Embed Size (px)
Citation preview
‘
Universidade de São Paulo – USP
Escola de Engenharia de Lorena
Mario Augusto Allegretti Salvadori
APLICAÇÃO DO SEIS SIGMA POR MEIO DA METODOLOGIA DMAIC
(DEFINE MEASURE ANALYSE IMPLEMENT CONTROL) COM O
INTUITO DE REDUZIR A VARIACAO DE GORDURA CBE NA
PRODUCAO DE CHOCOLATE
LORENA – SP
2014
‘
Mario Augusto Allegretti Salvadori
APLICAÇÃO DO SEIS SIGMA POR MEIO DA METODOLOGIA DMAIC
(DEFINE MEASURE ANALYSE IMPLEMENT CONTROL) COM O
INTUITO DE REDUZIR A VARIACAO DE GORDURA CBE NA
PRODUCAO DE CHOCOLATE
Monografia apresentada à Escola de Engenharia de Lorena EEL-USP como requisito parcial para conclusão de Graduação do curso de Engenharia Industrial Química.
Orientador: Prof. MSc. Antonio Carlos da Silva
LORENA – SP
2014
AUTORIZO A REPRODUÇÃO E DIVULGAÇÃO TOTAL OU PARCIAL DESTE TRABALHO, POR QUALQUER MEIOCONVENCIONAL OU ELETRÔNICO, PARA FINS DE ESTUDO DE ESTUDO E PESQUISA, DESDE QUE CITADA AFONTE
Ficha catalográfica elaborada pelo Sistema Automatizadoda Escola de Engenharia de Lorena,
com os dados fornecidos pelo(a) autor(a)
Salvadori, Mário Augusto Allegretti Aplicação do Seis Sigma por meio da metodologiaDMAIC (define measure analyse implement control) como intuito de reduzir a variação de gordura CBE naprodução de chocolate / Mário Augusto AllegrettiSalvadori; orientador Antonio Carlos da Silva. -Lorena, 2014. 67 p.
Monografia apresentada como requisito parcialpara a conclusão de Graduação do Curso de EngenhariaQuímica - Escola de Engenharia de Lorena daUniversidade de São Paulo. 2014Orientador: Antonio Carlos da Silva
1. Seis sigma. 2. Dmaic. 3. Yellow belt. 4.Chocolate. I. Título. II. Silva, Antonio Carlos da,orient.
‘
AGRADECIMENTOS
Agradeço aos integrantes da república Dominacama pelo companheirismo em todos
os esses anos de faculdade.
À minha família, meus pais Álvaro Salvadori e Maria Cecília Allegretti Salvadori e
minha irmã Ana Amélia pelas lições ensinadas durante toda minha vida, sempre se
preocupando com minha formação pessoal e profissional.
Ao engenheiro Caio Martins pela oportunidade de desenvolver este trabalho em seu
setor, juntamente com os enormes ensinamentos passados nesse meu início de
carreira.
À empresa de fabricação de chocolates pela oportunidade de desenvolver esse
projeto.
Ao meu orientador MSc. Antonio Carlos da Silva pela orientação e ensinamentos na
elaboração deste projeto de monografia.
‘
RESUMO
Salvadori, M. A. A. Aplicação do seis sigma por meio da metodologia DMAIC (Define Measure Analyse Implement Control) com o intuito de reduzir a variação de gordura CBE na produção de chocolate. 2014, Monografia (Trabalho Conclusão de Curso) - Escola de Engenharia de Lorena, Universidade de São Paulo, Lorena, 2014.
O presente trabalho estudou a aplicação do Seis Sigma através do conjunto
de ferramentas Yellow Belt em duas linhas de produção de chocolate, buscando
acompanhar as variáveis do processo que impactam na variação da matéria prima
gordura CBE, para identificar, reduzir ou eliminar as causas raízes para tal variação.
A metodologia utilizada foi o DMAIC. Na primeira etapa (Define) foi elaborado um
Project Charter. Na etapa seguinte (Measure) foram coletados os dados para a
estratificação do problema, A próxima etapa (Analyse), os dados coletados foram
analisados estatisticamente. Na sequência foi elaborado e executado um Plano de
Ação (Improve). E por fim, na etapa Control, as ações foram padronizadas e os
colaboradores foram treinados nos novos padrões desenvolvidos.
Palavras-chave: Yellow Belt, DMAIC e Chocolate.
‘
ABSTRACT
Salvadori, M. A. A. Aplicação do seis sigma por meio da metodologia DMAIC (Define Measure Analyse Implement Control) com o intuito de reduzir a variação de gordura CBE na produção de chocolate. 2014, Monografia (Trabalho Conclusão de Curso) - Escola de Engenharia de Lorena, Universidade de São Paulo, Lorena, 2014.
This Project studied the Six Sigma application trough the Yellow Belt tools, the
project scope was two chocolate producing lines. By monitoring the process
variables which impact at the raw material variation, identify, reduced or eliminate the
root causes for the variation. The methodology used was the DMAIC. The first step
was to Define, it was elaborated a Project Charter. On the second step (Measure) it
was collected data for the problem stratification. The Analyze step (Analyze), Data
were statistically analyzed. After that an action plan was built for the improve step. At
the end (Control) the most impact actions were made, new standards created and
people trained.
Key Words: Yellow Belt, DMAIC e Chocolate.
‘
LISTA DE TABELAS
Tabela 1: Nível de defeitos gerados por processos operando em diferentes níveis
sigma ......................................................................................................................... 22 Tabela 2: Receita e limites de especificação Linhas 1 e 3 ........................................ 45 Tabela 3: Acompanhamento de dosagem gordura CBE misturador Linha 1 ............ 64 Tabela 4: Acompanhamento de dosagem gordura CBE misturador Linha 3 ............ 65 Tabela 5: Acompanhamento de dosagem gordura CBE Tourell Linha 1 .................. 66 Tabela 6: Acompanhamento de dosagem gordura CBE Tourell Linha 3 .................. 67
‘
LISTA DE QUADROS
Quadro 1: Principais ferramentas aplicadas aos níveis DMAIC ................................ 25 Quadro 2: Componentes do plano estratégico .......................................................... 26
‘
LISTA DE FIGURAS
Figura 1: Produção, consumo aparente, exportação e importação _____________ 15 Figura 2: Evolução do share dos setores ABICAB __________________________ 15 Figura 3: Esquema do processo de fabricação de chocolates via mistura combinada
_________________________________________________________________ 16 Figura 4: Exemplo de uma refinadora de cinco rolos para chocolate ____________ 17 Figura 5: Diagrama esquemático do refinador de cinco rolos _________________ 18 Figura 6: Esquema do gap entre o segundo e terceiro cilindro de um refinador de
cinco rolos ________________________________________________________ 19 Figura 7: Diminuição de umidade e acidez durante o ciclo da conchagem _______ 20 Figura 8: Distribuição de sabores de sólidos de cacau, gordura e açúcar, antes e
depois da conchagem _______________________________________________ 21 Figura 9: Porcentagem de tempo de dedicação dos Belts de acordo com a
abrangência do projeto _______________________________________________ 24 Figura 10: Organograma do desdobramento estratégico de metas _____________ 27 Figura 11: Análise de tendências em gráficos sequenciais ___________________ 28 Figura 12: Exemplo de gráfico de Pareto _________________________________ 29 Figura 13: Diagrama de árvore (FTA) ___________________________________ 34 Figura 14: Contrato do Projeto _________________________________________ 38 Figura 15: Plano de coleta de dados ____________________________________ 39 Figura 16: Tabela para coleta de dados etapa medir ________________________ 39 Figura 17: Gráfico de Variação de uso 2013 ______________________________ 41 Figura 18: Gráfico de Pareto das variações de uso 2013 ____________________ 42 Figura 19: Gráfico sequencial variação de uso gordura CBE Linha 1 e 3 ________ 43 Figura 20: Gráfico para cálculo da meta _________________________________ 44 Figura 21: Carta de controle dosagem misturador Linha 1 ___________________ 45 Figura 22: Capabilidade dosagem misturador Linha 1 _______________________ 46 Figura 23: Carta de Controle dosagem misturador Linha 3 ___________________ 47 Figura 24: Capabilidade dosagem misturador Linha 3 _______________________ 47 Figura 25: Carta de Controle dosagem conchagem Linha 1 __________________ 48 Figura 26: Capabilidade dosagem conchagem Linha 1 ______________________ 49 Figura 27: Carta de Controle conchagem Linha 3 __________________________ 50 Figura 28: Capabilidade conchagem Linha 3 ______________________________ 50 Figura 29: Diagrama de afinidades Misturador _____________________________ 51 Figura 30: Diagrama de afinidade Tourell (conchagem) _____________________ 52 Figura 31: Teste de Linearidade bomba de dosagem 2° estágio Linha 1 ________ 52 Figura 32: Teste de Linearidade bomba de dosagem 5° estágio Linha 1 ________ 53 Figura 33: Diagrama de árvore Tourell ___________________________________ 54 Figura 34: Diagrama de árvore Mistura __________________________________ 55 Figura 35: Substituição do sistema de dosagem Tourell Linha 1 _______________ 57
‘
Figura 36: Automação da calibração das bombas de dosagem ________________ 57 Figura 37: Variação antes e depois da implementação das ações _____________ 58 Figura 38: Capabilidade dosagem gordura CBE Misturador Linha 3 - depois _____ 59 Figura 39: Capabilidade dosagem de gordura CBE conchagem Linha 1 - Depois __ 60
‘
LISTA DE ABREVIATURAS E SIGLAS
ABICAB Associação Brasileira da Industria de Chocolates, Cacau,
Amendoim, Balas e derivados
5W2H Plano de Ação
5W1H Coleta de Dados
CBE Cocoa Butter Equivalent
DMAIC Define, Measure, Analyse, Improve e Control
FTA Fault Tree Analysis
IPA Improve, Priorizate e Act
PLC Power Line Communication
RPM Rotações por Minuto
‘
Sumário
1. INTRODUÇÃO 13
1.1 OBJETIVOS 13
1.1.1 BJETIVO GERAL 13
1.1.2 OBJETIVOS ESPECÍFICOS 14
1.2 JUSTIFICATIVAS 14
2 REVISÃO BIBLIOGRÁFICA 16
2.1 O PROCESSO DE FABRICAÇÃO DE CHOCOLATE 16
2.1.1 MISTURA E REFINO 16
2.1.2 CONCHAGEM 19
2.1.3 SEIS SIGMA 21
2.1.4 A ABRANGÊNCIA DE UM PROJETO YELLOW BELT 23
2.1.5 ETAPAS DMAIC 25
3 METODOLOGIA 36
3.1 MÉTODO DE PESQUISA 36
3.2 A EMPRESA 36
3.3 ETAPAS DO PROJETO DMAIC 37
3.3.1 DEFINIR 37
3.3.2 MEDIR 39
3.3.3 ANALISAR 39
3.3.4 IMPLEMENTAR 40
3.3.5 CONTROLAR 40
4 RESULTADOS E DISCUSSÃO 41
4.1 DESDOBRAMENTO DE METAS 41
4.2 ETAPA DEFINIR 42
4.3 ETAPA MEDIR 44
4.4 ETAPA ANALISAR 51
4.5 ETAPA IMPLEMENTAR 56
4.6 ETAPA CONTROLAR 56
5 CONCLUSÃO 61
REFERENCIAS 62
APÊNDICES 64
‘
APÊNDICE A – PLANILHAS DE ACOMPANHAMENTO DE DOSAGENS 64
13
‘
1. INTRODUÇÃO
Vivemos hoje em um mundo cada vez mais dinâmico e competitivo. Isto se
reflete diretamente na dinâmica das empresas, devido à concorrência cada vez mais
acirrada variações, perdas e desperdícios são cada vez mais inaceitáveis para que
uma empresa se mantenha competitiva.
