W

Lean Six Sigma encontra Big Data Mining

Introduoo
Nos anos recentes o Lean Seis Sigma se consolidou, amplamente, como a principal metodologia para melhoria do desempenho nas Indstrias , tendo, ainda, rompido a barreira do segmento de servios, onde os seus benefcios j se encontram amplamente difundidos. Sua abordagem orientada a dados para resoluo de problemas, suportada por ferramentas estatsticas especialistas, tais como MINITAB, SigmaXL, entre outras, que viabilizam transformar solues estatsticas em solues pticas. Executar, com xito, um projeto Lean Six Sigma requer o tratamento dos dados, ao longo do ciclo de vida do projeto (DEMAIC) com vistas a atingir os seguintes objetivos em cada faze: Extrair, transformar e analisar um volume de dados; Explorar e descobrir as sadas criticas para a qualidade (CTQ) Identificar os Pprocessos crticos para os CTQ Encontrar algumas poucas variveis de entrada vitais para o desempenho da sada crtica para a qualidade. Encontrar o desempenho timo dos fatores crticos (as poucas variveis vitais) Implementar mudanas nos processos Controlar os fatores e monitorar as sadas crticas CTQ Em outras palavras, o Lean Six Sigma uma abordagem sistemtica, orientada por dados para soluo de problemas, que dividida em dois processos: definir, medir, analisar, melhorar, controlar (DMAIC) e definir, medir, analisar, projetar, verificar (DMADV) . O DMAIC um sistema de melhoria de processos existentes que procura por melhorias especficas, atravs de projetos de interveno. J o DMADV, tambm chamado de DFSS Design for Six Sigma um sistema de melhoria utilizado para desenvolver novos produtos, processos ou nveis de qualidade Six Sigma. As principais etapas de um projeto Lean Six Sigma DEMAIC so:
Fase Definir Descries Definir os objetivos do projeto e o cliente/ requisitos de negcios Medir o processo para determinar o desempenho Principais etapas - Define os requisitos dos clientes e estabelecer. - Definir as metas e os objetivos do projeto. - Definir o processo de mapeamento do fluxo de negcios. - Selecione a caracterstica de sada (as CTQs). - Avaliar as especificaes de desempenho. - Validar os sistemas de medio. - Estabelecer a capacidade de processo (para o CTQs). - Definir os objetivos de desempenho . - A tela o potencial CTPs. - Analisar as fontes de variabilidade. - Melhor ideia. - Analisar Projeto modelo. - Validar o modelo. - Identificar as condies ideais . - Determinar a capacidade de processo (CTPs). - Implementar os controles de processo . - O documento o que voc aprendeu .

White Paper

Medir

Analisar

Analisar e determinar os poucos vitais para a melhoria do processo Melhorar o processo, eliminando desperdcio e variao

