Controle Estatístico de Processos - Conceitos Básicos

Mapa da Disciplina: Como os Métodos se Conectam

Os três métodos atuam em fases distintas do ciclo de vida do processo e se complementam.

Melhoria da Qualidade na Empresa Moderna

• A qualidade tornou-se a métrica estratégica mais importante na vantagem competitiva dos negócios modernos
• O controle e a melhoria da qualidade reduzem desperdícios e aumentam o retorno sobre investimento
• Estatísticos/Cientistas de dados são essenciais para mapear variáveis e implementar o Controle Estatístico do Processo (CEP)
• A integração entre análise de dados e cultura organizacional é vital para o sucesso industrial

O Significado Tradicional de Qualidade

• Historicamente, qualidade significava conformidade absoluta com as especificações exigidas
• Qualidade de projeto: diferenças intencionais em graus ou níveis de um produto
• Qualidade de ajustamento: o quanto o produto final corresponde ao que foi planejado
• O foco antigo limitava-se a inspecionar produtos na saída e “adornar” atributos

A Definição Moderna de Qualidade

• A visão moderna define qualidade em termos da variabilidade
• Qualidade é inversamente proporcional à variabilidade do processo de fabricação ou serviço
• Menos variabilidade → menos devoluções, maior consistência, alta satisfação do cliente
• A melhoria da qualidade é sinônimo de redução estrutural de desperdícios no sistema

Qualidade e Variabilidade

• O mercado japonês dominou o setor automotivo nos anos 1980 porque minimizava ativamente a variação no alvo
• Processos com alta variabilidade, mesmo dentro das tolerâncias, geram falhas em sistemas complexos

As Oito Dimensões da Qualidade

• Qualidade é multifacetada — 8 dimensões propostas por Garvin (1987)
• É impossível otimizar todas simultaneamente; a estratégia de negócio define quais priorizar
• O cientista de dados modela métricas diferentes dependendo de qual dimensão a empresa foca

Dimensão 1 e 2: Desempenho e Confiabilidade

• Desempenho: O produto realiza a tarefa principal com eficiência? (ex: velocidade de um software)
• Confiabilidade: Frequência com que o produto falha durante sua vida útil sob uso normal
• Confiabilidade é fortemente baseada em modelos probabilísticos e análise de sobrevivência

Modelo Exponencial de Confiabilidade:

\[R(t) = e^{-\lambda t},\]

onde \(R(t)\) é a probabilidade de sobrevivência até o tempo \(t\) e \(\lambda\) é a taxa de falha.

Avaliando a Confiabilidade com R

# Calculo de confiabilidade usando a distribuicao exponencial
lambda <- 0.002
tempo  <- 200
prob_sobrevivencia <- pexp(tempo, rate = lambda, lower.tail = FALSE)
print(round(prob_sobrevivencia, 4))

[1] 0.6703

O servidor tem aprox. 67% de chance de sobreviver 200 horas sem falhar.

Dimensão 3 e 4: Durabilidade e Assistência Técnica

• Durabilidade: Vida útil efetiva antes de o produto se deteriorar e precisar ser descartado
  • Difere da confiabilidade: engloba o tempo até a reposição total, não apenas reparo
• Assistência Técnica (Serviceability): Rapidez, competência e facilidade em consertar um produto defeituoso
• Um algoritmo de Machine Learning pode otimizar o estoque de peças, impactando diretamente a assistência

Dimensão 5 e 6: Estética e Características

• Estética: Aparência visual, sensação tátil, som ou gosto do produto — altamente subjetiva
• Características (Features): Funções adicionais que acompanham o produto básico (“sinos e assobios”)
• Na análise de dados, a estética é frequentemente avaliada via testes A/B de interface de usuário
• Características ajudam a diferenciar o produto da concorrência na mesma faixa de preço

Dimensão 7 e 8: Qualidade Percebida e Conformidade

• Qualidade Percebida: Reputação da marca e do produto aos olhos do consumidor final
• Conformidade com Padrões: Grau com que as unidades físicas atendem às especificações nominais
• Conformidade é a dimensão em que estatísticos atuam diretamente via Gráficos de Controle
• Qualidade percebida cresce como reflexo de um CEP bem executado

Terminologia: Variáveis vs Atributos

A escolha do gráfico de controle apropriado depende diretamente deste conceito.