O cenário da produção global está passando por mudanças constantes,
surgindo sempre um ambiente mais desafiador e com a concorrência cada vez mais
acirrada entre as diferentes regiões, e principalmente dos países emergentes, como
é o caso do Brasil.
Nesse contexto, as empresas estão buscando implementar o processo de
Seis Sigma para otimizar os processos produtivos e se tornarem mais competitivas.
Esse é na verdade um processo de transformação, pois mais do que implementar
ferramentas, o grande objetivo é desenvolver uma nova cultura. Para alcançar
resultados sustentáveis é necessário construir uma só equipe com cem por cento de
engajamento em busca de zero perda.
Este trabalho abordou a aplicação da metodologia seis sigma através das
ferramentas do Yellow Belt para redução de perdas em duas Linhas de fabricação
de chocolate em uma indústria localizada no Vale do Paraíba
1.1 Objetivos
1.1.1 bjetivo Geral
Esse trabalho está focado na aplicação de um projeto Yellow Belt em um
setor de fabricação de chocolate visando identificar as causas raízes, priorizar as
mais impactantes e reduzir a variação de gordura CBE.
14
‘
1.1.2 Objetivos Específicos
A metodologia Seis Sigma promove por meio de ferramentas estatísticas e de
qualidade, o entendimento das principais perdas. As mais relevantes são
estratificadas ao maior nível de detalhes possíveis para que possam ser atacadas e
reduzidas. Partindo desse princípio, esse trabalho objetivou analisar o impacto das
principais variáveis de processo que impactavam na variação de dosagem de uma
matéria prima na fabricação de chocolate.
1.2 Justificativas
A multinacional escolhida para o tal trabalho utiliza a ferramenta IPA para
identificação das perdas, priorização das que apresentam maior impacto para o
negócio e a partir da priorização a criação de um plano de ação de longo prazo
(normalmente durante o ano) para reduzir ou eliminar as mesmas. O projeto aqui
tratado foi definido, pois a variação de uso da matéria prima gordura CBE foi a maior
variação financeira do setor no ano de 2013. Além do retorno financeiro, reduzindo a
variação, também ganha-se em qualidade e compliance com a receita.
De acordo com as figuras 1 e 2 nota-se um aumento cada vez maior do
consumo/produção de chocolate e sua importância para a Associação Brasileira da
Indústria de Chocolates, Cacau, Amendoim, Balas e derivados.
Dessa maneira as indústrias buscam cada vez mais eliminar os desperdícios
e gastos desnecessários para se manterem no mercado
15
‘
Figura 1: Produção, consumo aparente, exportação e importação
Fonte: ABICAB (2014)
Figura 2: Evolução do share dos setores ABICAB
Fonte: ABICAB (2014)
16
‘
2 Revisão Bibliográfica
2.1 O Processo de Fabricação de Chocolate
2.1.1 Mistura e Refino
Segundo Beckett (2008) o método mais utilizado pelas empresas modernas
para triturar a mistura de leite, licor e manteiga de cacau e açúcar é conhecido por
Moagem Combinada. Este método recebe esse nome, pois as matérias primas
solidas (leites e açúcar) são misturadas às líquidas (manteiga e licor de cacau) antes
de serem trituradas, conforme figura 3.
Figura 3: Esquema do processo de fabricação de chocolates via mistura combinada
Fonte: Beckett, 2008
Inicialmente licor de cacau, açúcar cristal, leite, manteiga de cacau e parte da
gordura são pesados em um misturador. Essa mistura precisa ser eficiente para que
o as próximas etapas do processo ocorram eficientemente. O produto da mistura
passa por uma refinadora de dois rolos também conhecida por pré-refinadora. A
refinadora de dois cilindros é composta de dois cilindros horizontais paralelos que
giram direções opostas e quebram as partículas por atrito. A função dela é de tornar
a massa misturada mais homogenia e em uma consistência para que ela possa ser
17
‘
refinada nas refinadoras de cinco rolos. A quebra das partículas aumenta a área
superficial das partículas e torna a massa mais seca, o que altera sua consistência
(BECKETT, 2008).
Ainda segundo Beckett (2008) as partículas saem do pré-refino com um
tamanho médio de 100 a 150 µm e já em uma textura adequada para serem
refinadas. O refino da massa de chocolate é feito nesse método por um refinador de
cinco cilindros (apresentado na figura 4).
Figura 4: Exemplo de uma refinadora de cinco rolos para chocolate
Fonte: Beckett, 2008
O refinador é composto por cinco cilindros, quatro deles dispostos um em
cima do outro e o primeiro posicionado do lado do segundo de modo a formar um
cocho onde o produto do pré-refinador é alimentado (BECKETT, 2008). A figura 5
mostra o arranjo físico de um refinador de cinco rolos e também a distribuição da
massa de chocolate pelos seus cilindros:
18
‘
Figura 5: Diagrama esquemático do refinador de cinco rolos
Fonte: Beckett, 2008
Segundo Beckett (2008), as partículas são esmagadas pelos quatro rolos
paralelos e saem pelo quinto rolo por uma faca que o raspa. Esse esmagamento
ocorre nas lacunas que são formadas entre um rolo e outro, o chocolate se adere a
parede do rolo por diferença de temperatura e velocidade entre os rolos. O refinador
é uma máquina que funciona com um filme contínuo de chocolate entre os cilindros.
Os primeiros rolos da máquina sempre trabalham a uma velocidade menor que o
seguinte causando uma diminuição da espessura do filme formado no rolo (e
consequentemente uma diminuição do tamanho de partícula). Para exemplificar
segue a figura 6 que representa o segundo e terceiro rolo, suas velocidades em
RPM e a diminuição da espessura do filme.
19
‘
Figura 6: Esquema do gap entre o segundo e terceiro cilindro de um refinador de cinco rolos
Fonte: Beckett, 2008
Com a diminuição do tamanho das partículas a área superficial aumenta e
consequentemente a textura da massa é alterada pois a gordura livre ainda presente
cobre essas partículas deixando a massa com um aspecto mais “seca’ (BECKETT,
2008).
O tamanho de partículas após o refino é na média de 15 a 35 µm. Os
cilindros são ocos e sofrem troca de calor com água, tanto para aquecimento, como
resfriamento para mantê-los na temperatura ideal para que a transferência do filme
do chocolate seja uniforme e constante (BECKETT,2008)
2.1.2 Conchagem
O processo de conchagem, segundo Beckett (2008) pode ser considerado
como dois processos distintos que acontecem ao mesmo tempo na mesma
máquina. O primeiro é o processo químico no qual os ácidos voláteis formados no
processo de fermentação das sementes de cacau (ácido acético, propiônico e
isobutirico) são removidos. Humidade também é removida. A figura 7 mostra a
evolução da conchagem química pelo tempo de processo:
20
‘
Figura 7: Diminuição de umidade e acidez durante o ciclo da conchagem
Fonte: Beckett, 2008
O segundo processo é o processo físico que é responsável por transformar o
pó e aglomerados de chocolate em uma massa líquida e com um sabor
característico e balanceado (BECKETT, 2008).
