controle estatÍstico de qualidade aplicado em uma

KARINA GONÇALVES DE LIMA

CONTROLE ESTATÍSTICO DE QUALIDADE APLICADO EM UMA

INDUSTRIA DE BEBIDAS

Lorena

2019

2

KARINA GONÇALVES DE LIMA

CONTROLE ESTATÍSTICO DE QUALIDADE APLICADO EM UMA

INDÚSTRIA DE BEBIDAS

Monografia apresentada à Escola de Engenharia de Lorena - Universidade de São Paulo como requisito legal para a conclusão de graduação no curso de Engenharia Química

Orientador: Prof. Dra Mariana Pereira de Melo

Lorena

2019

AUTORIZO A REPRODUÇÃO E DIVULGAÇÃO TOTAL OU PARCIAL DESTE TRABALHO, POR QUALQUER MEIOCONVENCIONAL OU ELETRÔNICO, PARA FINS DE ESTUDO E PESQUISA, DESDE QUE CITADA A FONTE

Ficha catalográfica elaborada pelo Sistema Automatizadoda Escola de Engenharia de Lorena,

com os dados fornecidos pelo(a) autor(a)

de Lima, Karina Gonçalves Controle Estatístico de Qualidade Aplicado em umaIndustria de Bebidas / Karina Gonçalves de Lima;orientadora Mariana Pereira de Melo. - Lorena, 2019. 90 p.

Monografia apresentada como requisito parcialpara a conclusão de Graduação do Curso de EngenhariaQuímica - Escola de Engenharia de Lorena daUniversidade de São Paulo. 2019

1. Controle estatístico de qualidade. 2. Controleestatístico de processo (cep). 3. Qualidade. 4.Gráficos de controle. 5. Controle de processo. I.Título. II. de Melo, Mariana Pereira, orient.

3

AGRADECIMENTO

Aos meus pais, pela vida que me proporcionaram. Especialmente a minha mãe,

Aparecida, pelo amor e por me acompanhar nos meus anos de estudo na

faculdade.

Agradeço à minha avó, Fredesvinda, e às minhas tias, Adriana e Glória, por terem

me mostrado que a distância não importa quando se ama uma pessoa e desejarem

diariamente o melhor para mim.

Aos amigos que ganhei ao longo dos anos. Todos vocês me ensinaram lições muito

importantes que levarei no coração, obrigada por terem feito parte da minha

trajetória.

Agradeço em especial aos meus colegas de trabalho: Ana Elisa e Adriano, que

como líderes me inspiraram e me deram a oportunidade de pertencer a um time

incrível; Camila e Armando por acreditar no meu potencial; Frederico, Elisângela e

Antônio, por me ajudarem a desenvolver como pessoa e como profissional.

À Professora Mariana Pereira de Melo, pelo apoio e ensinamentos durante o

desenvolvimento do trabalho.

À Escola de Engenharia de Lorena – USP, todos docente e funcionários por terem

me concedido a honra de formar como Engenheira Química.

4

EPÍGRAFE

“Me levanto

Sobre o sacrifício

De um milhão de mulheres que vieram antes

E penso

O que é que eu faço

Para tornar essa montanha mais alta

Para as mulheres que vierem depois de mim

Possam ver além

-legado”

Rupi Kaur

5

RESUMO

DE LIMA, K. G. Controle Estatístico de Qualidade aplicado em uma indústria

de bebidas. 2018. 46 f. Monografia (Trabalho de Conclusão de Curso em

Engenharia Química) – Escola de Engenharia de Lorena - Universidade de São

Paulo, Lorena, 2018.

O setor de bebidas, no Brasil, tem visto suas vendas caírem de forma

considerável, tanto para produtos alcoólicos como não alcoólicos. Tendo em vista

este cenário e com o intuito de se manterem competitivas, grandes empresas têm

investido cada vez mais na melhoria da qualidade de seus processos. Para isso,

utilizam um conjunto de ferramentas estatísticas, denominado Controle Estatístico

de Processo (CEP). Este projeto será aplicado em uma empresa que, ao entender

as necessidades atuais, está implementando em sua rotina ferramentas do CEP.

Por meio da metodologia de estudo de caso, esta monografia visa analisar os

resultados provenientes do CEP e identificar parâmetros de qualidade,

relacionados a um indicador da empresa, que necessitam de acompanhamento e

melhoria.

Palavras-chave: controle estatístico de qualidade, controle estatístico de processo

(CEP), qualidade, gráficos de controle, controle de processo.

6

ABSTRACT

DE LIMA, K. G. Statistic Quality Control applied to a beverage industry. 2018.

46 f. Monography (Final paper for the course of Chemical Engeneering) – Escola

de Engenharia de Lorena - Universidade de São Paulo, Lorena, 2018.

The beverage sector, in Brazil, has seen their sales drop harshly, both for

alcoholic and non-alcoholic beverages. Bearing in mind this scenario and whishing

to stay competitive, large companies have invested more in actions to improve their

process quality. To achieve this goal, statistics tools named Statistical Process

Control (SPC) have been used. This final paper will be developed in a company that

understood the current necessities for improvement and is implementing SPC in

their management routine. By the case study methodology, this project aims to

perform an analysis in the SPC results and identify the quality parameters –

associated to a quality index – that need a follow and improvement.

Key words: statistics, statistic quality control, statistic process controls, quality,

control chart, process control.

7

LISTA DE FIGURAS

Figura 1: Representação de um processo ............................................................ 19

Figura 2: Distribuição normal ................................................................................ 24

Figura 3: Exemplo de Gráfico de Controle ............................................................ 26

Figura 4: Gráfico de Controle com linhas de controle e desvios ........................... 27

Figura 5: Relação entre Cp e Cpk ......................................................................... 35

Figura 6: Dendograma .......................................................................................... 37

Figura 7: Esquema de definição de metodologia de pesquisa .............................. 39

Figura 8: Esquema de etapas que foram seguidos durante a pesquisa ............... 41

Figura 9 : Plano simplificado de coleta de produtos no mercado. ......................... 44

Figura 10: Dendograma por similaridade das unidades produtoras ...................... 54

Figura 11: Diagrama de Pareto do programa Físico Químico - Grupo 2 ............... 58

Figura 12: Gráfico de controle A.2.1.1000 ............................................................ 64

Figura 13: Gráfico de controle A.2.2.350 .............................................................. 65

Figura 14:Gráfico de controle A.2.2.269 ............................................................... 65

Figura 15: Gráfico de controle B.2.1.1000 ............................................................ 65

Figura 16: Gráfico de controle B.2.2.350 .............................................................. 66

Figura 17:Gráfico de controle B.2.2.269 ............................................................... 66
















8

Figura 33:Gráfico de controle A.6.1.2000 ............................................................. 78


Figura 35:Gráfico de controle B.6.1.2000 ............................................................. 79

Figura 36:Gráfico de controle A.7.1.2000 ............................................................. 82


Figura 38:Gráfico de controle A.7.2.350 ............................................................... 83




Figura 42: Diagrama de Pareto programa Aparência de Embalagem - Grupo 3 .. 85

9

LISTA DE QUADROS

Quadro 1: Programas de Segurança Alimentar .................................................... 47

Quadro 2: Código de Cores para Segurança Alimentar. ....................................... 48

Quadro 3: Programas de Qualidade de Planta. .................................................... 49

Quadro 4: Código de Cores para Qualidade de Planta. ........................................ 49

Quadro 5: Programas de Qualidade de Mercado. ................................................. 50

Quadro 6: Código de Cores para Qualidade de Mercado ..................................... 50

Quadro 7: Classificação das unidades produtoras pela Camada 1 na frequência

anual – janeiro a abril de 2018. ............................................................................. 52

Quadro 8: Classificação das unidades produtoras na Camada 2 na frequência anual

-abril de 2018. ....................................................................................................... 53

Quadro 9: Identificação de Grupos e Unidades Produtoras .................................. 55

Quadro 10: Relação entre parâmetros do IQ e parâmetros de processo .............. 60

Quadro 11: Relação entre linhas de produção e volumes finais de produto para as

unidades produtoras do Grupo 2. .......................................................................... 61

10

LISTA DE TABELAS

Tabela 1: Tabela de valores mínimos para Cp...................................................... 34

Tabela 2: Exemplificação do cascateamento de notas do Indicador de Qualidade

.............................................................................................................................. 46

Tabela 3: Valores de Cp e Cpk para parâmetro A - Unidade 2 ............................. 62

Tabela 4: Valores de Cp e Cpk para parâmetro B - Unidade 2 ............................. 64

Tabela 5: Valores de Cp e Cpk para parâmetro A – Unidade 3. ........................... 67

Tabela 6: Valores de Cp e Cpk para parâmetro B – Unidade 3. ........................... 67


Tabela 8: Valores de Cp e Cpk para parâmetro B – Unidade 4. ........................... 71


Tabela 10: Valores de Cp e Cpk para parâmetro B – Unidade 5. ......................... 74

Tabela 11: Valores de Cp e Cpk para parâmetro A – Unidade 6. ......................... 77


Tabela 13: Valores de Cp e Cpk para parâmetro A – Unidade 7. ......................... 80


11

Sumário

1. INTRODUÇÃO .................................................................................................. 13

1.1. Contextualização .......................................................................................... 13

1.2. Justificativa .................................................................................................. 14

1.3. Objetivos Gerais ........................................................................................... 15

1.4. Objetivos Específicos .................................................................................. 15

2. REVISÃO BIBLIOGRÁFICA ............................................................................. 16

2.1. Conceitos ...................................................................................................... 16

2.1.1. Qualidade ................................................................................................... 16

2.1.2. Processo e Dados ..................................................................................... 19

2.1.3. Tipo de dados ............................................................................................ 20

2.1.4. Variabilidade .............................................................................................. 21

2.2. Controle Estatístico da Qualidade .............................................................. 22

2.3. Controle Estatístico de Processo ............................................................... 23

2.3.1. Distribuição Normal .................................................................................. 23

2.3.2. Gráficos de Controle ................................................................................. 25

2.3.3. Gráficos de controle para variáveis ........................................................ 29

2.3.4. Gráficos de controle para atributos......................................................... 31

2.4. Capacidade de Processo ............................................................................. 33

2.5. Análise de Agrupamento ............................................................................. 36

3. Metodologia ..................................................................................................... 39

3.1. Método de Pesquisa..................................................................................... 39

3.2. Unidade Caso ............................................................................................... 40

3.3. Esquema lógico da pesquisa ...................................................................... 40

3.4. Coleta, construção e avaliação de dados .................................................. 42

3.5. Indicador de Qualidade ................................................................................ 43

3.5.1. Segurança alimentar ................................................................................. 47

3.5.2. Qualidade da Planta .................................................................................. 48

3.5.3. Qualidade de Mercado .............................................................................. 49

4. RESULTADOS E DISCUSSÕES ...................................................................... 51

4.1. Coleta de Dados do Indicador e Análise Histórica .................................... 51

4.2. Análise de Agrupamento ............................................................................. 54

4.3. Caracterização dos Grupos ......................................................................... 55

12

4.4. Coleta de Dados do Processo ..................................................................... 57

4.5. Avaliação dos parâmetros de qualidade do Grupo 2 ................................ 58

4.5.1. Diagrama de Pareto .................................................................................. 58

4.5.2. Gráfico de Controle para Variável ........................................................... 59

4.5.3. Análise dos gráficos de controle x-S dos parâmetros de processo A e

B ........................................................................................................................... 61

4.6. Avaliação dos parâmetros de qualidade do Grupo 3 ................................ 84

4.6.1. Diagrama de Pareto .................................................................................. 84

4.6.2. Gráficos de Controle para Atributos ....................................................... 85

5. CONCLUSÃO ................................................................................................... 87

6. REFERÊNCIAS ................................................................................................ 89

13

1. Introdução

1.1. Contextualização

Com um mercado globalizado e em expansão, empresas se veem cada vez

mais preocupadas em manter sua posição no mercado, sendo impulsionadas a

mudar e aperfeiçoar seus processos em busca de estratégias para se manterem

competitivas (GREGORINI, 2006).

Para o mercado de bebidas essa realidade não é diferente. Apenas no Brasil,

segundo dados da PIA (Pesquisa Industrial Anual) de 2015, as vendas de

refrigerantes e bebidas não alcoólicas superou 35 bilhões de reais e as vendas de

malte, cerveja e chopes atingiram 26 bilhões de reais (“Sistema IBGE de

Recuperação Automática - SIDRA”, β01η), sendo estes os dois maiores segmentos

de bebidas.

Este mercado se caracteriza pela concentração de empresas internacionais

e uma forte presença de marcas líderes, o que não diminui a competitividade no

setor (CERVIERI JÚNIOR et al., 2014).

Segundo Gregorini (2016), Contador acredita que competitividade está

relacionada ao modelo de campos e armas de competição. Esses campos são

atributos que interessam ao cliente, tais como preço e qualidade do produto final

(GREGORINI, 2006).

De uma forma simples, um produto com qualidade seria aquele que atende

ao seu propósito, dentro de suas especificações, sem defeitos. Entretanto, um

processo produtivo é composto de diversos fatores, todos eles suscetíveis a

variações e este aglomerado de variações acabam interferindo nas características

de qualidade final do produto (KUME, 1993).

Neste cenário, entra o controle estatístico de processo (CEP). Em 1924,

Walter A. Shewhart, dos Bell Telephones Laboratories, desenvolveu o conceito

estatístico de gráfico de controle, uma ferramenta para o controle de processo,

dando-se início, formalmente, ao controle estatístico de qualidade. Com o auxílio

das cartas de controle é possível separar a variabilidade inerente ao processo da

variabilidade fora de um padrão estável e, assim, ajustar padrões e aprimorar o

processo (GRANT, 1952; MONTGOMERY, 2012a).

14

A melhoria continua da qualidade é, portanto, essencial para o sucesso

industrial. Como explica Juran (1999), uma organização que é superior em

qualidade que suas concorrentes, atinge um patamar de excelência de performance

e tal excelência é traduzida em resultados financeiros melhores, alto marketshare

e formação de uma cultura de qualidade (JURAN et al., 1999).

1.2. Justificativa

O setor de bebidas tem sofrido um sério impacto nos últimos anos, seja

devido a crise econômica ou as novas exigências do mercado. De 2010 a 2017, o

consumo de bebidas não alcoólicas no Brasil caiu 6,00% e, segundo pesquisas

mais recentes, uma das maiores empresas de bebidas do pais teve no primeiro

trimestre de 2018 uma queda de 8,00% no volume de vendas de alcoólicos,

somada a uma queda de 20,00% referentes a bebidas não alcoólicas (HICKMAN,

2017; CIBELLE BOUÇAS, 2018).

Diante deste cenário, torna-se evidente a necessidade de aprimorar o

desempenho de organizações em relação ao processo e à qualidade dos produtos,

afim de satisfazer consumidores cada vez mais exigentes. Como será apresentado

ao longo da monografia, a melhoria da qualidade está diretamente relacionada ao

uso de ferramentas de controle estatístico, entre elas o CEP.

A organização que aqui será analisada, apesar de atuar há considerável

tempo no mercado e possuir gerenciamento de qualidade como prioridade, ainda

possui algumas unidades sem uso de ferramentas de CEP de forma oficial. Ao

identificar a necessidade de utilizar tal recurso, a organização propõe a

implementação de um sistema on-line que permite a visualização de cartas de

controle do processo por meio da integração a um sistema já existente, em que os

dados coletados do processo são inseridos.