Explorando Variáveis Contínuas

library(ggplot2)
set.seed(123)
dados <- data.frame(viscosidade = rnorm(100, 50, 2))
ggplot(dados, aes(x = viscosidade)) +
  geom_histogram(binwidth = 1, fill = "steelblue", color = "black") +
  labs(title = "Histograma de Viscosidade do Polímero",
       x = "Viscosidade (cP)", y = "Frequência") +
  theme_minimal()

Especificações e Alvos Nominais

• Valor nominal (Alvo): O valor ideal estabelecido pelo planejamento de engenharia
• LSE — Limite Superior de Especificação: maior valor permitido
• LIE — Limite Inferior de Especificação: menor valor permitido

Tolerância de Engenharia:

\[T = LSE - LIE\]

Representa a faixa de valores admissíveis pelo cliente.

Índices de Capacidade do Processo

Medem o quanto o processo é capaz de atender às especificações do cliente.

\[C_p = \frac{LSE - LIE}{6\sigma} \qquad C_{pk} = \min\left(\frac{LSE - \mu}{3\sigma},\; \frac{\mu - LIE}{3\sigma}\right)\]

⚠️ Um processo pode ter \(C_p\) alto e \(C_{pk}\) baixo — centramento importa tanto quanto variabilidade!

Calculando \(C_p\) e \(C_{pk}\) no R

LIE   <- 4.7;  LSE <- 5.3
mu    <- 5.05; sigma <- 0.08

Cp    <- (LSE - LIE) / (6 * sigma)
Cpk   <- min((LSE - mu) / (3 * sigma), (mu - LIE) / (3 * sigma))

cat(sprintf("Cp  = %.3f\nCpk = %.3f\n", Cp, Cpk))

Cp  = 1.250
Cpk = 1.042

\(C_p > 1{,}33\) indica boa capacidade potencial, mas \(C_{pk}\) revela se o centramento está correto.

Não Conformidades vs Defeitos

⚠️ Todo defeito é uma não conformidade, mas nem toda não conformidade é um defeito.

Uma Breve História da Qualidade

Fase inicial reativa: apenas separava o produto bom do ruim na saída da linha.

A Era do Controle Estatístico

• 1924 — Walter A. Shewhart (Bell Labs): inventou os Gráficos de Controle, fundamentando o CEP moderno
• Shewhart provou que toda variabilidade possui causas aleatórias (do sistema) ou atribuíveis (especiais)
• 1928 — Dodge e Romig: desenvolveram a base estatística da Amostragem de Aceitação
• Estes três cientistas transformaram o controle de qualidade em uma disciplina analítica

O Pós-Guerra e o Milagre Japonês

• Após a Segunda Guerra, os EUA focaram em volume; a qualidade caiu devido à alta demanda
• O Japão convidou W. Edwards Deming e Joseph Juran para ensinar controle estatístico
• A cultura japonesa absorveu a estatística no chão de fábrica e na alta gestão (Deming Prize, 1951)
• Integraram melhoria contínua (Kaizen), originando o Sistema de Produção Toyota

O Despertar do Ocidente e TQM

• Nos anos 1980, a indústria dos EUA quase faliu frente à concorrência japonesa
• Redescoberta da estatística → início do Gerenciamento da Qualidade Total (TQM)
• TQM focava no engajamento dos funcionários, porém muitas vezes falhava por não focar em estatística rígida
• Isso levou, nos anos 90, ao surgimento da Metodologia Seis Sigma pela Motorola

Métodos Estatísticos Essenciais

O Modelo de Sistema de Processo

O objetivo do cientista de dados é modelar \(Y = f(X, Z)\) para manter \(Y\) sempre no alvo estipulado.

Controle Estatístico do Processo (CEP)

• Principal ferramenta: Gráfico de Controle de Shewhart
• Estabelece Linha Central com Limites de Controle baseados em \(\mu \pm 3\sigma\)
• Garante controle preventivo em vez de inspeção final corretiva

\[LCS = \mu + 3\sigma \qquad LC = \mu \qquad LCI = \mu - 3\sigma\]

Gráfico de Controle \(\bar{X}\): Exemplo Prático no R

library(ggplot2)
set.seed(13)
n_grupos <- 20;  n_amostra <- 5; mu <- 10;  sigma_processo <- 0.2

