Name: A Importância do Projeto de Experimentos (DOE) na Melhoria Contínua
Start: 2023-03-08T15:00:00.000-08:00
End: 2023-03-08T16:01:00.000-08:00

Olá a todos. Bem-vindo ao webinar de hoje. A importância do the design of experiments na melhoria contínua o meu nome é Osmar co do eu sou o gerente de vendas da América do sul. Aqui na milita b. Algumas notas antes da gente começar nosso webinar. Como é uma sessão gravada, nós não vamos ter perguntas a no meio da apresentação, mas vocês podem por favor, a qualquer momento, inserir as perguntas que vocês tenham, tem uma opção aí na tela que que apresenta para vocês aqui no a gente vai tentar o máximo responder as perguntas que a gente receber. No final do webinar. A gente recomenda também assistir o webinar via laptop ou PC para obter um melhor resultado. Se você tiver um atraso ou problema de sincronização com áudio e os slides. Talvez seja melhor realmente sair. E entrar novamente. Nós vamos enviar uma cópia da gravação após o webinar, então não vai ter problema se você perder alguma coisa ou quiser rever depois. Gostaria também de apresentar. O nosso quem vai apresentar é o nosso apresentador de hoje, que é o Marcelo Fernandes. A gente tem o prazer de ter ele com a gente, vai fazer a apresentação. O Marcelo é engenheiro eletricista pela unifei, mestrado e doutorado, que ele tem também engenharia de produção e mais de 20 anos de experiência em multinacionais dos setores de manufatura e também de serviços. Ele liderou e orientou por uma. É mais de 500 projetos em link six Sigma em mais de 50 países na América Latina, Europa, Ásia, África e América do norte. Treinou mais de 70000 a White yellow green black master black belts em mais de 100 diferentes nacionalidades. O Marcelo também é um instrutor oficial da minitab e um dos 3 master black belts certificados pela ESQU na América Latina. Agora, então eu vou passar a palavra ao Marcelo para que ele possa começar a apresentação de hoje. Marcelo, por favor. Olá, pessoal. É uma Alegria muito grande estar aqui com vocês. É para falar dessa técnica tão fascinante que é ODOE design experimenta. Sou simplesmente projeto de experimentos que muitos autores consideram ser a técnica mais poderosa. Quando a gente fala de modelagem, entendimento dos processos e também otimização, tá certo? Eu trouxe aqui para vocês um exemplo bastante simples. Mas na mesma dimensão, muito, muito poderoso, no meu ponto de vista, a gente vai fazer um bate-papo aqui extremamente prático e eu vou ficar muito feliz se vocês puderem deixar as suas perguntas, porque nós reservamos alguns minutos. Ao final dessa apresentação para então responder essas perguntas, está certo? E também quero aproveitar essa oportunidade pra mostrar aqui para vocês. Quer dizer, a maioria absoluta das pessoas conhecem AO software de estatística minitab, mas na verdade, a minitab. Ela tem uma família de recursos valiosíssimos de softwares valiosíssimos. Entre eles está o minitab workspace. Tá certo, onde assim não é o propósito da nossa apresentação aqui hoje? Mas eu quero deixar de forma bastante Clara essa mensagem de que é. Um aliado muito, muito, muito poderoso, não só para execução, para o uso de algumas ferramentas e técnicas ligadas à excelência operacional, melhoria contínua, mas também para condução de projetos em six Sigma com framework the Mike pronto, totalmente customizável, também com projetos design for six Sigma, né? Então aqui eu gostaria só de deixar 11 Fla ver como eles dizem, né? É usando um mapa mental. Que é um dos recursos, né? Para explorar um pouquinho a alguns elementos, né? Do projeto experimentos, projetos, experimentos, é uma técnica que foi proposta pelo Ronald Fisher, que muitos consideram como o sucessor de Charles Darwin. A importância do Fisher na dita estatística Moderna é absolutamente gigantesca e ele então propôs, é ODOEO design ao experiments. É, e é uma técnica muito, muito, muito usada até os dias de hoje, tá certo? Então é, tem basicamente 3 dimensões que nós precisamos considerar quando a gente fala no projeto, experimentos, uma dela é realmente o tipo do experimento, né? Porque nós temos um deu aí é, por exemplo, que é o fato torre ao completo, tá? Eu vou falar um pouquinho sobre isso, mas temos um outro que é 1! fracionado. É, eu posso aqui facilmente adicionar. +1 + 1 desdobramento aqui não é? Não sei se vocês viram, eu cliquei com o lado direito do mouse e rapidamente adicionei, eu tenho também o superfície. E resposta, não é? Que é, na verdade. Uma modalidade de projeto experimentos que foi é proposta algumas décadas depois da criação é do DOE propriamente dito, é super Pit resposta, foi foi proposto por pelo George box, que curiosamente é casou com a com a filha do Ronald Fisher, né? E o? Vamos ver se o professor Wilson. E então, box Wilson. Essa essa, essa, essa dupla bastante, bastante famosa na estatística, eles propuseram, então, superfície de resposta, que na verdade, é o tipo de ideal. Aí que a gente vai explorar é na aula de hoje, tá? É, vamos lá aqui a gente precisa também lembrar que toda vez que a gente conduz um projeto de experimentos, a gente precisa falar sobre. Fatores, tá certo, eu posso conduzir um experimento com. 2 fatores com 3 fatores, com 4 fatores, eu posso conduzir um experimento com m fatores, mas a gente vai ver que a medida. Que à medida que o número de fatores aumenta a quantidade de condições experimentais aumenta, não de forma linear, sabe? Ela normalmente aumenta, é de forma exponencial, então não é tão simples conduzir, por exemplo, um experimento do tipo fatorial completo. É com 10 fatores da mais. Se a gente considerar a. O conceito de réplicas que eu já vou explicar para vocês tá? E também é fatores e