Alocao de modelos de produtos a equipes de trabalhadores baseada em modelos de curvas de aprendizagem

Alocao de modelos de produtos

a equipes de trabalhadores baseada em modelos
de curvas de aprendizagem
MICHEL JOS ANZANELLO
FLVIO SANSON FOGLIATTO
UFRGS

Resumo
Em ambientes de alta customizao, uma grande variedade de modelos de produtos demandada pelos
consumidores. Essa condio exige uma rpida adequao dos meios produtivos s especificaes do prximo
modelo a ser produzido. Tal situao, contudo, pode acarretar perdas considerveis em relao aos nveis de
produo e qualidade, em decorrncia da pouca habilidade dos trabalhadores nos ciclos iniciais de produo de um
novo modelo. Assim, a modelagem do processo de aprendizado de trabalhadores atuando sobre cada modelo de
produto pode auxiliar a gerncia na alocao de modelos de produtos a equipes de trabalhadores, minimizando as
perdas verificadas nos primeiros ciclos de produo. Este artigo apresenta uma metodologia baseada na utilizao
de curvas de aprendizagem como balizadoras da alocao de modelos de produtos a equipes de trabalhadores. Os
diversos modelos de produtos so agrupados em famlias de acordo com suas caractersticas similares, permitindo
uma reduo na coleta de dados. A alocao das famlias s equipes realizada atravs da anlise das curvas de
aprendizagem. Duas formas de alocao so apresentadas, de acordo com a durao da corrida de produo. A
metodologia proposta ilustrada atravs de um estudo de caso em uma indstria do setor caladista.

Palavras-chave
Curvas de aprendizagem, customizao, alocao de produtos a equipe, programao da produo, indstria de
calados.

Assignment of product models to worker

teams using learning curve models
Abstract
In highly customized markets a large variety of product models are typically demanded by customers. That requires
fast setup of production resources to comply with specifications of the next model to be produced. Such
compliance, however, may cause considerable production and quality losses due to workers poor performance
during the initial production runs of a new model. Therefore, modeling workers learning upon exposure to each
product model may help production managers to define the best assignment scheme for models and workers, such
that losses in the initial stages of production are minimized. This paper presents a methodology that uses learning
curves to guide the best assignment of product models to teams of workers. Product models are first clustered
into families based on their similarities, leading to a smaller data collection. Then allocation of product families to
teams is carried based on the analysis of their corresponding learning curves. Two courses of action are then
proposed, depending on whether the production batch will lead to longer or shorter production runs. The proposed
methodology is illustrated in a case study from the shoe manufacturing industry.

Key words
Learning curves, customization, assignment of products to teams, production management, shoe manufacturing
industry.
Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

221-234.p65

221

18/8/2005, 18:32

221

Michel Jos Anzanello; Flvio Sanson Fogliatto

INTRODUO
O mercado tem imposto severas condies para a
sobrevivncia das empresas em um cenrio altamente
competitivo, demandando esforos contnuos na melhoria da qualidade, eficincia e flexibilidade dos sistemas
produtivos (DE RON, 1998). A fim de buscar novas
estratgias capazes de diferenciar seus produtos, as empresas passaram a investir em produo baseada em uma
maior variedade de catlogo. A oferta de uma maior
gama de opes de produto passou a ser encarada como
uma caracterstica desejada pelos clientes, que em muitos casos esto dispostos a pagar preos mais elevados
por itens diferenciados (DA SILVEIRA et al., 2001).

da reduo de custos de produo e previso de desempenho dos trabalhadores quando submetidos a uma nova
operao (TEPLITZ, 1991).
Entretanto, apesar da vasta aplicao das curvas de
aprendizagem e do conhecimento consolidado a respeito
da variabilidade humana na realizao de tarefas manuais,
h uma carncia de mtodos na literatura que permitam
avaliar a adaptao dos trabalhadores s operaes e
possibilitem a alocao dos mesmos a diferentes modelos de produtos, cujas corridas de produo apresentam
duraes distintas.
Este artigo busca suprir tal lacuna, propondo a utilizao de curvas de aprendizagem para minimizar a variabilidade humana na realizao de operaes relativas a
novos produtos. As curvas de aprendizagem so utilizadas como balizadoras da alocao de produtos a equipes de trabalhadores, permitindo o
direcionamento dos diversos modelos de produtos s equipes mais aptas
realizao de suas operaes. Os
parmetros da curva de aprendizagem permitem analisar quantitativamente a adaptao dos trabalhadores
s operaes avaliadas, possibilitando a identificao de perfis distintos
de aprendizado que podero ser administrados de acordo
com os modelos de produtos demandados.
O artigo traz trs contribuies originais, relevantes
rea de Planejamento e Controle da Produo: (i) uma
metodologia que sistematiza a utilizao de curvas de
aprendizagem para promover um escalonamento otimizado da produo em linhas multimodelos; (ii) a utilizao de anlise de regresso sobre parmetros de curvas de
aprendizagem, viabilizando a alocao de produtos com
corridas curtas de produo a equipes de trabalhadores; e
(iii) a otimizao da coleta de dados para construo de
curvas de aprendizagem agrupando modelos de produtos
em clusters, conforme suas similaridades.
A metodologia proposta ilustrada em uma aplicao
no setor de costura de uma indstria caladista, com o
propsito de mensurar e avaliar o desempenho dos trabalhadores na fabricao de determinados modelos de calados. Os diversos modelos so agrupados em famlias
atravs de procedimentos de clusterizao, permitindo a
reduo da quantidade de dados a serem coletados. As
curvas so usadas para designar trabalhadores ou equipes de trabalhadores aptos a atuarem em determinadas
famlias de modelos, de maneira a reduzir as perdas
decorrentes das trocas de modelo de produto.
A estrutura deste artigo a seguinte: apresentao de
uma fundamentao terica sobre modelos de curvas de

produo customizada resulta em uma

grande variedade de itens e alterao
constante no tamanho dos lotes de produtos
demandados, exigindo flexibilidade dos
recursos e interao dos meios produtivos.

A produo customizada resulta em uma grande variedade de itens e alterao constante no tamanho dos lotes
de produtos demandados, exigindo flexibilidade dos recursos e interao dos meios produtivos (maquinrio e
mo-de-obra) para se adaptarem de maneira rpida e
precisa s modificaes impostas (DA SILVEIRA et al.,
2001). A alterao freqente nos modelos dos produtos
submete o trabalhador a novas tecnologias e habilidades,
desencadeando um processo de aprendizado a cada nova
operao que lhe imposta (TOWILL, 1990).
A adaptao do trabalhador a um novo produto ou
servio, contudo, pode impor considerveis perdas ao
sistema produtivo (exemplificadas pelos baixos ndices
de produtividade e qualidade obtidos nos primeiros ciclos de um novo produto), tornando til a avaliao do
processo de aprendizado. Nesse contexto, a curva de
aprendizagem tem se mostrado uma ferramenta til no
monitoramento do desempenho do trabalhador submetido a uma nova operao, avaliando seu progresso
medida que repeties so efetuadas. Curvas de aprendizagem foram propostas inicialmente por Wright em
1922, atravs da verificao da reduo do tempo e custo
necessrios para a montagem de avies durante a Primeira Guerra Mundial. Desde ento, as curvas de aprendizagem tm sido utilizadas para avaliao do tempo demandado para concluso de corridas de produo, estimao
222

221-234.p65

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

222

18/8/2005, 18:32

Alocao de modelos de produtos a equipes de trabalhadores baseada em modelos de curvas de aprendizagem

aprendizagem, alm de reviso de trabalhos desenvolvidos com propsitos similares aos deste artigo. Em seguida descreve-se a metodologia proposta e apresenta-se a
aplicao da metodologia ao estudo de caso. Finalmente,
a concluso encerra o artigo.

REFERENCIAL TERICO
Curvas de aprendizagem so representaes matemticas do desempenho de um trabalhador quando submetido
a uma tarefa repetitiva. medida que repeties so
efetuadas, o trabalhador demanda menos tempo para execuo da tarefa, seja pela familiaridade adquirida nos
meios de produo, pela adaptao s ferramentas utilizadas ou pela descoberta de atalhos para realizao da mesma (WRIGHT, 1936; TEPLITZ, 1991). Dentre as curvas
de aprendizagem mais difundidas, merecem destaque os
seguintes modelos:
Modelos potenciais (Wright, Plateau, Stanford-B, DeJong e Curva S, entre outros);
Modelos hiperblicos;
Modelos exponenciais.
O modelo de Wright constitui-se na curva de aprendizagem mais difundida, dada sua estrutura simples e boa
capacidade de aderncia a dados empricos. A curva
representada por y = C1xb, onde y indica o tempo (custo)
acumulativo mdio demandado, C1 o tempo (custo) da
primeira unidade produzida, x quantifica as unidades produzidas e b a declividade da curva, tal que 1 b 0.
O modelo de Plateau composto pelo acrscimo de uma
constante aditiva ao modelo de Wright (y = C + C1xb),
fazendo com que y tenda a C quando o volume de produo for elevado. O valor da constante C reproduz o
desempenho do trabalhador ao atingir o estado estacionrio, situao em que o processo de aprendizado est
prximo da concluso (YELLE, 1979; TEPLITZ, 1991).
A curva de aprendizagem proposta por Stanford-B
representada por y = C 1(x +B)b, onde B visa incorporar
a experincia prvia do trabalhador na operao ao
modelo de Wright (TEPLITZ, 1991; NEMBHARD;
UZUMERI, 2000).
O modelo de DeJong analisa a influncia da participao de maquinrio no processo de aprendizado. A equao representada por y = C 1 [M + (1 M) x b ], onde M
(0 M 1) o fator de incompressibilidade e representa
a proporo do tempo total de operao constitudo por
procedimentos automatizados (YELLE, 1979; BADIRU,
1992).
A curva S contempla operaes que necessitam da
interveno de mquinas e cuja anlise do desempenho
nas primeiras unidades assume importncia para descrio

do processo. A equao foi desenvolvida atravs da unio

dos modelos de DeJong e Stanford-B e representada por
y = C1[M + (1 M)(x +B)b], onde os parmetros assumem
o mesmo significado dos modelos em que foi baseada
(BADIRU, 1992; NEMBHARD; UZUMERI, 2000).
Curvas de aprendizagem de natureza hiperblica e
exponencial so constitudas por parmetros diferenciados quando comparados aos modelos potenciais. Tais
parmetros permitem extrair maior quantidade de informao a respeito do processo de aprendizado do trabalhador, gerando previses de produo mais precisas que
as fornecidas pelas curvas potenciais.
Thurstone apud Mazur e Hastie (1978) e Kientzle
apud Mazur e Hastie (1978) propuseram uma curva de
aprendizagem hiperblica constituda por trs parmetros:
(1)
tal que p + r > 0, e onde y o desempenho do trabalhador
na execuo de determinada tarefa, expresso em unidades produzidas aps x unidades de tempo de operao (y
0); x denota o tempo de operao na tarefa, expresso em
unidades de tempo (x 0); k o patamar mximo de
desempenho a ser atingido quando a aquisio de conhecimento for integral, expresso em nmero de unidades
produzidas por tempo de operao (k 0); p designa a
experincia prvia do trabalhador na execuo da tarefa
em questo, expressa em unidades de tempo (p 0); e r
o tempo de operao necessrio para atingir k/2, que
corresponde metade do patamar de desempenho mximo (k). O parmetro r expresso em unidades de tempo
e indica a taxa de aprendizado do trabalhador. Valores
elevados de r indicam a necessidade de elevado tempo
de operao para atingir determinado valor de k, sinalizando um processo de aprendizado lento (UZUMERI;
NEMBHARD, 1998).
O parmetro r atua como parmetro de forma da equao hiperblica, podendo descrever trs padres diferentes de aprendizado. Quando r > 0, a curva cresce at um
valor limite de desempenho k. A velocidade de crescimento da curva mais elevada quando r apresenta baixos
valores, ou seja, so necessrias poucas repeties (ou
menor tempo de operao) para que o patamar k/2 seja
alcanado. Situaes onde r > 0 so tpicas de trabalhadores com reduzida experincia prvia submetidos a
novas operaes. Quando r 0, a curva comporta-se
como uma linha horizontal, descrevendo um processo
onde no h aprendizado. Quando r < 0, tem-se situaes
onde o desempenho, representado por uma curva decrescente, diminui com o transcorrer do processo. Esse caso
Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

221-234.p65

223

18/8/2005, 18:32

223

Michel Jos Anzanello; Flvio Sanson Fogliatto

indica a ocorrncia de queda de desempenho, seja por

fadiga ou por esquecimento quanto tarefa (UZUMERI;
NEMBHARD, 1998). A Figura 1 apresenta os perfis
gerados pelo modelo hiperblico de 3 parmetros, de
acordo com o mdulo e magnitude do parmetro r.
Uzumeri e Nembhard (1998) utilizaram o modelo
hiperblico para o monitoramento dos diversos perfis de
aprendizado apresentados por uma populao de trabalhadores submetidos a novas operaes, atravs da anlise dos parmetros gerados pelas modelagens. Os autores
concluram que trabalhadores que apresentam rpida
adequao nova operao (baixo valor de r) tendem a
atingir patamares de desempenho final k inferiores aos
dos trabalhadores que assimilam as operaes de forma
mais lenta (alto valor de r). De tal forma, possvel
alocar trabalhadores com reduzidos valores de r a operaes de curta durao, enquanto que trabalhadores que
apresentam elevados valores de r devem ser direcionados
a tarefas de mais longa durao, dados seus patamares
elevados de desempenho final.
Dentre os modelos baseados em curvas de natureza
exponencial, merecem destaque os modelos exponencial
de 3 parmetros e o de tempo constante. O modelo
exponencial de 3 parmetros apresentado na equao (2).
(2)
Estudos realizados por Mazur e Hastie (1978) mostram que a equao (2) resulta em modelagens deficien-

tes quando o trabalhador analisado submetido a tarefas complexas e que demandam grande quantidade de
novos conhecimentos. Em contrapartida, gera bons resultados em situaes em que o trabalhador apresenta
experincia prvia.
A similaridade na interpretao dos parmetros k, r e p
das equaes (1) e (2), apesar das estruturas matemticas
distintas, levou Mazur e Hastie (1978) a desenvolverem
uma srie de experimentos buscando comparar os resultados previstos pelos modelos exponencial e hiperblico.
Os parmetros r e p gerados pelas equaes (1) e (2)
apresentaram grandezas similares. As maiores diferenas foram verificadas no valor de desempenho final (k)
estipulado pelas equaes. De maneira geral, o modelo
exponencial subestima o parmetro k, levando a previses de desempenho inferiores aos valores verificados
em aplicaes prticas. O modelo hiperblico forneceu
valores de k prximos aos verificados nos experimentos,
alm de oferecer melhores ajustes aos dados experimentais (maior coeficiente de determinao R). Mazur e
Hastie (1978) concluram que o modelo hiperblico de 3
parmetros mostrou-se eficiente para modelar qualquer
seqncia de etapas de operaes, sendo superior ao
modelo exponencial em vrios aspectos e possibilitando
averiguar de maneira bastante precisa o processo de
aprendizado do trabalhador.
O modelo de tempo constante foi desenvolvido por
Towill (1990) e se baseia em uma estrutura semelhante
curva exponencial de 3 parmetros, sendo apresentado
na equao (3).

Figura 1: Perfis gerados pelo modelo hiperblico de 3 parmetros. (Adaptado de UZUMERI; NEMBHARD, 1998)
y
r< 0
k
r reduzido

r elevado
k/2

224

221-234.p65

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

224

18/8/2005, 18:32

Alocao de modelos de produtos a equipes de trabalhadores baseada em modelos de curvas de aprendizagem

(3)
O modelo utiliza o tempo acumulativo de operao (t)
como varivel independente, sendo seu significado idntico ao nmero de unidades produzidas (x) adotado pelos
demais modelos de curvas. Essa adaptao possibilita a
determinao simplificada do tempo demandado para a
obteno de determinado patamar de desempenho. Naim
e Towill (1990) avaliaram o Modelo de Tempo Constante
como uma ferramenta apropriada para descrio do aprimoramento de trabalhadores, dada sua aplicabilidade em
tarefas de naturezas diversas. O modelo pode ser combinado com funes trigonomtricas, sendo til em situaes onde h alternncia entre tendncia contnua de
aprimoramento e variaes cclicas de desempenho decorrentes de fatores conhecidos. Segundo Towill (1990),
o modelo recomendado para situaes em que a coleta
de dados de desempenho se inicia depois de um pequeno
perodo de adaptao do trabalhador tarefa.

METODOLOGIA PROPOSTA
A metodologia proposta visa avaliar a adequao de
equipes de trabalhadores s operaes demandadas por

produtos distintos, com o propsito de direcion-los s

equipes mais habilitadas sua execuo. A alocao
baseada na anlise dos parmetros gerados pelas curvas
de aprendizagem. A Figura 2 apresenta as etapas metodolgicas propostas.
A escolha dos trabalhadores (ou equipes) visa selecionar equipes para a coleta de dados de desempenho, as
quais sero avaliadas na execuo das operaes demandadas pelos modelos de produtos analisados. Uma
equipe pode ser composta por trabalhadores atuando na
mesma operao ou executando operaes distintas,
como acontece em linhas de produo. O monitoramento de equipes com o propsito de alocao de produtos
demanda que as equipes estejam previamente formadas
e aptas execuo das operaes demandadas na fabricao dos produtos analisados. As equipes no devem
apresentar elevado percentual de rotatividade externa, o
que poderia modificar o perfil de desempenho da equipe
durante a anlise. As equipes avaliadas sero identificadas pelo ndice i = 1, ..., I.
A seleo dos produtos a serem direcionados s equipes de trabalhadores para coleta de dados de desempenho
deve priorizar os itens considerados mais representativos
e rentveis, de maneira a justificar a sua modelagem
pelas curvas de aprendizagem. Cenrios de produo

Figura 2: Fluxograma da metodologia proposta.

Seleo de trabalhadores

Agrupamento dos produtos

EQUIPES
j = 1, 2, ...,I

FAMLIAS
j = 1, 2, ...,J
cruzamento I x J

Dados de desempenho

Curvas de aprendizado

Parmetros k, p, r
Corridas de curta durao

Corridas de duraes distintas

Regresso linear mltipla

Integrao das curvas

Anlise de rij e direcionamento

dos produtos s equipes

Anlise da rea sob cada curva e

direcionamento dos produtos s equipes

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

221-234.p65

225

18/8/2005, 18:32

225

Michel Jos Anzanello; Flvio Sanson Fogliatto

caracterizados por grande variedade de modelos de produtos possibilitam a formao de famlias de produtos
com caractersticas similares, reduzindo a quantidade de
dados a serem coletados.
As caractersticas selecionadas para a formao das
famlias de produtos so definidas como variveis de
clusterizao e devem ser relevantes para a formao de
famlias representativas. Essas caractersticas esto relacionadas com particularidades fsicas do produto, complexidade das operaes envolvidas em sua fabricao e
outras propriedades que permitam efetuar um agrupamento dos modelos. O procedimento de formao dos
clusters (famlias de produtos) pode ser realizado atravs
de software estatstico. A anlise de clusters confere
significncia estatstica s famlias, tal que as concluses
obtidas para um produto pertencente a uma famlia possam ser estendidas para os demais integrantes daquela
famlia (JOBSON, 1992; HAIR et al., 1995). As famlias
formadas sero identificadas pelo ndice j = 1, ..., J.

modelo mais adequado para o monitoramento do processo de aprendizado. Os modelos hiperblico de 3 parmetros e exponencial de 3 parmetros [equaes (1) e (2),
respectivamente] foram escolhidos tomando-se por base
a classificao de Nembhard e Uzumeri (2000), segundo
a qual essas equaes apresentam os melhores resultados
de eficincia e estabilidade frente aos demais modelos
analisados em vrios cenrios testados. Os parmetros
que compem as duas equaes (k, p e r) apresentam
significados idnticos, possibilitando comparaes diretas entre os resultados obtidos pelas modelagens. A terceira equao testada o modelo de tempo constante
[equao (3)], sendo sua estrutura matemtica similar ao
modelo exponencial. Os parmetros constituintes da
equao de tempo constante (Yc, Yf e ) possuem definies distintas dos parmetros dos modelos hiperblico e
exponencial. Mesmo assim, h analogia entre o significado prtico dos parmetros, de forma a possibilitar
comparaes entre os resultados das modelagens oriundas das trs equaes.
Os parmetros das trs equaes testadas so obtidos atravs de regresso nolinear por intermdio de software de anlise estatstica. Os dados de desempenho
so modelados como varivel dependente (y) do tempo acumulado de atuao do
trabalhador na operao analisada (x).
Assim, uma famlia de produtos j gera um
conjunto de parmetros kij, pij e rij, referente i-sima equipe de trabalhadores.
Os critrios utilizados para avaliar a aderncia dos
modelos de curvas de aprendizagem aos dados de desempenho so: (i) soma dos quadrados dos erros (SQE),
sendo os erros obtidos pela diferena entre os valores
reais e os preditos pela curva; (ii) coeficiente de determinao (R); e (iii) capacidade preditiva das curvas em
uma amostra de validao, mensurada atravs do
percentual de desvio entre o valor predito pelas curvas
para um instante de operao em estado estacionrio e o
valor real obtido para a amostra de validao. A anlise
dos trs critrios de aderncia permite selecionar o modelo de curva de aprendizagem mais adequado para descrio do desempenho das equipes de trabalhadores nas
operaes analisadas. As etapas seguintes da metodologia referem-se aos procedimentos e anlises a serem
realizados sobre os parmetros do modelo de curva de
aprendizagem selecionado.
Os parmetros do modelo selecionado so analisados
de duas maneiras, de acordo com a durao da corrida de
produo: anlise de regresso sobre o parmetro r de
forma isolada, voltada para corridas de produo de curta
durao, e anlise das curvas construdas a partir dos

adaptao do trabalhador a um novo

produto pode impor considerveis
perdas ao sistema produtivo, tornando til
a avaliao do processo de aprendizado.

As J famlias de produtos formadas so cruzadas com

as I equipes de trabalhadores selecionadas como amostra. A idia-chave obter dados de desempenho de cada
equipe na execuo de operaes gargalo de aprendizado (operaes de maior complexidade percebida) relativas a cada famlia de produtos. A coleta dos dados de
desempenho da operao gargalo deve ter incio nos
primeiros ciclos de fabricao do produto, sendo executada at que a produtividade horria atinja o estado
estacionrio (dados de desempenho com baixa variabilidade), sinalizando que o processo de aprendizado do
trabalhador est prximo da concluso. A coleta operacionalizada atravs da contagem do nmero de unidades
produzidas em cada intervalo de tempo de operao, podendo ser realizada atravs de contadores eletrnicos ou
com o auxlio de planilha e cronmetro. Produtos em
processamento no momento do fechamento de um intervalo so automaticamente computados no intervalo seguinte.
Os dados de desempenho coletados do processo so
modelados por trs modelos de curvas, sendo a varivel
de resposta expressa em nmero de unidades produzidas
por tempo de operao. Objetiva-se, de tal forma, avaliar
a aderncia de cada modelo aos dados, selecionando o
226

221-234.p65

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

226

18/8/2005, 18:32

Alocao de modelos de produtos a equipes de trabalhadores baseada em modelos de curvas de aprendizagem

parmetros, aplicvel em corridas de duraes distintas.

A estimativa da durao da corrida de produo pode ser
feita atravs da programao de produo da empresa,
dividindo-se o tamanho do lote a ser produzido pela
capacidade de produo conhecida. Cabe aos especialistas classificarem as duraes em curtas ou longas, de
acordo com o ambiente de produo estudado.
Alocao de modelos com corridas de curta durao
Em casos de corridas de curta durao, a proposta
utilizar a anlise de regresso sobre o parmetro de taxa de
aprendizado (r) como balizadora da alocao de modelos
a equipes de trabalhadores. A anlise isolada do parmetro
r justificada pela busca de trabalhadores que se adaptem
com maior rapidez s operaes demandadas, independentemente do desempenho final apresentado por esses
trabalhadores. Esta considerao adequada em ambientes cujas corridas de produo so curtas e o nmero de
unidades produzidas insuficiente para que trabalhadores
com reduzida experincia atinjam o patamar de desempenho mximo na operao. Dessa maneira, prope-se relacionar o parmetro r atravs de um modelo de regresso
linear mltipla, composto pelas seguintes variveis independentes: (i) equipe de trabalhadores (X1), (ii) famlia de
produtos (X2), e (iii) interao entre equipe de trabalhadores e famlia de produtos (X1X2). A representao genrica
do modelo apresentada na equao (4).
(4)
O parmetro r ij a varivel dependente do modelo de
regresso, onde i representa a equipe e j representa a
famlia de produto considerada. As variveis X1 e X2 so
substitudas por escalas codificadas de nmeros inteiros positivos referentes a cada equipe de trabalhadores
e a cada famlia de produtos, respectivamente. Os valores de escala devem estar atrelados aos indicadores da
equipe ou do produto em questo. Por exemplo, a
codificao da equipe de trabalhadores pode refletir seu
desempenho, conforme avaliado subjetivamente por
especialistas; assim, a equipe cujo X 1 = 1 deve ter
desempenho inferior ao da equipe com X1 = 2. O valor
da varivel X1 X2 obtido atravs da multiplicao das
variveis X1 e X2, representando a interao entre equipe
e famlia de produtos.
A determinao das constantes b 0, b 1, b 2 e b 3 na
equao (4) pode ser realizada atravs de software de
anlise estatstica, o que permite avaliar a significncia
de cada varivel independente e a magnitude da sua
influncia sobre a taxa de aprendizado do trabalhador.
O menor valor de r ij gerado pela regresso refere-se

equipe que apresenta a melhor taxa de aprendizado para

a famlia de produtos em questo, sendo a mais recomendada para a execuo da operao. A elaborao de
um modelo de regresso til quando se opera com um
grande nmero de produtos e equipes, o que inviabilizaria
a observao de todos os cruzamentos possveis.
Alocao de modelos com
corridas de durao variada
Em casos de corridas de durao variada, ou quando a
caracterizao da durao da corrida incerta por parte
dos especialistas, a proposta integrar a curva de aprendizagem no intervalo de anlise e utilizar a rea resultante
como balizadora da alocao de modelos a equipes de
trabalhadores. As curvas de aprendizagem a serem analisadas so construdas a partir dos parmetros
,
obtidos pela mdia dos parmetros kij, pij e rij, referentes
aos cruzamentos repetidos de uma equipe i com uma
famlia j de produtos (observe que na proposta para corridas de curta durao o clculo dos parmetros mdios no
necessrio, pois a modelagem de regresso faz uso direto
das repeties). Assim, cada equipe possui um conjunto de
parmetros mdios que permitem avaliar o processo de
aprendizado e efetuar previses de desempenho para horizontes de tempos variados. A utilizao de parmetros
mdios busca capturar os vrios comportamentos de desempenho apresentados por uma equipe atuando em produtos de uma mesma famlia, incorporando eventuais variaes de desempenho.
As curvas geradas para cada famlia so analisadas
em um grfico comparativo, sendo que a abscissa das
curvas representa o tempo de operao na tarefa analisada e a ordenada indica o nmero de unidades produzidas por tempo de operao. A anlise do aprendizado
feita atravs da comparao do nvel de produo previsto pela curva de aprendizagem gerada para cada
equipe atuando sobre produtos de uma dada famlia. A
avaliao visual da curva, entretanto, no suficiente
para quantificar de forma precisa a produo alcanada
pelas equipes com o avano do processo. Assim, a
avaliao realizada pela comparao das reas formadas sob as curvas de aprendizagem das equipes monitoradas. As reas podem ser obtidas atravs da integrao
da equao da curva selecionada, podendo ser realizada
de forma numrica ou analtica.
A anlise do resultado da integrao das curvas especifica, para um tempo t de durao estimada para a
corrida de produo, o valor da rea gerada por cada
equipe atuando em uma famlia de produtos. A equipe
detentora da maior rea apresenta o maior nvel de
produtividade, sendo a mais adequada para a execuo
dos produtos daquela famlia.
Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

221-234.p65

227

18/8/2005, 18:32

227

Michel Jos Anzanello; Flvio Sanson Fogliatto

(maiores nveis de produtividade) escolhida para realizao dos modelos daquela famlia.

Comparativo dos procedimentos propostos

A anlise isolada do parmetro r justificada em corridas
curtas de produo, as quais no oferecem tempo de operao suficiente (ou nmero de repeties suficientes) para
que trabalhadores com reduzida experincia atinjam o patamar de desempenho mximo na operao. Dessa forma,
desaconselha-se a utilizao do parmetro k nos procedimentos de alocao e priorizam-se as equipes detentoras do
menor valor de r, as quais demandam menor quantidade de
tempo para atingir determinado padro de desempenho.
O mtodo de anlise das reas, por sua vez, captura a
influncia dos parmetros k, p e r, podendo ser utilizado
em corridas de produo com duraes variadas. Corridas caracterizadas como longas utilizam o parmetro k
como estimador do desempenho estacionrio do trabalhador, uma vez que o tempo de durao de produo do
modelo suficiente para que esse estgio seja atingido.
Valores elevados de k determinam maiores reas sob a
curva, apontando a equipe detentora dos maiores nveis
de produtividade como mais adequada para a execuo
dos modelos avaliados. A anlise em corridas de curta
durao efetuada de forma semelhante, sendo que menores valores do parmetro r agem no sentido de aumentar a rea sob a curva. A equipe detentora da maior rea

ESTUDO DE CASO
A metodologia proposta ilustrada no setor de costura
de uma empresa do setor caladista. Dado o elevado
nmero de calados analisados (20 modelos), utilizou-se a
anlise de clusters para formar trs famlias de modelos
(Fcil, Mdia e Difcil), de acordo com as caractersticas
dos procedimentos de costura demandados pelos modelos.
As caractersticas foram avaliadas subjetivamente por especialistas utilizando uma escala de 1 a 3, sendo que 3
representa alta complexidade do calado na caracterstica
analisada. A Tabela 1 apresenta os valores atribudos aos
calados e a famlia em que cada modelo foi inserido.
Selecionaram-se trs equipes de trabalhadores
(Equipe 1, Equipe 2 e Equipe 3), para as quais foram
direcionados os calados pertencentes s trs famlias
formadas. Os dados de desempenho, coletados na forma de nmero de calados produzidos por intervalo de
10 minutos de operao, foram modelados pelas equaes (1), (2) e (3) atravs do software SPSS v.8.0. Os
parmetros gerados pelas curvas analisadas, bem

Tabela 1: Atributos das caractersticas avaliadas e famlia em que cada modelo foi inserido.
CARACTERSTICAS

CALADO
COSTURA

ENFEITE

FORRO

MATERIAL

N PEAS

SAP/OUTRO

Calado 1

Fcil

Calado 2

Fcil

Calado 3

Fcil

Calado 4

Fcil

Calado 5

Fcil

Calado 6

Fcil

Calado 7

Fcil

Calado 8

Mdia

Calado 9

Mdia

Calado 10

Mdia

Calado 11

Mdia

Calado 12

Mdia

Calado 13

Mdia

Calado 14

Mdia

Calado 15

Difcil

Calado 16

Difcil

Calado 17

Difcil

Calado 18

Difcil

Calado 19

Difcil

Calado 20

Difcil

228

221-234.p65

FAMLIA

COMPLEXIDADE

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

228

18/8/2005, 18:32

Alocao de modelos de produtos a equipes de trabalhadores baseada em modelos de curvas de aprendizagem

como as equipes nas quais cada calado foi elaborado,

so apresentados na Tabela 2.
Os critrios de aderncia, apresentados na Tabela 3,
indicam que o modelo hiperblico apresentou resultados
de desempenho superiores aos modelos exponencial e de
tempo constante nas modelagens realizadas. O modelo
hiperblico resultou na menor mdia da soma dos quadrados dos erros (SQE) e na maior capacidade preditiva
em uma amostra de validao (medidos em termos de
desvio), quando comparado aos demais modelos avaliados. O coeficiente de determinao (R) apresentou valores similares para os 3 modelos, inviabilizando sua utilizao como critrio de seleo do melhor modelo. A
ausncia de valores de desvio, como, por exemplo, nos
Calados 4 e 11, corresponde a modelos com corridas de
produo curtas (durao inferior a dois dias), o que
impossibilitou a coleta de dados para amostra de validao. De tal forma, os parmetros do modelo hiperblico
so utilizados nas etapas seguintes da anlise.
Os parmetros gerados pela equao hiperblica foram analisados atravs de dois mtodos distintos: anlise
do parmetro rij (regresso linear mltipla) e anlise das

curvas associadas a cada famlia de modelos de calado

(mais especificamente, analisando as reas geradas pelas
curvas). A primeira forma indicada para anlises em
corridas de produo de curta durao e a segunda pode
ser utilizada em corridas de duraes distintas.
Anlise de regresso sobre
o parmetro de taxa de aprendizado
As variveis independentes consideradas na anlise de
regresso representam as equipes e as famlias de calados analisadas. A escala adotada para a identificao das
3 equipes baseou-se na mdia de idade dos componentes
de cada equipe monitorada (dados fornecidos pela empresa), sendo que ao maior valor de mdia foi atribudo o
maior valor de escala. A Tabela 4 apresenta os valores
associados s equipes. As trs famlias de calados na
Tabela 5 foram assim codificadas: Difcil = 3, Mdia = 2
e Fcil = 1, sendo os valores atribudos de acordo com a
complexidade da famlia em questo.
As constantes b0, b1, b2 e b3 da equao (4) foram
estimadas com o auxlio do software SPSS v.8.0, atravs
da opo de regresso linear. O coeficiente de determina-

Tabela 2: Parmetros gerados pelos trs modelos de curva de aprendizagem avaliados.

FAMLIA

Fcil (1)

Mdio (2)

Difcil (3)

EXPONENCIAL 3
PARMETROS

HIPERBLICO 3
PARMETROS

CALADO

TEMPO
CONSTANTE

EQUIPE

yc

yf

Calado 1

11,4

72,5

147

11,5

118

281

3,9

7,6

282

Calado 2

12,3

88

145

9,3

101

144

4,7

4,6

144

Calado 3

8,1

105

167

7,2

169

281

3,2

3,9

281

Calado 4

12,1

54,5

156

10,1

77,8

195

3,3

6,8

195

Calado 5

18,9

29

44

17

58,8

88,1

8,3

8,7

88,1

Calado 6

18,7

8,2

10,5

16,8

17,8

22,7

Calado 7

6,4

94,8

123

5,1

115

142

2,8

2,3

142

Calado 8

14,7

13

71,8

10,5

19,9

60,6

2,3

8,2

60,6

Calado 9

15,1

5,1

42,6

11,5

7,6

41,6

1,9

9,5

41,6

Calado 10

18,7

29,5

26,3

16,4

49,3

51

10,2

6,2

51

Calado 11

7,1

20,4

59,6

6,7

58,2

135

2,4

4,4

135

Calado 12

19,7

8,4

80

15,3

13,9

82,9

2,4

13

82,9

Calado 13

43

24,6

30,9

37,3

40,6

53

19,9

17,3

53,1

Calado 14

10,2

7,5

45,1

8,5

17,2

61,2

2,1

6,4

61,2

Calado 15

9,8

77,9

68,7

9,1

161

180

5,4

3,7

180

Calado 16

4,5

19,2

64,9

50,2

122

1,3

2,6

122

Calado 17

17,6

22,9

36,8

14,8

36,1

55,1

7,1

7,7

55,1

Calado 18

11,1

37,1

221

7,3

38,5

158

1,6

5,8

158

Calado 19

27,1

29,3

19,3

24,4

53,2

46,2

16,7

7,7

46,3

Calado 20

8,8

36

52

7,8

75,9

105

3,8

105

no convergiu

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

221-234.p65

229

18/8/2005, 18:32

229

Michel Jos Anzanello; Flvio Sanson Fogliatto

o (R) obtido foi de 0,21, indicando uma baixa aderncia do modelo de regresso aos dados analisados. O
modelo gerado apresentado na equao (5).
rij = 266,5 70,2 X1 93,5X2 + 34,3 X1 X2

X2. A varivel de interao (X1 X2) atua de forma a aumentar o valor da taxa de aprendizado.
Os valores de rij gerados pelo modelo de regresso
para as equipes e famlias analisadas so apresentados na
Tabela 5. Os desvios relativos entre os valores modelados pela curva de aprendizagem e os valores gerados pelo
modelo de regresso so calculados utilizando-se o
parmetro rij modelado mdio, obtido atravs da mdia
dos parmetros rij para cruzamentos repetidos de uma
equipe i com uma famlia j de produtos.
A significncia das variveis independentes apresentada na Tabela 6. Considerando um grau de confiana

(5)

A anlise da grandeza das constantes mostra que alteraes na varivel X2 acarretam as maiores diminuies
no valor de rij, revelando que as maiores variaes na
taxa de aprendizado do trabalhador so decorrentes da
modificao da famlia em operao. A varivel X1 opera
no mesmo sentido, porm sua magnitude menor do que

Tabela 3: Resumo dos erros (SQE), coeficientes de determinao (R) e desvios resultantes das modelagens.
FAMLIA

Fcil (1)

Difcil (3)

TEMPO
CONSTANTE

SQE

R2

DESVIO

SQE

R2

DESVIO

SQE

R2

DESVIO

Calado 1

4,4

0,6

8%

4,4

0,6

19%

4,4

0,6

19%

Calado 2

2,77

0,76

5%

2,75

0,76

-16%

2,75

0,76

-16%

Calado 3

4,9

0,64

-5%

4,9

0,64

-13%

4,9

0,64

-12%

Calado 4

8,1

0,69

8,1

0,69

8,1

0,69

Calado 5

10,7

0,77

3%

10,9

0,77

-6%

10,9

0,77

-6%

Calado 6

2,53

0,87

3%

2,38

0,87

-7%

Calado 7

2,47

0,49

22%

2,47

0,5

2%

2,47

0,5

2%

Calado 8

6,4

0,82

22%

6,3

0,82

-5%

6,3

0,82

-5%

no convergiu

0,91

23%

3,8

0,91

-4%

3,8

0,91

-5%

Calado 10

2,8

0,87

-6%

2,8

0,87

-16%

2,8

0,87

-16%

Calado 11

8,18

0,63

8,35

0,63

8,35

0,63

Calado 12

5,3

0,9

11%

5,4

0,9

-4%

5,4

0,9

-4%

Calado 13

20,7

0,72

20,8

0,72

20,8

0,72

Calado 14

5,9

0,85

-3%

6,3

0,84

-17%

6,3

0,84

-17%

Calado 15

5,0

0,63

-9%

5,1

0,63

-12%

5,1

0,63

-12%

Calado 16

3,3

0,7

-18%

3,5

0,69

-24%

3,5

0,69

-26%

Calado 9
Mdio (2)

EXPONENCIAL 3
PARMETROS

HIPERBLICO 3
PARMETROS

CALADO

Calado 17

5,5

0,8

5,5

0,8

5,5

0,8

Calado 18

4,38

0,84

-5%

4,32

0,84

-30%

4,32

0,84

-30%

Calado 19

0,58

0,93

0,6

0,93

0,6

0,93

Calado 20

4,45

0,74

5,49

0,76

5,49

0,76

5,62

0,76

10,7%

5,71

0,76

12,1%

5,89

0,75

12,7%

MDIA

Tabela 4: Valores de escala atribudos s equipes monitoradas.

EQUIPE

IDADE MDIA

X1

Equipe 1

35

Equipe 2

37
40

2
3

Equipe 3

230

221-234.p65

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

230

18/8/2005, 18:32

Alocao de modelos de produtos a equipes de trabalhadores baseada em modelos de curvas de aprendizagem

de 10%, apenas X2 significativa, apesar de as significncias de X1 e X1X2 apresentarem valores bastante prximos ao limite de corte (0,10). Esse resultado demonstra
que a famlia de calados (X2) responsvel pelas maiores variaes sobre o parmetro de taxa de aprendizado.
A alterao de equipe (X1) impacta em menores variaes de r ij, o que pode ser justificado pelos padres de
desempenho semelhantes das equipes analisadas. A interao, a exemplo da equipe, tambm no responsvel por variaes acentuadas em r ij.
A anlise dos valores de r ij gerados pelo modelo de

regresso permite apontar a equipe mais habilitada

execuo das operaes relativas a cada famlia de
produtos. Os valores mais baixos de r ij devem ser
priorizados, visto que indicam a necessidade de menor
tempo de operao para a obteno de determinado
patamar de desempenho. Por exemplo, a Equipe 3 a
mais apta execuo das operaes pertencentes
famlia 1 (Fcil), visto que o seu parmetro de taxa de
aprendizado (r 31 = 65,2) inferior aos parmetros apresentados pelas Equipes 1 e 2 (r 11 = 137 e r 21 = 101,
respectivamente).

Tabela 5: Escalas codificadas das famlias e equipes; e comparao entre os valores de rij modelados pela
curva de aprendizagem e estimados pelo modelo de regresso.
CALADO

rij

EQUIPE
(X2)

FAMLIA
(X1)

MODELADO

Calado 1

147

Calado 2

145

Calado 3

167

Calado 4

156

Calado 5

44

Calado 6

10,5

Calado 7

123

Calado 8

71,8

Calado 9

42,6

Calado 10

26,3

Calado 11

59,6

Calado 12

80

Calado 13

30,9

Calado 14

45,1

Calado 15

68,7

Calado 16

64,9

Calado 17

36,8

Calado 18

220

Calado 19

19,3

Calado 20

52

rij MODELADO rij ESTIMADO

MDIO
(REGRESSO)

DESVIO
RELATIVO

146

137

-6%

122

101

-17%

66,8

65,2

-2%

46,9

77,8

66%

69,8

76,2

9%

38

74,6

96%

68,7

18,6

-73%

50,9

51,3

1%

97,1

84

-14%

Desvio mdio absoluto

32%

Tabela 6: Significncias das variveis independentes do modelo de regresso obtido.

VARIVEL

SIGNIFICNCIA

Constante

0,014

X1

0,129

X1

0,068

X1X 2

0,119

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

221-234.p65

231

18/8/2005, 18:32

231

Michel Jos Anzanello; Flvio Sanson Fogliatto

Anlise das curvas de aprendizagem

construdas a partir dos parmetros
O parmetro kij, apresentado na Tabela 2, foi dividido
pela produo programada pela empresa (expressa em
nmero de unidades programadas em 10 minutos de operao, conforme apresentado na Tabela 7), gerando uma
escala relativa de produo ( ). Essa converso tem por
objetivo eliminar diferenas significativas de escala nos
tempos de execuo das diversas operaes analisadas. As
repeties de cruzamentos (mesma equipe atuando na
mesma famlia) demandaram a determinao de
. A
Tabela 7 exemplifica a obteno dos parmetros ,
e
gerados a partir dos dados de trs calados pertencentes
famlia Mdia (j = 2) e elaborados pela Equipe 1 (i = 1).
Os parmetros mdios foram utilizados para a construo de curvas, as quais foram organizadas em grficos
de acordo com a famlia de produtos. De tal forma, foram
construdos trs grficos relativos s famlias Fcil, Mdia e Difcil, sendo cada grfico composto por trs curvas
representativas do desempenho de cada equipe analisada. Na Figura 3 apresentado o grfico obtido para os
calados da famlia Difcil. Os grficos das famlias
Fcil e Mdia so gerados de forma semelhante.
Para a famlia Difcil, a anlise da Figura 3 aponta a Equipe
1 como a mais adequada para a execuo das operaes em
corridas de curta durao. Para corridas de longa durao, a
Equipe 3 prontifica-se como a mais apropriada. Uma anlise
mais precisa pode ser obtida pela comparao das reas
geradas pela integrao das curvas de aprendizagem para o
intervalo de anlise. Um exemplo de integrao apresentado na Tabela 8, sendo que a equipe grifada representa a
equipe mais adequada para a realizao das operaes em
corridas com aquela durao. A anlise da mesma tabela
indica que produtos cuja corrida de produo tem durao
inferior a 600 minutos devem ser direcionados para a Equipe
1, enquanto que produtos com corridas de durao estimada
superior a esse valor devem ser alocados Equipe 3. Corridas
com durao prxima a 600 minutos podem ter seus produtos
alocados s Equipes 1 ou 3, sem haver diferena significativa
nos nveis de produo resultantes.

A anlise das reas para as demais famlias de calados realizada de forma semelhante, sendo que os calados classificados como Mdios devem ser direcionados
Equipe 1 e os calados da famlia Fcil devem ser
alocados Equipe 3.
De tal forma, as alocaes sugeridas pelos dois mtodos
(regresso e integrao) mostraram-se coincidentes em
dois dos trs casos analisados, apontando a Equipe 3 como
a mais habilitada para a execuo das operaes relativas
famlia Fcil e a Equipe 1 para corridas curtas da famlia
Difcil. As curvas geradas pelas Equipes 1 e 3 na execuo
da famlia mais complexa apresentaram um cruzamento
decorridos 600 minutos de operao, significando que a
primeira equipe apresentou aprendizado mais acentuado
nas primeiras horas de atividade, mas foi superada pela
Equipe 3 com o transcorrer do processo. Por conta deste
cruzamento, confirma-se a abrangncia de avaliao de
cada mtodo segundo a durao da corrida de produo: a
regresso aponta a Equipe 1 como a que apresenta melhor
aprendizado na partida do processo, mas no prev a
superao desse aprendizado pela Equipe 3 em corridas
mais longas (situao prevista pelo mtodo da integrao).
No houve concordncia de alocao em relao famlia Mdia, para a qual os mtodos indicaram equipes distintas. Tal discrepncia pode ser justificada pela similaridade
de comportamento das curvas apresentadas pelos calados
da famlia Mdia, sendo que essa similaridade no captada
pelo mtodo de anlise isolada de rij devido baixa aderncia obtida pela regresso (R = 0,21). Nessa situao, o
resultado gerado pelo mtodo baseado na anlise das reas
deve ser priorizado, fazendo com que os calados inseridos na famlia Mdia sejam direcionados para a Equipe 1.
O Quadro 1 apresenta o resumo das alocaes das famlias
s equipes sugeridas pelos dois mtodos.

CONCLUSO
Este artigo teve como objetivo principal a apresentao
de uma metodologia de utilizao de curvas de aprendizagem como balizadoras da alocao de famlias de produtos

Tabela 7: Procedimento de obteno dos parmetros mdios para 3 modelos de calados.

CALADO

PRODUO
N DE
POSTOS/ PROGRAMADA
(pares/dia)
ESTEIRA

PRODUO
PROGRAMADA
(pares/10 min.
de operao)

kij (pares/10
minutos de
operao)

r
ij

pij
(minutos)

rij
(minutos)

Calado 8

1150

11

14,70

1,35

13

71,8

Calado 9

520

15,10

3,07

5,1

42,6

Calado 10

700

13

18,70

Parmetros mdios

232

221-234.p65

1,41

29,5

26,3

1,94

15,9

46,9

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

232

18/8/2005, 18:32

Alocao de modelos de produtos a equipes de trabalhadores baseada em modelos de curvas de aprendizagem

a equipes de trabalhadores. O mtodo proposto fundamentado na modelagem dos dados de desempenho de

trabalhadores submetidos a alteraes freqentes nos modelos de produtos atravs de curvas de aprendizagem.
Para tanto, so apresentadas duas formas distintas de
anlise dos parmetros das curvas de aprendizagem, de
acordo com a durao estimada da corrida de produo. A
utilizao de procedimentos de clusterizao permitiu a
formao de famlias de produtos representativas e redu-

o na quantidade de dados a serem coletados para modelagem das curvas de aprendizagem.

Os dados de desempenho coletados foram utilizados
para a avaliao de trs modelos distintos de curvas de
aprendizagem (hiperblico de 3 parmetros, exponencial
de 3 parmetros e tempo constante), segundo critrios de
aderncia aos dados e de capacidade preditiva. Os modelos avaliados apresentaram nveis de aderncia inferiores
aos obtidos por Mazur e Hastie (1978) e Nembhard e

Desempenho relativo (previsto pela curva/

programado pela empresa)

Figura 3: Curvas geradas na execuo de calados pertencentes famlia Difcil.

Tempo de operao (min.)

Equipe 1

Equipe 2

Equipe 3

Tabela 8: reas geradas pelas trs equipes na execuo das operaes relativas famlia Difcil.
EQUIPE 1

REA SOB A CURVA

EQUIPE 2

EQUIPE 3

60

57

42

41

120

122

101

99

180

194

167

168

240

269

238

243

300

347

311

322

360

426

387

404

420

507

463

490

480

590

541

577

540

673

620

666

600

757

700

756

660

842

780

847

720

927

860

940

TEMPO DE OPERAO
(min.)

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

221-234.p65

233

18/8/2005, 18:32

233

Michel Jos Anzanello; Flvio Sanson Fogliatto

Quadro 1: Resumo das alocaes sugeridas pelos dois mtodos.

FAMLIA

MTODO DE ALOCAO
INTEGRAO
REGRESSO

Fcil

Equipe 3

Mdia

Equipe 3

Difcil

Equipe 3
Equipe 1
tdurao < 600 mim - Equipe 1

Equipe 1

Uzumeri (2000). Tal discrepncia pode ser associada s

condies de realizao dos experimentos, principalmente
em relao ao mtodo de coleta de dados e natureza das
operaes avaliadas. A capacidade preditiva dos modelos,
entretanto, apresentou resultados satisfatrios quando
avaliada em uma amostra de validao. O modelo
hiperblico de 3 parmetros apresentou os melhores resultados de adequao aos dados, sendo utilizado para as
etapas seguintes propostas pela metodologia.
A interpretao dos parmetros das curvas de aprendizagem atravs de duas formas distintas (anlise isolada
do parmetro rij e integrao das curvas de aprendiza-

tdurao < 600 mim - Equipe 3

gem) permitiu a alocao de produtos a equipes de acordo com a durao da corrida de produo. A regresso
mostrou-se adequada para a alocao de produtos a equipes em corridas de produo de curta durao, alm de
permitir a anlise da influncia de cada varivel independente (equipe de trabalhadores, famlia de produto e
interao equipe versus famlia) no processo de aprendizado dos trabalhadores. A integrao, por sua vez, mostrou-se mais robusta que a regresso para fins de alocao, podendo ser utilizada em corridas de duraes distintas mediante a comparao das reas geradas pelas
curvas de aprendizagem.

Artigo recebido em 19/07/2004

Aprovado para publicao em 23/05/2005

Referncias Bibliogrficas

DA SILVEIRA, G.; BORESTEIN, D.;

FOGLIATTO, F. S. Mass Customization:
Literature Review and Research Direction.
International Journal of Production
Economics, v. 72, p. 1-13, 2001.
DE RON, A. J. Sustainable Production: the
Ultimate Result of a Continuous
Improvement. International Journal of
Production Economics, v. 56-57, p. 99-110,
1998.
HAIR, J. F. JR.; ANDERSON, R.E.; TATHAM,
R.L.; BL ACK, W.C. Multivariate Data
Analysis with Readings. 4. ed. New Jersey:
Prentice-Hall Inc., 1995.

JOBSON, J. D. Applied Multivariate Data

Analysis, Volume II: Categorical and
Multivariate Methods. New York:
Springer-Verlag, 1992.
MAZUR, J.E.; HASTIE, R. Learning as
Accumulation: a Reexamination of the
Learning Curve. Psychological Bulletin,
v. 85, n. 6, p. 1256-1274, 1978.
NAIM, M.M.; TOWILL, D.R. An
Engineering Approach to LSE Modeling
of Experience Curves in the Electricity
Supply Industry. International Journal of
Forecasting, v. 6, p. 549-556, 1990.

NEMBHARD, D.A.; UZUMERI, M.V. An

Individual-Based Description of
Learning within an Organization.
IEEE Transactions on Engineering
Management, v. 47, n. 3, p. 370-378,
2000.
TEPLITZ, C.J. The Learning Curve
Deskbook: A reference Guide to Theory,
Calculations and Applications. New York:
Quorum Books, 1991.
TOWILL, D.R. Forecasting Learning
Cur ves. International Journal of
Forecasting, v. 6, p. 25-38, 1990.

Sobre os autores

Michel Jos Anzanello

M. Eng., pesquisador do LOPP/UFRGS
E-mail: michelja@producao.ufrgs.br
Flvio Sanson Fogliatto
Ph. D., professor e pesquisador do LOPP/UFRGS
Departamento de Engenharia de Produo e Transportes UFRGS
E-mail: ffogliatto@producao.ufrgs.br
Endereo: Praa Argentina, 9 Sala LOPP 90040-020 Porto Alegre RS
Fone: (51) 3316-4005 e (51) 3316-3491
Fax: (51) 3316-4007
234

221-234.p65

Revista Produo, v. 15, n. 2, p. 221-234, Maio/Ago. 2005

234

18/8/2005, 18:32

UZUMERI, M.; NEMBHARD, D. A

Population of Learners: A New Way
to Measure Organizational Learning.
Journal of Operations Management, v.
16, p. 515-528, 1998.
WRIGHT, T.P. Factors Affecting the
Cost of Airplanes. Journal of the
Aeronautical Sciences, v. 3, 1936.
YELLE, L.E. The L earning Cur ve:
Historical Review and Comprehensive
Survey. Decision Science, v. 10, 302328, 1979.