Logo após o refino o chocolate apresenta o sabor apenas dos sólidos e
gordura do cacau e praticamente nenhum sabor do açúcar. Durante a conchagem
acorre um balanceamento de sabores. Isso acontece, pois parte do sabor do cacau
e gordura são transferidos para a superfície do açúcar (BECKETT,2008). Na figura 8
é mostrada a distribuição de sabores que ocorre durante a conchagem.
21
‘
Figura 8: Distribuição de sabores de sólidos de cacau, gordura e açúcar, antes e depois da
conchagem
Fonte: Beckett, 2008
O processo físico ainda é responsável pela diminuição da viscosidade do
chocolate pela adição de gordura a qual envolve as partículas e aglomerados,
diminuindo assim a energia necessária para manter esse fluido em movimento.
2.1.3 Seis Sigma
O Seis Sigma foi criado na década de 80 na Motorola nos Estados Unidos
impulsionado pela necessidade de redução de falhas e defeitos nos diversos
processos da empresa (MERGULHAO, 2007 apud MONTGOMERY, 2004).
O destino do Seis Sigma seria outro se não fosse o sucesso alcançado por
Jack Welch em sua implementação do sistema na General Electric na segunda
metade da década de 90. Convencida pelas cifras de Bossidy, a diretoria da GE deu
22
‘
sinal verde para a implementação do 6-Sigma. Por indicação de Welch, seu analista
financeiro Bob Nelson e o responsável pela área de projetos Gary Reiner analisaram
o custo-benefício do programa. Se a GE subisse do nível de qualidade 3-Sigma ou
4-Sigma para 6-Sigma, poderia reduzir seus custos entre US$ 7 bilhões e US$ 10
bilhões, somam equivalente a um aumento de 10% a 15% nas vendas. (OS
DIFUSORES GE e Jack Welch. HSM Management 38, 2003).
Para que a metodologia Seis Sigma fique clara, e preciso entender o que a
letra grega sigma significa. Segundo Pande (2003) – σ – representa o desvio-
padrão, que por sua vez representa a variação, a inconsistência do processo.
Para atingir o nível sigma a redução de defeito deve ser na ordem de 3,4
partes por milhão (3,4 ppm ou 0,00034%). A Motorola conseguiu um resultado
satisfatório na redução de seus defeitos e em 1988 ganhou o prêmio Malcolm
Baldridge (ECKES, 2001).
Na tabela 1 é apresentada a comparação do nível sigma do processo com o
número de defeitos gerados e o custo da não qualidade.
Tabela 1: Nível de defeitos gerados por processos operando em diferentes níveis sigma Nível de
Qualidade Defeitos por milhão (PPM)
Custo da não-qualidade
(percentual de faturamento da
empresa)
Dois Sigma 308.537 Não se aplica Três Sigma 66.807 25 a 40%
Quatro Sigma 6.210 15 a 25% Cinco Sigma 233 5 a 15% Seis Sigma 3,4 < 1%
Fonte: ANDRADE, 2013
Os custos da qualidade podem ser definidos a partir da soma de custos
incorridos em: custos de prevenção que são todos os custos decorrentes das
ações tomadas para garantir que o processo forneça produtos e serviços de
qualidade; custos de avaliação que são os custos associados com a medição do
nível de qualidade e os custos das falhas que são os custos incorridos na correção
da qualidade de produtos e serviços, estes podem ser internos ou externos
(ANDRADE, 2012 apud ROTONDARO, 2008).
23
‘
Segundo Robles (1993) a metodologia Seis Sigma alinha as necessidades do
negócio e do cliente com as necessidades individuais e, para que isto seja
possível, o sistema de contabilidade de custos das empresas deve fornecer os
verdadeiros custos da qualidade e seus impactos nos lucros.
Seis Sigma é uma abordagem que impulsiona a melhoria do desempenho do negócio e a valorização da satisfação dos clientes, por meio do enfoque estratégico de gerenciamento; da aplicação do pensamento estatístico em todos os níveis de atividades; do uso de indicadores de desempenho; da utilização de uma metodologia sistematizada que integre técnicas variadas para se avaliar e otimizar processos; e da aprendizagem decorrente da capacitação e comprometimento das pessoas (SANTOS,MARTINS 2010 apud SANTOS, 2006) .
Rotondaro (2008), define o Seis Sigma de uma maneira de fácil
compreensão. Segundo ele, o Seis Sigma é uma metodologia que utiliza
ferramentas e métodos estatísticos para definir, medir, analisar e controlar o
problema.
Para a empresa obter sucesso na implementação do Seis Sigma a empresa
deve além de aplicar as ferramentas conforme descrito na literatura, através da alta
gerência garantir que haja uma mudança da cultura das pessoas. Para que essa
mudança de cultura seja sustentável é muito importante que haja um plano de
treinamentos para os colaboradores (LEAN INSTITUTE BRASIL, 2011).
2.1.4 A abrangência de um projeto Yellow Belt
Os projetos DMAIC seguem um grau de complexidade de acordo com a
maturidade dos líderes do projeto (MASCIGRANDE, 2013). A figura 9 ilustra qual o
nível belt de acordo com a abrangência versus a complexidade dos projetos Seis
Sigma.
24
‘
Figura 9: Porcentagem de tempo de dedicação dos Belts de acordo com a abrangência do projeto
Fonte: MASCIGRANDE, 2012
O projeto Yellow Belt é normalmente liderado por profissionais de nível
operacional, são projetos para problemas simples e tem menor abrangência que os
projetos mais complexos (MASCIGRANDE, 2013).
O nível Yellow Belt também é conhecido como Básico 2, devido a sua baixa
complexidade. As ferramentas utilizadas nesse nível Belt estão listados no Quadro
1.
25
‘
Quadro 1: Principais ferramentas aplicadas aos níveis DMAIC
Fonte: MASCIGRANDE, 2013
2.1.5 Etapas DMAIC
O DMAIC é um método reconhecido no mundo como um meio de estruturar os projetos de melhoria contínua com a finalidade de padronizar a metodologia Seis Sigma e buscar a redução dos desperdícios. Empresas têm utilizado este método como a principal estrutura para que o CEP (Controle Estatístico do Processo) possa determinar os pontos de oportunidade de melhoria nos processos estudados e para que assim seja possível a aplicação da estratégia, visando elevar o nível Sigma (MASCIGRANDE, 2013 apud HOFF, 2005).
2.1.5.1 Definindo o Projeto
A definição dos projetos, para algumas empresas, se inicia no desdobramento
estratégico de metas, processo no qual as principais perdas (alinhadas às
prioridades do negócio) são desdobradas ao maior detalhe possível para que os
escopos dos projetos sejam definidos assertivamente (MASCIGRANDE, 2013).
26
‘
Quadro 2: Componentes do plano estratégico
Missão Define a posição da empresa, a atual e a desejada semelhante, uma missão será aplicada no nível da unidade de negócio.
Objetivos
Declarações qualitativas e quantitativas do que a empresa deseja alcançar em um futuro mensurável. Devem ser internamente consistentes com a missão e ajustar-se a ela.
Metas
Resultado quantitativo específicos de curto e longo prazo, que apoiam diretamente os objetivos mensurados como indicadores-chave do desempenho. Também devem refletir os fatores críticos de sucesso para cada empresa dentro da corporação.
Estratégias Elas serão aplicadas tanto no nível corporativo como no nível da unidade de negócio.
Fonte: MASCIGRANDE,2013
Pande (2003) enfatiza a importância de um escopo de projeto ser bem
definido além de que o foco deve ser mantido nas entregas do projeto para o cliente.
Os objetivos da unidade de negócios devem estar alinhados com os objetivos
da divisão técnica que refletem os objetivos da fábrica. O desdobramento estratégico
de metas (IPA) segue este alinhamento para propor as iniciativas para que as metas
sejam alcançadas no ano seguinte (MASCIGRANDE, 2013). A figura 10 ilustra o
organograma do desdobramento de metas e também o cascateamento de projetos.
27
‘
Figura 10: Organograma do desdobramento estratégico de metas
Fonte: MASCIGRANDE, 2013
A partir do exposto, muitos dos projetos são definidos a partir do
desdobramento estratégico como meio para que as metas sejam atingidas.
Alinhados com as prioridades do negócio.
O resultado da estratificação são iniciativas – projetos, ações ver e agir,
analise de causa raiz, kaizens com prazo e responsáveis. Estas iniciativas compõe
um plano de ação que deve ser acompanhado mensalmente pela gerência.
De acordo com Andrade (2012) a meta de um projeto está entre o Benchmark
e a média atual. Benchmark é entendido como o melhor valor já obtido para aquele
indicador em processos semelhantes. A diferença entre a média e o Benchmark é
denominada lacuna. A meta pode ser definida como uma equação simples:
Valor da meta= média atual ± (% de redução da lacuna)
Conhecendo o problema a ser tratado, a próxima etapa é o estudo do seu
histórico. O gráfico sequencial é um diagrama dos valores individuais do resultado
de um processo em função do tempo. Segundo Andrade (2012) o gráfico sequencial
pode apresentar cinco tipos de comportamentos que auxiliam no entendimento do
fenômeno (figura 11).
28
‘
Figura 11: Análise de tendências em gráficos sequenciais
Fonte: ANDRADE, 2012
Um time multidisciplinar é definido para participarem do projeto. O time deve
conter pessoas com diversidade de conhecimentos, talentos, e personalidade e é
papel do líder guiar esta equipe para um só objetivo (MASCIGRANDE, 2013).