Melhorar

Controle

Controle o melhor desempenho do processo

www.portfoliosigma.net

br.linkedin.com/in/pbandeira10/

Projetos Lean Six Sigma que tratam de solues em plantas industriais, com monitoramentos em tempo real ou aplicaes de monitoramentos de equipamentos (cada vez mais comuns) em tempo real, como, por exemplo, monitoramento de turbinas de avio em vo, prospeco de petrleo, etc, e mesmo algumas aplicaes transacionais, como contact centers, transaes financeiras por EDI, comeam a pegar carona na exploso da tecnologia do BIG DATA para soluo dessas novas demandas que tem se apresentado, e novos desafios para os profissionais envolvidos De fato, as solues das ferramentas estatsticas, utilizadas hoje, tem dificuldades em lidar com um grande volume de dados analticos e no suportam diversas funcionalidades, tais como redes neurais, rvore de deciso, etc. Nesse sentido, o Lean Six Sigma busca uma forma de se apropriar desse avano tecnolgico, incorporando as ferramentas de Data Mining para tratar bancos de dados muito grandes, mesmo aqueles que no possuem todos os atributos definidos no conceito de BIG DATA, representado pelos trs Vs : volume, variedade e velocidade Embora as razes da minerao de dados remontem dcada de 1980, o campo de estudo ainda est em sua infncia. Ele ainda est sendo definido, e refinado. Em 1999, contudo, algumas grandes empresas, incluindo a fabricante automobilstica (sempre eles!) Daimler-Benz , o provedor de seguros OHRA, a fabricante de software e hardware NCR Corp. e a fabricante de software SPSS, Inc. comearam a a trabalhar em conjunto para formalizar e padronizar uma abordagem para a minerao de dados. O resultado do trabalho foi o lanamento do CRISP-DM, CRoss-Industry Standard Process for Data Mining. Um modelo para tratamento de grandes volumes de dados, organizados em um Framework dividido em 6 etapas: 1. CRISP-DM 1: Compreenso do Negcio 2. CRISP-DM 2: Compreenso dos Dados 3. CRISP-DM 3: Preparao dos Dados 4. CRISP-DM 4: Modelagem 5. CRISP-DM 5: Avaliao 6. CRISP-DM 6: Implementao importante, contudo, compreender que a utilizao conjunta das metodologias Lean Six Sigma e o BIG DATA MINING (termo que prefiro usar ao invs de simplesmente DATA MINING ou BIG DATA, pois um no vive sem o outro) no esgotam os seus respectivos campos de atuao, que faz com que ambas trilhem seus caminhos de sucesso na melhoria do desempenho das organizaes. A compreenso das fases da metodologia de minerao de dados, nos termos em que foi consolidada no CRISP-DM fundamental para entender como as duas metodologias podem trabalhar juntas para potencializar os resultados de melhoria, em um campo especifico de suas aplicaes. Dessa forma, antes de entender de que maneira cada fase do CRISP DM se adequa a cada fase do DEMAIC, preciso entender o que trata cada fase do CRISP DM: www.portfoliosigma.net br.linkedin.com/in/pbandeira10/

White Paper

1. CRISP-DM 1 Compreenso do Negcio O primeiro passo no CRISP-DM, a compreenso do negcio, ou seja, compreenso organizacional, uma vez que no so todos os tipos de organizao que podem usar a minerao de dados para responder a perguntas e resolver problemas. Esta etapa fundamental para um resultado bem-sucedido, mas muitas vezes ignorada, na medida em que as pessoas tentam, indistintamente mergulhar na minerao de dados. Isso natural, estamos muitas vezes ansiosos para gerar algum resultado interessante; queremos encontrar respostas. Na verdade, voc pode coletar dados 7 por 24, mas se voc no souber o que quer saber, se voc no definiu quaisquer questes a responder, ento, os esforos da sua minerao de dados no traro resultados. 2. CRISP-DM 2 Compreenso dos Dados Como a compreenso organizacional, o entendimento dos dados uma atividade preparatria e, por vezes, o seu valor fica disperso entre as pessoas. Anos atrs, quando os trabalhadores no tinham o seu prprio computador na sua mesa, os dados eram centralizados. Se voc necessitava de informaes de uma empresa, voc poderia solicitar um relatrio ou fazer uma consulta a informaes de um banco de dados central (ou buscava em um arquivo fixo). O advento do computador pessoal, estao de trabalho, laptop, tablet e smartphone, promoveu a morte da centralizao dos dados. Como as unidades de disco rgido tornaram -se maiores e mais baratas, e com um software como o Microsoft Excel, os dados foram se tornando cada vez mais acessveis e mais fceis de serem usados; os dados comearam a se dispersar por toda a empresa. Isto criou um problema de dados multi-facetados. Por outro lado, a centralizao dos dados, simplesmente, no seria suficiente. H uma abundncia de perguntas que surgem quando os dados de uma organizao so reunidos num servidor. Para onde foram os dados? Quem os coletou? Houve um mtodo padro de coleta? O que significam as diferentes linhas e colunas? H acrnimos ou abreviaturas que so desconhecidas ou pouco claras? preciso fazer algum trabalhos de investigao na fase de preparao dos dados. Muitas vezes, preciso consultar especialistas no assunto de diversos departamentos para desvendar, como os dados foram coletados, e a forma como elas foram codificados e armazenados. muito importante que se verifique a exatido e a confiabilidade dos dados. 3. CRISP-DM 3 Preparao dos Dados Os dados esto em muitas formas e formatos. Alguns dados so numricos, alguns esto em pargrafos de texto, e outros esto em forma de desenho, tais como grficos, figuras e mapas. Alguns dados so anedticos ou narrativas, tais como observaes sobre uma pesquisa de satisfao do cliente ou a transcrio de um depoimento da testemunha. Os dados que no esto em linhas ou colunas de nmeros no so descartados pois podem ser amparada pelas ferramentas de data mining. A Preparao dos dados envolve uma srie de atividades. Elas podem incluir juntar dois ou mais conjuntos de dados, reduzir s variveis que so de interesse em um determinado projeto, depurao e minerao de dados, limpeza de anomalias, tal como falta de dados, ou re www.portfoliosigma.net br.linkedin.com/in/pbandeira10/

