Bem-vindo ao exemplo do projeto Lean Six Sigma DMAIC da Mify. Aqui você pode aprender mais sobre as cinco fases do DMAIC seguindo um exemplo de projeto.

Começando

Este artigo serve como complemento à nossa Introdução à Metodologia Lean Six Sigma DMAIC . Se você é novo no Seis Sigma, recomendamos ler primeiro nossa Introdução ao Seis Sigma e Lean Seis Sigma .

Vamos começar aprendendo sobre o histórico do projeto de exemplo usado neste artigo.

Antecedentes do projeto de exemplo

O projeto de exemplo encontrado neste artigo é um cenário hipotético. A equipe da Mify tem mais de 10 anos de experiência em Operações de Manufatura. Isto inclui a participação em vários projetos DMAIC do mundo real. A experiência da equipe em 3 projetos é a base do nosso cenário hipotético.

Detalhes demográficos e firmográficos selecionados 

• Projeto 1 e 2, fábricas da Fortune 500 localizadas na América do Norte e na Europa, cada uma exigindo entre 700 e 1.000 funcionários para operar
• Projeto 3, fábrica familiar localizada na América do Norte, fornecedora de nível 2 principalmente para clientes da Fortune 500, exigindo entre 50 e 75 funcionários para funcionar e era um

Fase I: Definir

Como um projeto DMAIC pode começar

Freqüentemente, aqueles que estão aprendendo Lean Six Sigma (LSS) perguntam como os projetos começam ou como devem selecionar um? Acontece que; essas são questões fundamentais no LSS. Como tal, existe uma literatura considerável dedicada às respostas. Assim, o tratamento completo dessas questões foge ao escopo deste artigo.

Origens do nosso exemplo hipotético 

A garantia da qualidade é responsável por projetar, implementar e manter um sistema de gestão da qualidade da planta (SGQ). Uma prática recomendada do SGQ é exigir que a qualidade do produto seja monitorada, medida e melhorada continuamente. Geralmente, esse requisito assume a forma de um procedimento operacional padrão (POP).

Um desses POP consiste em que os profissionais de garantia de qualidade analisem dados de produção específicos em intervalos definidos. Especificamente, no nosso caso, dados de produção sobre a quantidade e tipo de defeitos que levam ao desperdício de material.

Análise de dados 

Nosso exemplo começa depois que os engenheiros de qualidade concluíram essa análise. Ou seja, exportaram e analisaram os dados dos últimos 12 períodos de notificações de não conformidade (NCN).

Nota: Uma NCN é emitida quando ocorre um defeito de qualidade no chão de fábrica. Diferentes organizações e diferentes sistemas ERP podem usar outro nome para NCN, como notificação de qualidade ou QN. 

Parte dessa análise consistiu em classificar os tipos de causas NCN. Para conseguir isso, os engenheiros criaram o gráfico de Pareto abaixo. Como você pode ver abaixo, o gráfico de Pareto mostra claramente a importância relativa de cada tipo de erro.

Além disso, o gráfico mostra que dois tipos de erros, “peça errada” e “programa errado”, quando combinados, são responsáveis ​​por mais de 80% dos defeitos de qualidade na linha no ano passado. Segue-se que estas causas serão também o maior factor que contribui para o custo da má qualidade .

Reuniões regulares de gestão

Todo mês, a equipe de Garantia de Qualidade realiza uma reunião do conselho de ações corretivas de fabricação para discutir métricas e desempenho da planta. Os engenheiros de qualidade adicionam o gráfico de Pareto à apresentação de slides para discutir as descobertas com o Gerente de Garantia de Qualidade das fábricas e o Mestre Black Belt da Divisão.

O faixa-preta faz uma estimativa rápida e resumida que mostra que uma redução de 25% na “peça errada e no programa errado” poderia reduzir o custo da má qualidade em US$ 50 mil. Ao ouvir isso, o Gerente de Garantia de Qualidade pergunta se alguém deseja ser voluntário em uma equipe de projeto DMAIC que se concentrará no problema.