# Simula medias dos subgrupos (um ponto fora de controle no subgrupo 15)
medias <- replicate(n_grupos, mean(rnorm(n_amostra, mu, sigma_processo)))
medias[15] <- mu + 3.6 * (sigma_processo / sqrt(n_amostra))  # ponto fora

sigma_xbar <- sigma_processo / sqrt(n_amostra)
LCS <- mu + 3 * sigma_xbar;  LCI <- mu - 3 * sigma_xbar

df <- data.frame(subgrupo = 1:n_grupos, media = medias,
                 fora = medias > LCS | medias < LCI)

ggplot(df, aes(x = subgrupo, y = media)) +
  geom_line(color = "white", linewidth = .6) +
  geom_point(aes(color = fora), size = 3) +
  scale_color_manual(values = c("FALSE" = "#7ecff7", "TRUE" = "#f07050"),
                     labels = c("Dentro", "Fora de controle"), name = "") +
  geom_hline(yintercept = c(LCS, LCI), linetype = "dashed", color = "#f7c87e") +
  geom_hline(yintercept = mu, color = "#a8f77e") +
  annotate("text", x = 20.5, y = LCS,  label = "LCS", color = "#f7c87e", size = 3) +
  annotate("text", x = 20.5, y = LCI,  label = "LCI", color = "#f7c87e", size = 3) +
  annotate("text", x = 20.5, y = mu,   label = "LC",  color = "#a8f77e", size = 3) +
  labs(title = expression("Gráfico de Controle" ~ bar(X) ~ "- Diâmetro de Rolamentos"),
       x = "Subgrupo", y = "Média (mm)") +
  theme_minimal() +
  theme(legend.position = "bottom")

Planejamento de Experimentos (DOE)

• Testa intencionalmente combinações das entradas \(x\) para descobrir como afetam a saída \(y\)
• Supera testes “um fator por vez”, descobrindo interações complexas
• Utiliza ANOVA e Regressão Múltipla para mapear a superfície de resposta
• Traz redução drástica de tempo de desenvolvimento e robustez do produto

Simulando um DOE Prático

set.seed(11)
temp  <- c(10, 10, 20, 20)
pres  <- c(1,  2,  1,  2)
forca <- 5 + 2*temp + 3*pres + 1.5*temp*pres + rnorm(4, 0, 0.5)
modelo <- lm(forca ~ temp * pres)
print(round(coef(modelo), 2))

(Intercept)        temp        pres   temp:pres 
       4.63        1.98        3.54        1.48 

A interação temp:pres ≈ 1,47 indica efeito combinado significativo das duas variáveis.

Amostragem de Aceitação

• Inspeciona apenas uma amostra do lote em vez de 100%
• Fornece um veredito probabilístico: aceitar ou rejeitar o lote inteiro
• Não promove a melhoria da qualidade do processo; apenas barra peças muito ruins
• Ferramenta de contenção, útil quando os testes são destrutivos ou caros

Avaliação da Amostragem Discreta

n           <- 30
prob_falha  <- 0.05
limite      <- 1
chance_aceitar <- pbinom(limite, size = n, prob = prob_falha)
print(round(chance_aceitar, 4))

[1] 0.5535

Há apenas 55,35% de chance de aprovação — lotes com 5% de defeitos são arriscados mesmo com amostras pequenas.

A Transição de Maturidade na Qualidade

O objetivo do cientista de dados é empurrar a corporação rapidamente para o Nível 3.

Aspectos Gerenciais da Melhoria

• A estatística precisa de um ambiente gerencial favorável para causar impacto
• Qualidade estratégica envolve: Planejamento, Garantia e Controle (e Melhoria) da Qualidade
• O planejamento capta a Voz do Cliente (VOC) e alinha metas organizacionais
• Sem patrocínio da diretoria executiva, gráficos de controle tornam-se apenas burocracia

A Filosofia de W. Edwards Deming

• Físico e estatístico — acreditava que o gerenciamento causava a vasta maioria das falhas
• Defendia a eliminação da inspeção final em prol do desenvolvimento técnico contínuo
• Desenvolveu os 14 Pontos e criticou as Doenças Mortais da administração americana
• Suas palestras reconstruíram a economia técnica do Japão pós-guerra

Deming: Doenças Mortais

O Ciclo PDCA / Shewhart

A Filosofia de Joseph M. Juran

• Definiu qualidade pragmaticamente: “Adequação ao Uso” pelos clientes
• Enfatizava os aspectos econômicos e financeiros na tomada de decisões
• Apresentou a Melhoria Contínua como uma jornada “Projeto a Projeto”
• Diferenciou as falhas cotidianas crônicas dos defeitos episódicos agudos

