apostila de gb - completa-lg

Treinamento 6

Inovao RealDiscurso do CEO

Inovar Verificar Executar

Vamos mostrar ao mundo do que somos capazes. Juntos reconquistaremos a glria da LG Electronics. - Continuo Desenvolvimento de Produtos - Assegurar a Melhor Qualidade -Estratgia de Negcios Focada na Perspectiva do Cliente - Nutrir os Excelentes Talentos - Cultura Organizacional Baseada em Criatividade e Autonomia

1. Rpido 2. Forte 3. Inteligente2

Outubro/2010

(Vice Chairman Bon Joon Koo)

ndiceIntroduo Estatstica Bsica SIPOC 21 22 23 05 19 Ferramentas Brainstorming Mapeamento do Processo FMEA Grfico de Pareto QFD 25 27 28 29 30 31 Meta & Cronograma Estimativa de Ganho e Registro Medio Resumo Verificar as propriedades do Y do Projeto 68 Verificar nvel atual (Z-value) Entendendo o Z-value 32 33 34 36 38 40 41 Coleta de Dados (Rational Subgrouping) Tipos de Gage Gage R&R Repetibilidade / Reprodutibilidade Bias / Estbilidade Linearidade Regra de Thumb Exemplo 43 44 45 Grficos Gage Attribute Exemplo MInitab 69 70 71 72 73 74 75 76 78 79 83 84 85 61 64 65 66 46 47 49 54 57

Coleta de Dados (amostragem) Tipos de Dados (discretos e contnuos) - Dados Contnuos Mdia Mediana Moda Desvio Padro Varincia Amplitude - Dados Discretos Proporo e Moda Variao Natural Distribuio Normal Z-Table Normality Test Deslocamento da Mdia Definio Resumo Seleo do Projeto Extrao do Y Registro do Projeto

3

LG Electronics Green Belt [Mfg]

ndiceClculos Exemplo feito manualmente Calculando o Z-value Dados Contnuos Capability Analysis Frmulas CP/PP/Cpk/Ppk Calculo ZST/ZLT/ZShift no Minitab 93 Diagrama de 4 Blocos Calculo Cp/Cpk/Pp/Ppk no Minitab Dados Discretos DPU/DPO/DPMO Exemplo Anlise Resumo Selecionar o fator Vital Examinar a causa raiz Vital Few Introduo Introduo ao Minitab Extrair Possveis Xs Espinha de Peixe (Fish Bone) Logic Tree (MECE) Anlise dos Possveis Xs 109 110 111 112 113 125 126 127 129 107 102 103 97 99 91 92 87 88 90 Anlise Grfica - Dados Discretos Bar Chart - Dados Contnuos Dot Plot Histograma Bar Chart Box Plot Descriptive Statistics Graphical Summary Scatter Plot Correlation Matrix Plot Probability Plot Testes de Hiptese Definio Erros ( e ) Tipos de Teste - Dados Discretos 1 Proportion 2 Proportion Chi-Square Test 154 155 156 143 144 145 146 148 150 151 152 153 133 136 138 139 141 131 130

4


ndiceDados Contnuos Normality Test 1 Sample T Test for Equal Variances 2 Sample T ANOVA Correlao e Analise de Regresso Correlao Exemplo Equao de Regresso Grfico Melhoria Resumo Estabelecer o plano otimizado Executar e inspecionar Escolha do Plano de Melhoria DOE (Design of Experiment) 3 Princpios de um Experimento Exemplo Identificando o Main Effect Identificando as Interaes Identificando o melhor Ponto (Cube Plot) DOE com 3 Fatores DOE Fracionado 176 179 181 182 187 190 191 192 199 174 175 157 159 161 162 164 167 167 168 169 171 172 Execuo e inspeo das Melhorias Controle Resumo Padronizar Monitorar Compartilhar o Resultado Padronizar Sistema a prova de falhas Poka Yoke Sistema de Monitoramento Cartas de Controle Regras da Carta Tipos de cartas - Dados Contnuos XBar-R - Dados Discretos NP P C U Reviso Geral 215 218 221 224 227 212 204 204 204 205 206 207 209 210 211 201 203

5


1

INTRODUOObjetivos - Entender o conceito de inovao e a importncia da atividade da Inovao. - Entender o propsito do gerenciamento 6 na LGE. - Entender a filosofia e princpio do 6 bem como o mtodo de apresentao.

6


Introduo ..6 uma ferramenta inovadora..

6 a linguagem comum para nossa companhia. Se voc conversa em CTQ e Z-value, as conversaes tornam-se simples e claras. Inspecionar e tomar deciso no campo imediatamente. Comunicao baseado nos dados (fatos). 6 contm ferramentas para identificar os problemas e as solues, e ferramentas de validao. Testes atravs de 6 podem adicionar segurana para resultados.

7

Histria do 61987 Galvin CEO 1994SSA

1997

Mikel J Harry, Ph.D

1995AT&T

2001 1996

3M

Jack Welch

8


6 na LG ElectronicsSobrevivnciaCrescimento

Global Player

No.1 LG

FMI

R AG C

)* 5% (2

MFG R&D TQ

Six Sigma96 97 (GE Benchmarking)*CAGR : Compound Annual Growth Rate

98

99

..

04

9

Crescimento 6

Inovao e Six SigmaInovao e Six SigmaInovao Mudar completamente e renovar.

Desenvolvimento de empresas Chinesas Entrada na Globalizao Mercado de produtos baratos Entrada na OMC. Convite Olmpico Condio atual das empresas Coreanas 1. Perda de vantagem competitiva para produo 2. Falta de obteno de tecnologia avanada Novo desenvolvimento do Japo Tcnica acumulada de concorrncia. Investimento em P&D

Pr-requisitos para o desenvolvimento das empresas Coreanas -Assegurar competitividade Global -Inovao aplicando mtodos avanados -Maximizar a vantagem atravs de controle de campo -Fora Six Sigma

Por que a atividade de inovao falha?(Pesquisa em 100 empresas) - Atitude de negao do funcionrio para a mudana: 45% - Capacidade/habilidade, Plano de execuo : 23% - Falta de liderana da Gerncia : 17%

Fora das empresas Americanas/Europias Desenvolvimento na rea de servios Obteno de tecnologia exclusiva

6 o motor do gerenciamento de inovao.10

Filosofia de GerenciamentoFilosofia de Gerenciamento Six SigmaSix Sigma o mtodo de execuo que traz resultados para gerncia e funcionrios.

6 no significa apenas fazer, mas fazer eficientemente.

100PPM cortar o caule de uma erva daninha, 6 extrair a raiz de uma erva daninha.

Filosofia de Gerenciamento

66 Gerenciamento de campo pela alta administrao 6 a linguagem comum da organizao.

11

MtricaMtrica Six Sigma- Nvel Sigma o ndice de avaliao para a capabilidade do processo6

Nvel6 5 4 3 2

PPM 3.4 233 6,210 66,807 308,537

Colher frutas doces Desenvolver o processo considerando resultado Colher frutas verdes Definio correta/processo otimizado Colher frutas baixas Avaliar com grfico simples

Melhora defeitos 68 vezes

5Melhora defeitos 25 vezes


Colher as frutas cadas Processo de deciso atravs de experincia e bom senso


2

Processo Defeito Cap. Mudanacom deslocamento de 1,5, processo estvel.)

Nvel de (Sigma)- a medida estatstica que reflete a capabilidade do processo. O Sigma medido determinado pelo DPU (Defeito por unidade), PPM (parte por milho), falha e taxa de erro.

( Hiptese de longo perodo

Quanto mais o nvel de Sigma diminui, mais o PPM aumenta.

12

ComparativoComparando Qualidade Tradicional com Six Sigma- Qualidade Tradicional vs Qualidade Six Sigma

Qualidade Tradicional Organizao Centralizada. Ausncia de estrutura formal para utilizao de ferramentas. Falta de Suporte no uso de ferramentas. Dados misturados com achismo tomada de deciso.

Qualidade Six Sigma Participantes respondem diretamente dentro de suas funes Uso estruturado de ferramentas estatstica para ajudar na soluo de problemas. Estrutura de suporte para usurios das ferramentas Decises baseadas em dados Abordagem baseada em causa raiz

Abordagem Band-aid (quebra galhos). Falta de treinamento estruturado. Inspees (foco em Y, no resultado). Treinamento estruturado em todas as ferramentas aplicveis Entradas de controle de processo (foco em Xs, nas causas

13

Prximo da perfeioPreciso e exatido Quanto maior o nvel de Sigma, maior nossa preciso e exatido (Texas Instruments)Nvel de Sigma 1 rea Palavras Tempo Distancia

rea ocupada pelo 170 palavras erradas por pgina Astrodome (Houston-USA) num livro rea ocupada por um grande supermercado 25 palavras erradas por pgina num livro

31,75 anos em 1 Daqui at a Lua sculo 4,50 anos em 1 sculo 1 volta e ao redor da Terra

2 3

rea ocupada por uma 1,5 palavras erradas por pgina pequena loja de Hardware num livro rea ocupada por uma sala 1 palavra errada em 30 pginas de estar comum de um livro rea da parte inferior do seu telefone rea de um diamante comum 1 palavra errada em uma enciclopdia inteira. 1 palavra errada em todos os livros de uma pequena livraria

3,50 meses em 1 Viagem de costasculo a-costa. 2,5 dias em 1 sculo Dirigir 45 minutos numa estrada

4

5

30 minutos em 1 1 ida at o posto sculo de gasolina 6 segundos em 1 4 passos em sculo qualquer direo 1 piscada de olho 1 polegada em 1 sculo

6

7

rea de um furo de agulha 1 palavra errada em todos os de costura. livros de vrias livrarias

14

DMAICSix Sigma: DMAIC- Entendendo detalhadamente cada fase do processo bsico de um projeto Six Sigma.

FaseDefinio S1. Seleo do Projeto1.1 Verificar negcio 1.2 Extrair Big Y 1.3 Selecionar Projeto

Passos detalhados S2. Extrair Y do Projeto2.1 Analisar processo 2.2 Definir CTQ 2.3 Extrair Y do Projeto

S3. Entrada do Projeto3.1 Organizar time 3.2 Determinar metas 3.2 Registro do Projeto

Medio

S4. Verificar adequao do Y do Pjt4.1 Resumo dos dados 4.2 Plano de medio 4.2 Verificao do sistema de medio

S5. Verificar nvel atual5.1 Coletar dados do Y do projeto 5.2 Verificar nvel atual 5.3 Definir direo de melhoria

Analise

S6. Selecionar fator Vital6.1 Selecionar o fator Vital 6.2 Coletar/examinar dados adicionais 6.3 Selecionar item principal e verificar possibilidade de alcanar a meta

S7. Examinar a causa7.1 Examinar a causa

S8. Selecionar o plano timo Melhoria8.1 Extrair o plano de melhoria 8.2 Avaliar o plano de melhoria 8.3 Selecionar o plano timo

S9. Executar e Inspecionar9.1 Preparar o plano de execuo 9.2 Executar e inspecionar S12. Compartilhar resultado

S10. Padronizao Controle10.1 Padronizao

S11. Monitoramento

11.1 Plano de gerenciamento 12.1 Relatrio de finalizao de projeto 12.2 Compartilhar resultado

15

Estrutura Departamento de Inovao (Six Sigma)Departamento de Gerenciamento de Inovao [DGI Six Sigma]Estrutura do Departamento de Gerenciamento de Inovao (Six Sigma) segue abaixo:

Diretor S. Y. [email protected]

Gerente [email protected] 12-2125-5518

Six SigmaCsar Pintor Csar Pintor Pedro Gama Pedro Gama [email protected] 12-2125-5570 [email protected] 12-2125-5684

* Atualizado em jan/2011

16

Objetivo

Por que buscar o Six Sigma? Por que buscar o Six Sigma? Aumentar o Faturamento Aumentar o Lucro Final Clientes Satisfeitos Voltam Sempre Custa Menos Fazer Certo da Primeira Vez

Six Sigma significar para ns... Six Sigma significar para ns... Mais Tempo com o Cliente em vez de resolver problemas isoladamente no escritrio. Trabalho Proativo em vez de Apagar o Incndio atravs de reao. Confiana em que os Pedidos so feitos, cumpridos, entregues Sem Erros. Confiana que o trabalho antes e depois livre de defeitos. Aumento dos Negcios com nossos Clientes.

