Conheça as principais ferramentas da qualidade: Gráficos de controle

Chegamos ao nosso ultimo post da série sobre Ferramentas da Qualidade, esperamos que você tenha gostado e aprendido bastante!

Os conteúdos anteriores você pode conferir acessando os links a seguir:

Conheça as principais ferramentas da qualidade

Conheça as principais ferramentas da qualidade: Distribuição (histograma e dot-plot)

Conheça as principais ferramentas da qualidade: Gráfico de Pareto

Conheça as principais ferramentas da qualidade: Gráfico de Dispersão

Conheça as principais ferramentas da qualidade: Diagrama de Causa e Efeito

Conheça as principais ferramentas da qualidade: Estratificação

Conheça as principais ferramentas da qualidade: Folha de verificação

Nova Apostila White Belt

Apostila totalmente gratuita para nossos alunos obterem uma experiência ainda melhor enquanto fazem o curso de Lean Six Sigma White Belt; ela conta com ilustrações próprias, identidade visual da escola e nova diagramação para melhor compreensão do conteúdo pelo aluno!





Capa Nova Apostila White Belt

Gráficos de controle

Vimos no primeiro post a importância de distinguir as causas de variação presentes em um processo para podermos gerenciá-lo da maneira mais adequada possível.

Mas muitas vezes é difícil distinguir quando um ponto indica a presença de alguma causa especial e se torna necessário o estabelecimento de um critério formal que a indique.

É para essa finalidade que foi desenvolvido o gráfico de controle. Ele nada mais é do que um gráfico de tendência com linhas de referencia adicionadas.

A linha central indica a média, a linha inferior o limite inferior de controle (LCL) e a linha superior o limite superior de controle (UCL).

Quando monitoramos algum indicador estamos decidindo, a cada novo ponto, se estamos na presença de uma causa
comum ou especial. Para que tenhamos convicção sobre nossa decisão precisamos conhecer o “DNA” do nosso processo, ou seja, coletar dados históricos. Podemos imaginar a coleta de 30 pontos desse indicador e construir um gráfico de frequência, ou histograma, como mostrado na Figura 25.

Nesse gráfico a altura de cada barra indica o percentual de observações na respectiva faixa de dados e, portanto, a soma da altura de todas as barras é 100%, ou seja, todos os resultados possíveis para essa distribuição.

Podemos “aproximar” esses dados por uma linha contínua, como mostrado na Figura 26, que também tem área igual a 100%.

Essa figura nos ajuda a conhecer nosso processo e a decidir quando um novo ponto se parece com esse “DNA” (causa comum) ou quando esse ponto parece pertencer a um processo diferente (causa especial).

Podemos pensar que esses dados foram coletados entre os meses jan/2009 e jun/2011 e no mês de jul/2011 o resultado tenha sido igual a 70, como mostrado na Figura 27. Esse novo ponto não parece fazer parte do mesmo processo que gerou os outros dados e, portanto, parece bastante crível que ele seja uma causa especial.

Os limites de controle são estabelecidos de tal forma que entre eles estejam, aproximadamente, 99% dos dados. Assim, se um ponto cai além desses limites temos uma chance menor do que 1% de ser uma causa comum e, portanto, existe forte evidência do acontecimento de uma causa especial (mudança no processo).

A razão da escolha do valor 99 % é que, normalmente, não queremos correr o risco de tratar uma causa comum como especial, uma vez que isso irá acarretar parada no processo e consequentemente diminuição da produtividade.

Quem definiu esses valores foi Walter Shewhart, o criador dessa ferramenta. Uma discussão mais detalhada pode ser encontrada no livro de Douglas Montgomery, intitulado de Introduction to Statistical Quality Control.

Uma aplicação interessante foi observada no monitoramento do gasto mensal com treinamento, acompanhado mensalmente.

Cada ponto no gráfico representa o gasto de 1 mês e nesse caso dizemos que o subgrupo é de tamanho 1 (um mês). Além disso, estamos trabalhando com uma variável contínua (gasto com treinamento) e, portanto, iremos utilizar o gráfico de individuais.

Muitas vezes é comum a retirada de algumas peças ao final de uma hora de produção para avaliar a qualidade dessas e realizar ajustes na máquina quando necessário.

Uma empresa de autopeças retirava 5 rodas por hora, uma de cada uma de suas 5 linhas de produção, e avaliava os respectivos diâmetros.

Dessas cinco peças era possível calcular o diâmetro médio e o desvio padrão e monitorar essas estatísticas ao longo do tempo.

Chamamos o gráfico produzido com a média de X-barra ( X ) e o gráfico produzido com o desvio padrão de S, de Standar deviation (desvio padrão em inglês).

Na hora treze aparece a indicação de uma causa especial no gráfico X-barra, mas não no gráfico S, indicando que a média do diâmetro das peças mudou, mas não a variação entre elas.