A Trilogia de Juran

Para nós: Controle ↔︎ séries temporais / Melhoria ↔︎ regressão multivariada

Filosofia de Feigenbaum e o TQC

• Criou o conceito de Controle da Qualidade Total (TQC)
• Qualidade não é papel apenas de um “departamento” — envolve logística, marketing e RH
• Propôs 19 etapas formais, onde a estatística e a tecnologia são pilares cruciais
• O TQC formou a fundação do que viria a ser o Seis Sigma

Padrões ISO 9000

• Garante que a empresa possua um Sistema de Gestão da Qualidade padronizado e auditável
• Exige extensa documentação de processos, manuais e registros sistemáticos de controle

• É pré-requisito global para negociações nas cadeias de suprimentos

Prêmio Nacional Malcolm Baldrige (MBNQA)

• Instituído pelo Congresso dos EUA em 1988 para recuperar o prestígio da manufatura local
• Diferente da ISO, o Baldrige avalia resultados agressivos: Liderança, Planejamento Estratégico, Análise de Dados, Foco no Cliente e Processos
• Vencedores compartilham suas estratégias, servindo de farol para a comunidade de estatísticos
• A categoria “Informação e Análise de Dados” destaca diretamente o cientista de dados corporativo

A Metodologia Seis Sigma

• Criada na Motorola (anos 80), revitalizada pela GE (anos 90) — ápice da estatística industrial
• Meta audaciosa: 6 desvios-padrão cabem dentro das especificações do cliente
• Métrica implacável: apenas 3,4 DPMO (defeitos por milhão de oportunidades)
• Usa intensivamente análise avançada de dados na identificação de causas atípicas

A Estatística do Seis Sigma

• Processo “3 Sigma”: cobre 99,73% da curva Normal → 2.700 ppm de falhas
• Cobertura Seis Sigma: refugo em nível ppb (partes por bilhão)
• Premissa chave: ao longo do tempo, a média se desloca em até 1,5 desvios-padrão

Variável padronizada:

\[Z = \frac{x - \mu}{\sigma}\]

Base para conversão de tolerâncias na distribuição Normal.

Calculando Limites do Seis Sigma no R

deslocamento_z <- 6.0 - 1.5
prob_falha     <- pnorm(deslocamento_z, lower.tail = FALSE)
ppm_defeito    <- prob_falha * 1e6
print(round(ppm_defeito, 2))

[1] 3.4

Resultado: 3,4 DPMO — a meta famosa do Seis Sigma!

Organização Seis Sigma (Os “Belts”)

Projeto para Seis Sigma (DFSS)

• Diferente do Seis Sigma Operacional, o DFSS atua no nascimento do design
• Usa engenharia simultânea e DOE para o produto nascer robusto
• Evita falhas em sistemas complexos, minimizando a sensibilidade aos distúrbios operacionais
• Foco extremo na fase inicial: Definir requisitos corretos e Medir necessidades vitais antes da produção

Qualidade e Produtividade

• Fazer a peça errada (alta variabilidade) obriga a fábrica a consertar duas vezes
• Qualidade e produtividade caminham juntas — melhoria do “primeiro passe” eleva a saída bruta
• Processos estáveis são mais rápidos porque removem tempos ociosos de triagem e retrabalho

Manufatura Enxuta (Lean)

• Surgida do Sistema Toyota de Produção — ataca diretamente o “Desperdício” de tempo e material
• Abordagens: Just-in-Time, eliminação de gargalos no fluxo de valor, lotes pequenos
• Sem a base do Seis Sigma (redução da variação), as ferramentas Lean falham catastroficamente ao sofrerem interrupções
• A sinergia contemporânea fundiu as disciplinas no termo “Lean Six Sigma”

Qualidade na Cadeia de Suprimentos

• Organizações de elite reduzem seus fornecedores drasticamente em favor de poucas parcerias duradouras
• Em vez de inspecionar lote-a-lote, empresas treinam estatisticamente a fábrica do fornecedor para emitir certificados CEP
• Fornecedores assumem responsabilidade integral pelo nível em PPM entregue, facilitando a montagem limpa

Custos da Qualidade (COQ)

O COQ é a ponte que estatísticos usam para conversar com o CFO.

Mensurar o “Custo da Baixa Qualidade” frequentemente revela gastos ocultos de 15–20% das receitas.