Um engenheiro júnior de qualidade recebeu recentemente a “faixa amarela” e considera o projeto uma excelente oportunidade para continuar sua formação. Então, ele se voluntaria para validar a oportunidade. E com isso nosso projeto exemplo começa a tomar forma.

Fase II: Medir 

Se você se lembra de nossa Introdução à Metodologia Lean Six Sigma DMAIC, o objetivo principal da fase de medição é definir o estado atual, reunindo os dados necessários.

Coletar dados

No gráfico de Pareto acima, vemos que a causa mais frequente de NCN é “peça errada/programa errado”. Bem, se a equipe do projeto já possui 12 meses de dados, ela precisa de um plano de coleta de dados? Sim e não.

Em última análise, eles precisam verificar a precisão dos dados que já possuem.

A equipe começa fazendo um brainstorming da seguinte lista de perguntas:

•     Quem inseriu os dados?
•     Como eles determinaram que “parte errada/programa errado” era a causa?
•     E quanto às possíveis evidências de apoio necessárias para determinar a causa?
•     A pessoa que toma a decisão está qualificada para fazê-lo?
•     Esta qualificação é certificável de alguma forma?
•     Eles receberam treinamento especial? Se sim, o que isso implicava? É adequado?
•     Ou é possível que eles estejam errados sobre a causa?

Mergulhe profundamente nos dados

Com as questões acima em mente, a equipe pode começar a analisar os dados da NCN. Ao fazerem isso, eles notam que existem mais de 6.000 linhas de dados e que cada linha equivale a um registro NCN. Eles dividem os documentos e começam a estudar cada um detalhadamente. Certamente não é um processo rápido, mas os seus esforços levam a uma descoberta importante.

A equipe descobre que, para cada registro, há evidências que lhes permitem responder a muitas das perguntas da sessão de brainstorming. Essas evidências incluem análise de causa raiz (RCA), solicitação de ação corretiva (CAR) e solicitação de ação preventiva (PAR).

Precisão dos dados e validade do sistema de medição

Neste ponto, o Engenheiro da Qualidade explica que, com as evidências de apoio, eles possuem meios suficientes para validar o sistema de medição. O líder do projeto discute este ponto com o patrocinador do projeto. Ambos concordam que a equipe tem o suficiente para validar a precisão dos dados.

Agora a equipe deve auditar uma amostra estatisticamente válida das evidências de apoio para cada registro. Esta etapa é o que valida o sistema de medição e garante a precisão dos dados coletados.

Em seguida, eles precisam determinar quantos registros equivalerão a um tamanho de amostra estatisticamente válido. Para isso, a equipe utiliza uma ferramenta gratuita encontrada online.

O resultado mostrado abaixo indica que eles devem auditar 361 registros para obter uma medição estatisticamente precisa. Dividir o trabalho entre os cinco membros da equipe ajuda, mas a equipe ainda leva cerca de uma semana para cada auditar as evidências de apoio de cerca de 70 registros NCN cada.

Fase III: Analisar

Objetivo principal

Na fase de análise, a equipe precisa saber como as fontes de variação no processo levam a resultados de qualidade inferior (defeitos). Eles decidem organizar workshops de brainstorming com grupos de operadores de máquinas, supervisores de produção e engenheiros de produção.

Nas sessões, cada grupo criará um diagrama de espinha de peixe . Eles acreditam que este exercício fornecerá insights sobre potenciais x críticos e o efeito sobre os y críticos.

Após a conclusão dos workshops, a equipe combina os dados do diagrama de espinha de peixe e categoriza todos os insights. O resultado é que surge uma tendência interessante.

Causa raiz

Operadores, supervisores de produção e engenheiros concordam que a maioria dos casos de “peça errada/programa errado” se deve ao fato de os operadores ajustarem o deslocamento da máquina de um programa.