2.1.5.2 Etapa Medir
Segundo Andrade (2013, apud WERKEMA, 2010) a etapa medir determina a
localização ou foco do problema. Os dados são coletados, determinado as metas
prioritárias através da análise dos dados obtidos. São utilizadas ferramentas como
Diagrama de Pareto, Histograma, Cartas de Controle.
De acordo com Andrade (2012), na etapa medir o líder do projeto deve seguir
as seguintes perguntas antes de iniciar a coleta de dados:
Os resultados relacionados ao problema são diferentes entre o período
da manhã, tarde ou noite?
Os resultados são diferentes nas diversas linhas de produção?
São obtidos diferentes resultados dependendo do fornecedor da
matéria prima?
29
‘
Os resultados diferem em função dos inúmeros defeitos que podem
ocorrer?
Diferentes operadores estão relacionados aos resultados obtidos?
Para definir os dados a serem coletados, adota-se a ferramenta 5W1H que
significa What, Where, Why, Who, When e How. Esta ferramenta serve para guiar a
coleta de dados e garantir que os dados coletados reflitam a realidade. Esta
ferramenta consiste em apresentar informações que irão caracterizar a coleta de
dados, avaliando os seguintes pontos (ANDRADE, 2012):
O que será medido (O que ou What);
Objetivo da coleta (Porque ou Why);
Forma de registro dos resultados (Como ou How);
Local de registro dos resultados (Onde ou Where);
Tamanho e frequência da amostra (Quando ou When);
Responsável pela coleta de dados (Quem ou Who).
Segundo Werekema (2010), o diagrama de Pareto (figura 12) é um gráfico
que apresenta os dados de maneira ordenada tornando evidente a estratificação dos
fenômenos, direcionando os esforços nos pontos de mais impacto no problema.
Figura 12: Exemplo de gráfico de Pareto
Fonte: LUGLI, 2008
30
‘
De acordo com Andrade (2012, apud ROTONDARO, 2008) o gráfico de Pareto
pode ser definido como um gráfico de barras verticais que contem:
Na horizontal, os principais problemas ou causas que se quer estudar;
Na vertical, colunas com altura definida pelo valor do modulo daquela causa
ou problema. Estas colunas são dispostas em ordem decrescente;
Uma curva que contenha o valor da porcentagem acumulada daquelas
possíveis causas ou problemas.
A partir da curva de porcentagem acumulada definem-se quais problemas
minoritários serão atacados, para que seja possível atingir a meta preestabelecida.
O gráfico de Pareto (figura 12) classifica os problemas relacionados à qualidade em
duas categorias:
Poucos Vitais (80%);
Muito Triviais (20%).
O foco deve ser nos problemas pouco vitais, pois apesar de serem poucos
problemas eles são os que geram as maiores perdas ou defeitos. Quanto aos
problemas muito triviais deve se evitar concentrar esforços para eles, pois apesar de
ser um grande número de problemas geram pequenas perdas. Porém, deve-se
utilizar o bom senso no caso se um problema for de solução simples, mesmo
pertencendo à categoria dos muitos triviais, ele deve ser eliminado de imediato
(ANDRADE, 2013)
Outra ferramenta muito utilizada para medir o problema é a capabilidade do
processo. Segundo Barros (2013), a capabilidade de um processo (Cp) é definido
como a divisão da diferença entre os limites superior e inferior por seis vezes o
desvio padrão:
LSE: Limite superior de especificação
31
‘
LIE: Limite inferior de especificação
Desvio Padrão:
Onde é a média e n o número de amostras.
O índice Cp relaciona a variabilidade intrínseca do processo com a
variabilidade permitida do processo, o que significa que quanto maior for o valor de
Cp, mais capaz é o processo de reproduzir valores dentro da faixa de projeto.
O índice Cp, conforme demonstrado não considera a localização dos dados
dentro dos limites de especificação e apenas se a variabilidade do processo respeita
a amplitude dos limites, portanto um bom índice de Cp não garante que os valores
gerados pelo processo estejam dentro dos limites de especificação (BARROS,
2013).
Para uma avaliação mais assertiva do processo, é considerado também, o
índice de desempenho (Cpk), que também considera a distância da média do
processo em relação aos limites de especificação. O Cpk é dado por:
Onde é a média da variável controlada
O Cpk é sempre analisado junto com Cp. Quando Cp = Cpk significa que o
processo está centrado no valor nominal da especificação (BARROS, 2013).
2.1.5.3 Analisando os dados
A principal ferramenta utilizada na etapa Analisar é o Brainstorming (tempestade
de ideias). Que para ANDRADE (2012) consiste em uma reunião com um time
multifuncional levantando as possíveis causas de um determinado problema. Os
32
‘
resultados de um Brainstorming é levantar o máximo possível de ideias em um curto
período de tempo. Andrade (2012) classifica as causas em dois tipos:
Causas comuns ou inerentes ao processo de produção e que são geradas por
causas não conhecidas.
Causas especiais, geradas por causas conhecidas. Estas são oriundas de
pelo menos um dos fatores dos 6Ms (Matéria-Prima, Mão de Obra, Método
Medida, Meio Ambiente e Máquina).
No momento de relacionar as causas levantadas ao diagrama Causa e Efeito,
deve-se observar que para que um Brainstormig seja considerado efetivo, pelo
menos 4Ms (Método, Máquina, Mão de Obra, Matéria Prima) devem ter sido citados
(ANDRADE, 2012). Abaixo estão descritos os 6Ms que podem ser relacionados a
origem das possíveis causas:
Mão de obra: Causas relacionadas às pessoas. São as habilidades
requeridas para o posto de trabalho. Por exemplo: tempo de treinamento,
experiência, acuidade visual, disponibilidade, excesso de falta, problemas
pessoais, desmotivação entre outras.
Máquina: Deve-se relacionar a máquina. A capacidade de uma máquina de
gerar produtos com qualidade. Por exemplo: características das ferramentas,
dos instrumentos de medida, dos sensores de automação, do mecanismo de
troca de energia, manutenção das máquinas, lubrificação, refrigeração,
aquecimento, entre outras.
Matéria-Prima: Devem ser relacionadas todas as variações de matéria-prima.
Por exemplo: tempo de armazenamento, especificações da matéria-prima,
fornecedor, transporte da matéria-prima.
Método: Devem ser relacionados os métodos para a realização das tarefas
do processo. Por exemplo: Informação sobre as tarefas, Procedimentos,
Instruções de Produção, Sequência de Atividades e Especificações do
Produto.
33
‘
Medida: Devem ser relacionadas às medidas associadas ao processo. Por
exemplo: tolerância de medidas exigidas pelo processo (temperatura de
cozimento, temperatura de maturação), calibração dos instrumentos de
medição, representatividade da medição ou da leitura e posição correta dos
instrumentos em relação ao que deve ser medido.
Meio Ambiente: Devem ser relacionadas as variações do meio ambiente de
trabalho. Por exemplo: Clima, Condições de trabalho (limpeza, umidade,
ruído, vibração, iluminação, temperatura e condições ergonômicas), Layout e
condições de segurança.
Após o Brainstorming as possíveis causas levantadas são dispostas no diagrama
de afinidades. No diagrama de afinidades, segundo Tontini e Sant’ana (2007), as
informações são sintetizadas e fundidas por afinidade intuitiva. As possíveis causas
listadas no Brainstorm são escritas em cartões e agrupadas de acordo com
afinidade semântica, sem uma classificação prévia (TONTINI E SANT’ANA, 2007
apud MIZUNO, 1993).
A ferramenta utilizada para analisar a fundo as possíveis causas levantadas
no Brainstorming e agrupadas no diagrama de afinidades é o diagrama de árvores
(ou também conhecido por FTA Fault Tree Analysis). De acordo com Alves (2006,
apud HAMMAERBERG e NADJIM-TERHRANI, 2003), a FTA é um modelo gráfico
que parte de um modo de falha denominado “evento de topo”, buscando as causas
diretas da ocorrência do evento. A FTA possibilita também a estimativa de
probabilidade com que determinada falha pode ocorrer, ou seja, realiza uma análise
quantitativa. A Figura 13 apresenta um exemplo de diagrama de árvore.
34
‘
Figura 13: Diagrama de árvore (FTA)
Fonte: ALMEIDA, 2004
2.1.5.4 Implementando as ações
A matriz de impacto x esforço segundo Andrade (2012) consiste em um gráfico onde
o esforço é localizado no eixo x e o impacto no eixo y.
A partir dessa priorização é elaborado um plano de ação. Segundo Noronha
(2012, apud PARIS, 2002) a etapa Improve é quando ocorre a implementação das
soluções propostas. Utiliza-se a ferramenta 5W2H, que é uma ferramenta para
resolução de problemas, pois ela deixa bem claro todas as responsabilidades das
ações. É baseada na resposta das seguintes questões:
What (o que será feito);
Who (quem fará);
When (quando será feito);
Where (onde será feito);
Why (por que será feito);
How (como será feito);
How Much (quanto custará).
35
‘
2.1.5.5 Controlando os resultados obtidos
A etapa controlar é muito importante para que o projeto seja visto como um ciclo
tornando possível sua continuidade, uma vez que ao alcançar esta fase a melhoria
do processo já está instalada (PYZDEK, 2000).
Segundo Noronha (2012) nesta etapa pode se utilizar ferramentas como gráficos
de Pareto, gráfico sequencial, etc. E se o resultado obtido não for o esperado deve-
se retomar a etapa Measure.
