Questão 1

Uma empresa fabrica e entrega seus produtos para várias lojas de varejo e quer diminuir o número de devoluções. Para isto, investigou o número de ocorrências geradoras de devolução da entrega no último semestre, conforme apresentado na tabela abaixo:

##                     Razoes Ocorrencias
## 1         Separação errada          45
## 2    Faturamento incorreto          60
## 3 Atraso na transportadora         125
## 4            Pedido Errado          30
## 5        Atraso na entrega         140
## 6             Preço errado          20
## 7       Produto danificado          65
## 8                   Outros          15
## 9                    Total         500

Inicialmente iremos instalar e carregar os pacotes que serão utilizados nessa análise. Um deles é o pacote “qcc” que nos permite utilizar a função “pareto.chart” para elaboração do gráfico de Pareto e o pacote “fBasics” para uma analise descritiva dos dados.

#install.packages("qcc")
#install.packages("fBasics")
library(qcc)
## Warning: package 'qcc' was built under R version 3.5.3
## Package 'qcc' version 2.7
## Type 'citation("qcc")' for citing this R package in publications.
library(fBasics)
## Warning: package 'fBasics' was built under R version 3.5.3
## Loading required package: timeDate
## Loading required package: timeSeries

Entrando com os Dados

Em seguida atribuimos nossos dados em um objeto chamado “devo” que significa o numero de devoluções dos produtos, com seus respectivos nomes.

devo <- c(45, 60, 125, 30, 140,20,65,15)
names(devo) <- c("Separação errada", "Faturamento incorreto", "Atraso transportadora", "Pedido Errado", "Atraso na entrega","Preço errado", "Produto danificado", "Outros")
names(devo)
## [1] "Separação errada"      "Faturamento incorreto" "Atraso transportadora"
## [4] "Pedido Errado"         "Atraso na entrega"     "Preço errado"         
## [7] "Produto danificado"    "Outros"

Utilizamos a função “basicStats” para realizar a análise descritiva.

basicStats(devo)
##                    devo
## nobs           8.000000
## NAs            0.000000
## Minimum       15.000000
## Maximum      140.000000
## 1. Quartile   27.500000
## 3. Quartile   80.000000
## Mean          62.500000
## Median        52.500000
## Sum          500.000000
## SE Mean       16.556181
## LCL Mean      23.350852
## UCL Mean     101.649148
## Variance    2192.857143
## Stdev         46.827953
## Skewness       0.591604
## Kurtosis      -1.416996

Na descrição dos dados podemos ressaltar que, o atraso na entrega, é uma das razões que mais possui ocorrências sendo ela 140 ocorrências. Tendo como média das ocorrências 62.5, e a mediana 52.5 representando o valor que divide os dados ao meio. Podemos observar também que temos uma variação muita alta nos dados chegando à 2192.86. E temos um total de 500 ocorrências.

Então foi gerado o gráfico de pareto para uma melhor visualização.

color <- colorRampPalette(c("red","yellow", "green"))
pareto.chart(devo, ylab = "Frequência",  main="Gráfico de Pareto", ylab2="Porcentagem Acumulada", col=color(10))

##                        
## Pareto chart analysis for devo
##                         Frequency Cum.Freq. Percentage Cum.Percent.
##   Atraso na entrega           140       140         28           28
##   Atraso transportadora       125       265         25           53
##   Produto danificado           65       330         13           66
##   Faturamento incorreto        60       390         12           78
##   Separação errada             45       435          9           87
##   Pedido Errado                30       465          6           93
##   Preço errado                 20       485          4           97
##   Outros                       15       500          3          100

Logo, pelo gráfico de Pareto podemos visualizar que “atraso na entrega, atraso na transportadora, produto danificado e faturamento incorreto” tem as maiores frequências, sendo que elas representam 78% das ocorrências.

Assim, sugerimos a empresa que verifique as etapas “atraso na entrega, atraso na transportadora, produto danificado e faturamento incorreto” para que haja um melhoramento na entrega e nos produtos reduzindo as devoluções, seguindo com os demais defeitos.

Questão 2

Uma empresa de embalagens precisava reduzir custos com peças defeituosas encontrados em sua produção. Como a empresa não sabia por onde começar, decidiu-se utilizar o conceito do Gráfico de Pareto para analisar quais defeitos ocorriam com maior frequência. Durante duas semanas, os dados foram coletados, resultando na tabela a seguir:

##                  Tipo Ocorrencias
## 1 Não selagem lateral          22
## 2   Não selagem fundo          35
## 3    Não selagem topo          57
## 4      Caixa amassada          10
## 5   Impressão borrada           5
## 6              Outros           4

Como já realizamos o procedimento de carregar os pacotes anteriormente, não será nescessario carregar novamente, logo iremos carregar nossos dados.

Entrando com os Dados

Seguindo atribuimos nossos dados em um objeto chamado “df” que significa o numero de peças defeituosas, com seus respectivos nomes.

df <- c(22, 35, 57, 10, 5,4)
names(df) <- c("Não selagem lateral", "Não selagem fundo", "Não selagem topo", "Caixa amassada", "Impressão borrada","Outros")
names(df)
## [1] "Não selagem lateral" "Não selagem fundo"   "Não selagem topo"   
## [4] "Caixa amassada"      "Impressão borrada"   "Outros"

Utilizamos a função “basicStats” para realizar a análise descritiva.

basicStats(df)
##                     df
## nobs          6.000000
## NAs           0.000000
## Minimum       4.000000
## Maximum      57.000000
## 1. Quartile   6.250000
## 3. Quartile  31.750000
## Mean         22.166667
## Median       16.000000
## Sum         133.000000
## SE Mean       8.467257
## LCL Mean      0.400889
## UCL Mean     43.932444
## Variance    430.166667
## Stdev        20.740460
## Skewness      0.588883
## Kurtosis     -1.453475

Na descrição dos dados podemos ressaltar que, “Não selagem topo”, é uma das razões que mais possui ocorrências sendo ela 57 ocorrências. Tendo como média das ocorrências 22.17, que em comparação com a empresa anterior pode ser considerada uma média baixa, que para a empresa isso é bom, vale notar que a variância dessa empressa também é menor sendo ela 430.17 e a mediana 16 representando o valor que divide os dados ao meio. Somando um total de 133 ocorrências.

Então foi gerado o gráfico de pareto para uma melhor visualização.

color <- colorRampPalette(c("red","yellow", "green"))
pareto.chart(df, ylab = "Frequência",  main="Gráfico de Pareto",
             ylab2="Porcentagem Acumulada",col=color(10))

##                      
## Pareto chart analysis for df
##                        Frequency  Cum.Freq. Percentage Cum.Percent.
##   Não selagem topo     57.000000  57.000000  42.857143    42.857143
##   Não selagem fundo    35.000000  92.000000  26.315789    69.172932
##   Não selagem lateral  22.000000 114.000000  16.541353    85.714286
##   Caixa amassada       10.000000 124.000000   7.518797    93.233083
##   Impressão borrada     5.000000 129.000000   3.759398    96.992481
##   Outros                4.000000 133.000000   3.007519   100.000000

Logo, pelo gráfico de Pareto podemos visualizar que “Não selagem topo e Não selagem fundo”, tem as maiores frequências, sendo que elas representam 69% das ocorrências.

Assim, sugerimos a empresa que verifique as etapas “Não selagem topo e Não selagem fundo” para que haja um melhoramento das peças defeituosas e assim reduzir os custos , seguindo com os demais defeitos.