níveis para a gente pode ter. Ferimentos com 2 níveis, a gente pode ter experimentos com 3 níveis que a gente pode ter, experimentos com n níveis e, na verdade, aqui, hoje eu vou explorar com vocês um experimento com 5 níveis, tá? Então é qual que é o principal objetivo do projeto de experimentos como técnica? Principal objetivo é realmente identificar a influência? Das variáveis de entrada, considerando fatores e também aquelas variáveis que são de difícil, é controle ou impossível controle, os ditos ruídos é em uma ou mais variáveis de saída, tá certo? Então, de uma maneira muito, muito, muito simples, eu eu sou de Itajubá, no sul de Minas Gerais. É, é, eu sou absolutamente é. Fã, né? Eu diria. Viciado em pão de queijo, né? Uma das Maravilhas da gastronomia é mineira. E eu quero que vocês imaginem, por exemplo, será que a temperatura do forno, né? Esse fator é de certa forma, controlável, influencia na qualidade do pão de queijo. Será que o tempo que eu deixo o meu pão de queijo lá no forno influencia na qualidade do pão de queijo? Poxa, muito provavelmente, né? Será que a marca, do ponto de queijo influencia na qualidade é do meu pão de queijo final, né? Então, poder saber se cada um dos fatores influenciam ou não na minha variável de resposta. Nesse caso, como a gente está usando aqui esse exemplo bastante lúdico, né? Na satisfação do cliente é isso, é de uma importância brutal. Mas além disso, deu ele não só te diz se a cada uma das variáveis, elas influenciam na sua saída, mas como dá também uma ideia de força, né? Quanto a essa variável, essas variáveis é de entrada, influenciam e óbvio que a gente pode também considerar as famosas interações, né? Então, assim, o efeito Combinado de 2 ou mais fatores na saída e posso também, dependendo da maneira como eu desenho o meu experimento, né? Principalmente considerando o número de níveis, eu posso avaliar como a minha resposta é se comporta em função. De um modelo quadrático, por exemplo, associado aos meus fatores. Então a gente sabe, né, que o pão de queijo, uma das formas de você maximizar a experiência de forma significativa, é você dar um corte, né? No pão de queijo ou como a gente diz aqui em Minas, dá um taio, né? No pão de queijo, e adicionar ali um doce de leite, né? Eu dou a minha palavra que eu não estou fazendo merchant, mas se vocês puderem adicionar o famoso doce de leite Viçosa. É, você vai realmente chegar muito próximo do. Do que a gente considera, né? A Felicidade plena, né? Na vida de um ser humano, um pão de queijo recém saído do forno com um corte adição de doce de leite, Viçosa já mudou a vida de muita gente aqui em Minas Gerais para melhor, sabe? Então eu estou dizendo isso porque porque se eu coloco de repente pouco pão, de que é pouco doce de leite, no pão de queijo, eu vou ter uma certa experiência em termos de satisfação do cliente, aí eu vou aumentando a quantidade de doce de leite, né? Coloco. Algumas gramas a mais, e chego eventualmente numa quantidade óptima ali de doce de leite. Se eu sigo adicionando mais doce de leite, há boas chances de eu começar a prejudicar a satisfação do cliente. Então perceba que a gente tem aqui claramente um comportamento não linear, né? Se eu quero então colocar no eixo x quantidade de doce de leite no eixo y satisfação do cliente, eu estou seguro de que todos vocês conseguem enxergar isso, né? Com. Pouco doce de leite, satisfação lá embaixo. Eu vou aumentando a quantidade de doce de leite é minha satisfação vai aumentando, mas chega um determinado ponto a partir do qual, se eu adicionou doce de leite, a minha satisfação começa a baixar, né? Então, essa é uma limitação grande. Por exemplo, é esse ponto está associado a uma limitação grande dos dws, conduzidos com 2 níveis, né? Porque, normalmente, com 2 níveis, o máximo que eu posso fazer é testar. Essa não linearidade com o famoso ponto ponto central ou center ponte, né? Mas eu não consigo modelar, tá certo? Por isso que hoje eu optei aqui com vocês mesmo sabendo que é um bate-papo introdutório, é a minha principal função, é realmente inspirá-los a usar o projeto de experimento, está certo? Eu realmente espero que ao final dessa aula você possa ali abrir o minitab. Se você não tem o minitab, você pode baixar a versão gratuita de 30 dias e já ali começar. A no bom sentido, né? De testar brincar com essa técnica tão, tão famosa e tão, tão poderosa no contexto da excelência operacional e da melhoria contínua, tá certo? Então, de forma muito, muito simples, de forma muito, muito simples. Hoje a gente vai tratar a superfície de resposta, eu vou trabalhar com 2 fatores, né? E no arranjo que eu vou mostrar para vocês, nós teremos lá. É 5 diferentes níveis. Tá certo, é bem, então eu vou migrar aqui agora do workspace para o minitab tá bom? Espero que vocês consigam ver agora na minha tela é o minitab e volto a dizer, fiquem à vontade para colocar é as perguntas, tá bom? Que serão atendidas, é no final dessa nossa conversa, tá bom? Toda e qualquer pergunta? É absolutamente bem-vindo. Para você que tá conhecendo o militar que está tendo o primeiro contato com o minitab. É de forma bastante, é objetiva. Nós temos basicamente uma área de entrada de dados, está certo worship, uma área de saída e um navegador tá de forma bastante bastante objetiva antes de. É conduzir AO meu experimento, obviamente eu preciso. Eu preciso indicar ao militar, sabe? Eu preciso indicar ao minitab. Qual é a quantidade de fatores? Esse é o primeiríssimo primeiríssimo ponto. Depois que você escolhe o experimento, o tipo de experimento que você quer conduzir. Então, de novo, em estat, que, a propósito, é ABIN, a mais rica do minitab, tá é a aba mais rica do minitab está te deu e planejamento de