Ao implementar tal sistema, a empresa visa o melhor monitoramento de

parâmetros de qualidade no processo produtivo relacionados diretamente ao

indicador de qualidade da empresa. O desenvolvimento desta monografia,

acompanhando a implementação deste sistema, trará benefícios mútuos para a

empresa e a autora, uma vez que possibilitará a identificação de situações que

caracterizam um processo fora de controle, auxiliando na tomada de ação futura

15

por parte da empresa, colaborando com a criação da cultura de qualidade dentro

de suas unidades, já que estas ferramentas serão utilizadas no processo produtivo.

1.3. Objetivos Gerais

Esta monografia tem como objetivo geral acompanhar a implementação de

ferramentas estatísticas de controle de processo (CEP) no processo produtivo de

uma indústria de bebidas e analisar os resultados obtidos.

Com esta análise, pretende-se avaliar a relação entre os resultados obtidos

pelas ferramentas de CEP e o indicador de qualidade utilizado pela empresa,

identificando os parâmetros do processo que necessitam de acompanhamento e

melhoria.

1.4. Objetivos Específicos

Os objetivos específicos pretendidos durante a monografia são:

• Acompanhar a implementação de ferramentas de CEP nas unidades da

empresa;

• Agrupar unidades produtoras, por meio de análise de agrupamento, e

caracterizar grupos obtidos;

• Obtenção, elaboração e avaliação de gráficos de controle, ferramenta do

CEP;

• Identificar parâmetros de qualidade, que possuem relação com o indicador,

que necessitam de acompanhamento e/ou melhoria a partir dos resultados

obtidos de suas cartas de controle.

16

2. Revisão Bibliográfica

2.1. Conceitos

2.1.1. Qualidade

Apesar de existir uma noção geral do que é qualidade, não existe uma única

definição para o termo. As mudanças no mercado e nas formas de produção

fizeram surgir, ao longo do tempo, diferentes definições de qualidade, adequando-

se a cada realidade.

Muitas pessoas contribuíram para o desenvolvimento dos conceitos de

qualidade, apresentando diferentes visões de como gerencia-la. Dentre elas,

destacam-se: W. E. Deming, J. M. Juran, A. V. Feigenbaum, G. Taguchi e D. Garvin

(GOMES, 2004; MONTGOMERY, 2012a)

Segundo Juran (1999), W. E. Deming, um dos precursores na metodologia

de qualidade, define qualidade como um produto em conformidade com as

especificações.

W. E. Deming acreditava que a responsabilidade pela qualidade cabia as

posições gerenciais de uma organização e sua filosofia constitui um importante

sistema para a implementação da melhoria da qualidade. Seus ideais podem ser

resumidos em 14 pontos para um gerenciamento efetivo da qualidade

(MONTGOMERY, 2012a):

• Criar uma constância de propósito focada na melhoria de produtos e

serviços;

• Adotar uma nova filosofia de rejeição de acabamento pobre, produtos

defeituosos ou mau serviço. O custo para produzir uma unidade defeituosa

é o mesmo que produzir uma unidade boa;

• Não confiar em inspeções de massa para controlar a qualidade. A qualidade

resulta da prevenção de itens defeituosos através de melhoria no processo

e não de inspeção;

• Não premiar os fornecedores com a realização de negócios com base no

preço, mas considerar também a qualidade;

17

• Concentrar no aprimoramento contínuo. Melhorar o sistema de produção

usando métodos estatísticos e envolver a força de trabalho;

• Pôr em prática métodos de treinamentos modernos e treinar a operação;

• Pôr em prática métodos modernos de supervisão, que vão além do vigiar os

funcionários, mas ajudá-los a melhorar o sistema no trabalho;

• Afastar o medo de perguntar, relatar problemas ou apontar condições que

são barreiras para a qualidade;

• Quebrar barreiras entre áreas funcionais do negócio;

• Eliminar slogans e objetivos numéricos;

• Eliminar quotas numéricas e padrões de trabalho;

• Remover barreiras que desencorajem os empregados a fazerem seus

trabalhos;

• Instituir programas permanentes que ofereçam educação e treinamento a

todos os empregados;

• Criar uma estrutura de gerência que defenda os 13 princípios anteriores.

O conceito de qualidade de W. E. Deming, no entanto, apresenta uma certa

restrição para a definição de qualidade pois seu enfoque está voltado para aspectos

técnicos do produto. Com a expansão da visão de produção e tendo o consumidor

como prioridade, há a necessidade de novas definições para a qualidade.

Segue, então, a definição de J. W. Juran para qualidade. Em 1957, J. W.

Juran publicou o Quality Control Handbook onde define qualidade como um produto

ou serviço adequado ao uso. Porém, com o surgimento de novas indústrias e

serviços, edições posteriores do livro definem qualidade como produto ou serviço

adequado ao seu propósito (JURAN et al., 1999).

Adotando tal princípio, a filosofia de J. W. Juran (1999) cria uma abordagem

sistemática para o gerenciamento de qualidade baseada em três etapas:

• Criar processos que geram bens e serviços que atendem as necessidades

do consumidor;

• Criar processos que controlam a qualidade;

• Aprimoração contínua da qualidade.

Outra visão de qualidade surge com A. V. Feigenbaum, o primeiro a

introduzir o conceito de Controle da Qualidade Total (CQT). Com a publicação de

18

seu livro Total Quality Control, Feigenbaum destaca a estrutura organizacional e a

abordagem de sistemas para a melhoria da qualidade, sem o enfoque em métodos

estatísticos. Porém, compartilha dos princípios de Deming e Juran em que a

gerência exerce um papel essencial para a implementação da melhoria da

qualidade. (GOMES, 2004; MONTGOMERY, 2012a)

G. Tagushi também influenciou a metodologia da qualidade, retomando o

enfoque em ferramentas estatísticas e a importância dos efeitos da variabilidade.

(GOMES, 2004)

Já em 1987, D. Garvin reavalia todas as considerações essenciais para

qualidade e amplia seu conceito. Ele define qualidade como uma junção de 8

componentes:

1) Desempenho – se o produto realizará a tarefa pretendida;

2) Confiabilidade – frequência de falhas do produto;

3) Durabilidade – tempo de duração do produto;

4) Assistência técnica – facilidade em consertar o produto;

5) Estética – aparência do produto;

6) Características gerais – funcionalidades do produto;

7) Qualidade Percebida – reputação da companhia ou do próprio produto;

8) Conformidade com as especificações – adequação do produto as

especificações.

Independente da definição adotada para qualidade, uma organização deve

estar alinhada em relação a qual definição seguir. Segundo J.W. Juran (1999), se

uma organização não está de acordo com o significado da palavra qualidade,

também não é capaz de gerenciá-la e, consequentemente, não traz satisfação a

seus clientes e consumidores. O mesmo vale para a gestão de qualidade. Entender

seu significado é essencial para prover aos consumidores um produto de qualidade.

Atualmente, há um desconhecimento do real significado de gerenciamento

de qualidade. Muitas organizações ou empresas consideram controle e

gerenciamento da qualidade a realização de testes e inspeções ao final da

produção. Como exposto anteriormente, nas filosofias de gerenciamento, a

qualidade deve ser adquirida durante o processo, realizando a tarefa de produção

de forma correta já na primeira vez. Assim, a estratégia muda de detecção para

prevenção de falhas e surge o questionamento se a produção está realizando seu

19

trabalho da forma correta, ou seja, se há controle durante o processo (OAKLAND,

2003).

Portanto, o controle de processo surge como fator essencial para o

gerenciamento da qualidade, sendo seu objetivo prevenir a manufatura de produtos

defeituosos, a geração de erros e desperdícios (OAKLAND, 2003).

2.1.2. Processo e Dados

Primeiramente, é necessário identificar o processo e os tipos de dados

coletados. A correta identificação auxilia na escolha da ferramenta mais apropriada

a ser utilizada e, consequentemente, na interpretação correta dos resultados.

Intuitivamente, pode-se definir um processo como a transformação de

entradas em saídas desejadas, sendo que essas saídas podem ser na forma de

resultados, produtos, serviços, entre outros.

Em processos produtivos, podem ser considerados inputs os equipamentos,

ferramentas, matéria prima, operadores, até mesmo metodologia de procedimentos

(OAKLAND, 2003).

Em toda interface entre fornecedores e consumidores existe algum tipo de

processo, como esquematizado na figura 1:

Figura 1: Representação de um processo

Fonte: (Adaptado de Oakland 2003)

20

A definição das entradas e saídas permite que o processo seja

documentado, e que dados sejam coletados para avaliação posterior. A coleta dos

dados durante o processo também exige certo cuidado.

Deve-se lembrar sempre do objetivo desejado na análise, caso contrário, os

dados podem não ser utilizados, perdendo tempo e esforço em sua coleta. Ter um

propósito auxilia a selecionar qual dado deve ser analisado e em qual etapa do

processo este deve ser coletado. Finalmente, a forma e o detalhamento de coleta

é de suma importância para entendimento e estratificação, pois de nada valeria a

coleta de dados sem entender os dias ou a hora em que foram coletados, a unidade

da medição, pontos de coleta, etc (KUME, 1993).

2.1.3. Tipo de dados

Os dados coletados do processo podem ser classificados de duas formas:

discretos ou contínuos.

Informações provenientes de medições de qualidade, que apresentam como

resultado números pertencentes ao intervalo de números reais, são dados

contínuos. Esses dados são denominados variáveis e normalmente geram limites

superiores e inferiores de especificação (GRANT, 1952). São exemplos de

variáveis as medições de temperatura, concentração, força, comprimento, massa,

entre outros.

Dados discretos são informações cujo resultado formam um conjunto finito

ou enumerável de valores. Nesse caso, os dados são denominados atributos

(OAKLAND, 2003). São frequentemente gerados por avaliações de características

que admitem apenas dois resultados, como “dentro da especificação” ou “fora da

especificação”. São exemplos de características do produto o aspecto de

embalagem, existência de quebras e fissuras no produto final. Nestes exemplos

citados não é possível existir 2,5 produtos fora de especificação e por isso geram

dados discretos.

A forma como dados contínuos ou discretos são tratados e analisados

variam e por isso torna-se importante a diferenciação dos dados coletados.

21

Assim, com um processo definido, reconhecendo os tipos de dados

coletados e garantindo que são confiáveis, é possível utilizar ferramentas

estatísticas da forma correta e tomar ações que levam a um processo controlado,

ou seja, um processo com performance definida, com baixa variabilidade

(OAKLAND, 2003; MONTGOMERY; RUNGER, 2009).

2.1.4. Variabilidade

Todo e qualquer processo está sujeito a variabilidade, independentemente

do quão bem planejado tenha sido. Segundo o dicionário Aurélio, o significado da

palavra variabilidade é “qualidade de variável, sujeito a variações”.

Neste contexto, variabilidade é a variação que um processo ou produto tem

de sua especificação. Em relação ao controle de processo, é necessária a

identificação das fontes de variabilidade para ser possível atuar a fim de diminui-la.

Inerente a qualquer processo, há uma variabilidade natural, provinda de um

acumulado de causas inevitáveis. A essa fonte de variabilidade é dada o nome de

causas aleatórias. Um sistema que atua somente com causas aleatórias de

variabilidade é dito estar sob controle estatístico (KUME, 1993; MONTGOMERY,

2012a).

Causas aleatórias geram medidas com pequenos desvios, mas que formam

um padrão, determinando as condições normais do processo.

Variabilidades que não são inerentes ao processo podem ter três fontes:

maquinário não ajustado, erro de operação ou matéria prima defeituosa. A essas

causas, não geradas por motivos casuais, é dado o nome de causas atribuíveis ou

causas assinaláveis (KUME, 1993; MONTGOMERY, 2012a).

Causas assinaláveis causam uma variabilidade de magnitudes

consideráveis, alterando o padrão do processo. Um processo com causas

assinaláveis é dito estar fora de controle estatístico (OAKLAND, 2003).

Saber diferenciar os tipos de causas de variabilidade é de suma importância

para o controle estatístico da qualidade, já que para atingir um processo sob

controle é necessário atuação sobre tais causas.

As causas assinaláveis podem ter ação local e a atuação sobre elas é

economicamente justificada, já que auxilia no gerenciamento da qualidade.

22

Variabilidade por causas aleatórias exigem uma ação global no sistema e

raramente surtem efeito não sendo, portanto, economicamente justificáveis.

(RIBEIRO; CATEN, 2012).

2.2. Controle Estatístico da Qualidade

Qualidade, como apresentado anteriormente, pode ter diferentes definições

e abranger diversos conceitos dependendo do enfoque a ser dado em uma

organização. Para a avaliação de um processo a nível de especificações e controle

de processo, a definição de qualidade como produto adequado ao uso é suficiente.

A qualidade pode ser determinada pela interação entre qualidade de projeto

e qualidade de conformidade. Entende-se por qualidade de projeto os diferentes

graus de qualidade obtidos em um produto ou serviço final, já qualidade de

conformidade descreve se um produto está adequado as conformidades

(MONTGOMERY, 2012a).

Assim, com o conceito de qualidade previamente apresentado, temos que

melhoria da qualidade, como definida por Montgomery e Runger (2009) é a

eliminação sistemática de resíduos, ou seja, de variabilidade proveniente de causas

aleatórias.

Para auxilio no processo de melhoria da qualidade, são usadas ferramentas

estatísticas que, em conjunto, são denominadas controle estatístico de qualidade.

Montgomery e Runger (2009) ainda definem controle estatístico da qualidade como

“métodos estatísticos e de engenharia usados para a monitoração, controle e

melhoria da qualidade”, sendo um de seus principais objetivos a detecção da

ocorrência de causas atribuídas ou mudanças no processo.

O controle estatístico da qualidade foi introduzido em 1924, quando Walter

A. Shewhart desenvolveu o conceito de gráfico de controle, porém, sua aceitação

ocorreu apenas após o fim da Segunda Guerra Mundial. Devido a situação

econômica da época, ficou claro que técnicas estatísticas eram recursos

necessários para promover a melhoria da qualidade e diminuir gastos.

(MONTGOMERY, 2012a)

A consistência na aplicação do controle estatístico da qualidade pelos

japoneses após a guerra fez com que, na década de 70, empresas sofressem com

23

a competitividade. Isso gerou um novo enfoque na melhoria de qualidade e o

interesse em aplicar ferramentas estatísticas para o controle de processo.

2.3. Controle Estatístico de Processo

O controle estatístico de processo, conhecido pela sigla CEP ou, em inglês,

SPC (Statistical Process Control), é um conjunto de ferramentas estatísticas que

tem por objetivo estabilizar um processo pela redução de sua variabilidade, ou seja,

levar um processo a um estado de controle. (JURAN et al., 1999; MONTGOMERY;

RUNGER, 2009)

O CEP é composto por sete ferramentas básicas:

• Histograma de ramo e folhas;

• Folha de controle;

• Gráfico de Pareto;

• Diagrama de causa-e-efeito;

• Diagrama de concentração de defeitos;

• Diagrama de dispersão;

• Gráficos de Controle.

Os gráficos de controle, também conhecidos como gráficos de Shewhart, em

homenagem ao seu idealizador, são as ferramentas com maior impacto na

obtenção de controle de processo. Diante disto, uma revisão conceitual sobre estes

gráficos será apresentada, porém, para melhor entendimento destes conceitos,

será apresentada primeiramente a distribuição Normal.

