examples of lean six sigma applied to it management

Binóculos ou lentes de aumento?Exemplos da aplicação da abordagem

Lean Six Sigma na gestão de TI

José Luiz Kugler

Desafios da gestão de TI

Evolução das abordagens de gestão

Sumário da abordagem Lean Six Sigma

Resumo da análise quantitativa

Debate e conclusões

I

II

III

IV

V


Alinhar a TI com as prioridades e objetivos dos usuáriosAtender os SLAs exigidosOtimizar os recursos existentesAcompanhar a evolução tecnológicaEstimar a demanda futuraAvaliar os impactos que a demanda

causará na infra-estrutura de TI e os investimentos necessáriosConciliar as perspectivas dos diversos

gestores e especialidades envolvidas


A gestão de TI deve ser baseada na coleta e análise de evidências

Evidências são métricas associadas aos recursos, objetos, eventos, resultados e fatores críticos relacionados ao processo produtivo da organização

As métricas representam as variações e tendências relacionadas aos volumes de demanda, cargas de produção, janelas críticas e demais fatores que impactam as funções de TI

Na prática, a gestão de TI precisa...

Monitorar a utilização de recursosDefinir valores limite para o disparo de

alertas e ações corretivasNegociar SLAs realistas e adequados aos

recursos e competências da organizaçãoCriar uma base analítica para avaliar e

simular o consumo de recursos, incidência de problemas e tendências futuras Identificar gargalos e pontos de turbulência

e recomendar adaptações e melhorias






I

II

III

IV

V


• Lean Production• Lean Thinking• Value Stream

• Deming• Juran

• Total Quality• Kaisen• Benchmarking

• Just in Time• Kanban

• Six Sigma(Motorola)

• Ohno(Toyota)

• Lean Six Sigma(GE)






I

II

III

IV

V

Voice of theBusiness

Voice of theProcess

Voice of theCustomer

Objetivos e diretrizesAnálise de resultados Idéias de investimentos

A abordagem Lean Six Sigma

Expectativas de performanceAnálise dos Gaps Idéias de projetos

Medidas de performanceAnálise do comportamento real/possível

e suas restrições Idéias de melhorias e inovação


Os gestores precisam entender a Voz do Processo e amenizar os Gaps em relação à Voz do Cliente / Voz do Negócio

Nenhum dado tem significado fora do contexto que o originou

Comparações entre pares de valores raramente tem sentido, exceto para “apagar incêndios”

Qual é a temperatura típica em São Paulo,

em agosto?

Qual é a temperatura em São Paulo em agosto?

Qual é a temperatura em São Paulo em agosto?

12 graus 12 graus12 graus


O comportamento de qualquer sistema ou processo está sujeito a variações

Algumas variações são esporádicas (“ruído”)

Outras refletem uma tendência (“sinal”), ou seja, modificação mensurável na trajetória do sistema

Em alguns casos a variação é aleatória, súbita, imprevisível e com forte impacto (“black swans”)


Precisamos distinguir ruídos e tendênciasSem este cuidado podemos interpretar ruídos como sinaisPior ainda, podemos não detectar os sinais imersos no

comportamento do sistema Sem análise quantitativa adequada o entendimento de

ruídos e tendências é precário

Ruídos Sinais (tendências)Catastróficas (“black swans”)

Variação


2ª. Feira

3ª. Feira

4ª. Feira

6ª. Feira ???

5ª. Feira ???

Generalizamos com baixíssimo N

Dificuldade para estimar freqüências e probabilidades(nossas estimativas “intuitivas” apresentam forte viés)

Dificuldade para interpretar diversas variáveis agindo de forma simultânea

Somos suscetíveis aos eventos recentes (“pior” inverno, verão, engarrafamento de trânsito), principalmente se não monitoramos de forma cumulativa o fenômeno.

Nossas limitações cognitivas...


34%34%

-1 +1

34%34%

-1 +1

2,3%2,3%

95,4%

-2 +2

2,3%2,3%

95,4%

-2 +2

0,5%0,5%

99%

-2,58 +2,58

0,5%0,5%

99%

-2,58 +2,58

Em um processo estabilizado (não caótico), qual é a sua variação (VP)?

6 Sigma: 99,97%

3,4 ppm


Análise das variações e suas causas Se não entendemos a variação e suas causas, os

Gaps VP vs. VC/VB vão persistir ou ampliar Para aproximar a VP da VC/VB podemos:

Aperfeiçoar o sistemaAlterar as especificações da VC/VBDistorcer o sistema; ouDistorcer os dados sobre o desempenho do sistema

Os desafios da gestão de TI





I

II

III

IV

V

Resumo da Análise Quantitativa

Análise de 28 sistemas que rodam no mainframe IBM de uma grande empresa

Horizonte de análise: 36 meses As métricas colhidas para cada sistema foram:

Jobs executadosProgramasEXCPsService UnitsCPU timeElapsed timeStart timeEnd timeAbends de jobsAbends de programas


As primeiras 6 variáveis (número de jobs; número de programas; EXCPs; service units; CPU time; e elapsed time) são métricas de produção