experimentos ou projeto de experimentos? E hoje nós vamos mergulhar aqui um pouquinho no tipo de deu a superfície de resposta. Tá, vou então criar um experimento de superfície de resposta. Perceba que nas demais funcionalidades elas estão desabilitadas, né? Obviamente, porque a gente ainda nem criou o nosso experimento. Né? E eu vou aqui então perceba que eu vou manter o famoso ccd central, Composite, design, né? É, e vou manter aqui 2 fatores contínuos, tá? Porque Eu Acredito muito. É No No poder do dos métodos lúdicos, né? Eu realmente é, acredito que isso para que eles chamam de é técnicas de aprendizado para a adultos é sem dúvida alguma, muito muito, muito, muito poderoso, tá? Porque aí sobra energia para a gente falar da técnica propriamente dito. Eu poderia trazer aqui um exemplo. É do setor automotivo ou do setor de pesquisa de mercado? A gente faz muita consultoria para o setor farmacêutico, para as mineradoras. Mas aí eu gastaria boa parte da sua energia para você entender o objeto de estudo. Então, quando eu trago aqui pão de queijo, doce de leite, é simplesmente uma técnica de ensino pra eu gerenciar melhor a sua energia e você então poder concentrar quase que 100% da sua energia. No entendimento da técnica e não do objeto de estudo. Tá certo, então eu clico em experimentos. Né? E vou aqui hoje usar. Sem, sem blocos, né? E hoje a gente não vai mergulhar muito em blocos, mas só pra você ter uma ideia do que é um bloco, a diferença de um bloco para um fator. Imagine, por exemplo, porque eu entendo que a posição no forno, né? A posição onde eu coloco a bandeja de pão de queijo no forno influencia na qualidade do pão de queijo, mas eu não posso ao final me dar ao luxo de falar assim, poxa, eu só vou agora assar pão de queijo. Na parte de cima do forno, porque se não eu não consigo atender a demanda, tá certo? Então é um. O bloco é, na verdade, um fator onde no final eu não vou poder usar esse elemento, por exemplo, para otimizar o meu processo, tá certo? Mas tem sim muito valor. Eu saber se a qualidade do meu pão de queijo varia, é se eu deixar ele na parte de cima do forno ou na parte de baixo do forno, tá certo? Perceba que depois que eu. Confirmei o tipo de experimento, eu tenho agora habilitado opções, resultados e fatores, né? Então eu vou clicar aqui em fatores e vou escrever. A quantidade de doce de leite tá, e no nosso experimento eu vou testar aqui, né? Com 40 g. Extremo e no outro extremo, 80 g, tá? E vou colocar aqui também. Temperatura do forno, temperatura do forno, tá e vou colocar aqui, num extremo 140 °C. E no outro extremo, 220 °C. Minha recomendação, quando você estiver usando, é o ccd na superfície. Resposta é deixar esses extremos nos pontos axiais, tá? Porque você garante que esses são, de fato os pontos? É. É mais extremos no seu experimento, tá? Então, pontos axiais nenhum, OK. Não é, às vezes, por razões didáticas, eu opto aqui por de aleatorizado os ensaios, tá? Mas a aleatorização dos ensaios na condução do experimento é algo brutalmente importante, tá no na condução de um experimento. É na vida real. Por assim dizer, tá, eu dei um aqui aqui agora e eu. Eu tenho as minhas 13 ditas condições experimentais, né? Condições experimentais. Então, perceba que de forma é organizada de forma científica é, nós buscaremos entender. Como? A quantidade de doce de leite num pão de queijo recheado a temperatura do forno. Elas impactarão, por exemplo, né? Satisfação. O cliente está aqui, eu vou cometer um pequeno pecado. Metodológico, que é considerar a satisfação do cliente como um dado contínuo, tá? Eu vou cometer esse pecado metodológico em prol da didática, tá? Eu realmente espero que vocês se sintam inspirados depois dessa sessão, a mergulhar no minitab e conduzir e conduzir experimentos aqui é muito importante também reforçar que. Se você tem um bom volume, um bom volume de dados é históricos ODOE talvez não seja a melhor opção da pessoal. Isso é um ponto muito, muito importante. Você vai realmente conduzir um experimento quando você tocar o que nós chamamos de estado da arte. Então, o que que é o estado da arte? Mas realmente não temos resposta. Na literatura, não temos resposta no conhecimento interno da companhia entre os especialistas. É, nós não temos respostas vindas dos dados históricos, está certo, então realmente é necessário ali conduzir um experimento para que possamos evoluir em termos de conhecimento sobre aquele processo, tá? Eu estou dizendo isso porque de forma muito é aberta. E honesta, é importante alertar que, normalmente a condução de um experimento de um deu aí vai sim, consumir é muito mais tempo do que você conduzir, por exemplo, uma regressão múltipla, né? Se você tem um bom volume de dados, dados confiáveis, você pode em alguns poucos cliques em alguns poucos segundos já obter em sites valiosíssimos, né? Para então, as subsequentes ações. Projeto de experimentos não, você vai desenhar o seu experimento. E nesse momento você vai coletar para cada uma das combinações das condições experimentais, tá? Você vai coletar dados. Você vai coletar dados, então é como se a que você pudesse, dados de saída da variável de saída, é como se você pudesse então fazer um único pão de queijo, colocar 60 g, né? De doce de leite, 60 g de doce de leite. A temperatura do forno está em graus Celsius, né? É 60 g de doce de leite e a temperatura do forno em 180 e realmente a partir dali, medir a satisfação de novo. Aqui a gente vai considerar uma. Uma escala é ordinal, então são dados. É por natureza discretos, mas a gente vai de novo cometer esse pequeno pecado metodológico para, para fins de simplificação, a pena. Então com apenas então eu conduzi, eu entreguei, por exemplo, pro Osmar, né? Suponhamos