Base do Six Sigma Base do Six SigmaDados constituem toda a base do Six Sigma Toda e qualquer deciso baseada em DADOS e no em suposies. Por isso a coleta de dados muito importante e deve ser feita com critrio, ateno e sem tendncias para que as analises, decises, melhorias e controles sejam sustentveis ao longo do tempo.

17

Porque o 6 funcionaFoco do Six Sigma O Six Sigma funciona porque tem o FOCO no CLIENTE. A filosofia de excelncia do 6 Sigma :

Measure E verything T hat R esults In C ustomers S atisfaction

Medir tudo aquilo que possa impactar na satisfao dos Clientes.

A meta do 6 Sigma identificar, isolar e eliminar VARIAO. Prevenir os defeitos ao invs de detect-los. Soluo de problemas de modo pr-ativo ao invs de apagar incndio. Melhoria continua dos processos, produtos e servios.

18

2

ESTATSTICA BSICAObjetivos - Entender sobre Estatstica Bsica. - Conhecer os termos utilizados

19


EstatsticaEstatstica- Entendendo o que estatstica.

Estatstica uma cincia que visa obter concluses sobre fenmenos (eventos) em um universo (populao), a partir de alguns dados (amostras), extrados desse mesmo universo.

PENSAMENTO ESTATSTICO

quando pensamos em transformar dados comuns em uma maneira na qual possamos analis-los.

MDIA MEDIANA DESVIO PADRO OUTROS

20

SIPOCSIPOCDivises de um processo. Todo e qualquer processo apresenta essas 5 partes.

S I P O C

SUPPLYER INPUT PROCESS OUTPUT CUSTOMER

FORNECEDOR ENTRADA PROCESSO SADA CLIENTE

SFornecedor

IEntrada

PProcesso

OSada

CCliente

Todo processo produtivo, gera variaes entre as etapas (SIP) Que somente so detectadas nas etapas (OC) Man (Homem)

Causas das variaes do processo

5M 1E

Machine (Mquina) Material (Material) Method (Mtodo) Measurement (Medida) Environment (Meio Ambiente) 21

Coleta de Dados Letras Gregas: POPULAO POPULAO: Conjunto de elementos que apresentam caracterstica em comum. PARMETRO: Caracterstica da populao. AMOSTRA: Subconjunto da Populao. ESTATSTICA: Caracterstica da amostra. Quando estamos trabalhando com a populao utilizamos as letras gregas para representar alguma caracterstica da mesma. Ex.: Mdia = Desvio Padro = Coleta da amostra: Deve expressar as caractersticas do grupo a ser medido e ser coletada aleatoriamente. ALEATRIO: Determina uma amostra sada da populao, de forma que cada membro tenha chance igual de ser extrado. Letras Romanas: Quando estamos trabalhando com a amostra utilizamos as letras romanas para representar alguma caracterstica da mesma. Ex.: POPULAO: __________________________ PARMETRO: _________________________ AMOSTRA: ____________________________ ESTATSTICA: _________________________ Ao. Pegue uma colher. Mdia = x Desvio Padro = s Tome uma deciso.

AMOSTRA

EXERCCIO

Misture bem.

22

Tipo de Dados muito importante para o GB/BB identificar com qual tipo de dados est lidando no processo, pois so eles quem definem quais as ferramentas que sero utilizadas durante o projeto.

T I P O S D E D A D O S

DADOS DISCRETOS ou ATRIBUTOS: Definem situaes onde os dados do processo, somente podem assumir valores inteiros, como: Cara ou Coroa, 1, 2, 3, 4.

DADOS CONTNUOS: Definem situaes onde os dados do processo, podem assumir qualquer valor (podendo ser infinito) entre dois nmeros, ou seja, os valores depois da vrgula so significativos. Ex.: comprimento ou largura de uma pea, dimetro de um tubo, pH de banhos, temperatura ambiente, etc.

23

Tipo de Dados Para cada tipo de dados temos ferramentas especficas, abaixo temos as ferramentas mais utilizadas em Six Sigma.

T I P O S D E D A D O S

MODA

Discretos Discretos

PROPORO

MDIA Tendncia Central MEDIANA MODA

Contnuos ContnuosVARINCIA Tendncia de Disperso DESVIO PADRO AMPLITUDE 24

Dados Contnuos - Mdia

CUIDADOS AO USAR A MDIAQuando tratamos de dados estatsticos, podemos observar que a mdia oculta a variao dos dados.

Observamos na figura ao lado, onde o mergulhador obteve a informao de que o rio tem uma profundidade mdia de 5m, mas esta informao (mdia), ocultou as variaes de profundidade, pois o rio possui em sua extenso profundidades acima e abaixo de 5m, ou seja, variaes.

Ns podemos cometer um grande erro s porque ns tomamos uma deciso baseada apenas na mdia. Assim, ns precisamos de informaes adicionais, por exemplo: Varincia (2) Desvio Padro ().

25

Dados Contnuos - Mdia

A mdia uma medida que indica o centro da distribuio. Simplesmente a soma de observaes dividida pelo nmero de observaes. Para os dados abaixo, a mdia :

todas as

__

X=

Soma de todos os Dados QTY de Dados2 + 3 + 10 + 5 + 4 + 4 + 3 + 3 + 1 + 2 + 3 11 = 3,636

__

X=

- Usa todos os dados - Fortemente influenciado por valores extremos (outliers) - Tambm representadas pela letra grega (l-se : mi)

26

Dados Contnuos - MedianaMediana o meio dos dados, ou seja, o ponto de 50%, (ou o nmero do meio) Calculo da Mediana: Para amostra com nmero impar de dados: 1) Arranje os dados na ordem de menor a maior (ordem crescente) 2) A posio da mediana ser encontrada pela formula:

Posio da Mediana =Ex.: 1; 2; 7; n=5 14; 85

(n + 1) 2 (5 + 1) =3 21 posio = 1 2 2 7 3 14 4 85 5

Posio da Mediana =

mediana Para amostra com nmero par de dados: 1) Arranje os dados na ordem de menor a maior (ordem crescente) 2) A posio da mediana ser encontrada pela mdia das duas formulas abaixo:

n 2Ex.: 67; 86; 43; 89; 54; 73 n=6

e

n +1 2 6 =3 2 6 +1 = 4 243 A mediana estar entre a posio 3 e a 4 posio = 1 54 2 67 3 73 4 86 5 89 6

mediana =

(67 + 73) = 70 2

27

Dados Contnuos - ModaModa o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqncia. No existe formula para calculo da Moda, basta verificar quais nmeros se repetem mais. A moda pode ser utilizada tanto para dados discretos como para dados contnuos. Pode acontecer de uma amostra no 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, no comumente utilizada. 28

Dados Contnuos Desvio PadroDesvio Padro a distancia mdia entre a mdia do processo e seus dados, ou seja, a variao de um processo em torno da mdia. Quanto maior o desvio padro, maior a variao no processo, pior ser esse processo. Todo processo que sofre muita variao gera muito defeito. O desvio padro inversamente proporcional ao Nvel de Sigma. O desvio padro representado pela letra S ou pela letra grega (l-se: sigma) Sua formula :__ Xi X = ( n 1) 2 __ Xi X = ( N) 2

(para amostra)

(para populao)

Hi stogr am of A; B200Variable A B

150 Frequency

100

Pouca variao

Muita variao50

0

6

9

12

15 Dat a

18

21

24

29

Dados Contnuos VarinciaVarincia idem ao desvio padro, mas menos utilizada, pois seu valor se distncia muito dos valores da amostra. Quanto maior a varincia, maior a variao no processo, pior ser esse processo. Todo processo que sofre muita variao gera muito defeito. A varincia representada pela letra SS ou pela letra grega Sua formula :__ Xi X 2 = ( n 1) 2 __ Xi X 2 = ( N) 2

(para amostra)

(para populao)

Ex:Amostra 9,46 11,06 11,11 13,67 5,18 6,52 8,49 8,19Mean 6 8

S ummary for Amostr aA nderson-Darling N ormality Test A -S quared P -V alue M ean S tD ev V ariance S kew ness Kurtosis N M inimum 1st Q uartile M edian 3rd Q uartile M aximum 7,3772 7,1572 9 5 % C o n f i d e nc e I n t e r v a l s 1,7289 0,15 0,945 9,1753 2,5135 6,3177 0,168710 -0,220324 10 5,1831 7,2471 8,9743 11,0719 13,6740 10,9733 11,0768 4,5887

= 2,5135 = 6,3177 Fica confuso dizer que a mdia 9,1753 e que a variao de 6,3177, parece que esse processo esta com uma variao enorme, por isso mais comum utilizar o Desvio Padro

10

12

14

95% C onfidence Interv al for M ean 95% C onfidence Interv al for M edian 95% C onfidence Interv al for S tD ev

7,49 10,58

Median 7 8 9 10 11

30

Dados Contnuos AmplitudeAmplitude a diferena entre o maior e o menor valor de uma amostra. Quanto maior a amplitude, maior a variao no processo, pior ser esse processo. Todo processo que sofre muita variao gera muito defeito. A amplitude representada pela letra R (range). Sua formula :

R = mximo mnimo

Ex:Dados 9,95 10,27 8,66 9,92 8,18 10,46 10,55 10,96 10,56 9,388,0 8,5 9,0

S ummar y for DadosA nderson-D arling N ormality Test A -S quared P -V alue M ean S tD ev V ariance S kew ness Kurtosis N M inimum 1st Q uartile M edian 3rd Q uartile M aximum 9,2492 9,1335 9 5 % C o n f id e n c e I n t e r v a l sMean Median 9,00 9,25 9,50 9,75 10,00 10,25 10,50

0,46 0,202 9,8890 0,8944 0,8000 -0,954642 -0,003324 10 8,1800 9,2000 10,1100 10,5525 10,9600 10,5288 10,5534 1,6329

R = 10,9600 8,1800 R = 2,78

9,5

10,0

10,5

11,0

95% C onfidence Interv al for M ean 95% C onfidence Interv al for M edian 95% C onfidence Interv al for S tD ev 0,6152

31

Dados Discretos Proporo & ModaProporo uma medida que indica a relao entre dois dados. Simplesmente a quantidade de um evento dividido pelo total da amostra vezes 100, pois seu valor expresso em %. A proporo representada pela letra: P Para os dados abaixo, a proporo :

Amostra = 1000 peas Defeitos = 7 peas

P=

Qty Evento 7 *100 = *100 = 0,7% Total Amostra 1000

Moda o valor que mais aparece em uma amostra, ou seja, aquele que tiver maior freqncia. No existe formula para calculo da Moda, basta verificar quais nmeros se repetem mais. A moda pode ser utilizada tanto para dados discretos como para dados contnuos. Pode acontecer de uma amostra no 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

32

Variao NaturalVariao Natural a variao que ocorre em todos os processos. Todo e qualquer processo sofre variao devido a influncias externas (5M1E) e essa variao recebe o nome de Variao Natural, atravs dela que temos a Distribuio Normal representada pela Curva de Gauss. Abaixo podemos provar essa variao natural para isso ser necessrio 2 dados de 6 faces cada um. Na somatria dos 2 dados no mnimo teremos o valor 2 e no mximo 12. Jogue os dados e anote quantas vezes cada valor aparecer, ao final de, aproximadamente 90 vezes, teremos um grfico semelhante ao que esta abaixo, que se aproxima da curva de Gauss. Isso acontece devido a variao natural do processo.

