BC
CBA
+ 1 S
+ 2S
+ 3S
- 3 S
- 2 S
- 1 S
ABC
C
BA
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
Tamanhoda 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
Tamanhoda Amostra
Tamanhoda 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
Sam
ple
Mean
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
Sam
ple
Range
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
Sam
ple
Count
12.T
ue
11.T
ue
10.T
ue
9.T
ue
8.T
ue
7.T
ue
6.T
ue
5.T
ue
4.T
ue
3.T
ue
2.T
ue
1.T
ue
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
7GT.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
Pro
port
ion
12.Tue
11.Tue
10.Tue
9.Tue
8.T
ue
7.T
ue
6.T
ue
5.T
ue
4.T
ue
3.T
ue
2.T
ue
1.T
ue
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
Sa
mp
le C
ou
nt
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
Sa
mple
Coun
t P
er
Un
it
14.A13.M11.E10.A 9.M 7.E 6.A 5.M 3.E 2.A 1.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 혁신Digital생산방식 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%
Premium모델의매출액 비율
신제품 개발
제조원가율
현지개발모델 수
00%
Big Y = KPI
사업구조 혁신
제조원가 혁신Digital생산방식 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%
Premium모델의매출액 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 정정B/L 이상유무
매출확정
네고서류저장
은행네고
B/L 원본 송부
Yes
No
매출
네고서류작성
은행네고
S/R 입력
선적0.5일 ~ 3일
0.5일 ~ 3일
0.5일 ~ 2일
개선대상 업무영역
Original B/L접수시간 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 정정B/L 이상유무
매출확정
네고서류저장
은행네고
B/L 원본 송부
Yes
No
매출
네고서류작성
은행네고
S/R 입력
선적0.5일 ~ 3일
0.5일 ~ 3일
0.5일 ~ 2일
개선대상 업무영역
Original B/L접수시간 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
ZST4.5
C
A B
D
관리 부족기술 부족
관리 적절
기술 부족
관리 부족기술 적절
관리 적절기술 적절
Poor
Good
GoodPoor
Co
ntr
ol
Technology
4 Block Diagram
1.5
Z shift
ZST4.5
C
A B
D
관리 부족기술 부족
관리 적절
기술 부족
관리 부족기술 적절
관리 적절기술 적절
Poor
Good
GoodPoor
Co
ntr
ol
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
필요인력변동
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
책임소재불분명
설명처리
신속성
독촉건
신규건
기존 설치건
시스템 에어컨 기동대
접수처
일반건전문점 접수
평가
설치불량건관리
전문점 처리건 미평가이관
접수 정보미흡
설명처리후 이관
기술력
통신문제
통신비
음영지역
소요시간불분명
자재
미지참
품절
기술등급
기술 & Mind
기술력고객만족도
기술력고객만족도
Possible X’s인력운영
System제 도
난수리
차등 이관
난이도 담당지역
처리건 우대
사전 정보
감동사 기술력
등급시험
경력
설치팀
장비
교육
전담팀 운영
친절교육
필요인력변동
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
책임소재불분명
설명처리
신속성
독촉건
신규건
기존 설치건
시스템 에어컨 기동대
접수처
일반건전문점 접수
평가
설치불량건관리
전문점 처리건 미평가이관
접수 정보미흡
설명처리후 이관
기술력
통신문제
통신비
음영지역
소요시간불분명
자재
미지참
품절
기술등급
기술 & Mind
기술력고객만족도
기술력고객만족도
Possible X’sPossible X’s
A.S
ale
sTraining
RegionYesNo
WestEastWestEast
45000
40000
35000
30000
25000
20000
Boxplot of A.Sales vs Training, Region
A.S
ale
sTraining
RegionYesNo
WestEastWestEast
45000
40000
35000
30000
25000
20000
Boxplot of A.Sales vs Training, Region
P.Sales
A.S
ale
s
1400012000100008000
45000
40000
35000
30000
25000
20000
A .Profit
604020
SSMABCD
Matr ix P lot of A.Sales vs P .Sales, A.Profi t
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
근본원인제기된개선안 개선안
Sigma수준 실행가능성 투자/효과 종합
최종안선택문
제
근본원인제기된개선안 개선안
Sigma수준 실행가능성 투자/효과 종합
최종안선택문
제
Te
rm
Standardized Effect
A
C
CD
D
B
876543210
2.228Factor
D
NameA AB BC CD
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, X인자 Spec.