36
‘
3 Metodologia
Para execução deste trabalho foi conduzida uma pesquisa pelo método de
pesquisa-ação, contemplando a aplicação da metodologia DMAIC por meio do
Yellow belt e suas ferramentas para a redução de variação de uma gordura utilizada
na produção de chocolates Para esse trabalho foi formada uma equipe
multidisciplinar, contendo um eletricista, mecânico, dois operadores, assistente de
processos e o aluno, líder da equipe.
Seguindo as etapas do DMAIC foi elaborado um Project Chart, calculado o
retorno financeiro, coletado dados, analisados junto com o time, proposto soluções e
criado um plano de ação para a implementação das ações.
Finalizadas as ações, e a meta atingida, as alterações serão documentadas,
padrões atualizados e todos os envolvidos treinados nos novos padrões para
garantir a sustentabilidade dos resultados.
3.1 Método de pesquisa
A pesquisa-ação é um método muito utilizado nas dissertações, onde o autor
interage com o meio e pessoas, influenciando nos resultados obtidos. Segundo
Gibertoni (2012, apud THIOLLENT, 2009):
A pesquisa-ação consiste essencialmente em acoplar pesquisa e ação em um processo no qual os atores implicados participam, junto com os pesquisadores, para chegarem interativamente a elucidar a realidade em que estão inseridos, identificando problemas coletivos, buscando e experimentado soluções em situação real. Simultaneamente, há produção e uso de conhecimento... a dimensão ativa dos métodos manifesta-se no planejamento de ações e na avaliação de seus resultados.
3.2 A Empresa
A empresa onde foi aplicada a metodologia DMAIC por meio do Yellow Belt,
que por questão de sigilo foi chamada de Empesa X, é uma multinacional da área
alimentícia que está presente em 83 países e emprega mais de 281 mil pessoas no
37
‘
mundo todo. O portfólio da Empresa X abrange desde produtos alimentícios, ração
para animais, cosméticos, até formulas infantis e farmacêuticas.
No Brasil, a Empresa X conta trinta e três centros de produção. O presente
trabalho foi desenvolvido na fábrica situada na região do Vale do Paraíba, na
unidade de produção de confeitos, wafer, chocolate e barras de cereais.
3.3 Etapas do Projeto DMAIC
3.3.1 Definir
Na etapa inicial do projeto foi definido o escopo do projeto de acordo com o
desdobramento estratégico de metas e elaborado o contrato do projeto que deve ser
assinado pelo líder e gestores envolvidos, apresentado na Figura 14.
38
‘
Figura 14: Contrato do Projeto
Título:
Impacto Projeto:
Início Projeto: Término Projeto:
Dados CadastraisRamal:
Ramal:
Ramal:
Ramal:
Líder do Projeto Chefe do Setor Chefe Administrativo Melhoria Específica Gerente da Unidade
Âmbito e Restrições
Membros da Equipe (4 a 6 colaboradores)
Unidade
Descrição do Problema/Oportunidade
Ganhos Resultante da Execução do Projeto (Diretos/Indiretos)
Gerente:
Orientador:
Líder Projeto :
Chefia Imediata:
CONTRATO DE PROJETO DE MELHORIA ESPECÍFICA
Dados do Projeto
Fonte: Autor, 2014
39
‘
3.3.2 Medir
Primeiramente são definidos os dados a serem coletados através do método
5W1h (What, Which, When, Why, Who e How) segundo a Figura 15.
Figura 15: Plano de coleta de dados
ItemQuais dados
Coletar?
Qual a unidade de medida
desses dados?
Onde coletar esses dados?
Quando os dados devem ser coletados?
Como coletar os
dados?
Poque devemos
coletar esses
Quem rrealizará a coleta de
dados?Status
Plano de Coleta de Dados (5W1H)
Fonte: Autor, 2014
São coletados os dados que impactam no problema de acordo com o escopo
do projeto. Foi criado uma tabela (Figura 16) de acompanhamento de dosagem da
gordura CBE e colocadas nas linhas de abrangência do escopo.
Figura 16: Tabela para coleta de dados etapa medir
Batch Receita (Kg) Dosado (Kg) Diferença %
Tabela de acompanhamento de dosagem de Gordura CBE Tourell - Linha 3
Fonte: Autor, 2014
3.3.3 Analisar
Nessa etapa os dados coletados são analisados pela equipe do projeto
através de reuniões de Brainstorms e Writestorms nas quais são propostas possíveis
causas para os dados coletados. Essas causas são priorizadas e as mais
impactantes são estudadas até as causas raízes.
40
‘
3.3.4 Implementar
Depois da equipe ter claro quais são as causas raízes para as possíveis
causas levantadas na etapa Analisar, é proposto um plano de ação para a solução
das causas raízes. Estas ações são listadas em um diagrama de impacto x esforço
onde é analisado a viabilidade de cada ação. Priorizadas as ações, é criado um
plano de ação oficial seguindo a metodologia 5W2H.
3.3.5 Controlar
Concluída as ações priorizadas, faz se necessário um acompanhamento do
indicador para garantir a eficácia das ações e eliminação das causas raízes. Nessa
etapa, além de resultado, também são monitoradas as outras duas entregas de um
projeto de melhoria: padronização e transferência de conhecimento.
41
‘
4 Resultados e Discussão
4.1 Desdobramento de Metas
A empresa na qual o projeto foi executado utiliza a metodologia IPA
(Identificate, Priorizate and Act) para desdobrar seus indicadores e propor iniciativas
para que as metas do próximo ano sejam atingidas.
As informações contidas na figura 17 representam a variação de uso das
principais matérias primas utilizadas no setor de fabricação onde o projeto foi feito. O
cálculo é feito pela diferença entre o uso real e planejado (ambos em quilogramas),
multiplicado pelo preço por quilo da matéria prima:
Portanto, os valores negativos representam perda e o os positivos, lucro e
que quanto menor o valor da variação em módulo, melhor. Os dados são referentes
ao acumulado durante o ano de 2013.
Figura 17: Gráfico de Variação de uso 2013
Fonte: Autor, 2014
42
‘
De acordo com a figura 17 a principal perda financeira para o período
analisado foi da gordura CBE, o que significa que houve uma sobre dosagem deste
insumo. Portanto o foco do projeto será na utilização dessa matéria prima.
4.2 Etapa Definir
A etapa definir consiste na determinação do escopo do projeto incluindo sua
meta. O escopo e determinado através de um gráfico de Pareto conforme ilustrado
na figura 18.
Figura 18: Gráfico de Pareto das variações de uso 2013
Co
un
t
Pe
rce
nt
linhaCount
20,2 11,3 2,2
Cum % 34,8 66,4 86,6 97,8 100,0
171655 155367 99444 55435 10673
Percent 34,8 31,5
OtherFundiçãoLinha4Linha 3Linha1
500000
400000
300000
200000
100000
0
100
80
60
40
20
0
Pareto Chart of linha
Fonte: Autor, 2014
A partir da curva de porcentagem acumulada definem-se quais problemas
pouco vitais (80% do acumulado) serão atacados, para que seja possível atingir a
meta preestabelecida. Neste caso, as Linhas priorizadas foram as Linhas 1 e 3
totalizando 66,4% da variação total do setor. Vale ressaltar que devido à restrição do
escopo de um Yellow Belt, foi criado outro projeto para atacar a variação da Linha 4.
43
‘
Feito a estratificação da perda financeira acumulada durante o ano de 2013 e
definido o escopo do projeto, a perda é analisada mês a mês para entender o seu
comportamento durante o período analisado (figura 19).
Figura 19: Gráfico sequencial variação de uso gordura CBE Linha 1 e 3
-5,39%
-9,53%
-4,44%
-0,68%
-4,28% -4,43%-3,81%
0,74%
-2,15%
4,02%
-3,79%
-12,00%
-10,00%
-8,00%
-6,00%
-4,00%
-2,00%
0,00%
2,00%
4,00%
6,00%
fev/13 mar/13 abr/13 mai/13 jun/13 jul/13 ago/13 set/13 out/13 nov/13 dez/13
%
Redução de variação de Gordura CBE Linhas 1 e 3
Problema Média (%)
Fonte: Autor, 2014
Pelos dados do gráfico podemos concluir que para o período analisado a
gordura CBE apresentou um comportamento de serrote (que não apresenta
tendências). O valor de maior perda foi no mês de Março (-9.53%) devido a um erro
de inventario e o de maior lucro foi em Novembro (+4,02%) devido ao recebimento
de uma carga de gordura oxidada, que para não causar ruptura na fábrica foi
substituída por Manteiga de Cacau. A média foi de -3,07% e o mês que apresentou
menor variação (Benchmark) foi o mês de Junho (-0,68%). A lacuna é dada pela
diferença entre a média e o Benchmark:
O valor da lacuna é de -2,39% e representa o quanto a média do processo
analisado está distante do melhor valor obtido. A meta do projeto é calculada
propondo-se um valor de diminuição da lacuna de acordo com a figura 20.
44
‘
Figura 20: Gráfico para cálculo da meta
-5,39%
-9,53%
-4,44%
-0,68%
-4,28% -4,43%
-3,81%
0,74%
-2,15%
4,02%
-3,79%
-12,00%
-10,00%
-8,00%
-6,00%
-4,00%
-2,00%
0,00%
2,00%
4,00%
6,00%
Cálculo da Meta.
Efetivo(%) Média(%) Meta(%) Benchmark (%)
-0,68%
-2,01%
-3,07%
Fonte: Autor, 2014
A meta do projeto é reduzir 44% do valor da lacuna, aproximando assim o
valor de variação do processo ao valor de Benchmark:
Portanto a meta do projeto é de alcançar um valor médio de variação de uso
da gordura CBE após implementadas as ações de -2,01%
.