14 12 10 8 6 4 2 0 2 3 7 4 9 5 10 6 11 7 13 8 12 9 9 10 8 11 4 12 2

Repeties 2

33

Distribuio Normal (Distribuio Gaussiana)Distribuio Normal a quando os dados de um processo qualquer se distribui em torno da mdia, onde essa divide esses dados exatamente no meio, ou seja, o processo fica simtrico em torno da mdia. A distribuio normal tem um formato semelhante a de um Sino e tambm pode ser chamada de Distribuio Gaussiana, por causa da Curva de Gauss. A maioria dos fenmenos naturais e processos criados pelo homem so distribudos normalmente, ou podem ser representados como normalmente distribudos. A rea total da Curva Normal igual a 1, ou seja, 100%. Quando temos uma curva normal centrada e padronizada significa que sua mdia igual a 0 e o desvio padro 1.

= 0 = 1

50%

50%

0

34

Distribuio Normal (Distribuio Gaussiana)Quando padronizamos a distribuio normal com os valores de Z, temos a seguinte relao entre cada nvel (Z-value) e a rea da Curva Normal:

X -6

X -5 -5

X -4 -4

X -3 -3

X -2 -2

X -1 -1

X

X +1 +1

X+2 +2

X +3 +3

X +4 +4

X +5 +5

X +6 +6

Z-Value

:

-6

68,2% 95,4% 99,7% 99,994% 99,9994% 99,99999975%

Ou seja: para 1 temos 68,2% da rea total, o restante 31,8% estaria fora da curva ento podemos classific-los como defeito.

35

Z TableA Tabela Z mostra qual rea da curva normal cada nvel de sigma representa, por exemplo: O valor Z = 1,41 equivale 7,93E-02, ou seja, temos 7,93 % de defeito nesse processo.

Z 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4

0 5.00E-01 4.60E-01 4.21E-01 3.82E-01 3.45E-01 3.09E-01 2.74E-01 2.42E-01 2.12E-01 1.84E-01 1.59E-01 1.36E-01 1.15E-01 9.68E-02 8.08E-02

0.01 4.96E-01 4.56E-01 4.17E-01 3.78E-01 3.41E-01 3.05E-01 2.71E-01 2.39E-01 2.09E-01 1.81E-01 1.56E-01 1.33E-01 1.13E-01 9.51E-02 7.93E-02





Ateno : esta carta calcula apenas um lado da Distribuio Normal

36

Z TableExerccio: Dada a figura abaixo calcule: ZUSL, ZLSL e ZBench

LSL

USL

3=0,8

9

= 7,5

ZUSL = USL - ZLSL = - LSL

=

9 7,5 = 1,88 P(X>USL) = 3,01x10-2= 31.000 ppm 0,8 7,5 3 = 5,63 P(X 0,05 Dados Normais P-value < 0,05 Dados no normaisNormal Probability Plot,999 ,99 ,95

P bb ro a ility

,80 ,50 ,20 ,05 ,01 ,001 5 6 7Anderson-Darling Normality Test A-Squared: 0,257 P-Value: 0,685

Fornecedor AAverage: 5,9305 StDev: 0,664074 N: 20

Normal Probability Plot400,999

Frequency

300Probability

,99 ,95 ,80 ,50 ,20 ,05 ,01 ,001

200

100

0 60 70 80 90 100 110 120 130Average: 71,0997 StDev: 9,23496 N: 1318

62

72

82

92

102

112

122

132

C15

C15

Anderson-Darling N ormality Test A-Squared: 155,693 P-Value: 0,000

N al P orm robability P lot

,999 ,99 ,95

Probability

,80 ,50 ,20 ,05 ,01 ,001 0 1 0 20 30 40 5 0 6 0 70 8 0

C 17A verage: 64,0987 S ev: 17,4209 tD N 526 : A nderson-D arling N ality Test orm A quared: 51,090 -S P alue: 0,000 -V

38

Normality TestExerccio: Verifique se os dados abaixo seguem uma distribuio normal.Lot1 50,9 50,1 51,1 49,2 48,4 49,8 Lot2 50,3 50,2 49,2 49,8 48,5 51,1 Lot3 50,3 50,6 49,0 50,5 50,9 49,0 Lot4 49,0 50,6 50,1 50,0 51,5 49,8 Lot5 50,2 50,1 52,4 50,4 49,1 49,2

a) Verifique a normalidade graficamente (Histograma):Hi stogram of L ot1Normal 9 8 7 Fr equency 6Mean StDev N 50,04 0,9111 30

b) Verifique a normalidade utilizando o Normality TestP r obabi l i ty P l ot of L ot1Normal99 Mean StDev N AD P-Value 50,04 0,9111 30 0,343 0,466

95 90 80 70

Per cent

5 4 3 2 1 0 48 49 50 Lot 1 51 52

60 50 40 30 20 10 5

1

48

49

50 Lot 1

51

52

53

39

Deslocamento da mdiaComo j foi falado anteriormente todos os processos variam de maneira natural devido a influencias externas (5M1E), essa variao considerada normal at o valor limite de 1,5 , caso o processo varie mais do que isso, este no ser mais classificado como Normal. Quando falamos que um processo esta centrado, significa que no ocorreu deslocamento de sua mdia, se esse processo estiver com um nvel de Sigma igual a 6 teremos um probabilidade de defeito de 0,0025 ppm. Mas como todos os processos variam impossvel, na pratica, termos esse valor. Considerando um deslocamento de mdia de 1,5 teremos, para um nvel de 6 sigma, um valor de defeito de 3,4 ppm. Ento quando falamos que para 6 Sigma os defeitos sero de 3,4 ppm, significa que esse processo esta deslocado de 1,5

1,5

0

1,5

40

3

Meta

- Entender os itens que influenciam o ponto de vista do cliente e negcio e selecionar o tema do projeto. - Extrair a possibilidade de melhoria atravs do processo do projeto selecionado. - Definir o item a melhorar.

DEFINIO

- SIPOC, Mapeamento do processo Ferramenta - Logic Tree, Diagrama de espinha de peixe - QFD, FMEA, Anlise de Pareto

Passos

Passo 1. Seleo de projeto Passo 2. Extrair o Y do Projeto Passo 3. Registro do projeto

41


Passos da DefinioPropsitoExtrair o projeto que o mais importante do ponto de vista do cliente e ter maior relevncia para metas gerenciais. Defina o projeto a fim de promover as metas.

Passos da atividade 1: Selecionar Projeto1.1 Verificar companhia 1.2 Definir o Big Y 1.3 Selecionar o projeto

Definio

2: Extrair Y do Projeto2.1 Analisar o processo 2.2 Definir o CTQ 2.3 Extrair o Y do projeto

3. Registro do projeto3.1 Organizar o time 3.2 Determinar metas 3.2 Registro do projeto

SadaPasso 1 - Definir a VOC/VOB (Voz do cliente / Voz do negcio) - Analisar maiores impactos - Extrair o Little Y atravs do Big Y - Analisar processo detalhado - Definir o CTQ e o Projeto Y - Plano de ao rpida - Registro do projeto e plano de atividade

Passo 2

Passo 3

42

Seleo do ProjetoPasso 1 Seleo do Projeto

Selecionar o correto Big Y atravs de problemas do negcio e extrair o projeto que possa maximizar o resultado atravs de anlise do processo ou desenvolvimento detalhados.

PropsitoVerificar Verificar Negcio Negcio

Atividade

Ferramenta

Selecionar o Big Y para resolver - Verificar o Negcio o problema no processo e selecionar - Definir KPI o KPI adequado. - Desenvolver o Little Y - Mapeamento do Processo - Analisar processos - SIPOC Superiores.

Extrair Extrair Big Y Big Y

Selecionar o timo Big Y focando no negcio e verificar escopo da melhoria no processo atravs de processos superiores ou processos subordinados ao Big Y

- Brainstorming

Selecionar Selecionar Projeto Projeto

Definir a prioridade do projeto (projeto detalhado) e selecionar o objetivo a melhorar.

- Seleo do Projeto

- Votao

43

Extrao do YPasso 2 Extrao 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.

PropsitoAnlise do Processo Anlise detalhada dos processos ligados ao projeto selecionado e selecionar escopo de aes rpidas. Definir CTQ refletindo VOC/VOB no escopo da melhoria

Atividade- Definir/analisar o processo - Planejamento de ao rpida - Desenvolver processo - Estudar a VOC e relacionamento com funcionamento do processo - Verificar validade - Decidir prioridades

Ferramenta-Mapeamento do processo de baixo nvel

Definio de CTQ

- QFD - FMEA - Anlise de Pareto

Extrao do Project Y

Extrair o projeto Y onde o efeito da melhoria preciso e possvel medir entre os CTQ definidos.

- Brainstorming - Votao

44

Registro do ProjetoPasso 3 Registro do Projeto Organizar o time misto para promover o projeto adequadamente e registrar o projeto definindo um plano vivel.

Propsito Organizar o time que pode desenvolver o projeto com sucesso. Definir membros do time ligados ao projeto.

Atividade-Analisar os membros examinando sua funo no processo - Organizar o time

Ferramenta-

Organizar o time

Definir Metas

Definir metas do projeto. Examinar o resultado e verificar a necessidade de projetos relacionados.

- Definir metas - Examinar resultado - Verificar projetos relacionados

Registro do projeto

Examinar o projeto e executar o kick off (aprovao do registro).

- Desenhar o registro do projeto - Examinar o projeto - Registrar o projeto - Kick-Off

45

Ferramentas

Na fase de DEFINIO podemos utilizar algumas ferramentas para ajudar a encontrar e justificar o Y do projeto. Veremos a seguir:

Y1

Y4Y3 Y5

Y7

Brainstorming BrainstormingY9

Y2

Mapeamento de Processo Mapeamento de Processo FMEA FMEA Grfico de Pareto Grfico de Pareto QFD QFD

Y6

Y8

Y2 Y 7 Y9

46

Ferramentas BrainstormingO que : uma tcnica de grupo simples e eficaz que tem por objetivo gerar idias novas e de preferncia, teis. Normalmente utilizada na melhoria de Qualidade para identificar as possveis causas de um problema e sugerir uma srie de solues depois que a causa for conhecida. No entanto o brainstorming pode ser usado de muitas outras maneiras, at mesmo na identificao das reas problemticas e para listagem das possveis oportunidades para aperfeioamento.

Tipos: Roda Livre Fluxo de idias espontneas de todos os participantes do Time. Mesa Redonda Participantes do Time se alteram em sugestes de idias. Mtodo dos Cartes Participantes do Time escrevem idias em cartes sem haver comentrios.

Diretrizes: Nenhuma idia criticada Todas idias so registradas No se interpreta idias Construo a partir de outra idias No se discute idias Idias malucas so encorajadas Todos participam Enfoque em assunto especfico Observao: Quando ns no conseguimos medir um determinado defeito ns devemos utilizar o Brainstorming para definir o defeito. 47

Ferramentas BrainstormingExemplo:

Barraca de Limonada

Liste todas as possveis causasSABOR (Y): Tipo de ingrediente limo (1) Quantidade de acar adicionado Tipo de gua utilizada (a) INGREDIENTES LIMO: Limes espremidos na hora (2) Lquido concentrado Concentrado congelado P com sabor limo (b) LIMES EXPREMIDO NA HORA: Onde os limes foram colhidos Como os limes foram transportados Idade quando foram espremidos Como foram espremidos os limes (c) LIMES EXPREMIDO NA HORA: Onde os limes foram colhidos Como os limes foram transportados Idade quando foram espremidos Como foram espremidos os limes

Agrupe os problemas similares Priorize problemas (critrios)

48

Ferramentas Mapeamento de ProcessoO que : uma anlise detalhada do processo. preciso definir qual o Inicio e o Fim desse processo de maneira bem precisa, e analisar cada parte bem detalhadamente, assim ser possvel extrair o maior problema. Os resultados esperados do Mapeamento do Processo so: Maior conhecimento sobre o processo; Identificao de oportunidades para eliminar etapas; Identificar gargalos; Smbolos: Smbolo Significado Incio e Fim Atividade Deciso Quando usar Indica a fronteira do processo em anlise. Quando for mostrar alguma atividade. Pontos de Deciso.