항목 주기 책임자
상황계획
NO # 일자 변경 내용 책임자승인
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 장비재고 절감경비
‘01년사업계획
‘01년사업계획
CTQ :매출액 대비 재고 비용Spec. : 10% 이내
주 요 개선 대 상
한계 돌파 해 야 할 점
한계 돌파를 위한 I D EAK 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
Ne c
kP
o i
n t
• 외 부 환경
• 내 부 환경
왜 하게 되었 는 가? 어떻 게 하 는가?
추진 일정 :
팀구 성
이름 소 속 역 할
• 정 량적 성과 • 정 성적 성 과
표준화ControlStep 12. 성과공유/전파
가. 완료 보고서 작성
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 장비재고 절감경비
‘01년사업계획
‘01년사업계획
CTQ :매출액 대비 재고 비용Spec. : 10% 이내
주요 개 선 대 상
한계 돌파 해야 할 점
한계 돌파 를 위 한 I D EAK P I Wo rl d b e st Ta rg et실 적
얻을 수 있는 경영 상의 성과는 ? ( 정량적 / 정 성적 )
테마 명
Ne c
kP
o i
n t
• 외 부 환경
• 내 부 환경
왜 하게 되었 는가? 어떻 게 하 는가?
추진 일 정 :
팀구 성
이름 소 속 역 할
• 정 량적 성과 • 정 성적 성과
표준화ControlStep 12. 성과공유/전파
가. 완료 보고서 작성
주요 Output Image Step별 Output
2) Measurement 단계에서의 결과물
표준화ControlStep 12. 성과공유/전파
• Step 4 - 가인자 List - Data 수집 계획서 - Gage R&R
• Step 5 - 공정능력 분석 결과 - 관리도 : X_Bar R Chart or I Chart - Quick Action 계획서 / 실행 결과
DataSourceY 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 Analys is for Y
US L
Target
LS L
Me an
S ample N
St De v (Wi thin)StDev (Overal l)
C p
CPUCP L
Cpk
Cpm
P p
PPU
PP L
Ppk
PP M < LS L
P PM > US L
PP M To tal
PP M < LS L
PPM > US L
PP M Total
PP M < LS L
PPM > USL
PP M To tal
10 .5000
*
9 .5000
10 .1838
60
0.1899 860.3084 07
0.88
0.551.20
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 s D 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" Per fo rman ce Exp . "Overall" Per fo rman ce
W ithi n
Ove rall
105Subgr oup 0
10.610.510.410.310.210.110.09.99.89.79.6
Sam
ple
Mea
n
1
11
1 1
Mean= 10.18
U CL= 10.44
LCL= 9.925
1.0
0.5
0.0
Sa
mpl
e R
ange
R= 0.4483
U CL= 0.9480
LC L=0
Xbar/R Chart for Y
Saída por Passos Imagem da Saída Principal
Trabalho
Padrões/Regulamentos
Padrões de trabalho
Instrução de trabalho
Revisão GeralRevisão Geral
232LG Electronics Green Belt [Mfg]
General Administration
Innovation
Human Resource
Suporte Black BeltSuporte Black Belt
233LG Electronics Green Belt [Mfg]
Suporte Black BeltSuporte Black Belt
Notebook
Washing Machine
234LG Electronics Green Belt [Mfg]
Suporte Black BeltSuporte Black Belt
Purchase / Material (MNT)
Production Cellular
GERENTE
235LG Electronics Green Belt [Mfg]
Suporte Black BeltSuporte Black Belt
Engineering (MNT/ CELL/ WM)
236LG Electronics Green Belt [Mfg]
Suporte Black BeltSuporte Black Belt
Production MNT
237LG 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]