2.3.1. Distribuição Normal

A estatística, como recurso presente no cotidiano de engenheiros,

desempenha função essencial na melhoria da qualidade, e por consequência no

controle de qualidade, como já citado anteriormente. Dessa forma, alguns conceitos

relacionados a estatística devem ser apresentados afim de facilitar a compreensão

de controle de qualidade e de processo que serão aprofundados mais a diante.

Inicialmente é necessário diferenciar população e amostra. População é o

conjunto de itens, dados ou pessoas com alguma característica em comum

24

(variável) sob os quais uma análise será feita. Como nem sempre é possível ou

aconselhável fazer analises em relação a toda a população, usam-se subconjuntos.

Esses subconjuntos são denominados amostras.(MINITAB INC., 2017)

Para modelar o comportamento de parâmetros amostrais, utilizam-se por

vezes uma distribuição de probabilidade. A distribuição de probabilidade “relaciona

o valor da variável com a probabilidade de ocorrência daquele valor na

população”.(MONTGOMERY, 2012a)

Dentre as distribuições continuas, a distribuição normal é uma das mais

comumente usadas e atesta que, se X é uma variável aleatória normal, então sua

distribuição será:

� = �√ � − −�� 2 − ∞ < � < ∞

Sendo µ a média e a variância da distribuição normal.

A curva de distribuição normal tem a forma similar a um sino, como

segue na figura 2:

Figura 2: Distribuição normal

Fonte:(PORTAL ACTION, 2018)

Interpretando a figura 2, é possível observar que a teoria da distribuição

normal prevê 68,26% dos valores de uma amostra populacional dentro dos limites

definidos pela média mais ou menos um desvio padrão (). Já nos limites entre a

média e mais ou menos dois desvios padrões, caem 95,46% dos valores, e entre a

25

média e mais ou menos três desvios padrões caem 99,73% dos valore da

população. (MONTGOMERY, 2012a)

Devido à alta probabilidade de um valor escolhido aleatoriamente se

encontrar dentro dos limites de 3, há um forte indicio que um processo possa estar

com alguma alteração, caso a variável não se encontre dentro deste limite.

2.3.2. Gráficos de Controle

Sobre o gráfico de controle, Montgomery (2012) cita:

O gráfico de controle é um artifício para descrever, de maneira precisa, exatamente o que se entende por controle estatístico, como tal pode ser usado de várias maneiras.

Estas ferramentas podem ser usadas tanto para a análise de dados

passados quanto para o monitoramento do processo em tempo real. Também

podem ser usadas para estimar parâmetros do processo tais como média, desvio

padrão e até capacidade de processo (MONTGOMERY; RUNGER, 2009;

MONTGOMERY, 2012a).

Além disso e prioritariamente, os gráficos de controle tem como finalidade

separar causas assinaláveis de causas aleatórias, eliminar a variabilidade do

processo e determinar quando um processo está ou não sob controle (GRANT,

1952; KUME, 1993).

Os gráficos de controle diferem de acordo com os dados analisados. Para

variáveis contínuas, usam-se gráficos de controle para variáveis, enquanto que,

para dados discretos são usados gráficos de controle para atributos (GRANT, 1952;

KUME, 1993).

Visualmente, o gráfico de controle, como cita Montgomery (2001) é uma

“representação gráfica de uma característica de qualidade que foi medida ou

calculada a partir de uma amostra versus o número da amostra ou o tempo”.

Existem três linhas principais no gráfico de controle: a linha central (LC) a

linha de limite superior de controle (LSC) e a linha de limite inferior de controle (LIC),

como segue na figura 3:

26

Figura 3: Exemplo de Gráfico de Controle

Fonte: (KUME, 1993)

A linha central representa o valor médio do parâmetro de qualidade que está

sendo medido. Os limites de controle são calculados pela seguinte fórmula

genérica:

�� = � + �� = � − ��

Onde w é a população analisada, � é a sua média e � é seu desvio padrão

(MONTGOMERY, 2012a). O símbolo L, quando multiplicado pelo desvio padrão,

indica a distância dos limites de controle da linha central. Usualmente é adotado o

valor L=3. A explicação para o valor adotado foi abordada durante a análise do

tópico “Distribuição normal”: a probabilidade de uma amostra proveniente de uma

distribuição Normal estar entre a média ±3 é 99,73%. Portanto, quando adotado

L=3, se um valor estiver fora do LIC ou do LSC, muito provavelmente o processo

se encontra fora de controle.

O desvio padrão, por sua vez, é calculado de acordo com o tamanho da

amostra (n), da seguinte forma:

��̅ = �√

Neste ponto, é importante ressaltar que LIC e LSC não indicam,

necessariamente, as especificações técnicas de uma empresa, já que são

calculados com base em dados do processo. Tais linhas de controle indicam o

comportamento do processo.

Além dos limites de controle, os gráficos podem contar com limites de alerta,

isto é, áreas que funcionam como um indicativo que um processo está prestes a

27

sair do controle. As áreas de alerta são formadas entre os limites gerados pelas

formulas de limite de controle citadas anteriormente (LIC e LSC) ao adotar L=1, L=2

ou L=3 (MONTGOMERY, 2012a).

Segue o exemplo na figura 4:

Figura 4: Gráfico de Controle com linhas de controle e desvios

Fonte: (OLIVEIRA et al., 2013)

Adotando L=1, cria-se, entre as linhas de limite, a Zona C, que pode ser

considerada uma zona verde, em que não há perigo do processo sair de controle

e, portanto, não é uma zona de alerta. Caso um ponto ultrapasse a Zona C,

entrando na Zona B, considera-se um alerta, porém ainda não grave. A Zona B é

formada pelo espaço entre os limites adotando L=2, pode ser considerada como

uma zona amarela de alerta. Já a Zona A, entre os limites gerados ao adotar L=3,

é uma zona crítica, geralmente considerada uma zona vermelha. Se um ou mais

pontos estão na Zona A de alerta, existe um alto risco de o processo sair de

controle.

Estar dentro dos limites, como citado, pode indicar que o processo está sob

controle. No entanto, se os pontos seguirem algum padrão não aleatório, é um

indício que o processo não está sob controle.

Esses critérios complementares para identificar se um processo está ou não

sob controle pode ser compilado nas seguintes regras (MONTGOMERY, 2012a):

I. Um ou mais pontos fora dos limites de controle (L=3);

28

II. Dois ou três pontos consecutivos fora dos limites de alerta;

III. Quatro ou cinco pontos consecutivos além dos limites de um-sigma (L=1);

IV. Uma sequência de oito pontos consecutivos de um mesmo lado da linha

central;

V. Seis pontos em uma sequência sempre crescente ou sempre decrescente;

VI. Quinze pontos, em sequência, na zona C, em ambos lados da linha central;

VII. Quatorze pontos, em sequência, alternadamente para cima e para baixo;

VIII. Oito pontos, em sequência, de ambos os lados da linha central com nenhum

ponto na zona C;

IX. Um ou mais pontos perto de um limite de alerta de controle.

É perceptível que vários critérios podem ser utilizados afim de identificar se

um processo está ou não sob controle. Por exemplo, a empresa cujos processos

serão analisados utiliza os seguintes critérios, similares as regras mencionadas

acima, como indícios de um processo fora de controle:

1) Um ponto fora dos limites de controle (L=3) ou do limite de especificação;

2) Sete pontos consecutivos do mesmo lado da linha central;

3) Seis pontos consecutivos, em sequência crescente ou decrescente;

4) Quatorze pontos consecutivos, alternando acima e abaixo;

5) Dois de três pontos consecutivos maiores que dois desvios-padrão a partir

da linha central,

6) Quatro de cinco pontos consecutivos maiores que um desvio-padrão, de um

mesmo lado da linha central;

7) Quinze pontos consecutivos dentro de um desvio padrão, de qualquer lado

da linha central;

8) Oito pontos consecutivos maiores que um desvio padrão a partir da linha

central.

Diante do exposto, é possível compreender por que o gráfico de controle é

considerado uma das ferramentas de CEP mais completas. Pelo gráfico, é possível

acompanhar o processo, entender quando uma ação é necessária prevenindo

defeitos e atuando continuamente na melhoria da qualidade.

29

2.3.3. Gráficos de controle para variáveis

Como citado anteriormente, os gráficos de controle para variáveis são

utilizados em casos onde o tipo de dado coletado é uma variável contínua.

Para variáveis contínuas, existem gráficos de controle que avaliam o

comportamento da média da variável de interesse, chamados de gráfico de controle �̅. Também é possível monitorar a variabilidade do processo através do gráfico de

controle de desvio padrão, denotado gráfico de controle S; e/ou pelo gráfico de

controle de amplitude, chamado gráfico de controle R (MONTGOMERY, 2012a;

OLIVEIRA et al., 2013).

Os gráficos de �̅-R e �̅-S são os mais importantes utilizados. No decorrer

deste trabalho serão usados gráficos do tipo �̅-S para variáveis, portanto, este tipo

de gráfico será apresentado com maiores detalhes.

Considerando uma amostra com varáveis � , � , … , � , de tamanho n, tem-

se que a média dessa amostra é:

�̅ = � + � + ⋯ + �

Se suposto que a variável é normalmente distribuída, então a média de �̅ é

equivalente a � (média populacional) e o desvio padrão de �̅ é igual ao desvio

populacional � (MONTGOMERY, 2012a).

No entanto, raramente os valores de µ e são conhecidos, assim, devem

ser estimados a partir de uma amostra referente ao processo sob controle. Não

existe uma determinação para a quantidade de amostras necessárias, mas

geralmente baseiam-se em 20 a 25 amostras (OLIVEIRA et al., 2013).

Para o caso em que não são conhecidos os valores de µ e , a média

populacional e denotada por �̅̅ e o desvio padrão populacional é denotado por s.

Seja m a quantidade de amostras utilizadas e �̅̅ a média de cada amostra,

então: �̿ = �̅̅̅ + �̅̅̅ + ⋯ + �̅̅̅̅

Para a linha central do gráfico é utilizado �̿

30

Em gráficos de controle �̅ −S também é necessário calcular o desvio padrão

s de cada uma das m amostras, que serão utilizados para o cálculo dos limites de

controle.

Um estimador para a variância amostral é:

� = ∑ �� − �̅�= −

No entanto, Montgomery e Runger (2009) citam que s amostral é “um

estimador tendencioso de ”, portanto não pode ser utilizado para calcular

diretamente o desvio padrão populacional. Na realidade s estima a média

populacional como:

�̿ = � (8)

em que c é uma constante dependente do tamanho da amostra.

Assim, o desvio padrão populacional é

� = √ − � . (9)

Dessa forma, os limites de controle são calculados por:

�� = �� + √ − � �� = �� − √ − �

Caso nenhuma estimativa seja dada em relação a , este deve ser estimado

com os valores amostrais anteriores, assim como para o cálculo da média das

medias amostrais (MONTGOMERY, 2012a).

Nesta situação, é estimado por:

= �̅ �⁄

31

Sendo �̅ igual a:

�̅ = ∑ ��=

Com as equações propostas para estimados desvio padrão e média amostrais,

pode-se definir os limites superior e inferior em função de �̿ como segue:

�� = �̿ + �̿ �√⁄ �� = �̿ − �̿ �√⁄

É perceptível pela quantidade de detalhes e etapas no cálculo do gráfico de

controle de variabilidade, que sua construção manual é complexa. Porem a

utilização de gráficos do tipo �̅ e s são preferíveis quando o tamanho da amostra é

grande ou quando o mesmo é variável. Além disso, com a inclusão de ferramentas

computacionais para a estatística, elimina-se a dificuldade dos cálculos.

(MONTGOMERY; RUNGER, 2009)

2.3.4. Gráficos de controle para atributos

Alguns parâmetros de qualidade, quando analisados, possuem apenas dois

resultados possíveis (de conformidade ou não conformidade). Para estes casos, é

necessária uma análise estatística para atributos. Um dos gráficos de controle para

atributos é o gráfico de controle para frações não conformes.

Uma fração não conforme é definida por εontgomery (β001) como “a razão

entre o número de itens não conformes em uma população e o total de itens

naquela população”, sendo um item não conforme é aquele que não atende as

especificações de qualidade.

Uma fração amostral não conforme é definida como a razão entre o número

de unidade não conformes (D) o tamanho da amostra (MONTGOMERY, 2012a)

�̂ =

32

Apesar de seguir uma distribuição binomial, em contraposição a distribuição

normal dos gráficos de variáveis, o gráfico de frações não conformes segue

praticamente as mesmas etapas de construção uma vez que podemos aproximar

a distribuição Binomial pela distribuição Normal. Logo, a média e a variância da

variável aleatória �̂, são, respectivamente (OLIVEIRA et al., 2013):

��̂ = � ��̂ = � − �

A média das frações amostrais não conformes, denotada por ��̂ = �, é a

fração não conforme do processo (MONTGOMERY, 2012a). Supondo que a fração

não conforme do processo seja conhecida, ou tenha um valor-padrão especificado,

o cálculo dos limites inferior e superior de controle são calculados pelas equações:

�� = � + √� − � � = �

�� = � − √� − �

Caso a fração não conforme do processo não seja conhecida, ela deve ser

estimada por dados do processo (MONTGOMERY, 2012a).

Ao adotar n como o tamanho de uma amostra e m a quantidade de amostras,

a média das frações não conformes é dada pela equação:

�̅ = ∑ ��= = ∑ �̂��=

Neste caso as equações utilizadas para a construção de LC, LSC e LIC, para

o gráfico de frações não conformes são dadas por:

33

Agora, os limites e linha de controle do gráfico são dados pelas equações:

�� = �̅ + √�̅ − �̅ � = �̅

�� = �̅ − √�̅ − �̅

2.4. Capacidade de Processo

Como citado por Montgomery (2012), a capacidade de um processo diz

respeito a sua uniformidade, podendo ou não levar em consideração as

especificações. Uma das melhores formas de se analisar a capacidade de um

processo é a associação de gráficos de controle com o valor da razão de

capacidade de um processo.

A razão de capacidade de um processo, simbolizada por �, é uma medida

de habilidade do processo em fabricar produtos dentro de especificação, ou seja,

sua habilidade em reproduzir as características de um produto dentro dos padrões

estipulados para o processo. (MONTGOMERY, 2012a)

� = ��−��6� (24)

Onde LSE e LIE são, respectivamente, o limite superior de especificação e

o limite inferior de especificação e � é o desvio padrão.

A razão de capacidade de um processo pode admitir uma outra

interpretação, que pode ser útil quando usada em conjunto com a leitura de gráficos

de controle para variáveis. Pensando na definição de �, então o inverso de seu

valor multiplicado por 100 é a porcentagem da faixa de especificação que é utilizada

pelo processo, como indicado na equação abaixo: (MONTGOMERY, 2012b) � = � .

34

A tabela abaixo apresenta valores mínimos recomendáveis para �, apesar

de algumas empresas utilizarem padrões mais rígidos. Estes valores estão

descritos na tabela 1 e variam de acordo com maturidade do processo:

Tabela 1: Tabela de valores mínimos para Cp

Tipos de Processo Valor mínimo de �� para Especificações bilaterais

Processos existentes 1,33 Processos novos 1,50

Processos existentes -parâmetros críticos ou de

segurança 1,50

Processos novos – parâmetros críticos ou de segurança

1,67

Fonte: Adaptado de (MONTGOMERY, 2012b)

Como os processos da empresa que serão apresentados ao longo deste

projeto não são novos e por não considerarem os parâmetros analisados como

críticos, será adotado como valor mínimo para � 1,33.