Seta Indica a direo do fluxo do processo. Entrada/Sada Entrada ou sada principal.

Processo Conjuntivo

Conecta um processo a prxima pgina.

49

Ferramentas Mapeamento de Processo

Entradas Sadas Ferramenta chave para identificao de oportunidades de melhoria

Processo

Mtodo para criar um Mapa de Processo Definir os limites do seu processo (rea ou processo especfico onde acontecer o projeto). Descrever e ordenar os passos do processo com o time que trabalha na rea com o processo. O processo dever ser o existente, sem alteraes. Codificar atividades usando smbolos (fluxograma) para fcil anlise Acompanhar o processo para validar o mapa

Importante! O processo dever ser o existente, sem alteraes!

50

Ferramentas Mapeamento de ProcessoPreparativos: Esforo da Equipe Operadores, Tcnicos, Gerentes, Clientes, Fornecedores,... (devem participar todos aqueles que tenham conhecimento sobre o processo estudado) Entradas para o Mapa de Processo - Brainstorming - Manuais de Operao - Especificaes de Engenharia - Experincia do operador Possibilidades: - Mostrar complexidades inesperadas, reas problemas, redundncias, desvios desnecessrios e onde pode ser possvel. 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 s vrias 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. 51

Ferramentas Mapeamento de ProcessoExemplo:

LG ESPLG ESP P.O . (D SG )

Zona Secund ria

Zona Prim aria

LG KoreaLG KOREA LG KOREA

R E C E B IM EN T O R EC E B IM EN T O LG E SP LG ES P R EC EB IM EN T O R EC EB IM EN T O PR ES EN D E A P R ES EN D E A C AR G A C AR G A

CPIA D O S D O C s CPIA D O S D O C s

F AT U R AM EN T O FAT U R AM EN T O

SO L IC IT A O D E D T A SO LIC IT O D E D T A A N A AL F AN D EG A N A ALF AN D EG A

EM B AR Q U E EM B AR Q U E

*T R AN S P O R T AD O R A T R AN S P O R T AD O R A VE R D E VE R D E

REG ISTR O D E D. I. REG ISTR O D E D. I. DO C. O R IG IN AL DO C. O R IG IN AL

T ER M O D E ETA T ER M O D E ETA R E SP O N S AB ILID AD E S AN T O S, V C P R ESP O N S AB ILID AD E S AN T O S, VC P

DTA DTA

CONFERNCIA F SICA CONFERNCIA F SICA

AM AR E LO AM AR ELO

VE R M ELH O VE R M ELH O

PARAMETRIZA O PARAMETRIZA O

* U tilizao do Ato co ncess no registro rio

C IN Z A C IN Z A

d a D .I. isentan do do pagam ento d o Im po sto de Im p orta e M arin ha M ercan te o

52

Ferramentas Mapeamento de ProcessoExemplo:

Origem

Santos / VCP

Im port

LGESPStartPO Rep Load

Export

SystemIMS M-System SD Detail

Docs

DECEX / BB

SCP SAM IMP COM CRE IMP Trans /Desp Embarque solicita DTA

*Invoice

DOCs

RE {D.I.

IN499 PPL ETA DTA EADI

*Cp Doc Em barque

BOM/Laudo

PO

Load App Res Stuf NFS GNT Eagle

Anlise

Doc Origin Embarque

Exigen Concesso

Pr. Carga Embar

*

R.E. D/B System Control NCM/QTE/ Valor

* Ato Concess rio *L.I.

*Im port Export D/B

D.I. Parametriza o Normal Green Conf . Fisica Yellow Red Gray NFE Ent.

*B/L

360 dias Prorro Baixa do Ato

*

D/B Susp

*

Key Point

*

D/B Isen

*53

Ferramentas FMEA (Failure Mode & Effect Analysis)Finalidade: - 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 razes dos defeitos. Definio:

Mtodo Estruturado para: - Identificar como um Processo pode fracassar em atender os requisitos crticos (CTQs) dos clientes. - Estimar o risco de causas especficas em relao as falhas potenciais - Avaliar o Plano de Controle atual quanto preveno destas falhas - Dar prioridade s aes que deveriam ser tomadas para melhorar o processo Conceito: Identificar como o Produto, Processo ou Servio podem fracassar em proporcionar a funo intencionada. - Identificar Possveis Causas e elimin-las - Localizar Impactos de falhas e reduzir Efeitos

54

Ferramentas FMEA (Failure Mode & Effect Analysis)Necessidade:Medidas que asseguram a Qualidade geral do produto e servios devem, cada vez mais, ser operacionalizadas nas fases de Desenvolvimento e Planejamento, antes de sua aplicao. O objetivo 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 concepo do produto/servio at sua aplicao significa incluir a Qualidade Exigida pelo Cliente. - na fase de Desenvolvimento (Projeto), atendendo as especificaes e as particularidades da produo e aplicao. - na fase de preparativos de produo atravs de especificaes de critrios, planejando processos capazes de produzir a qualidade exigida. - na fase de fabricao do produto ou aplicao do servio atravs de processos seguros e dominados. - na complementao de cumprimento s leis e normas vigentes

Como Fazer:Rena a equipe Six Sigma juntamente com toda a documentao existente sobre o processo (Mapa de processo, Espinha de peixe). Para cada um dos potenciais fontes de variao j conhecidas, pergunte: - De que modo esta fonte de variao pode contribuir para que o processo no cumpra com a sua funo? - 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?

55

Ferramentas FMEA (Failure Mode & Effect Analysis)FMEA:

Projeto Six SigmaData: Data da rev.: rea: Responsvel:

LGESP

Nome do modelo: Reviso n:

Item

Modo de falha potencial Funo

Efeito(s) Potencial(is) da Falha

Causa(s) e Mecanismos(s) Potencial(is) da Falha

Controles Atuais do Projeto

Aes

Severidade

Ocorrncia

Deteco

N PR

Recomendadas

Aplicao manual de cera na parte interna da porta Cobrir parte interna da porta, superfcie inferior com camada mnima de cera para retardar corroso

Painel Interior/infe rior da porta corrodo.

Vida til da porta diminuda devido a: Aparncia insatisfatria devido a ferrugem; Funcionamento irregular do mecanismo interno da porta.

Bico de jateamento posicionado manualmente no est posicionado suficiente longe. 7 Bico jateador entupido: Viscosidade muito alta; Temperatura muito baixa; Presso muito baixa.

8

Checagem visual a cada 1 hora por turno. Medir profundidade da camada.

5

280

Instalar um fim de curso no jateador .

CTQUsar projetos de experimentos(DOE) na viscosidade X temperatura X presso

5

Teste do jateador no comeo do trabalho e aps longos perodos sem uso, e programa de manuteno para limpar bicos.

2

70

7

Tempo de jateamento insuficiente.

8

Instrues do operador e amostragem do lote(10 portas/turno) para checar aplicao de cera nas reas crticas.

7

392

Instalar um timer no jateador

CTQ

Todo NPR que ultrapassar u m valor de 300(30%) deve ser tomada u ma ao 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 pr prvio) Ocorrncia(O): 1(Remota); 2 ~ 3(Baixa); 4 ~ 6(Moderada); 7 ~ 8(Alta); 9 ~10 (M uito alta) Deteco(D): 1(Quase certamente); 2(Muito alta); 3(Alta); 4(Moderadamente al ta): 5 (Moderada); 6 (Baixa); 7 (Muito baixa); 8 (Remota); 9(Mui incerteza) NPR=(S) * (O) * (D) NPR > 100 CTQ

vio); 10(Perigo sem aviso to remota); 10(Absoluta

56

Ferramentas Grfico de ParetoFinalidade: O Grfico de Pareto ajuda nosso esforo naqueles problemas, que oferecem a maior oportunidade para melhorar, por apresentar como se relacionam num grfico de barras. Seu nome provm do economista e banqueiro italiano Vilfredo Pareto (1848-1923) que observou que 80% da riqueza italiana era controlada por 20% da populao. Ele prosseguiu estudando muitos outros assuntos e comeou a descobrir que muitas coisas dentro do nosso ambiente aparentava seguir esta Regra 80-20. Sua teoria atualmente aplicada por grupos da Qualidade em aplicaes semelhantes. Exemplo: 80% dos defeitos relacionam-se 20% das causas potenciais.P ar eto Char t of Defei tos500 100 80 60 40 20 0

400 300

Per cent

Count

200 100

Devemos selecionar os itens at chegar em 80%

0 Defeitos Count Percent Cum %

A 274 55,6 55,6

F 88 17,8 73,4

B 59 12,0 85,4

D 43 8,7 94,1

E 19 3,9 98,0

Other 10 2,0 100,0

57

Ferramentas Grfico de ParetoProcesso: - Coletar dados por categoria. - Coletar a freqncia por categoria. - Inserir, no grfico, a freqncia (eixo y) e o tipos de categorias (eixo y) num grfico de barras, em freqncia decrescentes. - Analise os dados para fatores de maior destaque no grfico. - Analise fatores econmicos relativos aos fatores de maior destaque: custos de execuo custo para diminuio ou eliminao Minitab: a) Coleta de dados referentes a possveis problemas. b) Usando Minitab, faa o grfico de Pareto. - Stat > Quality Tools > Pareto Chart Conceito: - Pensamento 20 : 80 20% das causas contribuem para 80% dos problemas. O diagrama de Pareto uma ferramenta usada para avaliar dados discretos. um modo de os fatores que contribuem para um problema em ordem decrescente de importncia. mostrar

58

Ferramentas Grfico de ParetoExemplo: - Digite os dados abaixo no Minitab. Depois siga o caminho abaixo:Defeitos A B C D E F QTY 274 59 10 43 19 88

Aparecer o menu do Pareto, selecione a opo 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 at qual % o Minitab ir colocar no grfico (comumente utiliza-se 95%) o mximo aceito 99,99999. 59

Ferramentas Grfico de ParetoExemplo: - Ir aparecer o grfico abaixo:

P ar eto Char t of Defei tos500 100 80 60 40 20 0

400 300

200 100

0 Defeitos Count Percent Cum %

A 274 55,6 55,6

F 88 17,8 73,4

B 59 12,0 85,4

D 43 8,7 94,1

E 19 3,9 98,0

C 10 2,0 100,0

Devemos atuar nos defeitos A, F e B, pois na somatria das suas % chegamos em 80%, lembre-se do pensamento 20:80.

60

Per cent

Count

Ferramentas QFD (Quality Function Deployment)QFD: Desdobramento da Funo da Qualidade QFD utilizado para ligar os Requisitos chaves do cliente com as Especificao tcnica e Sub-CTQ s. QFD elaborado por um time de processo experiente. Objetivo: - Escutar os clientes - Aprender o que eles querem - Determinar qual a melhor maneira de atender - Determinar quais os caminhos para atender - Melhor alocar recursos com melhores resultados Perguntas: - Quais so as qualidades que os clientes querem? - Quais funes precisam, um produto ou servio, atender? - Quais funes precisamos usar para fornecer o produto ou servio? - Como podemos chegar ao melhor fornecimento daquilo que o cliente exige? Pensamento: O QFD antecipa a viso do controle do processo necessrio qualidade do produto para garantir o controle da qualidade Global do produto, desde a sua concepo realizao. Salta do controle de processos para projetar a qualidade nos produtos.