Custos de Prevenção

• São os únicos custos “positivos”: investimentos para fazer certo na primeira vez
• Incluem: Planejamento estatístico, salários de estatísticos/cientistas de dados, treinamentos em R/Minitab
• Manutenção preditiva, engenharia de confiabilidade e calibração de instrumentos analíticos
• Possuem o maior multiplicador de redução financeira nas outras categorias de custo

Custos de Avaliação

• Medidas para quantificar o status de produtos já fabricados ou recebidos
• Auditorias regulares, manutenção do laboratório analítico e consumíveis destrutivos
• Engloba verificações on-line com equipamentos metrológicos laser na esteira
• Aumentos estratégicos no custo de avaliação derrubam a falha externa

Custos de Falha Interna

• Detectados antes da remessa — dolorosos, mas bloqueiam desastres no mercado
• Sucata: descarte do produto irrecuperável que já consumiu eletricidade e mão de obra
• Retrabalho e reprocessamento do lote defeituoso; perdas de rendimento
• Disparam investigações onerosas sobre componentes

Custos de Falha Externa

• O produto falho chegou às mãos do cliente — perigo à existência do negócio
• Recalls, reparos em concessões e acionamento de faturas de garantia
• Perda total da reputação da marca que destrói o crescimento esperado
• Processos judiciais, multas punitivas e multas contratuais

Aspectos Legais da Qualidade

• Leis modernas adotam a “responsabilidade estrita do produtor” pelos danos causados
• Clientes não precisam mais provar negligência intencional para processar
• Empresas demandam rastreabilidade total — logs e Data Warehouses mantidos por estatísticos/cientistas de dados
• Documentação sólida do CEP é a maior blindagem jurídica contra processos abusivos

Implementação Sistêmica e Metodológica

• Esforço puramente estatístico sem adesão cultural falha como “mero exercício de RH”
• É obrigatório conectar programas analíticos às metas estratégicas — líderes patrocinam as análises
• Não existe “pudim instantâneo” — o sistema é de maturação prolongada e intensivo em treinamento
• O roteiro de excelência adotado é o fluxograma DMAMC do Seis Sigma

Passo 1 do DMAMC: Definir

• Estabelece as fronteiras do projeto e seu impacto financeiro
• Gera o “Project Charter” com a definição formal das métricas de partida
• Captura a Voz do Cliente (VOC) para focar nos aspectos críticos à qualidade (CPQ)
• Mapeamento de alto nível das Variáveis Chave de Entrada (VCEP) e Saída (VCSP)

O Mapa SIPOC

Impede que equipes ignorem o fluxo adjacente onde nascem os ruídos.

Passo 2 do DMAMC: Medir

• O cientista de dados avalia a realidade subjacente do processo com precisão matemática
• Valida bases de dados e assegura a rastreabilidade via estudos metrológicos (Gage R&R)
• Coleta amostras históricas nas VCEPs para dados robustos em tempo real
• Calcula as métricas atuais de capacidade do processo (DPMO ou nível Sigma)

Testes de Medição e Normalidade

library(ggplot2)
set.seed(42)
dados <- data.frame(espessura = rnorm(40, mean = 5, sd = 0.1))
ggplot(dados, aes(sample = espessura)) +
  stat_qq(color = "darkred", size = 2) +
  stat_qq_line(color = "white") +
  labs(title = "Q-Q Plot: Normalidade na Fase Medir",
       x = "Quantis Teóricos", y = "Quantis Amostrais") +
  theme_minimal()

Passo 3 do DMAMC: Analisar

• Foco em determinar relações de causalidade quantificáveis e isolar causas comuns das especiais
• Técnicas de inferência estatística cruzam variáveis para descobrir a causa raiz das anomalias
• Uso sistemático do diagrama de Ishikawa (Espinha de Peixe) correlacionado a dados
• Implementação intensiva da Análise de Modos e Efeitos de Falha (FMEA)

FMEA na Fase Analisar

Número de Prioridade de Risco:

\[NPR = Ocorr\hat{e}ncia \times Severidade \times Detec\tilde{c}\tilde{a}o\]

• Pontua cada etapa da matriz SIPOC com métricas predeterminadas
• Evidencia as etapas mais catastróficas
• Aumenta a proatividade — age antes que a falha contamine a fábrica
• Direciona fundos aos fatores com menor chance de detecção antecipada

Usando Inferência no R (Fase Analisar)

maq_a <- c(22.1, 23.5, 21.0, 22.8)
maq_b <- c(25.4, 26.1, 24.8, 25.0)
teste <- t.test(maq_a, maq_b)
print(teste$p.value)

[1] 0.00551695

Com \(p \approx 0{,}008 < 0{,}05\), rejeitamos \(H_0\) — há diferença significativa entre as máquinas.

