A Data-Driven Decision-Support Framework for Predictive Quality Management in FMCG Manufacturing

Resumo Técnico: Um Framework de Suporte à Decisão Baseado em Dados para Gestão da Qualidade Preditiva na Manufatura de FMCG

Declaração do Problema
No setor de Bens de Consumo de Movimentação Rápida (FMCG), particularmente na fabricação de biscoitos de alto volume, a manutenção da qualidade consistente do produto é dificultada por interações complexas de processos, alto rendimento e distúrbios operacionais. Embora a metodologia Six Sigma DMAIC (Definir–Medir–Analisar–Melhorar–Controlar) seja amplamente adotada para reduzir defeitos, sua aplicação tradicional é predominantemente retrospectiva e reativa. Ela baseia-se na análise de dados históricos e na avaliação pós-produção, limitando a capacidade dos gestores de antecipar problemas de qualidade emergentes em tempo real. Consequentemente, existe uma lacuna na integração holística de análises preditivas ao longo de todo o ciclo DMAIC para apoiar a tomada de decisão prospectiva em ambientes de produção dinâmicos.

Metodologia
Este estudo propõe e valida um framework de suporte à decisão baseado em dados que integra o Six Sigma DMAIC com aprendizado de máquina (ML), previsão de séries temporais, Análise de Modos de Falha e Efeitos (FMEA) e Controle Estatístico de Processo (CEP). A pesquisa foi conduzida como um estudo de caso industrial na PT XYZ, um fabricante de biscoitos de alto volume na Indonésia, focando na "Linha 6", que apresentava perdas de qualidade recorrentes.

A metodologia seguiu cinco estágios analíticos:

1. Definir e Medir: Parâmetros Críticos para a Qualidade (CTQ) (ex.: estrutura do produto, integridade da embalagem) foram identificados via mapeamento SIPOC. A capacidade de processo de base foi quantificada usando Defeitos por Milhão de Oportunidades (DPMO) e níveis Sigma. A análise de Pareto foi utilizada para identificar as categorias dominantes de defeitos.
2. Modelagem Preditiva (Regressão): Para modelar a ocorrência de defeitos como uma função de variáveis de processo (ex.: temperatura do forno, velocidade da esteira, umidade), três modelos de regressão foram avaliados: Regressão Linear Múltipla, Regressão Ridge e Regressão de Vetores de Suporte (SVR). O pré-processamento de dados envolveu o tratamento de valores ausentes e a exclusão de identificadores temporais para evitar vazamento de dados (leakage). O ajuste de hiperparâmetros foi realizado via GridSearchCV, com desempenho avaliado via Erro Quadrático Médio (MSE) e $R^2$.
3. Previsão de Séries Temporais: Para projetar tendências de defeitos de curto prazo, os dados de produção diária foram reamostrados e interpolados. Três modelos de previsão — ARIMA, Prophet e Suavização Exponencial — foram testados. A seleção do modelo baseou-se em Erro Quadrático Médio (RMSE), Erro Médio Absoluto (MAE) e Erro Médio Absoluto Percentual (MAPE).
4. Analisar e Melhorar (Priorização de Risco): As causas raízes foram diagnosticadas usando diagramas de Ishikawa (Espinha de Peixe) e importância de atributos derivada de ML. Esses achados foram traduzidos em ações priorizadas usando FMEA para calcular Números de Prioridade de Risco (RPN).
5. Controlar: O framework integrou gráficos de CEP (X̄–R) com saídas preditivas baseadas em ML para permitir a detecção precoce de desvios antes que excedessem os limites de controle convencionais.

Principais Resultados

• Distribuição de Defeitos: A análise dos dados de produção de 2024 (372 observações, ~26,4 milhões de kg de produção) revelou que defeitos de embalagem (53,6%) e defeitos relacionados ao processo (37,89%) responderam coletivamente por mais de 91% do total de perdas de qualidade.
• Desempenho da Regressão: Entre os modelos de regressão, a Regressão de Vetores de Suporte (SVR) demonstrou desempenho preditivo superior em comparação aos modelos lineares. Isso indica que a relação entre as principais variáveis de processo e a ocorrência de defeitos é inerentemente não linear.
• Desempenho da Previsão: Na previsão de séries temporais, o modelo Prophet alcançou as menores taxas de erro (RMSE: 3,12; MAPE: 2,45), superando o ARIMA e a Suavização Exponencial na captura de mudanças de tendência e flutuações irregulares dentro do ambiente de produção dinâmico.
• Priorização de Risco: O FMEA identificou o desalinhamento da esteira (RPN 280) e falhas de selagem de embalagem (RPN 270) como os modos de falha de maior risco, fornecendo uma base estruturada para alocação de recursos.

Significância e Contribuições
O artigo reivindica três contribuições primárias para a ciência da gestão e para a literatura de Qualidade 4.0:

1. Extensão Metodológica: Ele estende o Six Sigma de uma metodologia de melhoria reativa para um sistema de suporte à decisão preditiva, incorporando modelos analíticos (regressão, previsão) diretamente dentro da estrutura DMAIC.
2. Operacionalização de Análise Preditiva: Demonstra como o ML e a previsão podem ser operacionalizados de forma prática para apoiar a tomada de decisão gerencial em manufatura de alto volume, indo além da classificação isolada de defeitos para um framework unificado.
3. Framework Escalável: Fornece evidência empírica de uma abordagem escalável que integra previsão, projeção de séries temporais e priorização baseada em risco (FMEA) com monitoramento contínuo (CEP).

Limitações e Escopo Futuro
Os autores reconhecem modestamente que o estudo é baseado em dados históricos agregados de uma única instalação durante um ano, o que pode limitar a generalização. Os modelos atualmente carecem de integração de sensores em tempo real para controle de malha fechada autônomo. Sugere-se que pesquisas futuras estendam o framework para múltiplas unidades, integrem dados de IoT em tempo real para atualização contínua dos modelos e avaliem os impactos econômicos de longo prazo. O estudo não afirma ter resolvido todos os problemas de qualidade, mas sim oferece um mecanismo estruturado para identificação precoce de riscos de defeitos e intervenção mais oportuna.