Perceba a simetria da manufatura enxuta e Seis Sigma

A manufatura enxuta e o Seis Sigma costumavam ser metodologias concorrentes. Hoje, muitos fabricantes descobriram como os dois funcionam ainda melhor juntos. Getty Images

As origens da manufatura enxuta remontam à década de 1950 com o Sistema Toyota de Produção e ainda mais para as inovações de fabricação que Henry Ford fez no complexo de River Rouge, nos arredores de Detroit. O termo lean ganhou vida na década de 1980 com o estudo de James Womack e Daniel T. Jones sobre a indústria automotiva americana, "A máquina que mudou o mundo". O corpo enxuto de conhecimento que conhecemos hoje tem um rico legado e muitos colaboradores proeminentes.

Seis Sigma surgiu na década de 1980 com o trabalho feito pelos principais pensadores da Motorola. Eles reconheceram que havia grande valor em compreender e controlar os processos de fabricação. A análise estatística serviu de base para esse profundo entendimento e desenvolvimento de contramedidas direcionadas para reduzir a variação. À medida que o corpo de conhecimento Seis Sigma emergiu, outras grandes empresas como GE, Allied Signal, IBM e Honeywell aderiram.

Durante anos, os corpos de conhecimento lean e Seis Sigma foram concorrentes ferozes no campo de batalha da melhoria contínua. Por mais bobo que pareça, era assim que o pessoal da melhoria se comportava nas fábricas e nos escritórios corporativos. Graças a Deus, os principais pensadores finalmente reconheceram a sinergia entre os dois e começaram a operar em termos de Lean Seis Sigma — sem um "e" entre eles. Embora isso possa parecer sutil, faz uma enorme diferença e muda nosso comportamento de melhoria contínua.

Lembre-se de que certos conceitos abrangentes – incluindo respeito pelas pessoas e operação com humildade – devem ser aplicados a todo o espectro do Lean Seis Sigma. Estes são muito fundamentais para qualquer abordagem de melhoria contínua.

E para ser claro, você deve entender os diferentes focos de cada abordagem de melhoria. Ao explorar este tópico com seus colegas, considere as seguintes definições:

Tão simples, mas também imensamente claras e poderosas, essas definições servem como ponto de partida sem o ruído percebido e o medo de siglas e jargões. Independentemente de você trabalhar no chão de fábrica ou no escritório corporativo, você pode adaptar essas definições à sua maneira de trabalhar.

Coloque lean e Seis Sigma em um diagrama de Venn e você verá áreas significativas de sobreposição. No lado "puro enxuto", você encontrará ferramentas de análise e técnicas de melhoria que requerem apenas dados modestos para uma implementação eficaz. Por exemplo, você pode decidir onde e como implementar 5S e controles visuais sem realizar uma análise quantitativa aprofundada. Às vezes, você simplesmente escolhe um lugar razoável e começa. O mesmo acontece com a análise de tempo takt e tempo de ciclo. Você precisa coletar dados para entender os tempos de ciclo, volumes e recursos necessários, mas o esforço geralmente não inclui análise estatística além da matemática básica.

Na interseção entre lean e Six Sigma, onde os dois círculos se sobrepõem, é onde as ideias lean mais avançadas e as ideias básicas do Six Sigma se encontram. Você pode considerar isso como a área em que os praticantes do Seis Sigma Green Belt e os pensadores enxutos avançados podem se concentrar. Realizando uma análise de balanceamento de linha, eles poderiam desenvolver uma compreensão mais profunda das fontes de variação. Usando uma análise de teste F, eles puderam entender a probabilidade de um determinado rendimento para uma determinada melhoria no fluxo. Ao aplicar a análise estatística básica do Seis Sigma ao aplicativo agressivo de fluxo enxuto, eles podem obter soluções muito mais ricas.

A área de Seis Sigma puro requer coleta de dados, análise e ferramentas de melhoria mais sofisticadas que tendem a usar métodos estatísticos. Aqui, o praticante Six Sigma Black Belt é um colaborador muito valioso. Exemplos de análise podem incluir o estudo de duas populações de peças de produção para determinar se elas são estatisticamente semelhantes e a realização de um projeto de experimento (DOE) para determinar quais fatores e em que nível de configuração têm maior probabilidade de produzir um resultado esperado.