No entanto, a razão de capacidade de um processo não leva em

consideração a posição da distribuição normal em relação aos limites de

especificação do processo.

Para que essa posição seja levada em consideração, foi criada uma nova

medição da razão de capacidade de processo, denotada por ��. Como citado por

Montgomery (2012), �� nada mais é do que a razão de capacidade de processo

unilateral para o limite de especificação mais próximo da média do processo.

Desta forma, é costume considerar que � é a capacidade potencial do

processo enquanto �� é a capacidade efetiva do processo.

No entanto, uma análise exclusiva de � ou �� pode levar a uma conclusão

errada e por isso a comparação entre os dois valores é o mais recomendado. De

forma geral, quando � e �� são iguais, o processo está centrado no ponto médio

das especificações, caso contrário o processo não está centralizado.

A figura 5 exemplifica, a relação entre � e �� para um processo com média

igual a 50 unidades e desvio padrão igual a 2 unidades, de acordo com a posição

da distribuição normal em relação aos limites de especificação do processo.

35

Figura 5: Relação entre Cp e Cpk

Fonte: Adaptado de (MONTGOMERY,2012 a)

A imagem (a), exemplifica um modelo em que o processo está atuando

dentro de especificação e centralizado em relação a média dos limites de

especificações, assim, � = ��. Vale ressaltar que este exemplo seria de um

processo ideal caso a empresa procure como objetivo que a média do processo

seja igual a média dos limites de especificação.

Nas imagens (b) e (c), são exemplificados casos em que o processo, apesar

de estar sob controle, está deslocado para mais próximo de um dos limites de

especificação. Nestes casos, � é maior que ��.

Na imagem (d), a média do processo fica exatamente em um dos limites de

especificação, e assim �� = 0. Já na imagem (e), o processo encontra-se fora de

especificação e, dessa forma, �� < 0.

Os exemplos utilizados são para uma média de processo deslocada à direita,

porem, devido a definição de ��, a mesma análise seria realizada para uma média

de processo deslocada à esquerda.

36

Como é possível observar, a avaliação de �� depende muito de sua relação

com �, portanto, não serão adotados valores mínimos sugeridos para ��.

2.5. Análise de Agrupamento

Ao analisar um processo, raramente utilizamos apenas uma variável. Além

disso, a introdução de programas computacionais no cotidiano de processos,

tornou mais fácil a análise estatística, permitindo também que uma grande

quantidade de dados fosse analisada ao mesmo tempo.

Portanto, surge a necessidade de métodos estatísticos que sejam capazes

de analisar e correlacionar uma quantidade extensa e complexa de dados. Hair et

al (2009) definem análise multivariada como:

Todos os métodos estatísticos que simultaneamente analisam múltiplas medidas sobre cada indivíduo ou objeto de investigação. [...] Em muitos casos, técnicas multivariadas são um meio de executar em uma única analise aquilo que antes exigia múltiplas analises usando técnicas univariadas.

Para o desenvolvimento desta monografia, será utilizada a técnica

multivariada de análise de agrupamento. A análise de agrupamento é uma técnica

que visa dividir objetos (população, amostras, etc.) em grupos, de tal forma que os

objetos de um grupo sejam similares e homogêneos, mas que os grupos sejam os

mais heterogêneos possíveis. (HAIR et al., 2005)

A análise de agrupamento deve ser realizada seguindo algumas etapas após

a coleta de dados. A primeira etapa é o tratamento dos dados, caso seja necessário

a padronização dos dados que serão analisados. A segunda etapa é a escolha de

um critério de parecença, que irá definir a formação dos grupos. A terceira etapa

define o número de grupos, sendo que, dependendo do algoritmo utilizado, a

quantidade de grupos deve ser determinada antes (a priori) ou depois (a posteriori)

da aplicação da análise de agrupamento. A quarta etapa consiste na a adoção e

aplicação de algum algoritmo para a formação dos grupos. A quinta etapa

apresenta os resultados e valida o agrupamento, ou seja, visa garantir que os

grupos formados são distintos entre si. Finalmente, a sexta etapa requer a

interpretação dos resultados, caracterizando os grupos formados (BASSAB;

SHIZUE MIAZAKI; ANDRADE, 1990).

37

Considerando que cada objeto é representado por um vetor que contém os

valores das variáveis coletadas, é possível comparar diversos objetos através de

medidas que comparam seus vetores.

As medidas de parecença, usadas para comparação, podem ser

classificadas como medidas de similaridade ou medidas de dissimilaridade. A

primeira estabelece que quanto maior o valor, maior a semelhança entre os objetos,

enquanto a segunda estabelece que quanto menor o valor, maior a semelhança

entre os objetos.

Para variáveis quantitativas, que serão utilizadas majoritariamente ao

decorrer desta pesquisa, uma das medidas de parecença é a distância. Para

calcular a distância, normalmente é utilizada a fórmula de distância Euclidiana, uma

medida de dissimilaridade (MANLY; ALBERTO, 2016).

Em relação ao algoritmo utilizado para o agrupamento dos objetos, existem

dois principais: o método hierárquico e o de partição.

Para o método hierárquico não é necessária a definição prévia dos grupos a

serem formados. O método hierárquico aglomerativo funciona como uma série de

fusões, ou seja, inicialmente cada objeto forma um grupo isolado e, então, os

objetos mais similares são agrupados. Os objetos se agrupam e formam novos

aglomerados de tal forma que, ao final, existe um único grupo (JOHNSON;

WICHERN, 2007).

Uma desvantagem do método hierárquico é que não é permitida a

mobilidade dos objetos entre os grupos. Pela forma como os aglomerados são

formados, uma vez que o objeto é alocado em um grupo, ele pertencerá a esse

grupo até o final do procedimento (MANLY; ALBERTO, 2016). Porém, como

vantagem, a forma como o método hierárquico é conduzido permite a construção

de um gráfico denominado dendograma, como no exemplo da figura 6.

Figura 6: Dendograma

Fonte: Adaptado de (MANLY; ALBERTO, 2016)

38

Segundo Hair et al (2009), a análise de agrupamento pelo método

hierárquico pode utilizar os seguintes algoritmos para agrupamento:

• Método do vizinho mais próximo: considera a menor distância entre objetos

de dois grupos para aglomeração;

• Método do vizinho mais longe: considera a maior distância entre objetos de

dois grupos para a aglomeração;

• Método das médias das distâncias: a formação dos grupos é feita pela

distância média, ou seja, considera-se a distância entre dois grupos como a

distância média existente entre objetos destes grupos;

• Método do centroide: este método utiliza a média das coordenadas dos

objetos pertencentes ao grupo como o centroide do grupo e, uma vez

definidos os centroides, usa a menor distância entre centroides para unir os

objetos;

• Método de Ward: considera a distância entre os grupos como a soma dos

quadrados entre grupos.

Outro método citado para a análise de agrupamento, o método de partição,

envolve a identificação de grupos por meio de critérios de qualidade e deve-se

determinar previamente o número de grupos a serem formados. Um método de

partição é o método das k-médias, que utiliza como critério de qualidade a

minimização da soma de quadrados da partição. Neste método, cada objeto é

alocado no grupo cujo centroide é o mais próximo do centroide deste objeto. Como

inicialmente não há centroides, dois centroides provisórios, denominados

sementes, são escolhidos para iniciar o agrupamento. (BASSAB; SHIZUE

MIAZAKI; ANDRADE, 1990)

O método das k-médias fornece pouca variação e, como vantagem, permite

a realocação dos objetos caso não se encontrem no grupo mais apropriado. No

entanto, por esse mesmo motivo, não permite a construção de um dendograma.

Cada algoritmo utilizado na análise de agrupamento fornece suas

vantagens, sendo que diferentes métodos podem formar diferentes grupos. Por tal

motivo, é importante identificar o método mais apropriado para ser utilizado e testar

alguns antes de prosseguir com os grupos formados.

39

3. Metodologia

3.1. Método de Pesquisa

A monografia a seguir é uma pesquisa de cunho qualitativo utilizando o

método de estudo de caso, já que a autora observa, documenta e analisa dados de

uma organização para a compreensão de um fenômeno, neste caso, a

compreensão do controle de parâmetros de qualidade em um processo produtivo.

Segundo Yin (1989):

Um estudo de caso é uma investigação empírica que estuda um fenômeno contemporâneo dentro de seu contexto real, especialmente quando os limites entre o fenômeno e o contexto não são claramente evidentes.

Dias e Silva apresentam que uma monografia deve seguir algumas etapas:

revisão bibliográfica, identificação da unidade caso, elaboração de esquema lógico

da pesquisa, definição da coleta de dados e leitura de resultados.Com exceção da

primeira etapa, as etapas auxiliam na escolha da metodologia a ser utilizada, como

exemplificado na figura 7 (DIAS; SILVA, 2009).

Figura 7: Esquema de definição de metodologia de pesquisa

Fonte: (DIAS; SILVA, 2009)

40

O passo inicial para a elaboração da monografia, referente a etapa de

revisão bibliográfica, consiste na coleta e interpretação de informações

anteriormente exploradas sobre o tema escolhido. Esta etapa foi abordada no

segundo capitulo desta monografia.

A etapa de identificação da unidade caso, como sugere o próprio nome, visa

identificar a população em que será aplicada a pesquisa. Já a etapa de esquema

lógico de pesquisa define como serão analisadas as unidades caso escolhidas e

quais etapas e procedimentos serão seguidos para chegar a uma conclusão (DIAS;

SILVA, 2009). Por não ter um método rígido, a elaboração de etapas num estudo

de caso pode ficar a critério do autor (MARTINS, 2017).

A definição da coleta de dados e interpretação dos resultados prevê a

descrição detalhada e estruturada de como os dados serão obtidos, analisados e

apresentados. Isso porque esta etapa determina se o objetivo formulado

anteriormente na monografia será atingido ou não. (DIAS; SILVA, 2009)

A seguir serão detalhadas as etapas propostas para a elaboração de uma

metodologia.

3.2. Unidade Caso

A empresa estudada neste projeto faz parte do setor de bebidas, sendo uma

das maiores representantes do mercado. Possui em seu portfólio bebidas

alcoólicas e não alcoólicas, e conta com diversas unidades produtivas em todo o

país. Para abordagem nesta monografia, foram utilizadas 18 unidades produtivas.

Por motivos de confidencialidade e sigilo, o nome da empresa e do produto

ao qual os dados se referem foram omitidos.

3.3. Esquema lógico da pesquisa

Como já citado, a monografia seguirá o método de estudo de caso, e os

seguintes passos foram traçados para sua conclusão:

41

Figura 8: Esquema de etapas que foram seguidos durante a pesquisa

Fonte: Arquivo pessoal

A etapa 1, descrita como identificação da unidade caso, foi realizada e

explicada na seção 3.2.

A etapa 2 refere-se a coleta de dados relacionadas ao indicador de qualidade

utilizado pela empresa. Mais detalhes deste indicador serão apresentados na seção

3.5.

A etapa 3 foi realizada de forma a agrupar as unidades produtoras da

empresa, através de uma análise de agrupamento. A proposta desta etapa é utilizar

os dados do indicador de qualidade de cada unidade produtora. A etapa 4 consiste

na caracterização dos grupos formados e escolha de um grupo foco para realizar

as próximas etapas.

1 . Identificação da unidade caso

2. Coleta de dados (indicador de qualidade)

3. Agrupamento das unidades produtoras

4. Caracterização e seleção do grupo foco

5. Identificação de parâmetros que afetam

indicador

6. Coleta de dados (gerados pelo sistema)

7. Avaliação dos gráficos de controle

42

A etapa 5 consistiu na relação dos parâmetros do indicador de qualidade

com a nota final e identificando qual possui maior oportunidade de melhoria e, em

seguida, identificação dos parâmetros de qualidade do processo associados.. A

etapa 6 consistiu em uma nova coleta de dados, desta vez relacionados aos

parâmetros de qualidade do processo que são acompanhados por um sistema

interno da empresa. Esta etapa gerou a coleta de gráficos de controle ou dos dados

necessários para sua construção.

Finalmente, a etapa 7 é dedicada a análise de gráficos de controle

relacionados a parâmetros de processo identificados na etapa anterior e

compreensão de seu perfil, concluindo se estão ou não sob controle e como podem

possivelmente afetar a nota final do indicador de qualidade.

3.4. Coleta, construção e avaliação de dados

Na esquematização de etapas para desenvolvimento desta monografia,

foram propostos dois momentos diferentes para coleta de dados.

Num primeiro momento, foi realizada a coleta de informações relacionadas

ao indicador de qualidade utilizado pela empresa. Estes dados foram fornecidos e

calculados pela empresa de acordo com um programa de avaliação das unidades.

Com estas informações, o principal objetivo é estratificar o indicador de qualidade

afim de encontrar o principal impacto em sua nota. Para melhor compreensão da

estruturação do indicador e de como é formado seu valor final, um tópico destinado

ao indicador será apresentado na seção seguinte.

O segundo momento da coleta de dados, visado na etapa 5, refere-se a

coleta de dados relacionados aos parâmetros de qualidade do processo produtivo,

acompanhados na rotina da produção. Estes dados foram coletados de um sistema

interno on-line, utilizado pela empresa. Aqui, o principal objetivo é entender o

comportamento do parâmetro de qualidade do processo e como isto afeta o

indicador de qualidade abordado.

Neste sistema on-line, gráficos de controle para variáveis, com seus

respectivos limites de controle e especificação, são gerados a partir da integração

com um sistema interno já existente, de coleta de dados do processo, diretamente

da linha de produção ou por inserção manual.

43

Para atributos, o sistema não gera gráficos de controle automaticamente,

porém, os dados podem ser coletados para a construção destes gráficos de

controle, utilizando outros programas estatísticos.

A análise dos gráficos construídos ou gerados foram utilizados para

avaliação do processo.

A empresa que será usada como unidade caso possui conhecimento da

avaliação proposta nesta pesquisa e compreende os benefícios de suas conclusões

e, portanto, está ciente do fornecimento dos dados. Além disso, o desenvolvimento

desta monografia será acompanhado por partes interessadas. Devido aos termos

de confidencialidade, todas as especificações do processo e de produtos serão

omitidas.

3.5. Indicador de Qualidade

O indicador de qualidade abordado durante esta monografia é o resultado

final de um programa de auditoria de qualidade. Tal programa tem como função

avaliar as unidades produtoras e equipará-las, recompensando as unidades com

as melhores performances e auxiliando as unidades com baixa performance a

identificar e tratar suas lacunas.

Por motivos de confidencialidade, será utilizada a sigla IQ (indicador de

qualidade) para sua referência.

Os resultados laboratoriais resultantes do programa de auditoria de

qualidade não tem como finalidade substituir o controle próprio das unidades da

companhia, cada unidade deve ter seu próprio controle diário, mas ressalta-se que,

controlando os mesmos parâmetros analisados pelo programa, há maior facilidade

de obter um bom desempenho no indicador, assim como controle do processo.

Nesta monografia utilizaremos informações provenientes tanto do programa

de auditoria de qualidade quanto do sistema das unidades da companhia.