A equipe acompanha vários operadores para saber por que eles precisavam alterar o deslocamento da máquina. Eles percebem que este foi o procedimento operacional padrão que receberam para a tarefa. No entanto, quando consultaram o sistema de gestão da qualidade da fábrica (SGQ), descobriram que o procedimento operacional padrão (POP) havia sido atualizado no ano passado, mas a atualização não havia sido comunicada à produção.

O resultado deste erro é que o operador só poderia adivinhar a configuração correta do deslocamento da máquina. Felizmente, vários operadores tinham registros extensos dos valores de deslocamento usados ​​para cada programa e o resultado do uso dessa configuração.

A engenharia de produção combina esses registros e limpa os dados. Nas 24 horas seguintes, os engenheiros quase não saíram da fábrica, mas afirmaram que têm uma solução.

Fase IV: Melhorar

O projeto avança rapidamente após uma reunião no dia seguinte, onde a equipe de engenharia explica que implementou uma solução para o problema. A equipe do projeto fica um pouco surpresa no início. Então eles consideram que o custo médio de um defeito é de aproximadamente US$ 10 mil. Após uma breve discussão, a equipe concorda com a rápida implementação da Engenharia.

Quando uma ação rápida e simples pode evitar que o negócio perca dinheiro, não há justificativa para esperar até a fase de Melhorar e Controlar para implementar as mudanças. Você faz a mudança e obtém a vitória rápida.

Assim, depois que a engenharia confirmou a causa raiz, eles também identificaram como tornar o processo à prova de erros (poka-yoke) . Bastava simplesmente reescrever o programa da máquina para excluir a opção de alterar o deslocamento da máquina.

A lógica é simples.

• Parte errada e programa errado são responsáveis ​​por mais de 80% de todas as NCNs.
• A maior fonte de variação do processo que leva a NCNs de peças e programas errados é a capacidade do operador de alterar o deslocamento da máquina.
• Se você eliminar a capacidade dos operadores de alterar o deslocamento da máquina, também eliminará 80% dos defeitos futuros devido à peça errada e ao programa errado.

Assim, é lógico que o desempenho do processo irá melhorar devido à mudança.

Fase V: Controle

Neste ponto do nosso projeto de exemplo, restam apenas algumas etapas. O principal requisito para a equipe é monitorar os dados do processo para garantir que a melhoria evite a ocorrência futura da causa raiz primária.

Dica

Automatizar a coleta de dados usando software de monitoramento de produção tem o potencial de reduzir o esforço necessário para monitorar a eficácia da solução em tempo real.

Além disso, a equipe precisará acompanhar a solução comunicando as alterações aos operadores e atualizando o procedimento operacional padrão (SOP) no Sistema de Gestão da Qualidade (SGQ). Para isso, eles criam alguns slides sobre o que mudou e por quê. Os slides são apresentados aos operadores no chão de fábrica no final da semana. E, com isso, nosso projeto de exemplo termina.

Continue aprendendo

O projeto de exemplo não ofereceu a oportunidade de demonstrar e descrever toda a gama de ferramentas e técnicas que podem ser encontradas ao trabalhar nas fases de um projeto DMAIC. E, pela nossa experiência, nenhum projeto do mundo real oferece essa oportunidade.

Ainda assim, nosso exemplo é um cenário plausível de como um projeto DMAIC pode funcionar. Também reforça nosso ponto de vista de que o DMAIC no mundo ideal versus a prática pode parecer muito diferente. E isso não se trata apenas da sequência de etapas, mas também das ferramentas utilizadas e do tempo gasto em cada fase.

Assim, nossa recomendação para quem deseja se expor às diversas técnicas e à infinita variedade de caminhos que um projeto pode seguir até a conclusão é se envolver em sua fábrica e buscar a certificação em Lean Six Sigma.