61

Ferramentas QFD (Quality Function Deployment)Etapas: a) Esclarea as necessidades dos clientes, confiabilidade dos requisitos, qualidade presente VOC (Voice of Customer). b) Priorize todas as informaes, liste as possveis solues tcnicas. c) Priorize as solues tcnicas, selecione as maiores como CTQs. d) Liste os possveis causa referentes aos CTQs. e) Priorize os CTQs e selecione os Sub-CTQs. QFD traduz exigncias do cliente em exigncias tcnicas adequadas O QFD no permite a ausncia de questionamento. Razes para fazer perguntas: - Aprender - Mostra interesse - Despertar interesse - Esclarecer - Ter retorno - Conseguir concordncia/consenso - Discordar para novas idias - Manter pensamento ativo A coisa mais importante nunca parar de perguntar Albert Einstein

62

Ferramentas QFD (Quality Function Deployment)Exemplo: Aplicando um QFD num Salo de Beleza: O salo 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 salo de beleza no ms passado (VOC). - Preo mais satisfatrio - Sistema de reserva mais conveniente - Relao pessoal mais agradvel entre o cliente e funcionrios - Servio adicional (Manicure, Pedicure etc....)Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: no tem ponto Bom (9 pontos); Normal (3 pontos); Ruim (1 ponto); Sem valor: no tem ponto Processo principal Processo principal Corte de cabelo e outros servios Corte de cabelo e outros servios Programao da hora Programao da hora Aceita de reserva Aceita de reserva Recrutar Recrutar Manter os funcionrios Manter os funcionrios Planejar os servios adicionais Planejar os servios adicionais Comprar acessrios Comprar acessrios Total Total VOC VOC Weight Weight 1 1 1 1 3 3 1 1 0 0 1 1 1 1 0 0 3 3 2 2 3 3 9 9 27 27 27 27 9 9 0 0 0 0 0 0 3 3 3 3 0 0 9 9 9 9 27 27 9 9 0 0 0 0 4 4 2 2 0 0 0 0 0 0 6 6 0 0 6 6 2 2 Total Total

63

Meta & CronogramaEstabelecimento da Meta e do Cronograma. As metas podem ser: Provenientes da Matriz (HQ Korea); Provenientes da Alta Administrao (FSE); Estabelecidas de forma desafiadora (30% possvel, mas 5% pode no ser). Cronograma: Liste as direes detalhadas do contedo do projeto e estabelea o cronograma. O Plano deve considerar todas as situaes que podem ocorrer no andamento do projeto, possveis contratempos. Ex.: 6/1Processo

6/17

7/25

8/12

10/14

10/30

Definir (D)1.1 Checar Biz. Issue. 1.2 Definio Big Y. 1.3 Selecione o PJT.

Medir (M)4.1 Estabelea um plano de coleta de dados. 4.2 Inspecione o sistema de medio. 5.1 Colete dados 5.2 Mea o nvel Z atual 5.3 Estabelea a direo de melhoria

Analisar (A)6.1 Extrao de possveis Xs. 6.2 Coleta e exame de dados adicionais. 6.3 Seleo do Vital Few e checagem da possibilidade de alcan ar a meta. 7.1 Examinar a causa do Vital Few.

Melhorar (I)8.1 Extrao do plano de melhoria. 8.2 Avaliar o plano de melhoria. 8.3 Selecionar o plano de melhoria. 9.1 Execute/ inspecione 9.2 Calculo do lucro real.

Controlar (C)10.1 Padronizao das me lhorias. 11.1 Estabelea plano de gerenciamento 12.1 Finalize o relatrio do projeto. 12.2 Compartilhe o resultado

Conte do

2.1 Analise do processo. 2.2 Definio CTQ. 2.3 Extrao do Y. 3.1 Organizao do time. 3.2 Meta e Cronograma. 3.3 Calculo do lucro 3.4 Registro Projeto.

O formulrio acima no foi padronizado e pode ser modificado de acordo com a situao.

64

Estimativa de Ganho & Registro3.3 Clculo estimado do ganho do projeto. Aps a definio da meta a ser alcanada com o projeto possvel estimar o ganho financeiro caso essa meta seja atingida. Para isso aconselha-se uma reunio do lder do projeto com o Black Belt que estar 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 reunio com um membro do Depto de Inovao que estar analisando a definio. Aps a assinatura do Depto de Inovao deve ser agendado o Sponsor Review para que o Sponsor analise a Definio do projeto e autorize a apresentao para o Champion. Somente aps a coleta de todas as assinaturas pode-se dar continuidade ao projeto. Folha padro de Registro do Projeto:Registro de ProjetoReg. N.:Leader Innovation Sponsor Champion

Nome do Projeto: Itens da MelhoriaPonto critico Y(K P I) Situao Atual Objetivo

Data do Registro:Planejado Realizado

Classificao do PJTSuporte(Belt) :

Registro Coria Big Y Little Y 1P1P

Por que selecionar este projeto?

Como fazer a melhoria?Nome

Composio do timeDepto Papel Belt Participao

DResultado Quantitativo :Objetivo

M

A

I

CResultado Qualitativo

Great Company Great People

Faa Perfeito !

65

4

Medio- Entender a importncia da medio. Metas - Entender o mtodo correto para coletar os dados. - Verificar a condio atual do processo. - Decidir a direo e a extenso da melhoria.

- Anlise do sistema de medio : Gage R&RFerramentas - Anlise da capacidade do processo : Nvel de sigma, DPU, DPO, DPMO

- Diagrama de 4 Blocos

Passos

PASSO 4 : Verificar as caractersticas do Y do Projeto PASSO 5 : Verificar a condio atual

66


PropsitoExaminar as propriedades do Y do Projeto selecionado e definir a base atravs da medio do nvel atual. Definir a meta de melhoria e a direo a ser tomada.

Passos da atividade

Medio

Passo 4. Verificar as propriedades do Y do Projeto4.1 Preparar resumo dos dados 4.2 Definir plano de medio 4.2 Aprovar sistema de medio

Passo 5. Medir o nvel atual5.1 Coletar dados do Y do Projeto 5.2 Medir nvel atual 5.3 Decidir direo de melhoria

SadaPasso 4 - Preparar folha de resumo de dados - Relatrio de medies - Resultado do Gage R&R e aes

Passo 5

- Resultado da anlise do processo - Diagrama de 4 blocos - Meta de melhoria e direo

67

Passo 4

Verificar as propriedades do Y do Projeto Definir/examinar as causas das variaes no processo e seus atributos e verificar a validade da medio para selecionar o Y do projeto.

PropsitoPreparar o resumo dos dados Definir a possvel causa de variao e possvel item a medir.

Atividade- Lista 5M1E, Potenciais Xs Possveis eventos especiais

Ferramenta-Diagrama de fatores -Logic Tree -Matriz X-Y

Preparar Plano de Medies

Preparar o correto plano de medio sobre o item do Projeto Y e resumo dos dados.

- Prepara o plano de medio sobre o item a ser medido

Verificar o Sistema de medio

Verificar a adequao do sistema de medio.

- Verificar as propriedades dos mtodos/processos e padres de medio e propriedades dos equipamentos de medio

- Gage R&R

68

Passo 5

Verificar o nvel atual Definir o nvel atual (capabilidade do processo) do Projeto Y e com base nisso, Definir a meta e direo do projeto.

PropsitoColetar dados do Y do Projeto Coletar dados para medir a capabilidade do processo de curto e longo prazo do projeto Y. No caso de no poder dividir em curto e longo prazo, isso deve ser mencionado. Verificar a capabilidade do Projeto Y.

Atividade- Coletar dados - Registrar dados - Resumir item

Ferramenta- Rational Sub-grouping

Medir o nvel atual

- Clculo do Nvel de Sigma (Z-value)

- Capabilidade do processo - Anlise - (Curto/longo prazo)

Decidir a direo da melhoria

Definir a direo de melhoria baseada na atual capabilidade.

-Definir a direo da melhoria

69

Entendendo o Z-ValuePropsitoA escala (Z-value) uma mtrica para medir o nvel de qualidade de um produto/processo/servio. Da mesma maneira que utilizamos metros [m] para distncia e graus Celsius [C] para temperatura, utilizamos o Z-Value como uma linguagem comum. Desta forma, diferentes departamentos podem verificar o nvel da qualidade um do outro.

Exemplo:A velocidade mdia de um carro de frmula 1 de aproximadamente 300km/h, com um desvio padro de 10km/h.

+1

= 300 = 10

270 -3 270 -3

280 -2 280

290 -1 290

300 300 0

310 +1 310

320 +2 320

330 +3 330EIXO de X

-2

-1

1

270

3

EIXO de Z

Coleta de Dados (Rational Subgrouping)PropsitoNesta fase do projeto NECESSRIO fazer um plano de coleta de dados. Os dados precisam ser coletados pois precisamos saber o Nvel de Sigma atual do processo (Y). Para se coletar os dados necessrio criar um plano chamado de Rational Subgrouping (Subgrupo Racional), que nada mais que a coleta de amostras de maneira aleatria, garantindo assim, que todas as variaes possveis aconteam (Black Noise e White Noise). Para montar o plano preciso definir: Tipo de Dados do Y, discreto ou continuo; Quem ir coletar as amostras (ex.: Jos); Freqncia da coleta (ex.: semanal, dirio, por turnos); Ferramenta utilizada para medir a amostra ( ex.: rgua, paqumetro, software) Fazendo o Rational Subgrouping conseguimos um valor mais prximo da populao (diminuio do erro amostral).BLACK NOISE White Noise: a variao que acontece dentro de cada subgrupo. Tambm conhecido como Causa Comum, pois acontece em todos os processos e impossvel elimin-la. Black Noise: a variao que acontece entre os subgrupos. Tambm conhecido como Causa Especial, pois algo estranho ao processo, ou seja, no deveria haver variao entre os subgrupos.

RATIONAL SUBGROUPS WHITE NOISE

Resposta Processo

Nos projetos 6 Sigma, atuamos principalmente no Black Noise pois o impacto da melhoria ser maior.

IMPORTANTE

Tempo 71

Tipos de Gage Gage R&R Crossed

Para cada Tipo de dados existe um Gage apropriado.

utilizado quando podemos repetir as medies feitas em cada pea, ou seja, cada pea pode ser medida mais de uma vez. Gage R&R Nested utilizado em ensaios destrutivos, ou seja, cada vez que medimos uma pea ela destruda no sendo possvel repetir a medio.

Dados

Contnuos

DiscretoIMPORTANTE

Gage R&R (Crossed) No destroi a pea

Gage R&R (Nested) danifica a pea

Gage Attribute

ANOVA

X-Bar R

ANOVA

72

Gage R&RPropsitoPara coletar os dados voc precisou utilizar um equipamento, por exemplo, um paqumetro. Como voc pode garantir que os dados so confiveis? Para validar seu sistema de medio, garantindo que os dados medidos sejam confiveis, voc deve utilizar o GAGE R&R. O Gage R&R s pode ser utilizado para dados contnuos.

MSACom o Gage R&R iremos analisar o sistema de medio (Measurement System Analysis) a fim de valid-lo. A variao de um processo composta por 2 partes: Variao Real do Processo (Processo) e Variao Sistema de Medio (R&R)T

Total = Processo + R&R

Processo

Variao Total Observada

R&R

Variao real do processoWhite Noise Black Noise

Variao Sistema Medio ExatidoBias Estabilidade Linearidade

PrecisoRepetibilidade Reprodutibilidade

73

Gage R&RRepetibilidade (equipamento)Operador A Repetibilidade a variao nas medidas obtidas com um equipamento de medida (gage), quando usado vrias vezes pelo mesmo operador medindo a mesma caracterstica da pea.

Valor observado

Reprodutibilidade (operador)Operador A Operador B Reprodutibilidade a variao nas mdias das medidas feitas por diferentes operadores usando o mesmo equipamento de medida Operador C (gage) quando medindo a mesma caracterstica da pea.

