A qualidade da decisão começa na qualidade da coleta
Todo processo produz sinais. Nem todos, porém, são relevantes; menos ainda são confiáveis. A coleta de dados é o elo que transforma acontecimentos operacionais em evidências utilizáveis pela gestão.
Processos geram dados, mas não geram automaticamente conhecimento. Entre um evento e uma decisão existem escolhas metodológicas: o que observar, onde medir, como registrar, quando repetir e de que forma interpretar o resultado. Uma falha nessa sequência pode produzir indicadores visualmente convincentes e tecnicamente frágeis.
Por isso, coletar não significa simplesmente aumentar o volume de registros. Significa construir uma base consistente para responder a uma pergunta de negócio ou de processo. Em projetos de melhoria contínua, a coleta deve começar pela definição do problema e terminar com uma decisão verificável — não com uma planilha preenchida.
O objetivo de medir não é conhecer todos os números. É reduzir a incerteza sobre aquilo que realmente precisa mudar.
De onde vêm os dados de um processo?
Os dados são observações documentadas ou resultados de medições. Sua origem pode estar no mundo físico — como dimensões, temperatura ou tempo —, no mundo comportamental — como aderência a um procedimento, interações ou decisões — e no mundo sensorial — como ruídos, odores ou características percebidas que precisam de critérios objetivos para serem registradas.
A observação pode ser tão importante quanto um instrumento. Contudo, sempre que houver julgamento humano, convém estabelecer uma regra operacional: o que caracteriza a ocorrência, qual evidência deve ser registrada e como reduzir diferenças entre observadores.
A escolha do ponto de coleta também altera a capacidade de intervenção. Medir apenas o produto final revela o efeito acumulado, mas nem sempre identifica a etapa responsável. Medições intermediárias podem antecipar desvios, desde que seu custo e tempo de resposta sejam compatíveis com a operação.
Antes da planilha: defina o que é crítico para a qualidade
Um processo pode conter centenas de variáveis observáveis. Algumas são causas potenciais, outras são consequências e muitas não ajudam a responder à questão prioritária. O primeiro filtro deve relacionar o problema às características críticas para a qualidade (CTQs), traduzindo necessidades do cliente e objetivos operacionais em requisitos verificáveis.
Exemplo ilustrativo: “entrega previsível” → “cumprir o prazo prometido” → “pontualidade” → percentual de pedidos entregues até a data acordada.
Cada CTQ exige uma definição operacional: nome, unidade de medida, critério de inclusão e exclusão, população, ponto de captura, início e fim da medição, regra para exceções e responsável. “Atraso”, por exemplo, pode significar atraso na separação, expedição, chegada ao cliente ou confirmação de recebimento. Sem definir o evento, diferentes equipes acabam medindo coisas diferentes sob o mesmo título.
Uma boa CTQ ainda precisa ser acionável: seu resultado deve chegar com tempo suficiente para orientar uma reação, revelar uma tendência ou sustentar a avaliação de uma mudança.
Três tipos de dados — e por que a distinção importa
A natureza da variável condiciona como ela deve ser coletada, resumida e representada. Uma classificação prática utilizada em qualidade separa os dados em contínuos, de contagem e classificatórios. Confundir essas categorias pode levar ao uso de denominadores inadequados, gráficos pouco informativos e interpretações equivocadas.
Contínuos (variáveis)
Representam grandezas medidas em uma escala, como peso, espessura, temperatura e tempo de ciclo. Precisão, resolução, calibração e repetibilidade do sistema de medição afetam diretamente a utilidade da informação.
Contagem
Quantificam quantas vezes um evento ocorreu: número de falhas, acidentes, defeitos ou erros. Exigem fronteiras de oportunidade explícitas — por turno, por lote, por unidade ou por intervalo de tempo. Quando a exposição varia, compare taxas com denominadores adequados.
Classificatórios (atributos)
Distribuem cada item em categorias definidas, como conforme/não conforme ou no prazo/atrasado. Para calcular proporções, registre tanto os itens que apresentam a característica quanto o total efetivamente avaliado.
Como elaborar um plano de coleta que resista à operação real
Um plano de coleta transforma uma intenção analítica em uma rotina executável. Ele deve ser suficientemente objetivo para que duas pessoas treinadas obtenham registros comparáveis, inclusive quando trabalham em turnos ou unidades diferentes.
É necessário documentar por que cada CTQ será medida, o tipo de dado, a grandeza, a fonte, o método, a periodicidade e a forma de validação. Também é importante definir o que será feito com registros ausentes, leituras fora de faixa e mudanças no processo ao longo do estudo.
| CTQ / indicador | Tipo e grandeza | Como coletar | Periodicidade |
|---|---|---|---|
| Tempo de ciclo | Contínuo · minutos/pedido | Diferença entre abertura e conclusão, registrada automaticamente no sistema | Todos os pedidos; consolidação diária |
| Pedidos no prazo | Classificatório · % dos pedidos | Comparar data prometida à data efetiva, incluindo entregas pontuais e atrasadas | Todos os pedidos; análise semanal |
| Erros de separação | Contagem · erros/1.000 itens | Registrar cada divergência validada e o total de itens separados | Registro por ocorrência; consolidação por turno |
| Conformidade do cadastro | Classificatório · % de cadastros | Aplicar checklist padronizado a uma amostra definida, registrando conformes e não conformes | Amostra diária; revisão semanal |
O plano também deve informar quem coleta, quem audita e quem analisa. Sem essa divisão, divergências de interpretação tendem a aparecer somente depois que uma decisão já foi tomada.