4.3 Etapa Medir
Na etapa medir os dados de variação de gordura CBE foram analisados mais a
fundo. Foram utilizados o Minitab e o Excel para auxiliar na construção dos gráficos
e analises.
É importante deixar claro que os valores programados (receita) de dosagem
para as etapas de processo estão na tabela 2, bem como os limites inferiores e
superiores de especificação:
45
‘
Tabela 2: Receita e limites de especificação Linhas 1 e 3
Linha Processo ReceitaLimite Inferior de
EspecificaçãoLimite Superior
de Especificação
Mistura 175 Kg 173,25 Kg 176,75 Kg
Conchagem 880 mL/ 30s 871,2 mL / 30s 888,8 mL / 30s
Mistura 190 Kg 188,1 Kg 191,9 Kg
Conchagem 1200 mL / 30s 1188 mL / 30s 1212 mL/30s
1
3
Fonte: Autor (2014)
Com os dados das tabelas do APENDICE A foram geradas as cartas de
controle (Figuras 21, 23. 25 e 27) e testes capabilidade (Figuras 22, 24, 26 e 28) das
dosagens de Gordura CBE para as etapas de mistura e conchagem nas Linhas 1 e
3.
Figura 21: Carta de controle dosagem misturador Linha 1
Observation
In
div
idu
al
Va
lue
28252219161310741
176,0
175,5
175,0
174,5
174,0
_X=175,1
UC L=176,017
LC L=174,183
Observation
Mo
vin
g R
an
ge
28252219161310741
2,0
1,5
1,0
0,5
0,0
__MR=0,345
UC L=1,127
LC L=0
1111
1
I-MR Chart of Misturador Linha 1
Fonte: Autor, 2014
46
‘
Figura 22: Capabilidade dosagem misturador Linha 1
176175174
LSL USL
Process Data
Sample N 30
StDev (Within) 0,305698
StDev (O v erall) 0,612683
LSL 173,25
Target *
USL 176,75
Sample Mean 175,1
Potential (Within) C apability
O v erall C apability
Pp 0,95
PPL 1,01
PPU 0,90
Ppk 0,90
C pm
C p
*
1,91
C PL 2,02
C PU 1,80
C pk 1,80
O bserv ed Performance
PPM < LSL 0,00
PPM > USL 0,00
PPM Total 0,00
Exp. Within Performance
PPM < LSL 0,00
PPM > USL 0,03
PPM Total 0,03
Exp. O v erall Performance
PPM < LSL 1265,94
PPM > USL 3539,85
PPM Total 4805,80
Within
Overall
Process Capability of Misturador Linha 1
Fonte: Autor, 2014
Com os resultados obtidos pela carta de controle pode se perceber que o
processo varia dentro dos limites de especificação (tabela 4): ± 1,0% permitida pelo
fornecedor.
Pela análise de capabilidade pode se concluir que o processo de pesagem da
gordura CBE no misturador é um processo sob controle com valores altos de Cp
(1,91) e Cpk (1,80).
47
‘
Figura 23: Carta de Controle dosagem misturador Linha 3
Observation
In
div
idu
al
Va
lue
28252219161310741
210
200
190
180
_X=195,77
UC L=208,61
LC L=182,93
Observation
Mo
vin
g R
an
ge
28252219161310741
16
12
8
4
0
__MR=4,83
UC L=15,77
LC L=0
1
1
I-MR Chart of Misturador Linha 3
Fonte: Autor, 2014
Figura 24: Capabilidade dosagem misturador Linha 3
216208200192184
LSL USL
Process Data
Sample N 30
StDev (Within) 4,27978
StDev (O v erall) 6,07903
LSL 188,1
Target *
USL 191,9
Sample Mean 195,767
Potential (Within) C apability
O v erall C apability
Pp 0,10
PPL 0,42
PPU -0,21
Ppk -0,21
C pm
C p
*
0,15
C PL 0,60
C PU -0,30
C pk -0,30
O bserv ed Performance
PPM < LSL 100000,00
PPM > USL 766666,67
PPM Total 866666,67
Exp. Within Performance
PPM < LSL 36616,86
PPM > USL 816862,89
PPM Total 853479,74
Exp. O v erall Performance
PPM < LSL 103624,33
PPM > USL 737633,58
PPM Total 841257,91
Within
Overall
Process Capability of Misturador Linha 3
Fonte: Autor, 2014
48
‘
Já para a Linha 3, foi encontrado um cenário diferente, onde a média da
variação de uso (195,77) corresponde a uma sobre dosagem de 3,04%, bem acima
do ±1,0% de variação especificado.
A análise de capabilidade comprova que a variação para essa etapa
apresenta uma variação sem controle. Os valores de Cp e Cpk 0,15 e -0,15 ilustram
que a variação além de estar fora dos limites não se comporta de maneira normal.
Figura 25: Carta de Controle dosagem conchagem Linha 1
Observation
In
div
idu
al
Va
lue
28252219161310741
940
920
900
880
860
_X=894,67
UC L=929,52
LC L=859,82
Observation
Mo
vin
g R
an
ge
28252219161310741
48
36
24
12
0
__MR=13,10
UC L=42,81
LC L=0
1
1
I-MR Chart of Conchagem Linha 1
Fonte: Autor,2014
49
‘
Figura 26: Capabilidade dosagem conchagem Linha 1
930920910900890880870
LSL USL
Process Data
Sample N 30
StDev (Within) 11,6165
StDev (O v erall) 13,4372
LSL 871,2
Target *
USL 888,8
Sample Mean 894,667
Potential (Within) C apability
O v erall C apability
Pp 0,22
PPL 0,58
PPU -0,15
Ppk -0,15
C pm
C p
*
0,25
C PL 0,67
C PU -0,17
C pk -0,17
O bserv ed Performance
PPM < LSL 33333,33
PPM > USL 733333,33
PPM Total 766666,67
Exp. Within Performance
PPM < LSL 21686,02
PPM > USL 693230,19
PPM Total 714916,21
Exp. O v erall Performance
PPM < LSL 40370,57
PPM > USL 668799,44
PPM Total 709170,01
Within
Overall
Process Capability of Conchagem Linha 1
Fonte: Autor, 2014
Ao contrário da etapa de mistura, na etapa de conchagem a média da
variação (894,67) corresponde a 1,67% se comparado ao valor programado (880).
Pela teste de capabilidade pode se concluir que o processo está fora de controle: Cp
= 0,25 e Cpk = -0,17.
50
‘
Figura 27: Carta de Controle conchagem Linha 3
Observation
In
div
idu
al
Va
lue
28252219161310741
1210
1205
1200
1195
1190
_X=1198,67
UC L=1206,00
LC L=1191,33
Observation
Mo
vin
g R
an
ge
28252219161310741
10,0
7,5
5,0
2,5
0,0
__MR=2,76
UC L=9,01
LC L=0
1111
11
11
11111111
I-MR Chart of Conchagem Linha 3
Fonte: Autor, 2014
Figura 28: Capabilidade conchagem Linha 3
121012001190
LSL USL
Process Data
Sample N 30
StDev (Within) 2,44559
StDev (O v erall) 5,11809
LSL 1188
Target *
USL 1212
Sample Mean 1198,67
Potential (Within) C apability
O v erall C apability
Pp 0,78
PPL 0,69
PPU 0,87
Ppk 0,69
C pm
C p
*
1,64
C PL 1,45
C PU 1,82
C pk 1,45
O bserv ed Performance
PPM < LSL 0,00
PPM > USL 0,00
PPM Total 0,00
Exp. Within Performance
PPM < LSL 6,46
PPM > USL 0,02
PPM Total 6,48
Exp. O v erall Performance
PPM < LSL 18574,97
PPM > USL 4591,83
PPM Total 23166,79
Within
Overall
Process Capability of Conchagem Linha 3
Fonte: Autor, 2014
51
‘
A linha 3 apresentou um comportamento inverso da Linha 1, ou seja pesagem
da gordura CBE na mistura fora de controle e dosagem (Gordura CBE) na
conchagem variando dentro dos limites de especificação.
4.4 Etapa analisar
Após a coleta de dados e priorização das etapas que mais impactam no
problema do projeto inicia-se a etapa analisar.
Para a realização dessa etapa do projeto foram realizadas reuniões com a
equipe para discussão das possíveis causas para as variações medidas. Nessas
reuniões foram realizados brainstorms até que as causas raízes fossem
identificadas. Durante as discussões as possíveis causas foram anotadas
(Writestorm), priorizadas por meio da matriz de priorização e agrupadas no diagrama
de afinidades conforme as figuras 29 e 30.
Figura 29: Diagrama de afinidades Misturador
Falta de padrão para dosagens coluna e
fina
Variação de dosagem Misturador Linha 1
Variação de dosagemMisturador Linha 3
Variação de Gordura CBE Misturador
Fonte: Autor, 2014
52
‘
Figura 30: Diagrama de afinidade Tourell (conchagem)
Rendimento calculado de forma
errada
Inconsistencia de dosagem das
bombas de dosagem Linha 1
Variação de Gordura CBE Tourell
Elevado erro na calibração das
bombas de dosagem
Fonte: Autor, 2014
Para entender melhor a variação na etapa da conchagem foi feito o teste de
linearidade das bombas de dosagem (figuras 31 e 32). Nesse teste, a frequência de
rotação do motor da bomba foi alterada e a dosagem medida da mesma maneira
(em mL/ 30 segundos e os gráficos abaixo foram obtidos.