que o Osmar seja o nosso, a nossa representação, a nossa personificação é do cliente, né, da figura do cliente. Eu entreguei esse pão de queijo para Osmar, ele falou, OPA, esse pão de queijo é um pão de queijo, nota 10. Eu entreguei esse outro pão de queijo aqui pro Osmar é com 80 g de doce de leite e feito a um forno a 180°. E ele achou que tinha muito doce de leite, sabe? E aí ele deu nota 2. Aí eu entreguei esse pão de queijo para o mar. Ele entendeu que ponto de que estava queimado, aí deu nota um, sabe e assim eu vou conduzindo, né? Aquele deu nota 9 aqui ele deu nota 2 aqui, ele deu nota um aqui, ele deu nota 3 aqui, deu nota 10 aqui, ele deu nota 3 aqui, deu nota 9 aqui ele deu nota um e aqui ele deu nota 10. Certo, então de novo aqui no nosso exercício. É essa coluna aqui. Ela veio de forma muito, muito, muito rápida, mas numa aplicação real, isso pode levar dias. Isso pode levar semanas. Tá certo. E de novo, a única questão aqui é você balancear. Se o valor vindo das conclusões é potenciais desse seu estudo é, pagam de fato, esse tempo. Energia é que você vai gastar, tá certo? E aí, obviamente, tem inúmeros casos. É na prática e na literatura. De aplicação bem sucedida de DOIDOI é revolucionou a quantidade de cobres de cobre nos chicotes elétricos dos carros manufaturados. É no Brasil, em boa parte deles. Eu tive a oportunidade de trabalhar na deu. Faz sistemas automotivos. E uma sequência de d us nos ajudou muito, muito, muito a otimizar a quantidade de cobre. Presente nos chicotes elétricos, Win RAR, merci é dos carros, tá certo? Então, assim, de novo, tem inúmeras inúmeras, a qualidade do foco. É nos televisores nos antigos tubos de raios, cartório, cosmos, 14, Ray tubes lá atrás, né? Antes do LCD do plasma qualidade. Da imagem, principalmente na periferia, foi brutalmente na periferia da tela. Foi brutalmente melhorada por meio de uma sequência de projetos de experimentos. Certo? E aí, é de novo? O volume de casos de sucesso é imenso, imenso, imenso. É eu como master black belt, como educador de elim six Sigma, posicionou o projeto de experimentos. Sem dúvida alguma, como a técnica mais poderosa, mais poderosa para identificação, validação de causa, raiz e também e também sugestão, sinalização de regiões ótimas de parametrização. Para os seus fatores, as suas variáveis de entrada, tá? Eu vou só adicionar aqui. Então que a quantidade de doce de leite está em gramas. Colocar aqui que a temperatura do forno ainda. Seus, eu vou também chamar. A satisfação do cliente. De y un? Porque? Uma das coisas mais legais que a gente pode fazer aqui com deu também é avaliar com múltiplas saídas. Então, operar na região de otimização multi objetivo, porque quando a gente fala em excelência operacional, em melhoria contínua, nós sempre estamos transitando na região de otimização multi objetivo sempre, sempre, sempre mesmo que o seu projeto tenha apenas um CTQ, apenas um objetivo. Obrigado. A redução do tempo de entrega, por exemplo, é óbvio que você busca a redução do tempo de entrega, mas sem prejudicar a qualidade, sem prejudicar o preço para o cliente final ou sem prejudicar o custo de manufatura. Então, a otimização objetiva muitas vezes é tida como um tema sofisticado. Chique, né? Muito avançado, mas na verdade, ela é deveria estar presente em toda e qualquer empreitada. De melhoria contínua, tá certo? Então eu vou adicionar aqui o custo. De cultura a custo de manufatura. Então, se eu usar 60 g de doce de leite e o forno a 180°, eu vou colocar que esse pão de queijo aqui, ele vai ter um custo de. 3 BRL. Aqui vai ter um custo de 4 BRL. Aqui vai ter um curso de 4 BRL. Aqui vai ter um curso. E 3 BRL. Aqui vai ter um custo de 3 BRL aqui de 2 aqui de 3 BRL. Que de 2 e 50. Que vai ter um custo de 3 BRL de 4 BRL, por exemplo, 3 e 20. Que um custo de 4 e 20, por exemplo, e aqui b 2 e 90, está lembrar que isso daqui não pode ser cálculo, tá bom, pessoal, não pode ser cálculo. Você realmente precisa buscar o custo que foi associado, né? AAAA, manufatura de um pão de queijo com 60 g de doce de leite, com a temperatura de 180. Tá certo? E realmente computar? Computar o custo real associado àquela sua? Condição experimental, então é de novo, só para garantir que a gente está na mesma página. Projeto de experimentos uma técnica poderosíssima para avaliar como fatores variáveis de entrada influenciam em uma ou mais saídas. Tá certo? Eu tenho então fatores para cada um dos fatores. Eu tenho uma certa quantidade de níveis. Perceba, eu posso dizer que Oo meu experimento. Não é ele varre o fator quantidade de doce de leite. No nível 60 g no nível 80 g no nível 40 g no nível 74 g no nível 46 g. Está certo? Fatores e níveis é absolutamente importantes. Esses 2 elementos são absolutamente importantes no momento de desenhar o seu experimento. Desenhamos o nosso experimento, projetamos o nosso experimento. Não é? Então, com base nesse experimento desenhado, projetado, nós então fizemos uma boa coleta de dados nas variáveis de saída e agora? Então é hora do tratamento do tratamento estatístico. Do tratamento estatística? Então é o caminho para isso. O caminho para isso é está, te dê OE superfície de resposta. Perceba que agora eu tenho uma boa quantidade, né? Uma boa quantidade de outros elementos que estão habilitados, tá certo? Então eu vou fazer análise de experimento de superfície de resposta. E eu vou primeiro indicar a satisfação do cliente. O primeiro indicar a satisfação do cliente. Não é? E nesse caso eu vou simplesmente clicar em OK. Quando eu clique em OK. Eu tenho então, na saída, lembra que os elementos são basicamente entrada, saída e o navegador. Se eu quiser ver só a saída, eu posso clicar aqui embaixo nesse