Para a análise dos produtos fabricados, a coleta pode ser feita de três

formas: por meio de coletas no mercado consumidor, por coleta direta na unidade

produtora ou por empresas terceiras de auditoria.

44

A avaliação de produtos por meio da coleta no mercado é a mais comum e

a que gera mais informações, por isso seus resultados serão utilizados ao longo

desta monografia. Explicando de forma sucinta o fluxo de coletas e analises:


Ao final do programa de auditoria de qualidade, que ocorre mensalmente, as

unidades recebem uma carta de notas que mostra sua classificação em todas as

etapas do programa, até chegar a nota final do indicador.

É possível separar o programa em camadas. Ao total, o programa possui

cinco camadas, detalhadas a seguir:

Plano de coleta

Coleta de produtos no

mercado

Envio para laboratórios de analise

Analises laboratoriais

Retorno dos dados para as unidades

Figura 9 : Plano simplificado de coleta de produtos no mercado.

45

• Camada 1: a primeira camada é nota final do IQ, indica a classificação da

unidade;

• Camada 2: a segunda camada corresponde as três frentes, ou dimensões,

principais do programa: Segurança Alimentar, Qualidade da Planta e

Qualidade de Mercado;

• Camada 3: cada uma das três frentes principais subdivide-se em programas

menores, que compõem a camada 3;

• Camada 4: cada um dos programas menores, é divido em parâmetros, que

formam a camada 4. Tais parâmetros são calculados por uma métrica

baseada nos resultados das análises laboratoriais das amostras coletadas.

• Camada 5: a camada 5 é formada pelos valores obtidos das análises

laboratoriais das amostras. A quantidade de amostras coletadas para análise

varia de acordo com o volume da marca mais vendida, portanto, a

quantidade de dados que formam a camada 5 varia com o número de

amostras coletadas.

Os parâmetros da camada 4 são classificados como de qualidade ou de

risco. Os parâmetros de risco são relacionados à segurança alimentar e, caso fora

de especificação, podem ser perigosos para a saúde do consumidor. Nestes casos,

a unidade deve tomar ações imediatas. Por outro lado, os parâmetros de qualidade

informam, de uma forma geral, a satisfação de clientes e consumidores em relação

ao produto. São os parâmetros de qualidade que, ao demostrarem uma alta

variabilidade no processo, requerem maior controle e atenção da unidade.

Como citado, os parâmetros que compõem a camada 4, são calculados pela

métrica Porcentagem Aceitável do Produto (PAP). Essa métrica indica o percentual

de amostras da camada 5 que estão dentro do padrão de especificação. Portanto,

supondo que são coletadas quatro amostras, mas apenas três estão dentro do

padrão de especificação, então o parâmetro em questão receberá a nota percentual

de ¾ = 75%.

A nota final de cada dimensão da camada 2 é calculada pela combinação

das notas dos programas da camada 3, e as notas finais dos programas da camada

3 são calculadas pela combinação das notas dos parâmetros que compõem a

camada 4.

46

Exemplificando, a composição das notas funcionaria da seguinte forma,

supondo que a combinação das notas é uma média aritmética:

Tabela 2: Exemplificação do cascateamento de notas do Indicador de Qualidade

LIE do Parâmetro

LSE do Parâmetro

Resultado da Análise laboratorial da amostra de mercado (Camada 5)

Nota do Parâmetro (Camada 4)

Nota do Programa

(Camada 3)

Nota da Dimensão

(Camada 2)

1 3 2 Parâmetro =

75% Programa Z =

87,5

Dimensão W = 70

1 3 1,5 1 3 4 1 3 2,5 1 3 2

Parâmetro = 100%

1 3 1,5 1 3 2 1 3 2,5 1 3 2

Parâmetro = 75%

Programa L = 62,5

1 3 1,5 1 3 4 1 3 2,5 1 3 4

Parâmetro λ = 50%

1 3 1,5 1 3 4 1 3 2,5

Fonte: Arquivo pessoal.

Após os cálculos de cada camada, a nota final de cada dimensão é

transformada em uma escala de cores que faz a correspondência entre uma faixa

de nota e uma cor, indicando excelência, adequação, atenção ou rejeição. A

dimensão que possuir a pior nota, e consequentemente a pior indicação de

coloração, irá ser transferida para a camada 1, compondo a nota final da unidade

produtora. A esse sistema de transferência de notas é dado o nome de

cascateamento.

O código de coloração e suas respectivas faixas de nota podem variar

dependendo da dimensão a que se referem, portanto, os códigos de coloração

utilizados serão apresentados juntamente com a explicação de cada dimensão.

As dimensões podem ser acompanhadas em frequência: mensal, semestral

ou anual. Para a frequência mensal, valerá a nota do mês vigente; para a frequência

47

semestral é calculada a média entre o mês vigente e os cinco meses anteriores;

para a frequência anual é calculada a média entre o mês vigente e os onze meses

anteriores. Para a nota final do IQ, é sempre utilizada a frequência anual.

Uma vez compreendido o funcionamento do programa e como o indicador é

formado, cada dimensão será abordada com maior profundidade.

3.5.1. Segurança alimentar

A dimensão de Segurança Alimentar analisar os parâmetros de risco, que

podem afetar diretamente a saúde do consumidor. Os parâmetros desta dimensão

são avaliados com frequência mensal, sendo, então, a nota final da dimensão

correspondente a do mês vigente.

Segurança Alimentar é composta por cinco programas. Um dos programas

é composto pelas notas de uma auditoria interna relacionada a itens de segurança

alimentar, que não será abordada durante o desenvolvimento desta monografia.

Os outros quatro programas são:

Quadro 1: Programas de Segurança Alimentar

Programa Objetivo Parâmetros Água

Ingrediente Avaliar se a água utilizada

para a formação do produto atende todas as

especificações de segurança

Metais Nitratos/nitritos

Cloratos/Bromatos Material Orgânico

Corpo Estranho

Avaliar qualquer tipo de material que se encontra no produto e não faz parte de

sua composição

Corpo Estranho

Rinsagem de

retornável

Monitorar a efetividade da lavagem de embalagens de

vidros retornáveis

Chumbo

Defeitos Críticos de Embalagem

Avaliar defeitos críticos de embalagem, considerados

inseguros para o consumidor

Corpo lascado


48

O programa de auditoria, retorna uma pontuação que varia de 1000 a 900,

dependendo do desempenho da unidade. Já os outros parâmetros, por serem

calculados pela métrica PAP, o objetivo é sempre atingir o valor de 100%.

Como explicado anteriormente, as notas dos programas são calculadas por

uma combinação das notas dos parâmetros e, posteriormente, a nota da dimensão

é calculada pela combinação das notas dos programas. Uma vez calculada, a nota

de cada dimensão é transformada em uma coloração, como indicado pelo código

de coloração:

Quadro 2: Código de Cores para Segurança Alimentar.

Código Faixa de Nota Azul >900

Verde 899 – 700 Vermelho < 700


3.5.2. Qualidade da Planta

A dimensão Qualidade da Planta indica como a qualidade do processo afeta

o produto final e a percepção do consumidor. Apesar dos parâmetros desta

dimensão serem avaliados mensalmente, a nota final segue a frequência anual, em

que vale a média entre a nota do mês vigente e dos 11 meses anteriores.

Qualidade de Planta dois programas, que são explicados no quadro 3:

49

Quadro 3: Programas de Qualidade de Planta.

Programa Objetivo Parâmetros Físico-Químico Avaliar se os

parâmetros do produto final

estão de acordo com a

especificação

CO2 Brix,

Acidez titulavel (TA), Brix Invertido.

Água Ingrediente

Avaliar se a água tratada para o uso no produto final

está de acordo com as

especificações

Alcalinidade, Turbidez, Alumínio, Dureza


Como na dimensão anterior, os parâmetros obedecem a métrica PAP,

portanto o objetivo é atingir o valor de 100%.

Seguindo as mesmas etapas de cálculo, a nota final da dimensão é

classificada pelo código de coloração a seguir:

Quadro 4: Código de Cores para Qualidade de Planta.

Código Faixa de Nota Azul 100 a 97,5%

Verde 97,4% a 89,5% Amarelo 89,4% a 79,5%

Vermelho <79,5%


3.5.3. Qualidade de Mercado

A dimensão Qualidade de Mercado tem como objetivo analisar a qualidade

dos produtos no mercado. Analisa parâmetros de qualidade e, assim como

Qualidade de Planta, a nota é calculada com a frequência anual. A dimensão é

composta por dois programas:

50

Quadro 5: Programas de Qualidade de Mercado.

Programa Objetivo Parâmetros Aparência de embalagem

Avaliar defeitos de embalagem

que podem impactar

negativamente o consumidor

Defeitos

Torque Avaliar a qualidade de

fechamento da embalagem

Torque


Os parâmetros da dimensão são calculados pela métrica PAP e são

transformados de acordo com o código de coloração:

Quadro 6: Código de Cores para Qualidade de Mercado

Código Faixa de Nota Azul 100 a 97,5%

Verde 97,4% a 89,5% Amarelo 89,4% a 79,5%

Vermelho <79,5%


51

4. Resultados e Discussões

Com a unidade caso determinada, serão apresentadas neste capitulo as

etapas seguintes, em que os dados serão coletados, analisados e discussões

pertinentes serão abordadas.

Apesar da descrição das etapas da coleta de dados na seção 3.4, faz-se

necessária uma explicação em relação aos períodos de coleta e análise. O primeiro

momento de coleta, destinado aos dados do indicador de qualidade, teve início no

começo de maio de 2018, portanto, as informações obtidas foram do período entre

janeiro e abril de 2018. A análise destes primeiros dados teve como principal

objetivo avaliar detalhadamente os resultados do Indicador de Qualidade, a partir

da análise histórica do IQ, análise de agrupamento e diagrama de pareto, que serão

detalhados nas seções seguintes.

Sendo assim, a segunda etapa de coleta de dados só poderia ser iniciada

após a identificação dos principais parâmetros de qualidade que impactam

negativamente no IQ e após a implementação do sistema on-line em todas as

unidades produtoras. Portanto, o segundo momento de coleta de dados (dados do

processo produtivo) teve início em agosto de 2018, e os gráficos de controle

analisados abrangem o período de janeiro a agosto de 2018. Como o objetivo

principal das análises dos gráficos de controle é entender o perfil dos parâmetros

de qualidade no processo, como afetam o IQ e criar uma base para que a empresa

possa tomar ações no futuro, a diferença entre os períodos não afeta a conclusão

do objetivo final deste trabalho,

Devido aos termos de confidencialidade com a empresa, os dados não serão

apresentados integralmente e deste ponto em diante as unidades produtoras serão

representadas pelos números 1 a 18. Os parâmetros da Camada 4 do Indicador de

Qualidade serão denominados por letras gregas enquanto os parâmetros de

processo, coletados na rotina de produção, serão denominados de A à Z.

4.1. Coleta de Dados do Indicador e Análise Histórica

Como citado na seção 3.4, o primeiro momento de coleta de dados, refere-

se aos dados do Indicador de Qualidade (IQ). Como proposto, estes dados foram

52

calculados e fornecidos pela empresa de acordo com seus padrões internos, para

as avaliações das unidades.

As informações obtidas abrangem as 18 unidades produtoras durante o

período de janeiro de 2018 a abril de 2018

Para fins de comparação neste trabalho, serão analisados dados referentes

a um único produto final, variando somente o volume da embalagem e a linha de

produção.

A primeira análise realizada foi uma avaliação histórica do IQ. Utilizando as

notas finais da Camada 1, de frequência anual (média da nota obtida no mês atual

e nos últimos 11 meses anteriores), o quadro 7 foi construído:

Quadro 7: Classificação das unidades produtoras pela Camada 1 na frequência anual – janeiro a abril de 2018.

UNIDADES JANEIRO FEVEREIRO MARÇO ABRIL 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18


Avaliando o quadro 7, nota-se que, ao longo do primeiro quarter de 2018, a

maioria das notas da Camada 1 são classificadas como amarelas ou vermelhas no

código de cores, com exceção da unidade 7.

53

Visto que as notas do IQ seguem o sistema de cascateamento, como

apresentado na seção 3.5, foram analisadas as notas da Camada 2, com a

frequência anual, de cada unidade no mês de abril de 2018 na tentativa de

identificar qual dimensão mais afetou a nota final do IQ

Quadro 8: Classificação das unidades produtoras na Camada 2 na frequência anual -abril de 2018.

UNIDADES SEGURANÇA ALIMENTAR

QUALIDADE DE PLANTA

QUALIDADE DE MERCADO

DIMENSÃO DETERMINANTE

1 Segurança alimentar 2 Qualidade de Planta 3 Qualidade de Planta 4 Qualidade de Planta

5 Seg. Alimentar e Qual.

de Planta 6 Qualidade de Planta 7 Qualidade de Planta 8 Qualidade de Planta 9 Qualidade de Planta 10 Qualidade de Planta 11 Qualidade de Planta 12 Qualidade de Planta 13 Qualidade de Planta 14 Qualidade de Planta 15 Qualidade de Planta 16 Qualidade de Planta 17 Qualidade de Planta 18 Qualidade de Mercado


Observa-se que, das 18 unidades produtoras, apenas 2 apresentaram nota

baixa (<700) em Segurança Alimentar e 4 apresentaram nota média (79,5% a

89,4%) em Qualidade de Mercado. Observa-se, também, uma situação crítica com

relação à Qualidade da Planta, onde apenas 2 unidades apresentaram níveis

adequados para este índice. Portanto, a dimensão Qualidade de Planta é que mais

impacta a Camada 1 do IQ, com 80% das unidades produtoras afetadas. Desta

forma, fica claro a criticidade desta dimensão e o potencial de melhoria ao analisa-

la.

54

4.2. Análise de Agrupamento

A próxima etapa realizada foi a análise de agrupamento, com o objetivo de

agrupar as unidades produtoras mais similares e, desta forma, identificar qual grupo

de unidades será foco de estudo.

A análise de agrupamento foi realizada com o auxílio do programa Minitab

(versão 16) e foram utilizadas como medidas de parecença as notas da Camada 4,

dos meses de janeiro a abril de 2018.

O método de ligação utilizado o Método do Vizinho Mais Longe (citado no

Minitab como de Ligação Completa) e a distância Euclidiana como medida de

dissimilaridade, optando pela padronização das variáveis. Após uma análise

primária e discussão com os responsáveis pelo projeto na empresa, optou-se por

formar um total de 5 grupos.

O dendograma obtido pela análise de agrupamento identificou os grupos a

seguir:

Figura 10: Dendograma por similaridade das unidades produtoras


Os grupos obtidos a partir do dendograma foram classificados de G1 a G5 e

resultaram na seguinte configuração:

55

Quadro 9: Identificação de Grupos e Unidades Produtoras

Grupo Unidades Produtoras G1 1 G2 2 – 3 – 4 – 5 – 6 – 7 G3 8 – 9 – 10 G4 11 – 12 – 13 – 14 – 15 – 16 G5 17 – 18

Fonte: Arquivo Pessoal.

4.3. Caracterização dos Grupos

A partir dos resultados obtidos pela Análise de Agrupamento, podemos

classificar os grupos avaliando as notas da Camada 2 apresentadas no Quadro 8.