Figura 31: Teste de Linearidade bomba de dosagem 2° estágio Linha 1
100806040200
200
150
100
50
0
Frequência de bombeamento (g/min)
Va
zã
o (
Hz)
S 32,0874
R-Sq 50,3%
R-Sq(adj) 47,6%
Bomba de dosagem do 2º est. da Tourell 5Vazão = 72,40 + 1,063 Frequência de bombeamento
Bomba de Dosagem 2° estágio Tourell Linha 1
Frequência (Hz)
Va
zão
(g
/min
)
Fonte: Autor, 2014
53
‘
Figura 32: Teste de Linearidade bomba de dosagem 5° estágio Linha 1
100806040200
350
300
250
200
150
100
50
Frequência de bombeamento (Hz)
Va
zã
o (
g/
min
)
S 35,8162
R-Sq 73,5%
R-Sq(adj) 72,0%
Bomba de dosagem do 5º est. da Tourell 5Vazão = 127,2 + 1,963 Frequência de bombeamento
Frequência (Hz)
Va
zão
(g
/min
)Bomba de Dosagem 5° estágio Tourell Linha 1
Fonte: Autor, 2014
Ao analisar os gráficos de linearidade (figuras 29 e 30) fica claro que as vazões
das bombas não correspondiam ao ajuste de frequência.
Depois das causas estarem agrupadas, elas foram estudadas a fundo por meio
de sessões de Brainstorms até que as causas raízes fossem identificadas. As
analises foram registradas nos diagramas de árvore (figuras 33 e 34).
54
‘
Figura 33: Diagrama de árvore Tourell
Diagrama de Árvore
Variação de Gordura
CBE na Tourell
Inconsistência de dosagem das
bombas da Linha 3
Cálculo de rendimento
calculado de forma errada
Elevado erro na
calibração da bomba
Inconsistencia das
bombdas de dosagem
Linha 1
Quando ajustado a frequência da bomba a vazão não responde linearmente
Erro experimental
altoNão foi
identificado
A bomba de
dosagem é de
pistão, o que
gera fluxo
Causa Raiz
Legenda
Pois cada operador
calcula a sua maneiraAs bombas não apresentam
linearidade
O fluxo de gordura através da
tubulação é pulsado
Calibração manual com utilização de cronômetro
Não existe padrão
Não identificado
Fonte: Autor, 2014
55
‘
Figura 34: Diagrama de árvore Mistura
Diagrama de Árvore
Variação de Gordura
CBE na Mistura
Falta de padrão para dosagens
coluna e fina
Variação de dosagem
Misturador Linha 1Variação de dosagem
Misturador Linha 3
O motor do misturador é acionado no início da
dosagem.
Não foi identifica
do
Pois o motor foi progrnado no
PLC para ligar no inicio da dosagem
Causa Raiz
Legenda
O Misturador balança
durante a dosagem
Não identificado
Não foi identificado (A dosagem é feita
em silos intermediários e não direto no misturador)
Fonte: Autor, 2014
De acordo com o Diagrama de Árvore foram identificadas três causas raízes
para a variação na etapa da Conchagem e uma causa raiz para a etapa de Mistura:
1. As bombas de dosagem da Tourell Linha 1 são de pistão, o que gera um fluxo
pulsado e não garante a linearidade;
2. A calibração da bomba é feita manualmente com utilização de cronômetro;
3. Inexistência de padrão para cálculo de rendimento;
56
‘
1. O motor do misturador da Linha 3 é acionado junto com a pesagem das
matérias primas, o que causa uma vibração no sistema e uma variação nas
células de carga.
4.5 Etapa Implementar
Na etapa implementar foi proposto um plano de ação para eliminar as causas
raízes. Foram levantadas quinze ações em um primeiro momento. Para viabilizar a
execução do plano de ação, as ações foram analisadas pelo diagrama de impacto e
esforço e apenas oito delas foram priorizadas par execução:
Substituir as bombas de pistão (fluxo pulsado) por bombas de engrenagem
(fluxo contínuo);
Automatizar o sistema de aferição de dosagem por meio de temporizador;
Substituir as manoplas de calibração das bombas por ajuste via PLC
(porcentagem da frequência nominal do motor da bomba);
Mudar na lógica de acionamento do motor do misturador da Linha 3. O motor
só deve ligar após a dosagem dos ingredientes;
Criar um padrão para o cálculo de rendimento da massa refinada;
Documentar as mudanças feitas via LPP (Lição Ponto a Ponto);
Atualizar a Instrução operacional do Misturador Linha 3 e Tourell Linha 1;
Treinar todos os colaboradores nos novos padrões gerados.
4.6 Etapa Controlar
Implementadas as ações é necessário acompanhar os indicadores para
avaliação de eficácia. A etapa controlar também é importante para medir a aderência
dos operadores aos novos padrões e também avaliar se o conhecimento foi
difundido a todos os colaboradores que possuem alguma relação com as Linhas
onde as mudanças foram implementadas.
A figura 35 ilustra a melhoria da troca das bombas de dosagem da Linha 1:
57
‘
Figura 35: Substituição do sistema de dosagem Tourell Linha 1
SISTEMA DE BOMBEAMENTO POR ENGRENAGEM
Fonte: Autor, 2014
Já a figura 36 ilustra a automação do sistema de calibração das bombas:
Figura 36: Automação da calibração das bombas de dosagem Eliminação do sistema manual de calibração das bombas de dosagem passando
para um um controle automatico e com os dados no painel view.
DIS
POS
ITIV
OS
PO
KA
YOK
E
ANTESDEPOIS
Fonte: Autor, 2014
58
‘
Para acompanhar a evolução do indicador foi construído um novo gráfico
sequencial (figura 37).
Figura 37: Variação antes e depois da implementação das ações
-5,39%
-9,53%
-4,44%
-0,68%
-4,28%-4,43%-3,81%
0,74%
-2,15%
4,02%
-3,79%
-2,05%-1,98%-1,50%-1,67%-0,88%-0,66%
-12,00%
-10,00%
-8,00%
-6,00%
-4,00%
-2,00%
0,00%
2,00%
4,00%
6,00%
%
Redução de variação de Gordura CBE Linhas 1 e 3
Problema Média (%)
Fonte: Autor, 2014
A figura 37 ilustra o comportamento da variação de uso da gordura CBE desde
antes do início (Fev/2013) do projeto até o fim (Jun/2014). É evidente que a partir da
implementação das ações (Jan/2014) os valores de variação de uso da gordura
mudou de patamar saindo de -3,07% de média para -1,70%. Portanto esse projeto
superou expectativas, superando a meta (-2,01%) preestabelecida, o que significa
que as ações tomadas foram efetivas e eliminaram as causas raízes levantadas. O retorno financeiro para os meses de Janeiro, Fevereiro, Março, Abril, Maio e
Junho equivalem a R$ 285.548,00 quando comparado com a média antes do projeto
e também é monitorado pela empresa em questão.
O projeto teve como entrega também o ganho com qualidade do produto,
diminuindo a variabilidade do processo. Isso é claramente observado pelos gráficos
de capabilidade de dosagem na mostra Linha 3 (figura 38) e Conchagem Linha 1
(figura 37).
Antes Depois
59
‘
Figura 38: Capabilidade dosagem gordura CBE Misturador Linha 3 - depois
Fonte: Auto r, 2014
A variação do processo diminui muito após a implementação das ações,
tornando o processo mais capaz (Cp e Cpk > 1), porém ainda existe oportunidade de
melhoria nessa etapa do processo.
60
‘
Figura 39: Capabilidade dosagem de gordura CBE conchagem Linha 1 - Depois
890880870
LSL USL
Process Data
Sample N 30
StDev (Within) 1,83419
StDev (O v erall) 6,87344
LSL 871,2
Target *
USL 888,8
Sample Mean 881,333
Potential (Within) C apability
O v erall C apability
Pp 0,43
PPL 0,49
PPU 0,36
Ppk 0,36
C pm
C p
*
1,60
C PL 1,84
C PU 1,36
C pk 1,36
O bserv ed Performance
PPM < LSL 166666,67
PPM > USL 300000,00
PPM Total 466666,67
Exp. Within Performance
PPM < LSL 0,02
PPM > USL 23,42
PPM Total 23,44
Exp. O v erall Performance
PPM < LSL 70203,97
PPM > USL 138671,62
PPM Total 208875,59
Within
Overall
Process Capability of Conchagem Linha 1 depois
Fonte: Autor, 2014
O mesmo aconteceu com a dosagem na conchagem da Linha 1 após a
implementação das ações, diminuindo consideravelmente a variação do processo.
Os valores de Cp e Cpk para esse caso ilustram que as causas raízes foram
realmente eliminadas após a implementação das ações.
61
‘
5 Conclusão
O Seis Sigma surgiu da necessidade de produzir mais com menos,
minimizando ao máximo a variabilidade dos processos e consequentemente as
perdas do processo produtivo.
Esse trabalho demonstrou que através de ferramentas estatísticas simples é
possível se alcançar resultados muito consideráveis para as empresas. No caso
desse projeto, houve uma superação da meta atingindo uma variação média após a
implementação das ações de -1,70%, o que significou um retorno financeiro da
ordem de R$ 285.548,00 em seis meses de acompanhamento.
Além do retorno financeiro, conseguiu-se também uma melhora no ambiente de
trabalho dos operadores, tornando seus ajustes da máquina mais simples e
precisos.