White Paper

formatao de dados para fins de consistncia, etc. Os resultados de um exerccio de minerao de dados produzem tanto melhores resultados quanto mais coerentes eles so. 4. CRISP-DM 4: Modelagem Um modelo, na minerao de dados, uma representao computadorizada das observaes do mundo real. Os modelos so aplicao de algoritmos para procurar, identificar, e exibir quaisquer padres ou mensagens em seus dados. Existem dois tipos bsicos ou de tipos de modelos de minerao de dados: aqueles que classificam e aqueles que predizem. Como voc pode ver, existe uma certa sobreposio entre os diferentes tipos de modelos de minerao de dados. Por exemplo, rvore de deciso um modelo preditivo utilizado para determinar quais atributos de um determinado conjunto de dados so os mais fortes indicadores de um determinado resultado. O resultado geralmente expresso como a probabilidade de que uma observao vai cair em uma determinada categoria. Assim, rvores de deciso so de natureza preditiva, mas tambm podem ajudar a classifica-los. Os modelos ainda podem ser simples ou complexos. Eles podem conter apenas um nico processo ou fluxo, ou podem conter sub-processos. 5. CRISP-DM 5: Avaliao Todas as anlises de dados tm o potencial de fornecerem falsos positivos. Mesmo um modelo que no acuse falsos positivos podem no encontrar quaisquer padres interessante. Isso pode acontecer em face de o modelo no estar bem configurado para encontrar padres, pelo uso de tcnicas erradas, ou simplesmente pode no haver nada de interessante nos dados. A fase de Avaliao existe especificamente para determinar o quo importante o modelo, e o que se pode fazer com ele. Ela pode ser realizada usando -se um nmero de tcnicas, tanto de natureza matemtica quanto lgica. Para alguns modelos, o poder ou a fora indicados por testes estatstica tambm sero considerados. Alm destas medidas no entanto, o modelo de avaliao dever tambm incluir um aspecto humano. Como os indivduos adquirem experincia e especializao em sua rea, eles tero conhecimento operacional que no podem ser mensurveis no sentido matemtico, mas que so indispensvel para a determinao do valor de um modelo de minerao de dados modelo. 6. CRISP-DM 6: Implementao Esta a fase de implementao. As atividades nessa fase incluem a configurao para automatizar do modelo, a integrao com os sistemas de informao operacional ou sistemas de informao gerencial, alimentando novos modelo de aprendizagem, monitorizao e medio dos.

White Paper

Metodologia SIx Sigma usando Minerao de Dados

As tcnicas de consolidao e extrao de dados viabilizadas pelos softwares de minerao de dados como ferramentas do Lean Six Sigma suportam potentes funcionalidades e manuseio de dados analticos que as ferramentas estatsticas no possuem. importante, nesse ponto, considerar que as ferraments estatsticas no possuem esses atributos, no por serem inferiores s ferramentas de minerao de dados, mas porque seu posicionamento de utilidade no necessariamente o mesmo que das ferramentas de minerao, de maneira que no so substitudas por elas em algumas fases do projeto. Em geral, as vantagens das ferramentas de minerao em comparao s ferramentas estatsticas do Lean Six sigma so: (1) Ampliam o escopo de anlise da quantidade de dados; www.portfoliosigma.net br.linkedin.com/in/pbandeira10/

(2) Maior independncia para hipteses estatsticas (embora perca em rigor); (3) Suplemento de ferramenta de anlise (4) fcil de desenvolver um modelo de predio no linear; (5) Integrao da manipulao de dados pela anlise de um nico diagrama de fluxo; (6) Guardar e partilhar anlise fluxo dos dados; (7) Excelente interface de usurio, como diagrama de fluxo, etc. (8) como diagrama de fluxo, etc. Diante de tudo que foi dito, possvel integrar as metodologias, em suas diversas fases, conforme o quadro sumrio apresentado abaixo: DEMAIC Fase Descrio
Definir os objetivos do projeto e o cliente/ requisitos de negcios