O sistema de medição também é um processo — e precisa ser avaliado
Uma leitura não é automaticamente uma representação fiel da realidade. Dispositivos, procedimentos, operadores e condições ambientais introduzem variação no resultado. Antes de interpretar pequenas diferenças de desempenho, convém compreender quanto da variação observada vem do processo e quanto vem do sistema de medição.
Proximidade entre a medida e um valor de referência adequado.
Consistência entre medições repetidas sob condições definidas.
Variação quando o mesmo operador repete a medição nas mesmas condições.
Variação associada a diferenças entre operadores ou condições especificadas.
Em contextos que exigem maior rigor, estudos de análise dos sistemas de medição (MSA) podem avaliar repetibilidade e reprodutibilidade (Gage R&R), além de viés, linearidade e estabilidade. Para atributos, avaliações de concordância entre avaliadores ajudam a entender a consistência da classificação.
O custo da coleta deve ser proporcional ao benefício esperado. Medições destrutivas, análises laboratoriais demoradas ou sensores de alta resolução podem ser justificáveis para algumas CTQs, mas excessivos para outras. A decisão deve considerar risco, rapidez de resposta e consequência de agir com dados incorretos.
Quanto coletar e com qual frequência?
Uma grande quantidade de registros não compensa uma seleção enviesada. Antes de definir o tamanho da amostra, identifique a população e as condições que precisam ser representadas: turnos, fornecedores, linhas, unidades, tipos de pedido e períodos de maior demanda.
Amostragens convenientes — por exemplo, medir apenas quando há equipe disponível — podem ocultar exatamente a variação que o projeto pretende investigar. Quando a coleta integral não é viável, é preferível adotar um plano de amostragem documentado, com critérios de seleção e rastreabilidade.
Quatro perguntas para determinar a periodicidade
- Com que velocidade o processo pode mudar?
- Quanto tempo existe para agir antes que o desvio produza impacto?
- Qual nível de variação ou incerteza a decisão tolera?
- Qual é o custo operacional de cada medição?
A periodicidade deve preservar a ordem temporal dos dados. Médias mensais são úteis à gestão, mas podem esconder variações entre turnos e mudanças ocorridas dentro do mês. Em processos críticos, um registro por evento ou por lote pode gerar uma visão mais fiel do comportamento operacional.
Transformar registros em informação, sem perder o contexto
Depois da coleta, vem a verificação da base: completude, duplicidades, unidades incompatíveis, registros impossíveis, mudanças de regra e dados ausentes. A exclusão de observações não deve ser automática; valores extremos podem representar falhas de registro ou eventos relevantes do próprio processo.
A escolha da visualização depende da pergunta e da natureza da variável. Para medidas contínuas, histogramas, boxplots e gráficos ao longo do tempo permitem explorar distribuição, dispersão e estabilidade. Para contagens, acompanhe ocorrências e exposição; para dados classificatórios, acompanhe frequências e proporções com denominadores explícitos. Cartas de controle exigem seleção compatível com o tipo de dado e verificação de seus pressupostos.
Uma tendência aparente nem sempre representa melhoria. Volume de produção, sazonalidade, alteração de mix, exposição ao risco e mudanças no instrumento podem explicar parte da diferença. Antes de atribuir causalidade a uma intervenção, compare os períodos em condições tão equivalentes quanto possível e registre as mudanças relevantes.
Exemplo: um projeto de melhoria com quatro CTQs estáveis
Imagine uma equipe que deseja reduzir atrasos e retrabalho no processamento de pedidos. Em vez de trocar indicadores a cada reunião, ela define quatro CTQs no início do projeto: tempo de ciclo, percentual no prazo, erros de separação por mil itens e conformidade do cadastro.
Na fase Definir do DMAIC, cada CTQ recebe uma definição operacional. Em Medir, a equipe verifica os sistemas de registro, a consistência dos horários, os critérios de atraso e o denominador dos erros. Na etapa Analisar, estratifica os registros por turno e tipo de pedido para identificar padrões. Em Melhorar, conduz ciclos PDSA, alterando condições de trabalho sem trocar as definições dos indicadores. Em Controlar, estabelece responsáveis, frequência de revisão e regras de reação.
Manter as mesmas quatro CTQs, unidades, regras de classificação e definições de denominador antes e depois das intervenções. Caso a metodologia de medição mude, documentar a alteração e analisar sua influência antes de comparar os resultados.
Esse é um exemplo metodológico, não um resultado empírico. O ganho real só poderá ser demonstrado depois que uma linha de base confiável e medições posteriores estiverem disponíveis.
Governança: dados precisam continuar confiáveis depois do projeto
A qualidade dos dados depende de rotina, não apenas de ferramentas. Padronize formulários e cadastros; mantenha histórico de versões das definições operacionais; controle acesso e alterações; documente responsáveis; e realize verificações periódicas de integridade. Se forem tratados dados pessoais, aplique princípios de necessidade, finalidade e segurança previstos na LGPD, com acesso proporcional ao objetivo da coleta.
O encerramento de um estudo não deve encerrar a disciplina de medição. Uma vez incorporadas ao processo, as CTQs se tornam sinais de acompanhamento, alimentam novos ciclos PDSA e permitem à gestão distinguir variação habitual de mudanças que merecem investigação.
Mais importante que ter dados é confiar no caminho que os produziu.
Um bom sistema de coleta conecta necessidade, definição operacional, ponto de captura, qualidade de medição, periodicidade e análise. Quando cada elo é verificável, a organização deixa de discutir números isolados e passa a discutir decisões sustentadas por evidência.