retângulo. Né? Eu tenho aqui, entre outras coisas. A minha famosíssima. Tabela do a nova análise de variância. Não é hoje a gente não vai mergulhar tanto no que é exatamente os famosos graus de Liberdade. Soma de quadrados quadrado médio o valor f, né? E aqui a gente tem o valor p também. É, mas eu espero que você. Nissa o conceito de significância estatística, certo? Eu posso, então. Eu posso então avaliar. Os componentes lineares do meu modelo não é olhando o valor PE decidir, então se a influência. Desses elementos é uma influência estatisticamente significativa ou não? Não é? E aqui tem uma coisa muito, muito curiosa, porque eu poderia argumentar que quantidade de doce de leite apenas não é. O seu componente linear, não o seu componente quadrático. É ele. Tem um valor, apresenta um valor p. Que não é menor que 0,05. Normalmente a gente utiliza um alfa de 5% 0,05. Então se o valor p é menor ou igual a alfa, nós rejeitamos a hipótese nula, né? EAE num linguajar muito simples, a hipótese nula é de que, de fato, é esse elemento, ele não tem importância para um modelo, né? Então aqui eu não consegui rejeitar essa hipótese, então realmente fico. Né? Eu falei em rejeitar a hipótese de que não tem importância. Então realmente é fico com ela, né? Até o momento, a quantidade de doce de leite não não influencia na satisfação do cliente, né? Temperatura do forno também não influencia. Percebo que o valor p é maior que 0,05. Agora, considerando considerando quantidade de doce de leite ao quadrado, né? Então é levando em consideração, é o seu comportamento é enquadrar não linear, quadrático é, percebo que o valor p é que eu posso aumentar a quantidade de casas decimais, né? Perceba que o valor p é realmente menor que 0,05, né? Temperatura do forno também menor que 0,05. E aqui eu tenho a interação dos 2 fatores, a combinação. E aqui tem um conceito muito, muito interessante, que é você respeitar a hierarquia. Então se. É o componente quadrático do modelo. Ele é. Ele é. Ele tem uma importância que é estatisticamente significativa, não é? É estatisticamente significativa, é você, então pode optar por manter o elemento linear no seu modelo, tá certo? E tudo que não vai para o modelo é erro, né? Tudo que não vai para o modelo é erro. E aqui a gente tem um tipo aqui, o erro é quebrado em le Cafe, famoso leka. Fita ou falta de ajuste e erro puro, e também num linguajar muito simples, é aqui, eu posso ter uma sinalização, se o meu modelo, ele não está clamando, ele não está pedindo pro mais termos, né? Quando esse valor Pra Ele é menor que 0,05, pode ser uma sinalização de que o meu modelo tá então, sinalizando ali uma falta de ajuste, um leque of fit, então pedindo normalmente ele tá pedindo. Mais termos, tá certo no modelo, então, nesse fato nesse caso, Oo fato é que o valor p é maior que 0,05, então é um bom indicativo e que o meu modelo. Ele. Ele é adequado, está certo, e aqui eu tenho, então o meu gráfico de pareto, com os fatores isolados, com a interação e com os os termos quadráticos. Tá certo, então é uma informação extremamente valiosa, extremamente valiosa, que pode também ser representada de forma gráfica, né? Eu posso pegar aqui? Está de projeto de experimentos, perfis de resposta, é você tem o gráfico de superfície gráfico de superfície que é extremamente didático. Não é extremamente fácil de ser interpretado aqui a gente consegue ver facilmente que existe, então uma região ótima aqui em cima, né? Existe uma região ótima aqui em cima. É que é justa. Região ótima para a satisfação do cliente, que é justamente. É ali, na casa de 60 g de doce de leite, a temperatura temperatura do forno na casa ali de 180°, tá certo? E aí tem diversas funcionalidades do minitab onde você pode é editar. Essa área, se você dá um duplo clique, você pode mudar a cor ou pode mudar o estilo da representação está aqui para você. É conversar com uma audiência que não é uma audiência técnica, é normalmente, normalmente ajuda demais, né? Porque de novo é extremamente visual a sua saída em um eixo é as 2 entradas aqui em outros 2 eixos, é normalmente é uma representação como essa é brutalmente mais didática. Do que você apresentar a tabela do a nova tá certo? Você tem também um recurso gráfico que eu gosto muito, que é gráfico. Contorno. Tá? O gráfico de contorno, eu até acho. A mais fácil do que a superfície a ao gráfico de superfície que aqui você consegue ver claramente que se você quiser operar numa região de satisfação acima de 7 e meio, você deve então garantir que o seu doce de leite tá nessa faixa, né? Entre 50 e 70, por exemplo, e a sua temperatura do forno está entre 160 EE, 200 e 200 °C. Tá certo? Você pode fazer as marcações? Que de forma extremamente simples, quando você clica já aparece, não é? É quantidade de doce, de leite, temperatura do forno. E qual seria a satisfação do cliente? Tá vendo? É, e aí? Óbvio, eu posso fazer essa mesmíssima análise, essa mesmíssima análise? Para a minha segunda variável de resposta, segunda variável de resposta, que é o custo de manufatura. Né? Então eu tenho aqui também a tabela do a nova para o custo de manufatura. Né? Aparentemente só temperatura do forno, que é o nosso fator que contribui, né? Para um modelo de forma estatisticamente significativa, temos aqui um problema, olha uma sinalização de falta de ajuste, então é como se o modelo tivesse clamando ele pedindo a sua ajuda para, para adicionar outros termos, tá certo? E ali é agora, a gente consegue também fazer a. O gráfico de contorno, né? Pra eu preciso mudar, aqui está a pessoa. Lembra de mudar OY 2 para custo de manufatura? Então, se eu quero minimizar o custo de manufatura. Perceba, talvez eu tenha que tomar um cuidado. É muito grande com a temperatura