Passo 4 do DMAMC: Melhorar

• Redesenho formal do equipamento, processo de TI ou algoritmo para estancar a variância
• Uso corporativo do Planejamento de Experimentos (DOE) e simulação de eventos discretos
• Inclusão de recursos de prevenção — Poka-Yoke (mecanismos à prova de erros)
• Lotes “piloto” isolados para confirmar o ganho da otimização proposta

ANOVA para Múltiplas Melhorias

form        <- as.factor(rep(1:3, each = 3))
falhas      <- c(12, 10, 11,  5, 4, 6,  14, 15, 13)
modelo_aov  <- aov(falhas ~ form)
print(summary(modelo_aov)[[1]][["Pr(>F)"]][1])

[1] 9.391435e-05

\(p \approx 0{,}0001\) — evidência fortíssima de que a formulação 2 é superior!

Passo 5 do DMAMC: Controlar

• Foca na blindagem rigorosa para evitar regressão ao patamar problemático original
• A equipe projeta o Plano de Controle e o Plano de Treinamento contínuo
• Entrega ao “Dono do Processo” com dashboards permanentes e Gráficos CEP de monitoramento
• Provas de lucros e auditorias são geradas para validar a jornada aos executivos

DMAMC Transacional: Documentos de Litígio

DMAMC Transacional: Entrega no Prazo

• Fabricante de microchips atrasava 25% dos pedidos por excesso de “ciclos invisíveis” de aprovação
• Definir/Medir: VOC estabelecida; gargalos medidos via Mapas de Fluxo de Valor
• Analisar: Departamentos inflavam aprovações duplicadas do mesmo documento

DMAMC Transacional: Entrega (Solução)

• Melhorar: Experimento Lean eliminou 5 vias desnecessárias → 2 aprovações automáticas no ERP
• Controlar: Auditoria automática imposta nas metas do gerente departamental

DMAMC em Serviços: Filas Bancárias

• Problema: Abandono por tempo de espera caótico e perdas em processamento hipotecário
• VCEP: número de clientes/hora, experiência dos caixas
• VCSP: tempo no balcão e aprovações per capita
• Medir/Analisar: Histograma de contagens exponenciais apontou falha na distribuição de caixas experientes por faixa de horário

Os dados invalidaram o “achismo gerencial” sobre “má vontade dos operadores”.

DMAMC em Serviços: Resolução Bancária

• Melhorar: Modelo logístico reescalonou a alocação técnica sem novas contratações
• O Banco passou a exigir formulários padronizados com variáveis de \(R^2\) alto — menos devoluções
• Controlar: Gráfico estatístico semanal exposto em dashboard da área para evitar alocações viciadas

Importância de Variáveis-Chave de Saída (VCSP)

• O cientista aprende modelagem \(Y = F(X)\) — identificar a VCSP com precisão métrica é o segredo central do DMAMC
• Processos com variabilidade em componentes interligados criam desastres por multiplicação de erros
• Métricas sensíveis como DPU/DPMO devem ser expostas visualmente ao comitê de diretoria
• Evita atalhos mentais sobre “causas imponderáveis”

Limitações Reativas da Qualidade Tradicional

• Inspecionar peças “na saída” → o dano ao caixa já foi completado no turno
• Estatísticos são caros demais para atuar como “auditores de lixo” nas esteiras finais
• Se a empresa depender do “departamento de controle”, cometerá os erros mortais que Deming denunciou
• Uma empresa imatura vê dados como punição — empresas Seis Sigma os consideram tesouros informativos

O Papel do Estatístico/Cientista de Dados

• Transição de “Analista Passivo” para Líder de Modelação Preditiva e Melhoria Seis Sigma
• Domínio do Gráfico de Controle univariado, avançando a Gráficos de Controle em Séries Temporais Múltiplas
• Integração nativa do ferramental analítico com o DMAMC sob linguagem financeira gerencial
• O curso fornece habilidades táticas quantitativas impossíveis de aprender em workshops rasos de TQM

Referências

• Montgomery, D. C. Introduction to Statistical Quality Control. 7ª ed. Wiley, 2013.
• Deming, W. E. Out of the Crisis. MIT Press, 1982.
• Juran, J. M. Juran’s Quality Handbook. 5ª ed. McGraw-Hill, 1999.
• Garvin, D. A. “Competing on the Eight Dimensions of Quality.” Harvard Business Review, 1987.
• Feigenbaum, A. V. Total Quality Control. 3ª ed. McGraw-Hill, 1983.