Com essa informação podemos concluir que temos uma causa especial que afetou todas as peças, causando um
aumento de diâmetro em todas elas. Essa indicação levou a descoberta de que um lote de matéria-prima, que estava abastecendo todas as cinco linhas estava com problema.

Já na semana 15 a causa especial acontece somente no gráfico S, indicando que a variação entre as peças aumentou, mas a média não foi tão alterada.

Isso indica que existe uma causa especial afetando somente uma das linhas e agora podemos tentar entender o que aconteceu com ela. Nesse caso uma das ferramentas utilizada na produção da peça estava gasta e foi possível trocá-la antes de produzir mais peças não conformes.

Os gráficos de individuais e X-barra/S foram todos utilizados quando a variável era contínua. Uma grande empresa estava interessada em monitorar o número de riscos em suas peças, uma importante característica de qualidade para seus clientes e, para tanto, ela retira 10 peças a cada meia-hora.

Quando os dados representam contagem de defeitos, que são expressos por número inteiros positivos, trabalhamos com o gráfico de controle U (Figura 31). Cada ponto nesse gráfico irá representar o número de defeitos médio nas três peças retiradas e, portanto, o tamanho do subgrupo nesse caso é 10.

Outra grande empresa de tecelagem monitorava o número de defeitos por rolo de tecido produzido, mas os rolos variavam de tamanho. De hora em hora era retirado um rolo e anotava-se o número de defeitos e a área (em m2) de tecido. A Tabela 3 apresenta os dados do número de defeitos e do tamanho, em m2, dos rolos produzidos.

O que será monitorado nesse caso é o número de defeitos por cm2 e, portanto, o tamanho do subgrupo é o tamanho do rolo. Como os tamanhos dos rolos eram diferentes entre si os limites de controle serão diferentes para cada ponto, uma vez que o subgrupo (nesse caso o tamanho do rolo) é “ingrediente” de seu cálculo.

Uma grande mineradora monitorava o número de acidentes com afastamento por 10 mil funcionários. Com esses dados de contagem eles construíram um gráfico U e acompanharam o indicador, que se manteve sem nenhuma causa especial, durante os últimos dois anos.

No mês de janeiro de 2012 o diretor responsável pelos acidentes recebeu a atualização do indicador e tomou um susto com o número de 7 acidentes, uma causa especial apontada pelo gráfico.

Foi pedido que se estudasse o problema e uma coleta de dados por local de trabalho foi realizada, onde se percebeu que a regional MGP02 era a grande responsável pelos acidentes. Com uma investigação descobriu-se que era uma unidade recém-aberta e as regras para acidentes não estavam sendo seguidas.

Como medida foi realizada uma ação de conscientização e fiscalização das regras, o que eliminou o problema nessa regional.

Outras vezes os dados aparecem na forma de percentual de defeituosos como, por exemplo, o percentual de peças com rebarba em uma linha de produção.

Nesses casos utilizamos o gráfico P (de percentual). A EDTI sempre utilizou de gráfico de controle para monitorar seus indicadores e um dos mais importantes indicadores comerciais é o percentual de propostas fechadas sobre enviadas.

Em cada mês coletávamos o número de propostas enviadas e acompanhávamos cada uma das propostas para saber se seria fechada ou negada. Nesse caso o tamanho do subgrupo era variável – o total de propostas enviadas no mês.

Esse gráfico nos ajudou a entender que se quiséssemos aumentar nosso crescimento precisaríamos aumentar o número de propostas enviadas, uma vez que o percentual de fechamento era alto se comparado ao benchmark do mercado.

Isso deu força a ideia de criação de uma estrutura de vendas ativa ligações e visitas para atrair novos clientes).

Para facilitar a decisão sobre qual gráfico de controle devemos utilizar disponibilizamos a árvore de decisão na Figura 35.

A primeira decisão que devemos tomar é se a variável é classificação (defeituosa), contagem (defeitos) ou contínua. Quando a variável é de classificação utilizamos o gráfico p, de proporção. Já quando a variável é de contagem utilizamos o gráfico U, de defeitos por unidade.

Quando a variável é contínua existe mais uma etapa de decisão: o tamanho da amostra. Quando cada ponto representa uma medida, como no exemplo da Figura 28, utiliza-se, geralmente, o gráfico I, de individuais (o gráfico
de individuas segue a suposição de distribuição normal e o livro de Douglas Montgomery, Statistical quality control: a modern introduction apresenta maiores detalhes).

Quando cada ponto representa a média de 2 ou mais unidades, o gráfico adequado é o X-barra/ S, como no exemplo da Figura 29.

O conceito básico em atribuir que um ponto fora dos limites é causa especial vem do fato de sua baixa probabilidade de acontecer caso o processo não tenha mudado.

Existem outras regras, apresentadas na Figura 36, que também apontam padrões com baixa probabilidade de acontecer se somente causas comuns atuam no processo.




0 respostas

Deixe uma resposta

Want to join the discussion?
Feel free to contribute!

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *