Professional Documents
Culture Documents
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.
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
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
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
222
18/8/2005, 18:32
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
221-234.p65
223
18/8/2005, 18:32
223
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
224
18/8/2005, 18:32
(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
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
221-234.p65
225
18/8/2005, 18:32
225
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
221-234.p65
226
18/8/2005, 18:32
221-234.p65
227
18/8/2005, 18:32
227
(maiores nveis de produtividade) escolhida para realizao dos modelos daquela famlia.
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
228
18/8/2005, 18:32
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
221-234.p65
229
18/8/2005, 18:32
229
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
IDADE MDIA
X1
Equipe 1
35
Equipe 2
37
40
2
3
Equipe 3
230
221-234.p65
230
18/8/2005, 18:32
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
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
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%
32%
SIGNIFICNCIA
Constante
0,014
X1
0,129
X1
0,068
X1X 2
0,119
221-234.p65
231
18/8/2005, 18:32
231
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
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
232
18/8/2005, 18:32
Equipe 2
Equipe 3
Tabela 8: reas geradas pelas trs equipes na execuo das operaes relativas famlia Difcil.
EQUIPE 1
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.)
221-234.p65
233
18/8/2005, 18:32
233
MTODO DE ALOCAO
INTEGRAO
REGRESSO
Fcil
Equipe 3
Mdia
Equipe 3
Difcil
Equipe 3
Equipe 1
tdurao < 600 mim - Equipe 1
Equipe 1
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.
Referncias Bibliogrficas
Sobre os autores
221-234.p65
234
18/8/2005, 18:32