do forno, né? Claramente a gente consegue ver que quanto maior a temperatura do forno é maior o meu custo tá certo? É, e de novo, assim como a própria tabela do a nova é sinaliza para nós com o valor p menor que 0,05. Tendo conduzida as 2 análises para os 2 y, agora vem é. O que eu considero um momento mais importante. Migrando da fase analyser a gente levar isso para o contexto do the Mike. A fase de análise para a fase de melhoria você pode agora. Conduzir uma otimização é de respostas, né? Você vai basicamente colocar as 2 respostas entre aspas para competir, para brigar, né? Você vai chamar esse otimizador e vai falar assim, olha o custo, eu quero reduzir, eu quero minimizar. E essa satisfação, eu quero maximizar. Não é minimizar e maximizar o minitab usa aqui é AO conceito de deseja habilidade, tá? Conceito de deseja, habilidade que é sem dúvida alguma. Uma das técnicas de otimização mais populares, né? E como absolutamente todas as técnicas, como absolutamente tudo na ciência é, tem as suas, as suas, é os seus pontos Fortes e as suas limitações, tá certo? Mas é, sem dúvida alguma, uma técnica muito, muito popular e extremamente útil, extremamente útil. E eu posso clicar em configuração e falar, olha, eu gostaria de trabalhar. Assim como no máximo 5 BRL, 5 BRL de custo. Não é? E o meu alvo é 3 BRL, por exemplo. Eu gostaria de ter a satisfação em 10 e, no mínimo, a satisfação mínima é 7 se não o Osmar Osmar não voltam mais na minha padaria, né? Eu digo isso e posso também é aqui muito cuidado, porque o peso é, não tem relação com a importância das variáveis, tá pessoal? Esse peso aqui tem relação com como você vai priorizar o distanciamento para o limite, tá bom? Se você vai deixar em aqui, varia de 0.1 até 10. Então, se você deixar em um, você vai dizer que. É o distanciamento, não é para o seu, é do target. Para o valor, ao para, o, para o limite ou para os limites, né? Ele se comporta de forma linear. Então, o que normalmente a gente chama de peso, na verdade, é que é importância, tá? Eu posso dizer que nossa gente está com problema de caixa? A gente está vivendo um momento delicado na questão financeira, então não posso dar bobeira. Concurso de manufatura então, infelizmente, mesmo sabendo que, conceitualmente qualidade, deve vir em primeiríssimo lugar. É, mas o custo eu vou realmente dizer nesse momento que ele é 3 vezes mais importante que a satisfação do cliente. Né? Então você colocaria 3 e 1 de novo. Isso varia de 01 até 10, então você tem aqui espaço para dizer que uma saída é até 100 vezes mais importante que a outra, né? Então é, e posso também dizer que não realmente aqui é que acredita no Joseph juran Edwards deming, nos gurus da qualidade. E a gente acredita que qualidade tem que estar em primeiro lugar, então a qualidade, sei lá, 5 vezes mais importante do que o custo de manufatura, né? É então clicando em OKO que o minitab vai te dar. É uma recomendação. De parametrização das suas variáveis de entrada, né? Ele vai falar para você, ó, é, considerando o que você me pediu em termos de custo mínimo, né? E. Do Rio EEO maior valor suportável em termos de custo é eu recomendo que você coloque 60 g de doce de leite no seu pão de queijo e opere aqui a uma temperatura de 178.8. Tá certo? E entendemos que o custo do seu pão de queijo vai ficar ali bem próximo de 3 BRL e é satisfaçam ali em 9.6. E aí uma funcionalidade muito, muito, muito. Incrível aqui, da da, desse otimizador de resposta que você pode fazer. Oo que ser, né? O Ari, fio, Ary fanelli, poxa, o que acontece se, num determinado ponto de queijo, eu acabei colocando aqui 50 g, né? Que que acontece? Não. Com 50 g. O seu custo não é. É por incrível que pareça, ele aumenta um pouquinho, se mantém, né? É mais insatisfação, vai cair brutalmente, satisfação vai cair brutalmente. E você pode pedir para o militar de fazer uma predição, né? Fazer uma predição. Então ele te apresenta aqui, considerando o aspecto é probabilístico da sua, da da. Da sua tratativa, né? Então, ele fala satisfação, ela vai ficar em 7.78. Eu tenho um intervalo de confiança que normalmente é usado num linguajar muito simples. É como se eu fizesse 100 pães de queijo, então eu espero que a minha média, né? Em termos de satisfação, ela fique nesse intervalo e de novo, usando um linguajar simples e extremamente prático, porque a gente sabe que o conceito de intervalo de confiança é não é exatamente isso, né? Mas aqui de novo, só pra manter a nossa conversa. De forma extremamente simples e didática e tem o meu intervalo de predição que vale para uma próxima peça, um próximo pão de queijo. Então, se eu fizer um único pão de queijo com 50 g, aí o forno a 178.788 °C é esperado ali que a insatisfação fique entre esses 2 valores, né? É, volto a reforçar aqui como a que a gente está fazendo uma brincadeira, né? Como a variável sabidamente discreta, a gente está fazendo uma brincadeira como se ela fosse contínua. Tem que tomar, é muito cuidado, principalmente se aqui o seu limite. Superior ele passar de 10, não é? E o custo da manufatura? Eu digo que ele então ficaria entre 1.8 e 4.19. Na minha avaliação inicial, na minha avaliação inicial, se eu pedir, então na condição ótima, né, que é 60 g de doce de leite em um forno a 178,78 eu tenho então a satisfação a 9.6. Aí tenho aquele problema, né, do limite. Eu comentei com vocês. Que tenho também é o custo de manufatura 3 BRL com esse nosso intervalo tá? Então, um recurso extremamente valioso, extremamente fácil de ser usado. É, tive oportunidade de apresentar isso em audiências extremamente técnicas para audiências pouquíssimo técnicas para stake holders que amam estatística para stake holders que odeiam estatística e a reação da da audiência é, é realmente sempre muito, muito muito entusiástica, muito, muito, muito positiva. Quando eles vêem uma otimização é multi objetivo onde você pode então conduzir. Análises do tipo é o arifi, você pode fazer isso com a regressão múltipla também, mas aqui, nesse nosso bate-papo de hoje, eu apresentei o otimizador de resposta como um passo seguinte ao projeto de experimentos, onde de novo você vai usar quando você tiver operando na região de estado da arte e precisar então ali dar o próximo passo. Em termos de entendimento de conhecimento, é do seu processo, está certo? Pessoal, ainda temos alguns minutinhos, é a ideia é então usar esses minutinhos para responder perguntas da platéia, eu espero que vocês tenham deixado aí algumas perguntas e eu vou ficar muito, muito feliz em poder é respondê-las, tá certo? É me coloco a disposição também. Caso vocês queiram entrar em contato. Via redes sociais, o meu. LinkedIn Marcelo Machado Fernandes vocês me encontram também no Facebook, professor Marcelo Machado Fernandes e me encontram no Instagram profi ponto, Marcelo ponto Fernandes e reforço mais uma vez. A minha profunda Alegria de estar aqui com. Cada um de vocês é minha profunda honra de ser um instrutor oficial da minitab software estatística mais usado no mundo inteiro. É criado lá atrás, na década de 70 e hoje é mais de 90% das empresas, a dita forte, um five hundred da Forbes é, utilizam o minitab e é uma absoluta honra para mim. Seu instrutor oficial da minitab no Brasil. Estou então aberto. A perguntas? Marcelo, a gente. Nós tivemos algumas perguntas aqui, Osmar, a então agradecer primeiramente a sua excelente apresentação, como sempre, Marcelo. Mandando muito bem aí nas Apresentações, a agradeço. Eu é de primeira mão, Marcelo a um lembrete só para todos tiveram. Tivemos algumas perguntas, se a sessão foi gravada e se vocês vão poder receber isso depois? A resposta é sim. A gente vai mandar o link a posterior ao ao evento para que vocês possam revisitar o tema sem nenhum problema poder assistir novamente. Obrigado a todos pela participação do webinar hoje a um outro detalhe aí a gente vai entrar nas perguntas. AA gente. O Marcelo apresentou aqui o workspace, né? Que tem integração direta com o minitab. Isso vale a pena destacar o Marcelo. Pincelou AO produto workspace, que é bem bacana para aplicação em projetos de melhoria contínua e projetos de um modo geral, porque tem uma biblioteca com mais de 100 ferramentas que podem ser aplicadas no dia a dia, desde a análise swot até a. É análises feitas no minitab que você pode trazer para dentro do workspace. Ter isso bem documentado. E a gente também tem outros produtos, como o Marcelo falou no nosso portfólio de soluções, como o engate, que é uma solução ainda mais completa para tocada de projetos. A uma solução de aprendizado, a de minitab e conceitos de estatística chamada Quality trainer, que agora está dentro da nossa plataforma minitab Education hub. A gente também oferece treinamento onde o Marcelo, ele é o nosso é. Instrutor oficial, e ele é dará o treinamento. Para a sua empresa e provavelmente a gente deve ter uma turma aberta ao público para o segundo semestre. A gente também tem, dentro do nosso pacote consultores, estatística. Então de repente, se você estiver numa situação. Mais avançada com uma dúvida estatística, a gente tem uma consultoria que a gente pode prestar a vocês. E o nosso serviço de suporte técnico. Vale destacar que todos os clientes minitab tem isto é como um apoio de ferramenta para poder a tirar dúvidas e poder utilizar da melhor forma possível o nosso soft. A deixa eu dar um pulo agora nas perguntas. Marcelo, não sei se enquanto eu estava falando aqui, você teve um tempo de dar uma olhada para, de repente a gente conseguir. Nesses minutos finais responder algumas você conseguiu pegar algumas daí, Marcelo. OPA, já vamos olhar aqui agora. É, tem uma pergunta do Antônio. É ao fazer ODOEEE aí, Osmar, eu posso ler aqui, já responderam. Por? Perfeito, perfeito. É Antônio rocha. Obrigado pela pergunta ao fazer o deu. Aí obtemos uma equação para fazer a previsão da satisfação. Quando variar a temperatura e a quantidade de doce correto, Antônio, perfeito. É, aliás, ou. O otimizador de resposta vai fazer uso dessa equação. Tá bom? Você encontra essa equação aqui, antonioni? Traição é? Aqui você tem são 2 equações, né? Porque você tem uma para satisfação do cliente e você também terá uma para. O custo tá? Então você encontra essas equações aqui. Perfeito. Marcelo teve uma pergunta também com relação à aplicação do DOS, você puder comentar e tiver experiência e Na Na parte de serviços, na indústria de serviços, o papai saía, que Osmar é, eu vou até deixa eu ver se eu consigo bem rapidamente. É uma coisa aqui, porque é um dos temas. Entes do momento, sabe, deu e é ligado a serviço. Inclusive, a gente teve a oportunidade. De de publicar recentemente, um artigo é sobre DOE na área de serviços. Então, para quem tiver interesse, eu não sei se consegue ver aqui lá no meu Google acadêmico, vocês conseguem ver a lista de artigos, o trabalho de de de mestrados, doutorados também? Então é. Percebi ele já é Oo segundo artigo mais citado, né? Projeto experimentos na indústria de serviço é publicado junto com o John Anthony, que é o autor é. Dele em six Sigma, mais citado de todos os tempos, né? E com outro pesquisador pesquisador brasileiro que é o Alexandre Fonseca. Então, isso aqui só para dizer isso, da relevância do tema e também para reforçar que sim, é absolutamente aplicável. É no setor de serviços. Existem alguns cuidados a serem tomados, mas só para dar um exemplo real. Aqui existe um site que todos vocês conhecem, todos vocês conhecem onde a. Página