Expressam o consumo de recursos da instalação Representam a VP Os exemplos expostos são baseados em 9

sistemas, escolhidos de forma aleatória Horizonte reduzido para 10 meses


Service UnitsSistema CAM

9.000.000.000

10.000.000.000

11.000.000.000

12.000.000.000

13.000.000.000

14.000.000.000

15.000.000.000

2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domingos

2.000.000.000

2.100.000.000

2.200.000.000

2.300.000.000

2.400.000.000

2.500.000.000

2.600.000.000

2.700.000.000

2.800.000.000

2.900.000.000


Service UnitsSistema OSA

25.000.000.000

26.000.000.000

27.000.000.000

28.000.000.000

29.000.000.000

30.000.000.000

31.000.000.000

32.000.000.000


Service UnitsSistema TFM


Estabilidade Quantidade de términos anormais

de execuçãoDiretamente relacionada ao

esforço de setup e retrabalhoMensurada de forma proporcional

ao tamanho dos sistemas

Estabilidade = 107 x número de abends de programas

service units

Abends Progr. /Sistema Serv Units

TFM 9,31CAM 1,99ICE 2,03

RAN 6,07OPQ 23,06DAM 1,17BCA 8,57XAL 36,43OSA 10,32


Volatilidade

Variação das métricas de produção

Mensurada pelas vezes em que o desvio padrão (Sigma) é relevante (ou seja, amplo)

Score = 1 para desvio > 50%

Score calculado para cada sistema, para cada métrica de produção


Volatilidade O score pode variar de zero (sem desvios significativos no período

observado) até o máximo de 42 (desvios significativos em todos os dias da semana, nas 6 métricas de produção)


Volatilidade A volatilidade deve ser analisada em função

do seu impacto prático

Se um sistema concentra sua produção nos fins de semana e os picos de volatilidade ocorrem nos dias úteis, esta variação é menos danosa em comparação com outro sistema cuja volatilidade coincide com o seu período de maior demanda de produção

A métrica deve ser calibrada em função do número de vezes em que os maiores desvios coincidem com os dias de maior demanda


Desv Padr / Média Maior variação> 50% nas ocorre nos dias de Score de

Sistema 6 métricas maior demanda volatilidade SituaçãoTFM 3 0 3 BalanceadoCAM 5 0 5 BalanceadoICE 8 4 16 Balanceado

RAN 14 3 20 RazoávelOPQ 17 8 33 RazoávelDAM 25 7 39 CríticoBCA 29 8 45 CríticoXAL 29 12 53 CríticoOSA 42 23 88 Muito crítico

Volatilidade O score final foi obtido atribuindo-se peso 1 para Sigma > 50% da média;

e peso 2 se a variação elevada coincidir com os picos de produção

3DAM

6BCA

7OPQ

8ICE

5OSA

9XAL

2RAN

4CAM

1TFM

Balanceado Volatilidade Volátil

Instável

Estabilidade

Estável

35

30

25

20

15

10

5

Obs. Gráfico não está em escala

Os desafios da gestão de TI





I

II

III

IV

V


Precisamos das análises detalhadas de variáveis isoladas (lente de aumento); e das que sintetizam diversas variáveis (binóculo)

A análise quantitativa não é feita no vazio; não substitui a intuição e o conhecimento de quem administra os problemas da instalação

A análise provoca reflexão sobre certos Gaps (exemplo: incidentes registrados vs retrabalho)

Os resultados podem comprovar ou ampliar a percepção dos gestores quanto aos riscos ou vulnerabilidade de certos sistemas


Alterações (recursos, sequenciamento, prioridade) em um sistema afetam toda a cadeia

Para análise de sequenciamento outras modelagens estatísticas serão consideradas

Outras variáveis serão incluídas em estudos futuros

Muito obrigado!

José Luiz [email protected]

José Luiz Kugler Professor de Informática e Métodos Quantitativos da EAESP/FGV; e Diretor Presidente

da Optimize! Tecnologia da informação Ltda. Especialista em técnicas analíticas; desenvolveu projetos e pesquisas em gestão

estratégica, business intelligence, modelagem de indicadores de desempenho, data mining e segmentação de clientes.

Exerceu funções técnicas e executivas em empresas e órgãos governamentais no Brasil e exterior. Foi Latin America Director na Informix Software Corporation; Diretor Técnico e Diretor de Serviços Profissionais na CPM Sistemas; Managing Director na Morgen Trading Company, New York; Professor Visitante na University of Pittsburgh, Pennsylvania; e Professor Adjunto na Fordham University, New York.

Foi membro fundador da Society for Information Systems e membro do conselho editorial do Journal for Global Information Systems. Autor de 2 livros. Publicou artigos no Brasil, Estados Unidos e Reino Unido.

É Engenheiro Civil (UFPR), Mestre em Ciências em Administração (COPPEAD/ UFRJ), pós-graduado em Information Economics (Carnegie Mellon University) e PhD, Management Systems (University of Pittsburgh).

Perfil do palestrante