74

Gage R&RBiasValor real Bias Diferena entre valor real e a mdia do valor observado Programao do valor real medido pelo Sistema de medida exato

Mdia observada

Estabilidade

Tempo 1

a variao total nas medies obtidas com um sistema de medio sobre o mesmo padro ou valor de referncia num determinado perodo de tempo. Sistema de medidas afeta o resultado quando tempo se vai por fatores ambientais, abrasividade, temperatura, umidade, etc. Tempo 2

Estabilidade

75

Gage R&RLinearidadeLSL Valor Atual Valor Real USL a diferena nos valores atravs da faixa de operao. Avaliar comparando exatido dentro do alcance da funo de espao. Exatido por alcance geral da funo de espao.

Valor de Referncia (medido)

Valores Referncia (medido)

Desvio de exatido: grande

Desvio de exatido: pequeno

76

Gage R&RPropsito: Disperso a variao nas medidas obtidas com um equipamento de medida quando usado vrias vezes. A disperso dividida em duas categorias: Repetibilidade e Reprodutibilidade.

ANOVA- ANOVA mtodo que pode definir as causas da variao em um equipamento de medida melhor que o mtodo Xbar R. - Menor efeito dos pontos fora dos padres. - Para uma mesma quantidade de dados, ANOVA fornece mais informaes detalhadas sobre um o equipamento de medida que o mtodo Xbar R. - Pode separar a interao entre operadores e peas.

Como Ajustar:a ) Quando a Repetibilidade maior que a Reprodutibilidade Problema de equipamento de medida - Manuteno preventiva no equipamento de medida - Equipamento de medida inadequado - Localizao (lugar da medida ou ponto da pea medida) b) Quando a Reprodutibilidade maior que a Repetibilidade Problema com Operador - No est acostumado com o equipamento de medida. Precisa de treinamento. c) Causas da variao - Equipamento de medida : Diferena entre equipamentos de medida, diferenas entre escalas - Mtodos : Leitura da escala, Medidas habituais. - Peas : Variao entre as peas - Condies : Diferentes ambientes tais como umidade, temperatura etc. - Operadores : Diferenas entre operadores, turnos, laboratrios, etc

77

Gage R&RProcesso:- Geralmente 2~3 operadores, 10 peas medidas de 2~3 vezes. - Antes do estudo, verifique a calibrao do equipamento. - Cada operador mede todas as partes aleatoriamente. - Ateno : Operador no deve identificar as peas quando est medindo. - Analise dos resultados : Repetibilidade, Reprodutibilidade, %R&R. - A coleta de dados para um Gage no deve ser aleatria mas sim intencional, devem ser coletadas peas por todo o range do processo.

Regra de Thumb% Tol ou % Study Var < 20% % Tol ou % Study Var 20%~29% %Tol ou % Study Var > 30% % Tol. 30 Troca do Sistema de medida 20 Aceito Condicionalmente OK 0 20 78 30 % Study : Aceita : Aceita condicionalmente : Rejeita. Precisa ser melhorado

Gage R&RExemplo:Afim de avaliar o sistema de medio foi realizado um Gage R&R com 3 operadores sendo que cada um mediu 10 peas 3 vezes cada. Spec. : 2.5 1.5 Abrir o arquivo: Gageaiag.mtw, esse arquivo vem no banco de dados do prprio Minitab.Stat>Quality tools>Gage Study>Gage R&R Study (Crossed)

Coluna com os nmeros das peas Coluna com os nomes dos operadores Coluna com as medies feitas

Mtodo ANOVA mais preciso no resultado.

79

Gage R&RAps ter adicionado as trs colunas (pea, operador e medies) clicar no boto Options. Nesse menu possvel colocar a tolerncia do processo em anlise, nessa caso a tolerncia : 1,5, assim devemos colocar o valor 3 no campo indicado abaixo.

Tolerncia do processo. ( 1,5)

80

Gage R&RO resultado abaixo aparecer no Minitab. preciso avaliar alguns pontos importantes para garantir que o Sistema de Medio est confivel. So eles: % Study Var % Tolerance N Categorias Distintas Gage R&R Source Total Gage R&R Repeatability Reproducibility Operator Part-To-Part Total Variation VarComp 0,09143 0,03997 0,05146 0,05146 1,08645 1,17788 %Contribution (of VarComp) 7,76 3,39 4,37 4,37 92,24 100,00 Study Var (6 * SD) 1,81423 1,19960 1,36103 1,36103 6,25396 6,51180 %Study Var (%SV) 27,86 18,42 20,90 20,90 96,04 100,00 %Tolerance (SV/Toler) 60,47 39,99 45,37 45,37 208,47 217,06 Exerccio: Avalie o Gage R&R ao lado, decida se esta aceito ou rejeitado. Justifique sua resposta.

Source Total Gage R&R Repeatability Reproducibility Operator Part-To-Part Total Variation

StdDev (SD) 0,30237 0,19993 0,22684 0,22684 1,04233 1,08530

Number of Distinct Categories = 4

81

Gage R&RSignificado:% Study Var % Tolerance N Categorias Distintas Avalia se o Sistema de Medio capaz de detectar a variao do processo ou no. Isto significa que esse sistema apropriado. Mostra a exatido do Sistema de Medio de acordo com a tolerncia do processo, avalia se possvel detectar se a pea esta boa ou ruim. Avalia se o Sistema de Medio consegue distinguir as variaes do processo. Descreve quantos grupos diferentes o sistema consegue distinguir, quanto maior melhor ser o resultado. Tolerncia do Equipamento.

Quando for necessrio utilizar um equipamento para realizar um Gage R&R sua resoluo deve ser de 1/10 da tolerncia do processo. Ex.: Se a Spec for 20,5 [cm] significa que a tolerncia de 0,5 [cm], nesse caso o equipamento tem que ter a capacidade de medir 1/10 desse valor, ou seja:Tol. Equip. = 1 * 0,05 = 0,005 [cm] 10

N categorias distintas 1

SignificadoSe a variao do Sistema de Medio for semelhante a variao real do processo no possvel avaliar este processo, com isso o nmero de categorias cai. Sistema inapropriado. No possvel detectar a variao do processo mesmo utilizando uma carta de controle, pois a sensibilidade do equipamento ainda no consegue distinguir as vrias categorias. Sistema inapropriado. Nessa faixa j possvel verificar e gerenciar as variaes existentes no processo, com isso o Sistema de Medio se torna confivel. Sistema apropriado

O equipamento tem que conseguir medir nessa escala.

2~4

5

82

Gage R&RGrficos:O Gage R&R gera o grfico abaixo, onde podemos verificar se este est ou no aprovado.1 Nesse grfico possvel ver a variao de cada parte: Part-to-Part variao do processo; Gage R&R Variao sistema de medio. A variao Part-to-Part tem que ser muito maior que a Gage R&R.Reported by : Tolerance: M isc:Com pone nts of Va riation% Contribution % Study Var % Tolerance

Gage R& R (A NOVA ) for Measur ementG age name: D ate of study :

2 Mostra a estabilidade dos operadores, os pontos devem estar dentro dos limites UCL e LCLM e a surem e nt by Part

200 P erc ent

1

2 0 -2

4

100

3 Mostra o nmero de categorias distintas, ou seja, a sensibilidade do equipamento, os pontos devem estar fora dos limites UCL e LCL.1 2 3 4 5 P art 6 7 8 9 10

0

Gage R&R

Repeat

Reprod

Part-to-Part

R Cha rt by Ope ra torSam ple Range 1,0

2

A

B

C UCL=0,880 _ R=0,342 LCL=0 2 0 -2

5

M ea sure m e nt by Ope ra tor

0,5

Mostra a diferena entre as 4 medidas feitas pelos operadores para cada uma das peas, a linha central indica a mdia das medidas, desejvel que essa mdia varie entre as peas. Mostra a diferena entre os 5 operadores, o ideal que a linha esteja praticamente horizontal.

0,0

A

Xba r Cha rt by Ope rator2 Sam ple Mean

B Operator

C

3

A

B

C

62A verage _ _ UCL=0,351 X=0,001 LCL=-0,348 0

Ope rator * Pa rt I nte ra ctionOperator A B C

0

Mostra a interao entre os 6 operadores, quanto mais prximo as linhas melhor ser.

-2

-2

1

2

3

4

5 6 P art

7

8

9

10

83

Gage AttributePropsitoO que so dados atributos? So os dados do tipo: OK / NG ou Verde / Amarelo. Normalmente so utilizados quando estamos avaliando um operador, se este sabe ou no inspecionar algum ponto do processo/produto/servio. Neste caso devemos trabalhar da seguinte forma:N Operadores 1 2 3 Mnimo peas avaliadas 24 18 12 Mnimo repeties 5 4 3

Regra:Estatstica Eficincia [PE] Alarme Falso [PFA] Perda [Pmiss] Apropriado 90~100 % 0~5 % 0~2 % Aceito condicional 80~90 % 5~10 % 2~5 % Inapropriado Abaixo 80 % Acima 10 % Acima 5 %

Importante: cuidado com as medidas de fronteira (ex.: PFA = 5%, pode ser simultaneamenteclassificado como Apropriado e Aceito Condicionalmente)

84

Gage AttributeExemplo:Foi realizado um Gage Atributos com 3 operadores para verificar se os mesmos sabem inspecionar peas do processo XXX. Abaixo esta o resultado das medies feitas.Pea 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 Pedro NG OK OK OK OK OK NG NG NG NG NG OK NG OK OK OK OK OK OK OK OK NG NG OK OK OK OK OK OK OK OK OK NG NG NG OK Operadores Csar Mauricio OK NG NG OK NG OK NG NG OK OK OK OK NG NG NG NG NG OK NG OK NG NG NG OK OK NG OK NG NG OK OK NG OK OK OK OK OK OK OK NG NG OK NG OK NG NG NG OK OK NG OK NG NG OK OK NG NG OK OK OK OK NG OK NG NG OK OK OK NG NG NG OK Atributo NG OK OK OK NG OK NG NG OK NG NG OK

1 Attribute column: preencher este campo com a coluna das medidas dos operadores. 2 Samples: preencher este campo com a coluna dos nmeros de cada pea. 3 Appraisers: preencher este campo com a coluna dos nomes dos operadores 4 Known standard/attribute: preencher esse campo com a coluna do atributo padro (referncia), caso este exista.

Utilizando o Minitab, faa a anlise.Stat>Quality Tools>Attribute Agreement Analysis

1 2 3

4

85

Gage AttributeAbaixo esta o valor do PE de cada operador, de acordo com a regra avalie cada operador dizendo se esto aceitos ou no. Justifique sua reposta.Within Appraisers Assessment Agreement Appraiser Csar Mauricio Pedro # Inspected 12 12 12 # Matched 6 10 8

PEPercent 50,00 83,33 66,67 95 % CI (21,09; 78,91) (51,59; 97,91) (34,89; 90,08)

# Matched: Appraiser agrees with him/herself across trials.Assessment Agr eementDate of study : Reported by : Name of product: Misc:

W ithin A ppraisers10095,0% C I P ercent

A ppraiser vs Standard10095,0% C I P ercent

80

80

Pe rce nt

40

Pe rce nt Mauricio A ppr a is e r Pedro

60

60

40

20

20

0 Csar

0 Csar

Mauricio A ppra is e r

Pedro

86

Gage AttributeClculos:As probabilidades (PE, PFA e Pmiss) podem ser calculadas sem o Minitab atravs das seguintes frmulas:

Qtde Acertos = * 100 [%] Total Peas(medi es)

PE a taxa de acerto de cada operador. O calculo realizado atravs da diviso do total de medies corretas pelo total de peas inspecionadas.

PFA a taxa de alarme falso. Alarme falso o Qtde Alarme Falso erro que o operador comete quando julga uma PFA = * 100 [%] peas boas padro* Total repeticoesmedidas pea BOA como RUIM. Esse tipo de erro no to grave quanto o PMiss, mas diminui a eficincia da linha de produo.

PMiss

PMiss o erro que o operador comete quando Qtde Erro Perda julga uma pea RUIM como BOA. Esse tipo = * 100 [%] Peas ruins padro * Total repeties de erro bem grave, pois o operador deixa entrar no processo peas com defeito. Sendo esse tipo de erro muito alto, o defeito chegar no cliente.