Analisando todos os dados fica evidente que com a aplicação da metodologia
Seis Sigma através de ferramentas estatísticas simples é possível diminuir a
variação de um certo ponto do processo, o que tem um impacto muito positivo para
o negócio da empresa. Esse impacto positivo pode ser mensurado monetariamente
e por isso o Seis Sigma está tão difundido nas empresas hoje em dia.
62
‘
Referencias
ABICAB, gráficos na seção pesquisas e estatística. Disponível em <http://www.abicab.org.br> Acessado em 10 maio 2014
ALVES, DAGOBERTO et al. Gestão do Conhecimento na análise de falhas: mapeamento de falhas através de sistema de informação. Revista Produção, v. 16, n. 1, p. 171-188, 2006.
ANDRADE, MARCELA S. Aplicação da metodologia Seis Sigma em uma indústria de alimento, 2012. BARROS, RAFAEL L. D. Avaliação de critérios de desempenho de controladores preditivos, 2013 BECKETT, STEPHEN T., The Sience of Chocolate. 2ª edição York: Beckett, 2008. p. 71 a 79. OS DIFUSORES: GE e Jack Welch HSM Management, São Paulo, 38 maio-junho 2003 ECKES, G. A revolução seis sigma: O método que levou a GE e outras empresas a transformar processos em lucro. Rio de Janeiro, 2001. ECKES, George. Six Sigma for Everyone. Hoboken: John Wiley & Sons, 2003. GILBERTONE, Daniela, A contribuição da pesquisa-ação no construção do conhecimento científico na Engenharia de Produção brasileira, 2012. LEAN INSTITUTE BRASIL. Lean thinking. Disponível em: <http://www.lean.org.br/> Acessado em: 25 abril 2014 LUGLI. Artigo sobre o Gráfico de Pareto, 2008. Disponível em <http://www.lugli.com.br> Acessado em 12 abril 2014 MASCIGRANDE, DANIEL D. Implementação do Pilar de Melhoria Específica em uma Fábrica de Alimentos, 2013. MERGULHÃO, RICARDO C., Influência da medição de desempenho nos projetos seis sigma: estudo de caso, 2007 NORONHA, LEONARDO L., Aplicacao do Lean por meio do DILO (Day in Life of) visando a redução de atividades não agregadoras de valor, 2012 PANDE, P.S.; NEUMAN, R.P.; CAVANAGH, R.R. Estratégia Seis Sigma: como a (Gibertoni, 2012)GE, a Motorola e outras grandes empresas estão aguçando seu desempenho. Rio de Janeiro: Qualitymark, 2003. PYZDEK, T.A revolução do Seis Sigma, Revista Banas Qualidade, E. maio 2000
63
‘
pp.38-43.
ROTONDARO, Roberto G. et al. Seis Sigma: Estratégia Gerencial para a Melhoria de Processos, Produtos e Serviços. São Paulo: Atlas S.a, 2008. 375 p. SANTOS, Adriana Barbosa; MARTINS, Manoel Fernando. Modelo de referência para estruturar o Seis Sigma nas organizações. G&P, São Carlos, v. 15, n. , p.43-56, abr. 2008. Disponível em: <http://www.scielo.br/pdf/gp/v15n1/a06v15n1.pdf>. Acesso em: 25 de abril de 2014 SANTOS, A. B., Modelo de referência para estruturar o programa de qualidade Seis Sigma: proposta e avaliação. São Carlos, 2006. 312 p. Teses (Doutorado em Engenharia de Produção) - Universidade Federal de São Carlos - UFSCar.
TONTINI, Gérson; SANT'ANA, Andre José. Identificação de atributos críticos de saum serviço através da análise competitiva do gap de melhoria. Gestão e Produção, 43-54, 2007.
WERKEMA, CRISTINA, Seis Sigma: Criando a Cultura Seis Sigma. 1ª edição Belo Horizonte: Werkema, 2010. 256 p. (Seis Sigma)
64
‘
APÊNDICES
APÊNDICE A – Planilhas de acompanhamento de dosagens Tabela 3: Acompanhamento de dosagem gordura CBE misturador Linha 1
Batch Receita (Kg) Dosado (Kg) Diferença %1 175 175 0 0,0%
2 175 176 1 0,6%
3 175 175 0 0,0%
4 175 175 0 0,0%
5 175 175 0 0,0%
6 175 175 0 0,0%
7 175 175 0 0,0%
8 175 175 0 0,0%
9 175 177 2 1,1%
10 175 174 -1 -0,6%
11 175 173 -2 -1,1%
12 175 176 1 0,6%
13 175 175 0 0,0%
14 175 175 0 0,0%
15 175 175 0 0,0%
16 175 175 0 0,0%
17 175 175 0 0,0%
18 175 175 0 0,0%
19 175 175 0 0,0%
20 175 176 1 0,6%
21 175 176 1 0,6%
22 175 176 1 0,6%
23 175 176 1 0,6%
24 175 176 1 0,6%
25 175 175 0 0,0%
26 175 174 -1 -0,6%
27 175 174 -1 -0,6%
28 175 175 0 0,0%
29 175 175 0 0,0%
30 175 175 0 0,0%
Tabela de acompanhamento de dosagem de
Gordura CBE Misturador - Linha 1
Fonte: Autor, 2014
65
‘
Tabela 4: Acompanhamento de dosagem gordura CBE misturador Linha 3
Batch Receita (Kg) Dosado (Kg) Diferença %1 190 195 5 2,6%
2 190 199 9 4,7%
3 190 190 0 0,0%
4 190 187 -3 -1,6%
5 190 196 6 3,2%
6 190 200 10 5,3%
7 190 215 25 13,2%
8 190 210 20 10,5%
9 190 200 10 5,3%
10 190 195 5 2,6%
11 190 196 6 3,2%
12 190 194 4 2,1%
13 190 195 5 2,6%
14 190 197 7 3,7%
15 190 198 8 4,2%
16 190 193 3 1,6%
17 190 190 0 0,0%
18 190 191 1 0,5%
19 190 197 7 3,7%
20 190 188 -2 -1,1%
21 190 188 -2 -1,1%
22 190 195 5 2,6%
23 190 190 0 0,0%
24 190 192 2 1,1%
25 190 199 9 4,7%
26 190 192 2 1,1%
27 190 197 7 3,7%
28 190 193 3 1,6%
29 190 200 10 5,3%
30 190 201 11 5,8%
Tabela de acompanhamento de dosagem de
Gordura CBE Misturador - Linha 3
Fonte: Autor, 2014
.
66
‘
Tabela 5: Acompanhamento de dosagem gordura CBE Tourell Linha 1
Batch Receita (Kg) Dosado (Kg) Diferença %00:00 880 890 10 1,1%
02:00 880 900 20 2,3%
04:00 880 880 0 0,0%
06:00 880 910 30 3,4%
08:00 880 900 20 2,3%
10:00 880 920 40 4,5%
12:00 880 880 0 0,0%
14:00 880 890 10 1,1%
16:00 880 900 20 2,3%
18:00 880 900 20 2,3%
20:00 880 900 20 2,3%
22:00 880 900 20 2,3%
00:00 880 910 30 3,4%
02:00 880 910 30 3,4%
04:00 880 890 10 1,1%
06:00 880 880 0 0,0%
08:00 880 890 10 1,1%
10:00 880 870 -10 -1,1%
12:00 880 880 0 0,0%
14:00 880 890 10 1,1%
16:00 880 900 20 2,3%
18:00 880 900 20 2,3%
20:00 880 900 20 2,3%
22:00 880 880 0 0,0%
00:00 880 930 50 5,7%
02:00 880 900 20 2,3%
04:00 880 890 10 1,1%
06:00 880 880 0 0,0%
08:00 880 880 0 0,0%
10:00 880 890 10 1,1%
Tabela de acompanhamento de dosagem de
Gordura CBE Tourell - Linha 1
Fonte: Autor, 2014
67
‘
Tabela 6: Acompanhamento de dosagem gordura CBE Tourell Linha 3
Batch Receita (Kg) Dosado (Kg) Diferença %00:00 1200 1200 0 0,0%
02:00 1200 1200 0 0,0%
04:00 1200 1200 0 0,0%
06:00 1200 1200 0 0,0%
08:00 1200 1200 0 0,0%
10:00 1200 1190 -10 -0,8%
12:00 1200 1190 -10 -0,8%
14:00 1200 1200 0 0,0%
16:00 1200 1200 0 0,0%
18:00 1200 1200 0 0,0%
20:00 1200 1200 0 0,0%
22:00 1200 1200 0 0,0%
00:00 1200 1200 0 0,0%
02:00 1200 1200 0 0,0%
04:00 1200 1210 10 0,8%
06:00 1200 1210 10 0,8%
08:00 1200 1200 0 0,0%
10:00 1200 1200 0 0,0%
12:00 1200 1200 0 0,0%
14:00 1200 1190 -10 -0,8%
16:00 1200 1190 -10 -0,8%
18:00 1200 1200 0 0,0%
20:00 1200 1200 0 0,0%
22:00 1200 1200 0 0,0%
00:00 1200 1190 -10 -0,8%
02:00 1200 1190 -10 -0,8%
04:00 1200 1200 0 0,0%
06:00 1200 1200 0 0,0%
08:00 1200 1200 0 0,0%
10:00 1200 1200 0 0,0%
Tabela de acompanhamento de dosagem de
Gordura CBE Tourell - Linha 3
Fonte: Autor, 2014