A caracterização de cada grupo segue abaixo:

• Grupo 1: Composto apenas pela unidade 1, observa-se que a dimensão

Segurança Alimentar é classificada como inaceitável pela coloração

vermelha. A dimensão Qualidade de Planta possui notas que sugerem

atenção, sendo classificada pela cor amarela. Apenas a dimensão Qualidade

de Mercado possui uma classificação adequada, representada pela cor

verde;

• Grupo 2: Composto pelas unidades de 2 a 7. Em relação a dimensão

Segurança Alimentar, apenas a unidade 5 possui uma classificação

inaceitável, já as outras unidades possuem classificações adequadas, sendo

que as unidades 3, 4, 6 e 7 são avaliadas como verde e a unidade 2, como

excelente pela coloração azul. Para a dimensão Qualidade de Mercado,

todas as unidades deste grupo apresentaram classificação adequada, sendo

que a unidade 3 chega a ter uma avaliação excelente e classificada como

azul. Já para a dimensão Qualidade de Planta, apenas a unidade 7 possui

classificação adequada (cor verde), as outras unidades foram avaliadas

como inaceitáveis (cor vermelha);

• Grupo 3: O Grupo 3, composto pelas unidades de 8 a 10, possui a dimensão

Segurança Alimentar verde em todas as unidades. Em relação a dimensão

Qualidade de Planta, a unidade 8 possui classificação insatisfatória (cor

vermelha) e as unidades 9 e 10 possuem classificação de atenção (cor

56

amarela). A dimensão Qualidade de Mercado aparece com classificação de

atenção (cor amarela) em todas as unidades do grupo. Nota-se que este é o

único grupo que possui esta classificação em todas as unidades;

• Grupo 4: O grupo 4 é formado pelas unidades 11 a 16 e possuem

classificação satisfatória na dimensão Segurança Alimentar em todas as

unidades. A dimensão Qualidade de Mercado também aparece como

satisfatória, com as unidades 11, 12, 13 e 14 avaliadas como excelentes (cor

azul). A dimensão Qualidade de Planta é classificada como insatisfatória

para a unidade 15 (cor vermelha) e de atenção (cor amarela) para as outras

unidades do grupo;

• Grupo 5: Composta apenas pelas unidades 17 e 18, apresenta classificação

satisfatória para a dimensão Segurança Alimentar. A unidade 17 apresenta

avaliação de atenção (cor amarela) para Qualidade de Planta e satisfatória

para Qualidade de Mercado. Na unidade 18 a situação se inverte, sendo a

classificação é satisfatória em Qualidade de Planta e de atenção em

Qualidade de Mercado.

Após as avaliações necessárias e discussões com a equipe responsável

pelo projeto na empresa, ficou claro que o principal interesse da companhia era a

melhoria da dimensão Qualidade de Planta, uma vez que é a dimensão da Camada

2 que apresenta maior impacto no IQ, como discutido na seção 4.1. Além disso, o

cenário da dimensão Qualidade de Mercado no Grupo 3, levou a equipe a entender

que esta dimensão poderia se tornar um problema tão crítico quanto Qualidade de

Planta se não fosse acompanhado.

Diante disto, optou-se por estudar mais profundamente os Grupos 2 e 3. O

Grupo 2 corresponde as unidades que possuem maior quantidade de avaliações

em vermelho para a dimensão Qualidade da Planta. Já o Grupo 3 possui todas as

unidades produtoras com classificação amarela na dimensão Qualidade de

Mercado, como verifica-se no Quadro 8.

57

4.4. Coleta de Dados do Processo

A partir da determinação dos grupos focos deste estudo, deu-se início a uma

nova coleta de dados referente ao processo produtivo. Como explicitado na seção

3.2, os dados necessários do processo produtivo foram coletados por meio de um

sistema interno da empresa. Para variáveis, esses dados se resumem a coleta dos

gráficos gerados pelo sistema on-line implementado em agosto, já para atributos

(que não tem seus gráficos gerados por esse sistema), os dados foram coletados

do sistema que já existia previamente na companhia.

Para cada parâmetro analisado laboratorialmente na Camada 5 do IQ,

existem parâmetros equivalentes ou complementares no processo produtivo.

Parâmetros equivalentes, indica que o mesmo parâmetro analisado na Camada 5

existe no processo produtivo e pode ser acompanhado em diferentes etapas do

processo produtivo, afim de manter a qualidade do produto. Parâmetros

complementares, indica que um dos parâmetros analisados na Camada 5 podem

não existir no processo, mas podem ser monitorados ao avaliar o comportamento

de dois parâmetros diferentes no processo produtivo.

Pra exemplificar, supondo uma avaliação da qualidade de uma água

envasada por meio da medição laboratorial do parâmetro contaminação

microbiológica. Podemos avaliar este parâmetro no processo produtivo, ao medir a

contaminação microbiológica antes e depois de um aumento de temperatura que

eliminaria a contaminação. Neste caso, estamos falando de parâmetros de

qualidade no processo que são equivalentes aos analisados laboratorialmente e

em mais de um ponto produtivo.

Da mesma forma, para avaliar a contaminação microbiológica poderiam ser

avaliados no processo a disponibilidade de oxigênio e o crescimento

microbiológico. Esses são exemplos de dois parâmetros complementares, pois sua

relação pode afetar o parâmetro de contaminação.

Devido as relações entre os parâmetros analisados laboratorialmente que

compõe a Camada 4 do IQ e parâmetros de qualidade no processo (parâmetros de

processo), o acompanhamento do último na rotina da produção garante um melhor

controle de processo e diminui as chances de um resultado fora de especificação

58

na Camada 5, consequentemente haveria um aumento na nota da Camada 4 do

IQ.

Por isso, foram coletados dados de processo de se relacionam aos

parâmetros da Camada 4 do IQ. Para fins de organização da monografia, as

análises serão separadas entre o Grupo 2 e o Grupo 3.

4.5. Avaliação dos parâmetros de qualidade do Grupo 2

4.5.1. Diagrama de Pareto

Durante o processo produtivo são diversos os parâmetros avaliados,

tornando a quantidade de dados coletados muito extensa, já que a dimensão

Qualidade de Planta apresenta mais de um programa na Camada 3.

Afim de focar nos parâmetros de processo que impactam negativamente a

dimensão Qualidade de Planta e possuem maior potencial para melhoria, foram

construídos Diagramas de Pareto para cada programa da Camada 3 do IQ, a partir

dos dados da Camada 5.

O diagrama de Pareto que segue foi construído utilizando os dados da

Camada 5 que compõem os parâmetros da Camada 4, do programa Físico-

Químico, pertencente a dimensão Qualidade de Planta, obtidos nas unidades 2 a

7(Grupo 2), entre o período de janeiro de 2018 e abril de 2018. Utilizou-se o

software Minitab v16 para essa construção.

Figura 11: Diagrama de Pareto do programa Físico Químico - Grupo 2


59

Nota-se que o parâmetro da Camada 4 no programa Físico-Químico que

aparece fora de especificação com maior frequência é o parâmetro α. Investigando

os dados deste parâmetro observou-se que 98,36% das amostras fora de

especificação foram classificadas abaixo do limite inferior de especificação.

Pelo diagrama de Pareto, os percentuais relativos aos parâmetros e se

igualam. Ao aprofundar algumas análises, observou-se que o parâmetro

apresenta ocorrências fora de especificação em mais unidades que o parâmetro .

Em 6 unidades produtoras, o parâmetro apresenta as análises laboratoriais fora

de especificação, com 84,21% não conformes abaixo de especificação e 15,79%

acima de especificação. Já o parâmetro tem ocorrências fora de faixa de

especificação em 4 unidades produtoras. Seguindo o mesmo raciocínio, o

parâmetro possui 47,37% analises abaixo da faixa de especificação, contra

52,63% acima de especificação.

Durante o período avaliado, de janeiro a abril de 2018, as unidades

pertencentes ao Grupo 2 não apresentaram resultados fora de especificação na

Camada 5 para o programa Água Ingrediente da dimensão Qualidade de Planta.

Diante disto, os parâmetros de processos relacionados ao programa da Camada 3,

Água Ingrediente, não serão avaliados nas cartas de controle.

4.5.2. Gráfico de Controle para Variável

As cartas de controle para variáveis apresentadas ao longo deste tópico,

foram obtidas pelo sistema on-line interno implementado na empresa em agosto de

2018. Por ser integrado ao sistema já existente, o software permitiu a construção

automática de gráficos de controle �̅-S do período entre janeiro de 2018 e agosto

de 2018.

Junto ao gráfico de controle gerado, também são apresentadas outras

informações de importância para controle de qualidade:

• No topo do gráfico são apresentadas faixas em vermelho e/ou amarelo caso

algum dos critérios adotados pela empresa para indicar um processo fora de

controle, apresentados na seção 2.3.2, seja identificado;

60

• No próprio gráfico são traçadas linhas em vermelho que indicam o limite

superior de especificação e o limite inferior de especificação (LSE e LIE) para

o parâmetro de processo que está sendo analisado;

• No gráfico são desenhadas faixas de controle, que representam as Zonas A,

B e C, de um, dois e três desvios-padrões, citadas no seção 2.3.2. Estas

zonas são indicadas pelas cores verde, amarelo e vermelho,

respectivamente

• Os limites de controle são indicados por linhas tracejadas, sendo o limite

central a divisão entre as zonas verdes e os limites de controle definidos pelo

término da zona vermelha;

• Na parte inferior do gráfico são apresentados os valores dos limites de

processo (LC, LSC e LIC).

No mesmo sistema, são calculadas as informações de � e ��para os dados

do parâmetro.

Além disso, o sistema implementado pela empresa permite, para alguns

parâmetros de processo, a estratificação dos gráficos de controle �̅-S por linha de

produção e volume de embalagem do produto final.

Afim de identificar as cartas de controle que serão apresentadas, foi utilizada

a seguinte lógica de nomenclatura: (Parâmetro).(Unidade Produtora).(Linha de

Produção).(Volume do Produto Final). Portanto, se a carta é referente ao parâmetro

de processo Z, na Unidade 1, linha de produção 3 e volume do produto final 2000

ml, a carta de controle S será identificada como Z.1.3.2000.

Como já citado, os gráficos de controle �̅-S são referentes aos parâmetros

acompanhados no processo produtivo. Os parâmetros de processo se relacionam

com os parâmetros analisados laboratorialmente na Camada 4 do IQ como segue

no quadro 10:

Quadro 10: Relação entre parâmetros do IQ e parâmetros de processo

Parâmetros Camada 5

Parâmetro de Processo

α A e B C, D e E C e F

Fonte: Arquivo Pessoal.

61

As unidades produtoras do Grupo 2, por sua vez, seguem a distribuição entre

linhas de produção e volumes de produto final apresentadas no quadro abaixo:

Quadro 11: Relação entre linhas de produção e volumes finais de produto para as unidades produtoras do Grupo 2.

Unidade Quantidade de Linhas de Produção

Tipos de Volume Final

(ml) 2 2 1000

350 269

3 2 2000 237

4 2 1000 237

2000 5 2 2000

350 6 2 1000

2000 7 2 2000

3300 350


Como apresentado na seção 4.5.1, as análises laboratoriais da Camada 5

no programa Físico-Quimico que representam a maior proporção de ocorrências

fora de controle são pertencentes ao parâmetro α, responsável por

aproximadamente 60% das ocorrências fora de especificação.

Por isso, na seção a seguir, serão apresentados e discutidos apenas os

gráficos de controle �̅-S dos parâmetros de processo A e B que se relacionam ao

parâmetro α.

4.5.3. Análise dos gráficos de controle �̅-S dos parâmetros de processo

A e B

62

Nesta seção, serão abordadas as análises e discussões referentes aos

gráficos de controle �̅-S dos parâmetros de processo A e B, equivalentes ao

parâmetro α.

Para melhor visualização, as análises foram separadas por unidade

produtora seguidas de seus respectivos gráficos de controle.

• Unidade 2

Iniciando as análises pelo parâmetro A, nota-se no gráfico 12 duas faixas

amarelas no topo do gráfico, sinalizando que foram encontrados os critérios da

empresa para indicação de processo fora de controle. A primeira faixa indica que

foram encontrados quatro de cinco pontos consecutivos maiores que um desvio

padrão (critério 6), já a segunda faixa indica que um ponto está abaixo do limite de

controle (critério 1), neste caso, o limite de controle inferior.

Comparando as linhas de produção da unidade, é possível perceber que os

gráficos 13 e 14 possuem zonas de controle muito amplas, fazendo com que os

limites de controle ultrapassem os limites de especificação, enquanto o gráfico 12

possui zonas de controle mais próximas, ainda assim, excedendo o limite de

superior de especificação.

A distância elevada entre os limites de controle e o fato de pelo menos um

dos limites de controle não estarem dentro dos limites de especificação se refletem

nos valores de � e �� de cada linha de produção, como dispostos na tabela 3:

Tabela 3: Valores de Cp e Cpk para parâmetro A - Unidade 2

Linha de produção – Parâmetro A

��

A.2.1.1000 1,18 0,72 A.2.2.269 0,78 0,63 A.2.2.350 0,63 0,63


Mesmo o processo representado por A.2.1.1000 possuindo o valor mais

elevado de � dos três processos, de forma geral nenhum possuem a capacidade

para reproduzir produtos dentro de especificação.

63

Os valores de �� menor que � nos processos representados por

A.2.1.1000 e A.2.2.269 demonstram que este não está centralizado em relação aos

limites de especificação, no entanto, o processo representado por A.2.2.350 tem �

igual a ��, o que indica a centralização do processo. Nos gráficos, essa análise

fica clara: no gráfico 12, do processo A.2.1.1000, o limite central de controle está

mais próximo do limite superior de especificação, portanto seu deslocamento é para

a faixa superior; o gráfico 13, do processo A.2.2.269, não possui deslocamento

visível sugerindo a centralização do processo; no gráfico 14, do processo A.2.2350,

há um deslocamento para a faixa inferior, pois a zona inferior vermelha aparece

depois do limite inferior de especificação.

Dessa forma, com exceção do processo A.2.1.1000 (Gráfico 12) que

apresenta indicações de um processo não controlado pelos critérios 1 e 6, todos os

outros processos podem ser considerados sob controle, uma vez que não

apresentam nenhum dos critérios da empresa. Porém, nenhum dos processos está

adequado para os parâmetros de especificação, visto que os valores de � e ��

não atingem o nível adequado de 1,33.

Passando para a análise do parâmetro B e sendo este similar e sequencial

ao parâmetro A, ou seja, a mesma medição apenas em um ponto produtivo

seguinte e em menor frequência, a comparação dos dois parâmetros em alguns

pontos se faz necessária.

Devido ao aumento na variabilidade dos processos, o processo

representado no gráfico 15 passa a ter os dois limites de controle excedendo os

limites de especificação, assim como no gráfico 17. É possível chegar nessa

conclusão pois tanto as zonas vermelhas inferiores de controle como os limites

inferiores de especificação, em ambos gráficos, ficam além da escala apresentada,

não sendo possível visualizá-los.

O aumento da variabilidade do processo e o fato de não estar dentro dos

limites de especificação são refletidos nos valores de �, menores que 1,33 e

menores que os obtidos para o parâmetro A, como apresentado na tabela 4:

64

Tabela 4: Valores de Cp e Cpk para parâmetro B - Unidade 2

Linha de Produção – Parâmetro B

��

B.2.1.1000 0,88 0,51 B.2.2.350 1,22 1,22 B.2.2.269 0,66 0,52


Os valores de � e �� são iguais para o processo representado por

B.2.2.350, semelhante ao encontrado no parâmetro A, sinalizando que o processo

está centralizado em relação aos limites de especificação. Para B.2.1.1000 e

B.2.2.269 os valores de �� continuam menores que �, indicando deslocamento

em relação a especificação.