87

Gage AttributeExemplo:Foi realizado um Gage Atributos na companhia LGE000, para verificar se os operadores sabiam fazer a inspeo de Cosmetic na linha de LCD. Calcule PE, PFA e PMiss e analise os operadores.Parts Actual Value Benedito 1 G G NG G NG G NG NG G G NG G NG G NG 2 G G NG G NG G NG NG G G NG NG NG G NG 3 G G NG G NG G NG NG G G NG G NG G NG 1 G G NG G NG G NG NG G G NG NG NG G NG Joly 2 G G NG G G NG NG NG G G NG NG NG G NG 3 G G NG G NG NG NG NG G G NG NG NG G NG 88 1 G G NG G G G NG NG G G NG G NG G NG Brbara 2 G G NG G G G NG G G G NG G NG G NG 3 G G NG G G G NG NG G G NG NG NG G NG

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

G G NG G NG G NG NG G G NG G NG G NG

Gage AttributeBeneditoPE = 44 * 100 = 97,78% 45 1 * 100 = 4,17% 8*3 0 * 100 = 0% 7*3 PE =

Joly39 * 100 = 86,67% 45 5 * 100 = 20,83% 8*3 1 * 100 = 4,76% 7*3 PE =

Barbar40 * 100 = 88,89% 45 1 * 100 = 4,17% 8*3 4 * 100 = 19,05% 7*3

PFA =

PFA =

PFA =

PMiss =

PMiss =

PMiss =

Concluso:

Concluso:

Concluso:

89

Calculando o Z-valueZ-value:Aps j ter sido coletado as amostras dos dados atuais do Y do Projeto preciso calcular o Zvalue. Para cada tipo de dados existe uma ferramenta adequada. Abaixo esta a relao de ferramentas:

Baseado na variao/mdia Measurement Tipo Dados Dados Contnuos

Baseado na qty/proporo Dados Discretos

Mtricas Bsica Basic Metrics

Cp, Cpk Pp, Ppk

Capability Z(Bench )-Value Anlysis (ST, LT),Zshift Zshift ZBench

Taxa de defeito PPM

DPU DPO,DPMO

Mtrica Common comum

Nvel level, RTY Sigma -de sigma

90

Capability AnalysisPCIQuando estamos trabalhando com o Y do projeto sendo dados contnuos, para calcular o Zvalue utiliza-se o PCI (Process Capability Analysis). Com essa ferramenta podemos calcular o ZST, o ZLT e o Zshift, alm dos indicadores de capabilidade Cp, Cpk, Pp e Ppk. Esta tambm a nica ferramenta que nos indica o sentido de melhoria que deve ser tomado no processo, atravs do Diagrama de 4 Blocos. ZST Nvel de sigma em curto perodo (short term) tambm pode ser escrito ZSTBench ZLT Nvel de sigma em longo perodo (long term) tambm pode ser escrito ZLTBench Zshift deslocamento entre o ZST e o ZLT, se esse valor for maior do que 1,5 ter problema no processo, sinal de muito deslocamento, ou seja, o processo est deslocado do centro da Spec. Cp Capabilidade do processo em curto perodo avaliando a variao(within). Cpk Capabilidade do processo em curto perodo avaliando o deslocamento da mdia (within). Pp Capabilidade do processo em longo perodo avaliando a variao(overall). Ppk Capabilidade do processo em longo perodo avaliando o deslocamento da mdia (overall).

91

Capability AnalysisCp, Cpk, Pp, PpkAnalisando graficamente temos:T Cp = 2.0 Cp = 1.33 Cp = 0.6

Cp/Pp

LSL

USL

Podemos verificar que quanto maior a variao menor ser o Cp/Pp.

Frmulas:

Cp =LSL

USL LSL USL LSL Pp = 6. overall(longo periodo) 6. within(curto periodo)T k k k Cpk = 1,00 Cpk = 1,5 USL Podemos verificar que quanto maior o deslocamento menor ser o Cpk/Ppk.

Cpk/Ppk

PPU = PPL =

USL X 3. overall X LSL 3. overall

Cpk = 0,45

Frmulas:

Cpk = Cp.(1 k) Ppk = Pp.(1 k)

k=

XT USL - LSL 2ou

USL X 3. within X LSL CPL = 3. within CPU =92

Cpk = min[CPU; CPL]

Ppk = min[PPU; PPL]

Capability AnalysisZST / ZLT / ZShiftPara calcularmos o Nveis de Sigma iremos utilizar o Minitab. O primeiro passo a realizar verificar se os dados coletados seguem uma distribuio normal. Abaixo esta os dados coletados de um processo XXX, sendo que sua Spec : 91,5Abrir o exemplo: capability.mtw L1 8,73 10,09 10,21 11,83 8,52 11,71 L2 9,66 9,67 10,4 10,51 9,13 7,99 L3 8,85 10,86 9,26 10,22 8,76 10,41 L4 10,37 10,96 8,73 8,21 10,17 10,03 L5 9,05 11,45 8,84 10,25 10,68 11,15 Sempre utilizar esse mtodo Adicionar dos dados coluna

Regra Normality Test:P-value > 0,05 dados normais. P-value < 0,05 dados no normais.

1 Passo: Normality Test.P r obabi li ty P lot of DadosNormal99 Mean StDev N AD P-Value 9,89 1,045 30 0,404 0,335

95 90 80 70

Percent

60 50 40 30 20 10 5

P-value=0,335 P-value=0,335 Dados normais Dados

1

7

8

9

10 Dados

11

12

13

93

Capability Analysis2 Passo: Calcular o ZLTStat>Quality Tools>Capability Analysis>Normal

Depois de adicionar a coluna com os dados e colocar a Spec do processo, clique em Options.

Coluna com os dados Tamanho amostra Spec do processo

Selecione a opo Benchmark Zs (sigma level)

94

Capability AnalysisIr aparecer o grfico abaixo, neste grfico temos o valor de ZLT.P r ocess Capabi l i ty of DadosLSLP rocess Data LS L 7,5 Target * USL 10,5 S ample M ean 9,89 S ample N 30 S tD ev (Within) 1,09725 S tD ev (O v erall) 1,05414

USL Within Ov erallP otential (Within) C apability Z.Bench 0,51 Z.LS L 2,18 Z.U SL 0,56 C pk 0,19 C C pk 0,46 O v erall C apability Z.Bench Z.LS L Z.U SL P pk C pm 0,54 2,27 0,58 0,19 *

ZLT LT

8O bserv ed P erformance P P M < LS L 0,00 P P M > U S L 266666,67 P P M Total 266666,67 Exp. PPM PPM PPM

9

10

11

12

Within P erformance < LS L 14696,59 > U S L 289127,55 Total 303824,15

E xp. O v erall P erformance P P M < LS L 11687,24 P P M > U SL 281405,09 P P M Total 293092,34

Para calcularmos o ZST preciso utilizar o valor do Desvio Padro curto perodo (StDev (within) e tambm precisamos do Target do processo. StDev (Within) = 1,09725 Target = 9,0

95

Capability Analysis3 Passo: Calcular o ZSTStat>Quality Tools>Capability Analysis>Normal

Target StDev (Within)

P r ocess Capabi l i ty of DadosLSLP rocess D ata LS L 7,5 Target * USL 10,5 S ample M ean 9 S ample N 30 S tD ev (Within) 1,09725 S tD ev (O v erall) 1,05414

USL Within Ov erallP otential (Within) C apability Z.Bench 0,95 Z.LS L 1,37 Z.U SL 1,37 C pk 0,46 C C pk 0,46 O v erall C apability Z.Bench Z.LS L Z.U SL P pk C pm 1,02 1,42 1,42 0,47 *

ZST ST

7O bserv ed P erformance P P M < LS L 0,00 P P M > U S L 266666,67 P P M Total 266666,67 Exp. PPM PPM PPM

8

9

10

11

12

Within P erformance < LS L 85804,19 > USL 85804,19 Total 171608,38

E xp. O v erall P erformance P P M < LS L 77373,13 P P M > U SL 77373,13 P P M Total 154746,27

96

Capability Analysis4 Passo: Calcular o ZShift Para calcular o ZShift utilizamos a seguinte frmula:1 Pior quadrante, nessa regio temos problema tanto de Controle como de Tecnologia. 2 Nesse quadrante temos problema somente com a tecnologia, ser preciso diminuir a variao no processo investindo em equipamentos. 3

Z Shift = Z ST ZLTNeste exemplo temos: ZST=0,95 ZLT=0,54 ZShift=0,95-0,54 = 0,41

Com o valor do ZST e do ZShift possvel montar o Diagrama de 4 Blocos, essa ferramenta nos mostra o sentido de melhoria que devemos tomar. ZShift

NG 1,5 OK

1

3

Nesse problema somente preciso diminuir o mdia, diminuindo Black Noise. 4

quadrante temos de controle, ser deslocamento da as influncias de

Esse o melhor quadrante, todos os pontos esto bons.

2

4

NG

4,5

OK

ZST

O eixo ZST tambm chamado de Tecnologia, e esta relacionado com a Variao do processo quanto Tecnologia mais variao pior ser. Essa variao esta relacionada com problemas de White Noise. O eixo ZShift tambm chamado de Controle, e esta relacionado com o Deslocamento da Mdia do Controle processo, quanto mais deslocada pior ser. Esse deslocamento esta relacionado com problemas de Black Noise.

97

Capability Analysis4 Passo: Calcular o ZShift J sabemos que o ZST=0,95 e ZShift=0,95-0,54 = 0,41 ento plotando esses valores no diagrama teremos: ZShift

NG 1,5 OK0,41 0,95

NG

4,5

OK

ZST

Nesse quadrante temos problema de Tecnologia, ser preciso diminuir a variao do Processo, reduzindo problemas de White Noise.

98

Capability AnalysisCalculando Cp, Cpk, Pp e Ppk atravs do Minitab. Vamos utilizar o mesmo exemplo anterior.

Apagar esses valores

Clicar em Options

Escolher essa opo.

99

Capability AnalysisIr aparecer o grfico abaixo, nele temos todos os ndices relacionados a Capabilidade do processo.

P r ocess Capabi l i ty of DadosLSLP rocess D ata LS L 7,5 Target * USL 10,5 S ample M ean 9,89 S ample N 30 S tD ev (Within) 1,09725 S tD ev (O v erall) 1,05414

USL Within OverallP otential (Within) C apability Cp 0,46 C PL 0,73 C PU 0,19 C pk 0,19 C C pk 0,46 O v erall C apability Pp PPL PPU P pk C pm 0,47 0,76 0,19 0,19 *

Capabilidade Curto Capabilidade Curto Perodo (within) Perodo (within)

Desvio Padro Desvio Padro Longo Perodo Longo Perodo (overall) (overall) Desvio Padro Desvio Padro Curto Perodo Curto Perodo (within) (within)O bserv ed P erformance P P M < LS L 0,00 P P M > U S L 266666,67 P P M Total 266666,67 E xp. PPM PPM PPM

Capabilidade Longo Capabilidade Longo Perodo (overall) Perodo

8

9

10

11

12

Within P erformance < LS L 14696,59 > U S L 289127,55 Total 303824,15

E xp. O v erall P erformance P P M < LS L 11687,24 P P M > U S L 281405,09 P P M Total 293092,34

PPM Real da PPM Real amostra amostra

PPM estimado PPM estimado em Curto perodo perodo

PPM estimado PPM em Longo em Longo perodo perodo

100

Capability AnalysisExerccio.Os dados abaixo foram coletados de um processo YYY, verificar se os dados so 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 = 212,5L1 23,50 22,56 21,92 22,47 20,67 L2 21,48 22,34 21,75 21,25 21,86 L3 21,91 21,47 21,81 22,05 21,98 L4 22,20 24,37 22,46 21,81 21,75 L5 23,53 22,43 20,51 22,37 23,41 L6 21,71 21,87 22,53 22,96 20,11 L7 22,67 22,64 22,69 23,41 22,96 L8 22,92 21,44 24,20 22,50 22,00 L9 20,98 22,52 22,72 22,77 21,41 L10 24,95 21,88 22,13 22,01 22,30

101

DPU / DPO / DPMOPropsitoPara calcularmos os Nveis de Sigma para dados DISCRETOS iremos utilizar os clculos de DPU, DPO e DPMO. Abaixo esta o significado de cada um.