de economia. As cores de fundo. A fonte é o tipo de fonte. E o? A cor da da fonte da letra é, eles vieram de um projeto de experimentos, né? Vieram de um projeto de experimentos, então a aplicabilidade em serviços é realmente muito grande. Alguns existem alguns, alguns cuidados adicionais tá serem tomados, mas a aplicabilidade é realmente muito grande. Existe um livro do John Anthony sobre projeto, experimentos ao livro dele mais citado é que saiu agora, recentemente tem 2 ou 3 meses. E a grande, a tua saiu 11. Edição atualizada e a grande atualização foi realmente em. Em a na adição de um módulo de deu ir para serviços, tá bom? Talvez 11, última aplicação do DOE em a six Sigma em 6 Sigma. Em que fase você acredita? É uma das perguntas que estão aqui, em que fase, que que ela acaba entrando num projeto. De six Sigma ou DOE? Um ótima pergunta, ótima pergunta. É, você pode colocar ela na fase de análise para validação de causa raiz. E aí aqui tem uma vantagem muito grande de colocar o deu aí na fase de análise, porque quando nós utilizamos o olfato one factor era time. Normalmente a gente valida a causa raiz por meio de testes de hipótese de o simple tia, um tio, proporcionar a vida é e ali você, fatalmente na maior parte das vezes, vai usar o olfato. Então estou testando só doce de leite. É se pouco doce de leite é a causa raiz da insatisfação do Osmar, por exemplo, né? E com deu aí é muito mais fácil você testar as interações, porque de repente, não é só o doce de leite, né? É o foi ali, uma foi ali um pecado cometido na quantidade de doce de leite. É em conjunto, com algum alguma bola na trave, na temperatura também, né? Então, esse tipo de coisa na fase de análise tem um valor muito, muito grande, porque a interação de segunda ordem é muito comum na natureza. Interação de segunda ordem é muito comum de terceira ordem. É um pouco mais raro, quarta ordem, quarta, ordem bastante raro. E aí, vai, mas de segunda ordem, é muito comum você falar assim, poxa, eu não consigo discriminar aqui se aquele problema aconteceu por causa da matéria-prima ou da máquina, né? Parece que foi a combinação daquela matéria-prima com aquela máquina. Isso é muito comum. E o deu aí, te dá isso agora. Eu gosto de posicionar o dia e na fase de improviso, porque ele já é naturalmente te inclina. Para ações de melhoria. Ele naturalmente te inclina, mesmo se você rodar um deu e super simples 1! completo 2 níveis, se você fizer um. Factor é o plot, você vai pode extrair dali algumas sugestões de parametrização, entendeu? Então, entre estar na lá, Na Na lá e ou ou no improviso, não faz, não faz tanta diferença, não. Eu gosto de colocar no improviso, é estranho. Se eventualmente você vê um, deu aí na fase de controle ou na fase de medição, aí é realmente bem mais difícil de de justificar. Eu não. Aliás, eu nunca vi, né? Analisou. Improviso? A dúvida que surgiu aqui também, a gente tem bastante isso, se você puder, é citar algum exemplo, se você tiver aí a gente conseguir concluir a tempo. Na indústria farmacêutica, o deal é bem aplicado em AMD, né? O reset in development na área de pesquisa e desenvolvimento. A você tem algum exemplo que possa citar aqui recente de de ter aplicado eu? Você citou e acho que dá para correlacionar isso na indústria automotiva, né? E a aplicabilidade se é, estende com certeza e a gente tem vários exemplos da indústria farmacêutica. Se você quiser fazer algum comentário, Marcelo. Perfeito Osmar indústria farmacêutica, junto com as mineradoras, estão são as as 2 primeiras do pareto, né? Em termos de atendimento, tanto de consultoria quanto de quanto de treinamento, né? Então, assim, o volume de aplicações é realmente muito grande, não só em. É muito em a, em b, sem dúvida alguma, mas também nas otimizações de processo, né? Existe uma grande empresa do setor farmacêutico que está aqui pertinho de Itajubá. Em Pouso Alegre EE eu tive um aluno que fez um trabalho. Incrível lá para a redução de dar um time, não é? É especificamente o downtime, não planejado. Então você vê também a indústria farmacêutica, assim como outras indústrias usando é é técnicas, como deu e para otimização dos seus processos, agora, em a em BE como Osmar disse, é muito, muito, muito, muito. Poderoso, porque se você consegue antecipar as interações nas fases, é pré produção, você pode economizar muito. Você pode economizar muito, muito, muito, muito. Né? Então, na indústria farmacêutica, na indústria química, né? Na indústria química, eu teria que ajustar a minha fala. Quando eu digo que a interação de terceira ordem não é algo muito comum, né? Porque na indústria química e na área de pesquisa e desenvolvimento do setor farmacêutico nós se encontraremos ali. É interações de terceira ordem, numa frequência maior do que numa empreitada de otimização de processos. É por exemplo, né? Então sim aplicada. Aplicabilidade é muito, muito, muito grande, muito, muito grande. Ótimo, Marcelo. Mais uma vez, a obrigado a todos. Obrigado Marcelo, pela excelente apresentação. Obrigado a todos que participaram aqui com a gente. Hoje quem vai assistir a futuramente também? Obrigado por estar aqui é com conosco. Tem 11 parte valiosa da da apresentação, que é a que é a avaliação da apresentação que foi feita hoje. Agradeço se vocês puderem, por favor, preencher isso ajuda a gente AA melhorar. A futuras oportunidades que tenhamos de conversar com vocês. AE um outro ponto que eu gostaria de deixar aqui é que todos tenham um ótimo resto de semana. Agradeço a todos as perguntas que não foram respondidas. Nós vamos é procurar respondê-las por e-mail futuramente para todos que que deixaram suas perguntas, que que não foram a respondidas. Muitíssimo obrigado a todos. _1734795938064