CRISP DM Fase Atividade

Compreenso do Negcio para responder as perguntas e resolver problemas Manipulao, organizao, seleo e limpeza dos dados

Benefcio

Definir

CRSIP DM-1

Identificar a viabilidade de utilizao de Data Mining

Medir

Medir o processo para determinar o desempenho

CRISP DM-2 CRISP DM-3

Manipulao eficiente dos dados para melhoria de sua qualidade Fcil de explorar grande nmero de variveis e anlises grficas interativas Solues robustas para hipteses estatsticas, de fcil implementao, usando mtodos objetivos.

Anlise exploratria

Mtodo de visualizao utilizando anlises exploratrias interativas

Analisar

Algumas variveis Vitais

CRISP DM-4 -

Descubrir as poucas variveis vitais Vital poucos usando, rvore de deciso, regresso etc.

Modelagem

White Paper

Utilizao de regresso, rvore de deciso, redes neurais modelo complexos e relaes no-lineares

Fcil de desenvolver, mais precisos e modelos generalistas

Melhorar

Otimizao

CRISP DM-5

Encontrar os limites de capacidade dos processos atravs dos algoritmo IGN (Interactive Group Node)

Os limites timos da capacidade so especificados pelo algortimo do da minerao de dados. Especificao da capacidade ideal do processo sem experimento Automao e integrao do monitoramento das sadas e controle das variveis

Simulao

Controlar

Controlar o desempenho do processo melhorado

CRISP DM-6

Implementao do modelo da Minerao de dados para o processo otimizado

www.portfoliosigma.net

br.linkedin.com/in/pbandeira10/

 natural que essa abordagem consolidada das metodologias encontre diferentes resistncias, dos dois lados do balco. . possvel que , at mesmo, se enfrente reao contrria de grupos que podem sentir que os seus postos de trabalho esto ameaados por esta nova ferramenta. Profissionais j experientes e maduros em lidar, com sucesso, com projetos Lean Six sigma, passam a ser confrontados com a necessidade de novos conhecimentos que no dominam. Por outro lado, a fora e o impacto da comunicao de grandes players da indstria do BIG DATA, tem o poder de construir uma percepo, nos executivos, Chairmen e tomadores de deciso, de que a gesto do BIG DATA traz solues suficientes para uma gesto eficiente das organizaes. Contudo, entendemos que, a construo dos mapas de fluxo de processo, as solues rpidas e fceis do lean, a validao das variveis pelo RUMBA, a anlise do modo de falha, entre outras tecnicas utilizadas nos projetos Lean Six Sigma, ainda so de fundamental importncia para um esforo de melhoria bem sucedido.

Portfolio Sigma
um conjunto de iniciativas que tem como Misso promover um ambiente c orporativo que s eja c apaz de reduzir as barreiras de en- trada para a implementao e realizao da melhoria de desempenho do negcio, baseado na metodlologia Lean Six Sigma, que se desdobram a partir da conscientizao de executivos , formao de pessoal, institucionalizaao de Roteiros para levantamento, definio, escolha, categorizao, hierarquizao e implementaao dos Projetos de Melhoria

Paulo Bandeira
Profissional com slida e diferenciada experincia em empresa de porte do segmento de servios de Tecnologia, e Distribuio de Produtos, responsabilizando -se pela gesto dosgcios, planejamento, desenvolvimento e implementao de aes estratgicas. Cumpriu papeis como CHAMPEON e BLACK BELT, como facilitador de conhecimento. Desenvolveu a metodologia PORTFOLIO SIGMA, com base nos conceitos e tecnicas LEAN e SIX SIGMA, para implantao de um modelo completo do LEAN SIX SIGMA. Ocupou diversos cargos de direo nas reas Finaceira, de Planejamento, Estratgia e Gesto de Negcios. Formao tcnica em ELETRNICA, acadmica em ENGENHARIA CIVIL pela UFRJ, com Ps Graduao em Finanas pela PUC e MBA pela COPPEAD - UFRJ; Formao, ainda em COACHING pela SOCIEDADE BRASILEIRA DE COACHING. Auto didata em vrias reas do conhecimento de GESTO DE NEGCIOS.

White Paper
www.portfoliosigma.net

br.linkedin.com/in/pbandeira10/