Unidade - U Uma medida de volume de sada da rea observvel e contvel Deve ter um ponto de incio e trmino definidos Onde o trabalho normalmente analisado criticamente (exemplo: inspeo, teste) A coisa sobre a qual estamos contando os defeitos Exemplos: - Pedido de um produto pelo cliente - Chamada telefnica de um cliente - Ordem de compra - Pedido de importao - Um produto ou uma pea - Uma instalao de equipamento - Um servio solicitado pelo cliente

Oportunidades - Op Indica a complexidade do processo Necessrio ser Independente Mensurvel Oportunidades: o nmero de chances de um processo se desviar do esperado Exemplo: - Um processo de importao pode falhar de trs formas diferentes (3 oportunidades): - chegar o produto fora do prazo; - a documentao estar incorreta; - no chegar o produto correto 102

DPU / DPO / DPMO Defeito - DQualquer coisa que gera insatisfao do cliente Qualquer coisa que gera no-conformidades em uma oportunidade ou numa unidade Qualquer variao de uma caracterstica requerida de um produto ou servio ou suas peas que impede o produto ou servio de preencher os requisitos funcionais ou fsicos do cliente Qualquer coisa que leva algum ou um produto a sair do processo normal Frmulas:

DPU =

Defeito Total Unidades DPU Total Oportunida des

DPO =

DPU- Defeito por Unidade o nmero total de defeitos dividido pelo nmero total de unidades coletadas por um perodo razovel de tempo (de modo a formar uma imagem do processo que acredita-se representar a variao tpica a qual o processo est normalmente sujeito).

DPO- Defeito por Oportunidade o DPU dividido pelas oportunidades de erros que existirem no processo em anlise.

ExemploDurante 3 meses, um Green Belt coletou 500 pedidos de clientes verificou que 30 deles foram entregues fora do prazo e 20 foram entregues produtos diferentes. ( 2 oportunidades por unidade = fora do prazo ou produto diferente ) Total Unidades = 500 Defeitos = 50 Oportunidades = 2

DPU =

50 = 0,1 500

DPO =

0,1 = 0,05 2

103

DPU / DPO / DPMO DPMO- Defeito por Milho de Oportunidades o DPU dividido pelo nmero total de oportunidades vezes um 1.000.000. O DPMO medido em PPM, ou seja, quantos defeitos temos por milho de peas/produtos. Quando temos o valor do DPMO basta procur-lo na Tabela Z que teremos o Nvel de Sigma.

1 unidade 1 oportunidade

1 unidade 5 oportunidades

Exerccio:Definir o numero de unidade, oportunidade, e defeito. Calcular DPU, DPO e DPMO

Numero de Unidade: Numero de oportunidade: DPO: Numero de defeito:

DPU: DPMO:

Z-value =

104

DPU / DPO / DPMOAvaliao de capacidade de fabricao Mr. Kim, dono de um fabrica de brocas, sempre repreende o Lder da linha de produo B por ter um taxa de defeito mais alta que o da linha de produo A. Compare com a capacidade de fabricao de cada linha e avalie se as ordens de Mr.Kim so justamente baseadas na prxima pgina.

105

DPU / DPO / DPMOFaa os clculos e verifique se a reclamao do Mr. Kim esta de fato correto. Verifique se realmente a linha A melhor do que a B.

Linha de produo A Taxa de defeito Nmero de unidade Nmero total de oportunidade Nmero total de defeito DPU DPO DPMO ZST

Linha de produo B

106

5

AnliseObjetivos - Selecionar o fator principal examinando o X possvel. - Examinar rigorosamente a causa do fator principal ou do defeito. - Anlise Grfica - Interferncia estatstica : Intervalo de Estimativa & Test de Hiptese Ferramentas - Anlise de Regresso

Passo 6 : Selecionar o fator principal (Vital Few) Passos Passo 7 : Examinar a principal causa

107


Propsito- Extrair o Possvel X para melhorar o Y do Projeto selecionando os Vital Few. - Examinar a causa fundamental atravs do estudo do Vital Few e tomar a ao para isso, se necessrio.

Passos da atividade

Anlise

Passo 6. Seleciona o fator vital6.1 Extrair os possveis Xs 6.2 Coletar e examinar dados adicionais 6.3 Selecionar o fator vital e checar a possibilidade de atingir a meta

Passo 7. Examinar a causa7.1 Examinar a causa

SadaPasso 6 - Lista dos possveis X - Lista do Vital Few - Verificar a possibilidade de alcanar a meta

Passo 7

-Explicar e avaliar a causa fundamental extrada atravs do Vital Few.

108

Passo 6

Selecionar o fator vital Extrair vrios fatores vitais baseado na meta de melhoria e direo. Selecionar os fatores vitais que podem alcanar a meta atravs do exame e anlise.

Propsito Extrair os vrios Xs possveis atravs do exame da direo da melhoria e metas. Inicialmente examinar o Resumo dos dados. Examinar os fatores variveis do processo adicionais e relacionar com variao e atributos se necessrio. Selecionar os dados adicionais focando no possvel X e examinar sua relao e influncia no Projeto Y

Atividade-Examinar o processo -Extrair/definir o fator potencial/Possvel X

Ferramenta- Logic Tree - Fish Bone - Matriz X-Y

Extrair possveis Xs

Coletar e examinar dados adicionais

Seleo do Fator Vital

Decidir os fatores vitais que tem maior influncia no Projeto Y. Verificar/examinar a possibilidade de atingir as metas com os fatores vitais.

-Coletar dados -Mtodos quantitativos/ - Anlise Grfica qualitativos. -Estimar intervalo/Teste de hiptese - Anlise de regresso -Verificar causa e linear - Avaliar experimentos efeito -Seleo do fator Vital -Anlise de comparao qualitativa 109

Passo 7

Examinar a causa Examinar a relao entre o Projeto Y e a extrao do Fator Vital. Examinar a causa fundamental e seu efeito em cada fator vital.

PropsitoExaminar a causa fundamental Examinar a causa fundamental e seu efeito sobre Y do projeto atravs do Vital Few extrado.

Atividade- Definir o Vital Few - Examinar a causa fundamental

Ferramenta- 5 Porqus - Logic Tree

110

Vital FewVital Few- Poucos fatores Controlveis que influenciam a sada. - Deve existir o fator principal.

Xs : Muitas causas

Y a varivel dependente. X a varivel independente. Y depende de X. Fatores potenciais Fatores possveis Vital Few

Entrada

Process/System

Sada (Y)

Xs : Vital FewVF

Potential Possible

Y = f(X)Se controlar o X, pode-se melhorar o Y.

Trivially Many Vital FewVF

Possible Potential

Efeitos de Y

N de Causas

111

Introduo Depois de ser calculado o valor Z do CTQ(Y ) no estagio de MEDIO. No estagio de ANLISE, ns estamos focando nas CAUSAS (Xs) que afetam Y. Primeiro, liste todas as possveis causas, e ento encontre as significativas (Vital Few) ferramentas estatsticas. usando

Seqncia:- Passo 1 Liste as possveis causas Brainstorming para listar as Possveis causas Desenhe o Diagrama de Causa e Efeito (Fish Bone)

- Passo 2 Coletar Dados

1) Coletar dados de cada um dos possveis Xs levantados no Fish Bone / Logic Tree. 2) No caso de dificuldade na coleta, pode-se utilizar o DOE. Anlise Grfica Histograma Testes Hiptese 1 Proportion 2 Proportion Chi-square Test 1 Sample T 2 Sample T ANOVA Test for equal Variance 112 Correlao Correlao Equao Regresso

- Passo 3 Identificar o Vital Few

Scatter Plot / Matrix Plot Bar Chart Box Plot Dot Plot

Introduo ao MinitabAo abrir o Minitab 16 ir aparecer a tela abaixo, essa tela dividida em 2 partes: Sesso (Session) e a planilha (Worksheet).

Os resultados dos testes e ferramentas iro aparecer nessa rea.

Os dados para a anlise devem ser introduzidos na worksheet. Lembrar que o Minitab trabalha com colunas e no com clulas como o Excel.

113

Introduo ao MinitabNa worksheet podemos adicionar dados de 2 maneiras: Agrupado ou Desagrupado. Quando temos dados Agrupados (Stack) significa que estes esto todos em uma s coluna, j os Desagrupados (Unstack) esto em vrias colunas, veja o exemplo abaixo:

Desagrupados

Agrupados

114

Introduo ao MinitabDados AgrupadosPara utilizar algumas ferramentas do Minitab, necessrio que os dados estejam digitados em uma s coluna, ou seja, Dados Agrupados. Exemplo, se temos os dados j digitados no Excel e queremos utiliz-los no Minitab e precisamos agrup-los, devemos seguir os passos abaixo: Data>Stack>Columns

Dados DesagrupadosAdicionar as colunas que se deseja agrupar. Escolher a coluna que ficaro os dados agrupados

Escolher a coluna que ficaro os nomes dos dados agrupados

115

Introduo ao MinitabDepois disso os dados estaro agrupados.

Dados Agrupados Dados Desagrupados

116

Introduo ao MinitabDados DesagrupadosPara utilizar algumas ferramentas do Minitab, necessrio que os dados estejam digitados em vrias colunas, ou seja, Dados Desagrupados. Veja o exemplo abaixo: Data>Unstack Columns

Adicionar a coluna com os dados que se deseja desagrupar.

Dados AgrupadosSelecionar essa opo

Adicionar a coluna com os nomes dos dados que se deseja desagrupar.

117

Introduo ao MinitabDepois disso os dados estaro desagrupados.

Dados Desagrupados

Dados Agrupados

118

Introduo ao MinitabExerccio:Agrupe os dados abaixo utilizando o Minitab. Desagrupe os dados abaixo utilizando o Minitab.Turma Nota 18,4 19,9 20,4 19,5 21,5 20,2 21,1 19,4 19,2 20,6 17,8 19,2 20,5 21,7 20,4 20,3 20,2 20,4 20,6 20,9

A 18,4 19,9 20,4 19,5

B 21,5 20,2 21,1 19,4

C 19,2 20,6 17,8 19,2

D 20,5 21,7 20,4 20,3

E 20,2 20,4 20,6 20,9

A A A A B B B B C C C C D D D D E E E E

119

Introduo ao MinitabCriando Seqncias:O Minitab cria seqncias de nmeros e de textos, assim fica fcil montar tabelas com dados que se repetem. Veja exemplo abaixo. Criar a seqncia de nmeros de 1~10, com 4 repeties de cada seqncia.Calc>Make Patterned Data>Simple Set of Numbers

Escolher a coluna que deseja colocar a seqncia. Escolher o 1 nmero da seqncia. Escolher o ltimo nmero da seqncia. Escolher os incrementos. Escolher quantas vezes ir aparecer cada nmero. Escolher quantas vezes ir repetir a sequncia inteira.

120

Introduo ao MinitabCriando Seqncias:Criar a seqncia de palavras Joo, Carlos e Pedro, repetindo cada valor 5 vezes.Calc>Make Patterned Data>Text values

Escolher a coluna que deseja colocar a seqncia. Digitar as palavras

Escolher quantas vezes vai repetir cada palavra.

Escolher quantas vezes vai repetir a seqncia inteira.

121

Introduo ao MinitabSalvando arquivos:No Minitab podemos

apostila de gb - completa-lg

Documents