Assim, a análise dos gráficos destes processos leva a considerar todos os

processos do parâmetro B dentro de controle estatístico, uma vez que não foram

violados nenhum dos critérios da empresa e todos os dados estão dentro dos

limites de controle. Porém nenhum dos processos do parâmetro B está adequado,

uma vez que os valores de � e �� não atingem o nível exigido pela empresa e

sugerido na bibliografia, de 1,33.

Figura 12: Gráfico de controle A.2.1.1000


65



Figura 14:Gráfico de controle A.2.2.269


Figura 15: Gráfico de controle B.2.1.1000


66



Figura 17:Gráfico de controle B.2.2.269


• Unidade 3

No gráfico 19, processo referente ao parâmetro A, um dos critérios utilizados

pela empresa para identificação de processos fora de controle foi encontrado,

gerando uma faixa amarela no topo do gráfico. Neste caso, corresponde ao critério

6, em que quatro de cinco pontos consecutivos são maiores que um desvio padrão.

Nos dois gráficos de parâmetro A, 18 e 19, a amplitude das faixas de controle

é grande, de forma a ultrapassar o limite superior de especificação. No caso do

gráfico 19, apenas o limite superior de controle ultrapassa o limite de especificação.

Já no gráfico 18, o limite superior de controle visivelmente ultrapassa o limite

superior de especificação, mas não é possível observar o limite inferior de

especificação na escala do gráfico

Essa variabilidade de processo se reflete nos valores de � menores que

1,33, demonstrando incapacidade de reprodução de produtos dentro dos limites de

especificações propostos para o processo, como pode ser observado na tabela 5:

67

Tabela 5: Valores de Cp e Cpk para parâmetro A – Unidade 3.

Linha de Produção – Parâmetro A

��

A.3.2.2000 0,70 0,36 A.3.1.237 0,78 0,46


Nos dois processos, os valores para �� são menores que �, indicando que

não estão centralizados em relação aos limites de especificação. Principalmente

para o processo A.3.2.237, representado no gráfico 19, é possível perceber o

deslocamento para a faixa superior, uma vez que o limite inferior de controle não

chega a ultrapassar o limite inferior de especificação e o limite central de controle

é mais próximo ao limite superior de especificação.

O comportamento dos dados apresentados no processo representado por

A.3.2.237 (gráfico 19) sugere que os dados estão viciados, devido a grande

quantidade de pontos no limite superior de especificação, levando a entender que

o processo não está sob controle. Já o processo A.3.2.1.2000 apresenta todos os

dados dentro dos limites de controle, como é visto no gráfico 18, e pode assim ser

considerado sob controle estatístico. No entanto, os dois processos do parâmetro

A na unidade 3 não podem ser considerados adequados, já que os valores de � e

�� não atingem 1,33 como sugerido pela bibliografia.

Comparando os processos do parâmetro B em relação ao parâmetro A, é

visível nos gráficos 20 e 21 que as zonas de controle tornaram-se mais amplas e

ultrapassam os limites de especificação do processo. O aumento da variabilidade

reflete nos valores de � menores que 1,33 e menores que os encontrados para o

parâmetro A, como demonstrado na tabela 6:

Tabela 6: Valores de Cp e Cpk para parâmetro B – Unidade 3.

Linha de produção – Parâmetro B

��

B.3.2.2000 0,59 0,52 B.3.1.237 0,63 0,44


68

Os valores encontrados para ��, sendo menores que os valores de �,

indicam que os dois processos da unidade não estão centralizados em relação aos

limites de especificação.

Pelo gráfico 20, representando o processo B.3.1.2000, percebe-se que

houve um deslocamento para baixo em relação mesma linha de produção no

parâmetro A, já que a linha superior de especificação está mais próxima ao limite

da zona superior amarela que nos gráficos do parâmetro A.

Apesar de não serem encontrados os critérios da empresa para processos

fora de controle nos gráficos, e possuindo todos os dados dentro dos limites de

controle gerados, pode-se dizer que os processos do parâmetro B estão sob

controle, porém não estão aptos para seguir os padrões propostos, uma vez que

em nenhum dos processo � foi maior que 1,33.





69





• Unidade 4

Analisando o parâmetro A na unidade 4, os gráficos 22 e 23 apresentam

indicações de processo fora de controle. No topo do primeiro, a faixa em vermelho

indica um ponto que ultrapassou o limite superior de especificação (critério 1) e a

faixa em amarelo indica a presença do critério 5, em que dois de três pontos

consecutivos são maiores que dois desvio-padrões de um mesmo lado da linha

central.

Já no gráfico 23, temos três pontos que ultrapassaram o limite superior de

especificação (critério 1). Há também a presença do critério 2, com sete pontos

consecutivos de um mesmo lado da linha central. Mais adiante no gráfico este

critério é novamente encontrado. No gráfico 24, não são encontrados nenhum dos

critérios adotados pela empresa para identificar processos fora de controle.

Os valores de � nos três processos são inferiores a 1,33, como segue na

tabela 7:

70



��

A.4.1.1000 0,62 0,31 A.4.1.237 0,60 0,31

A.4.2.2000 0,63 0,52


Os valores de � em todos os processos indica baixa capacidade de

produção dentro dos limites de especificação. Isso é corroborado pelos gráficos,

uma vez que as zonas de controle tanto superiores quanto inferiores excedem os

limites de especificação, ou seja, possuem grande variabilidade.

Sendo �� inferior a � nos três processos, afirma-se que estes não estão

centralizados em relação aos limites de especificação. É possível notar nos

gráficos, em todos os casos, o deslocamento do processo para a faixa superior de

especificação, uma vez que o limite central de controle está mais próximo do limite

superior de especificação.

Dadas as indicações dos critérios de processo fora de controle, temos que

os processos representados por A.4.1.1000 e A.4.1.237, nos gráficos 22 e 23, não

estão sob controle e também não estão adequados aos padrões propostos, pois

seus valores para � são inferiores a 1,33. Já o processo representado por

A.4.2.2000, no gráfico 24, está sob controle estatístico, mas não adequado para os

padrões requeridos, pois, assim como os anteriores, não possui valor de � igual

ou maior que 1,33.

Para os gráficos do parâmetro B, são observadas faixas vermelhas na parte

superior dos gráficos 26 e 27. No primeiro, temos dois pontos que ultrapassa o

limite inferior de controle (critério 1). Já no gráfico 27, verifica-se a ocorrência do

critério 2, ou seja, sete pontos consecutivos de um mesmo lado da linha central.

Observa-se em todos os gráficos que a amplitude das zonas de controle

diminuiu em relação aos gráficos do parâmetro A, pois os limites inferiores de

especificação são menores. Entretanto, os limites superiores de controle continuam

excedendo o limite superior de especificação, indicando que o processo não tem

capacidade para produção dentro dos limites de especificação.

71

Esta conclusão é refletida nos valores obtidos de � destes processos que,

apesar de aumentarem em relação ao parâmetro A, continuam abaixo de 1,33,

como apresentado na tabela 8:



��

B.4.1.1000 0,95 0,48 B.4.1.237 1,02 0,40

B.4.2.2000 0,83 0,39


Os valores de �� em todos os processos se mantiveram inferiores aos

valores de �, indicando que estão deslocados em relação aos limites de

especificação. Neste caso, é possível concluir pela observação dos gráficos que o

deslocamento é para a faixa superior de especificação, visto que o limite central de

controle se mante mais próximo do limite superior de especificação.

O processo B.4.1.237, representado no gráfico 26 possui indicações de não

estar sob controle estatístico e o mesmo acontece para o processo B.4.2.2000, do

gráfico 27, devido a presença dos critérios da empresa para identificar processos

fora de controle. O processo B.4.1.1000, representado no gráfico 25, pode ser

considerado sob controle, ainda assim, os três processos não estão aptos para

seguir as especificações requeridas pois não atendem ao requisito de � maior ou

igual a 1,33.



72







73





• Unidade 5

Nos dois processos do parâmetro A, os valores de � são inferiores a 1,33,

como segue na tabela 9:



��

A.5.1.2000 0,63 0,49 A.5.2.350 0,60 0,46


O que indica que os processos não são capazes de reproduzir um produto

dentro das especificações desejadas. Isso pode ser analisado visualmente nos

gráficos, já que a distância entre os limites de controle é grande, e estes

74

ultrapassam os respectivos limites de especificação, sugerindo assim a presença

de grande variabilidade no processo.

Os valores calculados para �� nos dois processos são menores que os

valores de �, ou seja, os processos não são centralizados em relação aos limites

de especificação. Pela avaliação dos processos e seus respectivos gráficos, o

deslocamento do processo é direcionado para a faixa superior de especificação,

perceptível pelo limite central de controle estar mais próximo do limite superior de

especificação.

Em ambos processos, os gráficos não apresentam oscilações relevantes

nem indicações de não controle, segundo os critérios adotados pela empresa.

Assim, os processos A.5.1.2000 e A.5.2.350, representados pelos gráficos 28 e 29,

podem ser considerados sob controle estatístico. Porém, devido aos valores de �

inferiores a 1,33, não estão adequados em relação aos padrões de processo.

Em relação aos processos do parâmetro B, os dois gráficos, 30 e 31,

apresentaram uma diminuição da amplitude das zonas de controle se comparadas

ao parâmetro A, porém ainda se mantem elevadas. No primeiro gráfico o limite de

controle superior ultrapassa o limite superior de especificação e os limites inferiores

de controle e de especificação ficam além da escala apresentada, não sendo

possível visualizá-los. Já no segundo gráfico, ambos os limites de controle

ultrapassam os respectivos limites de especificação, demonstrando que o processo

ainda possui grande variabilidade.

Isso pode ser analisado também pelos valores calculados para �, que

continuam menores que 1,33 ainda que maiores que os calculados para o

parâmetro A, como demonstra a tabela 10:



��

B.5.1.2000 1,00 0,61 B.5.2.350 0,75 0,43


75

Os valores para �� continuam menores que os valores de �, nos dois

processos, indicando que não estão centralizados em relação aos limites de

especificação. Se levarmos em consideração a análise dos gráficos, os processos

estão deslocados para a faixa superior, visto a maior proximidade da linha central

de controle ao limite superior de especificação, especialmente no gráfico 31.

Novamente, é possível concluir que os processos apresentados podem ser

considerados sob controle estatístico, uma vez que todos os pontos se encontram

dentro dos limites de controle e sem indícios dos critérios adotados pela empresa,

mas não estão adequados aos padrões necessários, uma vez que os valores de �

não atingem 1,33.





76





• Unidade 6

Para a unidade 6, nos dois processos do parâmetro A, representados pelos

gráficos 32 e 33, existem indicações de um processo fora de controle. No primeiro

gráfico, a faixa em vermelho no topo indica a presença do critério 2, ou seja, há

uma sequência de sete pontos do mesmo lado da linha central e, além disso, as

faixas em amarelo indicam a ocorrência do critério 5, com dois de três pontos

consecutivos maiores que dois desvios-padrão.

No topo do segundo gráfico, a primeira faixa em vermelho indica uma

sequência de sete pontos de um mesmo lado da linha central (critério 2) enquanto

a segunda e menor faixa indica um ponto que ultrapassou o limite de controle

(critério 1), neste caso o limite inferior de controle.

A amplitude elevada das zonas de controle demonstra que os processos

representados possuem alta variabilidade e não são capazes de produzir segundo

77

os limites de especificação com valores de �menores que 1,33, como segue na

tabela 11:



��

A.6.1.1000 0,67 0,28 A.6.1.2000 1,11 0,26


Já os valores de ��, sendo menores que � nos dois processos, indicam

que estes não estão centralizados em relação aos limites de especificação. Pelos

respectivos gráficos, é possível observar que o deslocamento do processo é para

a faixa superior, uma vez que o limite superior de especificação é próximo ao limite

central de controle e está traçado no limite das zonas verde e amarela superiores.

Devido às ocorrências dos critérios da empresa, indicadas no topo dos

gráficos, e, aliado a isso, a existência de uma grande quantidade de pontos em

cima do limite de especificação superior sugerindo que os dados podem estar

viciados, conclui-se que os processos do parâmetro A na unidade 5 não estão sob

controle estatístico. Além disso, encontram-se inadequados em relação as

especificações, por possuírem valores de � menores que 1,33.

Para o parâmetro B, são encontradas duas situações diferentes. O processo

representado pelo gráfico B.6.1.1000 apresentou uma relativa melhora em relação

ao parâmetro A, já que a distância entre os limites de controle diminuiu e � e ��

aumentaram, como é observado pela tabela 12:



��

B.6.1.1000 0,68 0,42 B.6.1.2000 0,85 0,44


78

No entanto, � ainda é menor que 1,33 o que demonstra que o processo

possui muita variabilidade e pouca capacidade de produzir dentro das

especificações, assim como � continua menor que � indicando que o processo

mantem o deslocado em relação as especificações. Pelo gráfico o deslocamento

para a faixa superior é perceptível devido à proximidade entre o limite superior de

especificação e o limite central de controle.

O processo representado pelo gráfico 34, no entanto, piorou comparado ao

parâmetro A: seus limites de controle se distanciaram e os valores de � e �

diminuíram, como visto na Tabela 12.

Para os dois processos do parâmetro B, a distribuição dos pontos pode levar

à consideração de processos sob controle estatísticos, já que todos os pontos estão

dentro dos limites de controle e sem a presença de critérios indicativos de

descontrole, mas a análise conclui que não estão adequados para os padrões

requisitados principalmente devido aos valores de � não atingirem 1,33.





79



Figura 35:Gráfico de controle B.6.1.2000


• Unidade 7

Na análise em relação ao parâmetro A é possível observar que o gráfico 36

possui indicações de ocorrências dos critérios adotados pela empresa para

identificar processos fora de controle. No topo do gráfico uma faixa vermelha indica

a presença do critério 1, sinalizando um ponto ultrapassando o limite inferior de

controle. Em seguida, duas faixas amarelas indicam, respectivamente, quatro de

cinco pontos em sequência maiores que um desvio padrão (critério 6) e dois de três

pontos maiores que dois desvios padrão.

No topo do gráfico 37, há diversas sinalizações de ocorrências dos critérios

citados: duas vezes a ocorrência do critério 6, como quatro de cinco pontos

consecutivos maiores que um desvio padrão, sinalizados na primeira e na quarta

faixa amarela; três vezes a ocorrência do critério 5, com dois de três pontos

consecutivos maiores que dois desvios padrão, sinalizados na segunda, terceira e

80

sexta faixa amarela; ocorrência do critério 3, sinalizado na quinta faixa amarela, em

que seis pontos consecutivos são decrescentes.

De forma geral, os processos da unidade produtora 7, apresentam uma

amplitude entre os limites de controle menor que encontrado nas outras unidades.

Ainda assim, para o gráfico 36, o limite superior de controle excede o limite superior

de especificação e no gráfico 38 os dois limites de controle excedem seus

respectivos limites de especificação. Apenas no gráfico 37 os limites de controle

não excedem os limites de especificação, ainda que o limite superior de controle e

de especificação estejam sobrepostos.

Isso se reflete nos valores encontrados para �, como apresentado na tabela

13:



��

A.7.1.2000 1,15 0,83 A.7.1.3300 1,39 0,95 A.7.2.350 0,79 0,77


Pela tabela, apenas o processo representado por A.7.1.3300 tem � maior

que 1,33 e, portanto, tem capacidade de reproduzir um produto dentro das

especificações.

Entretanto, em todos os processos representados, o valor de �� é menor

que o valor de �, indicando que o processo está deslocado em relação aos limites

de especificação. Pela análise dos gráficos, todos os processos, estão deslocados

para a faixa superior, uma vez que o limite de central de controle está mais próximo

do limite superior de especificação.

Dos processos do parâmetro A, apenas o representado por A.7.2.350 pode

ser considerado sob controle estatístico, pois seu gráfico (gráfico 38) não possui

indicações de ocorrências dos critérios da empresa, porém, ele não está adequado

às especificações. Os outros dois processos são considerados não controlados

estatisticamente, em vista da presença de critérios adotados pela empresa. O

processo representado por A.7.1.2000 (gráfico 36) tampouco pode ser considerado

81

adequado aos padrões do processo, pois o valor de � é menor que 1,33. Porém,

pela primeira vez nas análises dos parâmetros A e B, um processo pode ser

considerado adequado aos padrões de especificação, o processo A.7.1.3300

(gráfico 37), que possui � maior que 1,33.

Para o parâmetro B, os três gráficos sinalizam a existência dos critérios da

empresa para processos fora de controle. No gráfico 39 duas faixas amarelas no

topo do gráfico indicam que dois de três pontos sequenciais são maiores que dois

desvio padrão (critério 5). No gráfico 40 todas as faixas amarelas sinalizam a

ocorrência do critério 5, já as faixas vermelhas menores, que aparece seis vezes

no topo do gráfico, indicam a ocorrência do critério 1, em que um ponto ultrapassa

o limite de controle, sendo que quatro destas ocorrências ultrapassam o limite

inferior de controle. A última faixa vermelha indica uma sequência de seis pontos

decrescentes (critério 3). No gráfico 41 a única sinalização em amarelo indica a

ocorrência do critério 5.

Em relação aos processos do parâmetro B, todos apresentaram alguma

melhoria quando comparados aos processos do parâmetro A. Em todos os casos,

a amplitude dos limites de controle diminuiu, e apenas no gráfico 41 o limite superior

de controle excede o limite superior de especificação.

Porém, o único processo que possui valor de � maior que 1,33 e, portanto,

adequado às especificações, é o processo representado por B.7.1.3300. Os outros

processos do parâmetro B continuam sendo considerados não adequados aos

limites de especificação, com valores de � inferiores a 1,33, como observado na

tabela 14:



��

B.7.1.2000 1,28 1,00 B.7.1.3300 1,98 1,41 B.7.2.350 1,00 0,78


82

Também é possível observar que em todos os processos os valores de ��

continuam inferiores a �, indicando um deslocamento do processo em relação as

especificações.

Analisando os gráficos dos respectivos processos do parâmetro B, percebe-

se que os deslocamentos são para a faixa superior, já que a linha central de controle

é mais próxima ao limite superior de especificação e que o limite inferior de

especificação é distante do limite inferior de controle.

Portanto, em relação ao parâmetro B, apenas um dos processos pode ser

considerado apto para reproduzir produtos dentro dos limites de especificação, o

processo representado por B.7.1.3300, por possuir � maior que 1,33. No entanto,

não pode ser considerando sob controle estatístico, pois como os outros

processos, possui indicações de processos fora de controle estatístico no seu

gráfico, gráfico 41.





83







84



4.6. Avaliação dos parâmetros de qualidade do Grupo 3

4.6.1. Diagrama de Pareto

Análogo a proposta do Grupo 2, a análise para o Grupo 3 tem como objetivo

a identificação dos parâmetros de processo que mais impactam a dimensão

Qualidade de Mercado e possuem potencial para melhoria.

Há dois programas na Camada 3 pertencentes a dimensão Qualidade de

Mercado: Aparência da Embalagem e Torque. O diagrama de Pareto foi construído

para o programa Aparência de Embalagem, no entanto, o programa Torque não

apresentou análises da Camada 5 fora de especificação para as unidades do Grupo

3 no período analisado e, portanto, não será apresentado seu diagrama de Pareto.

O Diagrama de Pareto abaixo foi construído utilizando os dados da Camada

5 que compõem os parâmetros da Camada 4, do programa Aparência de

Embalagem, obtidos nas unidades 8 a 10 (Grupo 3), entre os períodos de janeiro

de 2018 e abril de 2018. Para a construção do diagrama de Pareto foi utilizada a

ferramenta Minitab v16.

85

Figura 42: Diagrama de Pareto programa Aparência de Embalagem - Grupo 3


No diagrama de Pareto acima, sete tipos de defeitos foram identificados.

Fazendo uma análise semelhante a do grupo 2, observa-se que há um parâmetro

responsável por 56% de todos os defeitos encontrados no período analisado,

portanto, o maior impacto no programa Aparência de embalagem. Dessa forma, um

estudo aprofundado deste parâmetro, denominado por , é necessário.

4.6.2. Gráficos de Controle para Atributos

Como discutido na seção 4.4, existem relações entre cada parâmetro da

Camada 4 do IQ e os parâmetros no processo produtivo e, por isso, acompanhar o

parâmetro de qualidade do processo na rotina de produção garante um melhor

controle de qualidade e melhoria na nota do IQ.

Para o caso do Grupo 3, em que a avaliação é focada na dimensão

Qualidade de Mercado da Camada 2, a ideia não é diferente. No entanto, os

parâmetros de qualidade analisados são classificados como atributos e, como

citado na seção 3.4, o sistema on-line implementado na empresa não gera gráficos

de controle para atributos.

Assim, estes deveriam ser construídos utilizando os dados coletados do

sistema já existente na empresa. Porém, durante a coleta dos dados foram

encontradas inconsistências que impediram a construção dos gráficos de controle

para atributos.

86

Além da insuficiência de dados para gerar uma análise consistente, os dados

vinham na forma descritiva e não quantitativa, ou seja, uma avaria na embalagem

não era contabilizada, mas sim descrita qual o tipo de avaria observada.

Mesmo sem a construção e análise dos gráficos, houve a identificação de

uma oportunidade de melhoria de processo da empresa nesta etapa. Devido às

dificuldades encontradas, foi sugerido que a empresa alterasse a forma como a

coleta de dados era feita, passando a contabilizar também a quantidade de

embalagens com defeitos. Além disso, foi sugerido o aumento na frequência de

avaliação dos parâmetros complementares a no processo produtivo.

87

5. Conclusão

A análise do histórico do Indicador de Qualidade e das notas da Camada 2

entre o período de janeiro e abril de 2018 por unidade mostram a situação crítica

em que se encontram as unidades produtoras. Este cenário é avaliado através dos

parâmetros de qualidade de processo com os quais os parâmetros da Camada 4

do IQ se relacionam, especialmente com a dimensão da Camada 2 Qualidade de

Planta.

O parâmetro analisado laboratorialmente que gera maior impacto para o

programa Físico-Químico da dimensão Qualidade de Planta é o parâmetro α,

responsável por 60% dos defeitos deste programa. Os parâmetros de processo

com que ele se relaciona, parâmetros A e B, se dividem nas unidades entre

processos controlados estatisticamente e não controlados estatisticamente. Porém,

das conclusões mais relevantes em relação a esses parâmetros é que, estando ou

não sob controle estatístico, nenhum dos processos se encontra capaz de produzir

dentro dos limites de especificação estipulado, com exceção de dois processos na

unidade produtora 7. A avaliação da capacidade do processo produtivo foi realizada

tendo como premissa � igual ou maior que 1,33. Caso a avaliação passasse a

considerar os parâmetros A e B como críticos, devido a sua relevância perante ao

IQ, o valor adotado como base para � seria 1,50 e, neste caso, apenas um dos

processos seria considerado capacitado: o processo representado por B.7.1.3300

da unidade 7. Essa baixa capacidade se mostra ainda pior em processos que o

volume final do produto é menor.

Outra conclusão importante das análises dos parâmetros A e B é que estão

majoritariamente deslocados para a faixa superior do processo e não explicaria

porque as análises laboratoriais do IQ apresentam valores abaixo de especificação.

Um dos motivos desta discrepância é que os parâmetros A e B em questão podem

se degradar com o tempo. Por esse motivo, foi sugerido a empresa que realize

futuramente um estudo para entender o efeito do tempo em relação a esses

parâmetros.

A dimensão de Qualidade de Mercado, que também foi proposta para

análise, ainda não é considerada em situação crítica, porém durante as discussões

com os responsáveis pela empresa, esta dimensão foi considerada para análise

88

para prevenir uma possível diminuição das notas no IQ. No entanto, durante a

realização deste projeto, foram encontradas inconsistências nos dados coletados

para as análises. Diante das dificuldades encontradas para a avaliação do Grupo

3, foi sugerido que os parâmetros de processo necessários para a avaliação fossem

analisados com maior frequência e de forma quantitativa, não somente descritiva.

A condução deste trabalho, ao acompanhar a implementação do sistema on-

line e utilizar os gráficos de controle, uma das ferramentas mais completas do CEP,

para a avaliação do processo produtivo, não somente atingiu o objetivo principal da

monografia como gerou aprendizados e benefícios para a empresa utilizada como

unidade caso.

As análises levaram a identificação do parâmetro de processo que mais

impactava o indicador de qualidade e como estes se relacionavam. Com isto, a

empresa construiu uma base do comportamento dos parâmetros abordados e

tomou as primeiras ações para melhoria: proporcionou treinamentos para o uso da

ferramenta on-line, passou a utilizar os gráficos de controle para acompanhar à

distância o comportamento dos processos, realizou visitas técnicas abordando o

tema e traçou, em conjunto com as unidades produtoras, planos para diminuir a

variabilidade do processo. Além disso, as sugestões feitas durante a análise do

Grupo 3 foram implementadas mediante um outro projeto desenvolvido na

empresa, para que futuramente uma avaliação mais detalhada possa ser realizada,

gerando melhorias para o IQ. Utilizando os gráficos de controle para acompanhar

a rotina do processo, a empresa espera conduzir a operação a um olhar mais

detalhado e cuidadoso, gerando melhoria continua e elevando o patamar dos

resultados do indicador de qualidade.

89

6. Referências

BASSAB, W. de O.; SHIZUE MIAZAKI, E.; ANDRADE, D. F. de. Introdução a

Análise de Agrupamento. Simpósio Brasileiro de Probabilidade Estatística, p.

1–87, 1990.

CERVIERI JÚNIOR, O.; TEIXEIRA JUNIOR, J. R.; GALINARI, R.; RAWET, E. L.;

SILVEIRA, C. T. J. O Setor de Bebidas no Brasil. Banco Nacional de

Desenvolvimento Econômico e Social, v. 40, p. 93–129, 2014. Disponível em:

<http://www.mzweb.com.br/cremer/web/conteudo_pt.asp?idioma=0&tipo=15684&

conta=28>.

CIBELLE BOUÇAS. Lucro da Ambev cresce, mas volume vendido cai | Valor

Econômico. Disponível em: <http://www.valor.com.br/empresas/5515363/lucro-

da-ambev-cresce-mas-volume-vendido-cai>. Acesso em: 17 maio. 2018.

DIAS, D. D. S.; SILVA, M. F. Como Escrever Uma Monografia. 1a Edição ed. Rio

de Janeiro: Instituto COPPEAD, 2009. v. 384

GOεES, P. J. P. A evolução do conceito de qualidade : serviços de informação.

Cadernos BAD, v. 2004, p. 6–18, 2004.

GRANT, E. L. Statistical Quality Control. 2° Edition ed. New York: Graw-Hill Book

Company, Inc., 1952.

GREGORINI, G. dos S. Estratégia Competitiva no Mercado de Bebidas: Estudo

de Caso na Companhia de Bebidas das Américas - AmBev. 2006. Universidade

Federal de Santa Catarina, 2006.

HAIR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E.; TATHAM, R. L.

Multivariate Data Analysis. 5a Edição ed. Porto Alegre: Bookman, 2005.

HICKMAN, C. Setor de refrigerantes perde espaço no País - Jornal do

Comércio. Disponível em:

<http://jcrs.uol.com.br/_conteudo/2017/02/economia/546323-setor-de-

refrigerantes-perde-espaco-no-pais.html>. Acesso em: 17 maio. 2018.

JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 6a

Edição ed. New Jersey: Pearson, 2007.

JURAN, J. M.; GODFREY, a B.; HOOGSTOEL, R. E.; SCHILLING, E. G. Juran ’ S Quality Handbook. 6a Edição ed. [s.l.] Mc Graw Hill, 1999. v. 1

KUME, H. Métodos Estatísticos para Melhoria da Qualidade. [s.l.] Editora Gente,

1993.

90

MANLY, B. F.; ALBERTO, J. A. N. Multivariate Statistical Methods: A Primer. 4a

Edição ed. [s.l.] CRC Press, 2016.

MARTINS, E. Estudo de caso: Como elaborar um para seu TCC. Disponível em:

<https://blog.mettzer.com/estudo-de-caso-para-tcc/>. Acesso em: 17 maio. 2018.

MINITAB INC. Qual é a diferença entre uma população e uma amostra?

Disponível em: <https://support.minitab.com/pt-br/minitab/18/help-and-how-

to/statistics/basic-statistics/supporting-topics/data-concepts/how-are-population-

and-sample-different/>. Acesso em: 12 maio. 2018.

MONTGOMERY, D. C. Introdução ao Controle Estatístico de Qualidade. 7a

Edição ed. Rio de Janeiro: LTC, 2012a.

MONTGOMERY, D. C. Introdução ao Controle Estatístico de Qualidade. 4a

edição ed. Rio de Janeiro: LTC, 2012b.

MONTGOMERY, D. C.; RUNGER, G. C. Applied Statistics and Probability for

Engineers. 4a edição ed. [s.l.] LTC, 2009.

OAKLAND, J. S. Statistical Process Control. 5a Edição ed. Cornwall: Butterworth

Heinemann, 2003.

OLIVEIRA, C. C. de; GRANATO, D.; SOLANGE, M.; CARUSO, F.; SAKUMA, A. M.

Manual para elaboração de cartas de controle para monitoramento de processos

de medição quantitativos em laboratórios de ensaio. Secretaria do Estado da

Saúde - Governo do Estado de São Paulo, n. 1a Edição, p. 76, 2013. Disponível

em: <http://www.ial.sp.gov.br/resources/editorinplace/ial/2016_3_19/manual-carta-

controle_ial_2013.pdf>.

PORTAL ACTION. Distribuição Normal - Probabilidades | Portal Action.

Disponível em: <http://www.portalaction.com.br/probabilidades/62-distribuicao-

normal>. Acesso em: 12 maio. 2018.

RIBEIRO, J. L. D.; CATEN, C. S. ten. Série monográfica Qualidade Controle

Estatístico do Processo. 2012. Universidade Federal do Rio Grande do Sul, 2012.

Sistema IBGE de Recuperação Automática - SIDRA. Disponível em:

<https://sidra.ibge.gov.br/pesquisa/pia-produto/quadros/brasil/2015>. Acesso em:

30 abr. 2018.

controle estatÍstico de qualidade aplicado em uma

Documents