Veja um exemplo. Uma rede de serviços de assistência técnica de automóveis mantinha estatística indicativa de que 90% de reposições solicitadas (peças, partes e componentes) eram entregues em 24 horas. Os 10% restantes sofriam atrasos. As reclamações indicaram que 67% dos clientes esperavam duas semanas ou mais pelos reparos. Como isso era possível? É que os pedidos dos clientes continham vários itens. Bastava o atraso de uma peça para que o serviço tivesse que esperar. Conclusão: 10% de entregas atrasadas afetavam 67% dos clientes.
Reflexão: Você não trocaria a métrica “Percentual de reposições entregues em 24 horas” por “Percentual de serviços atrasados”?
Fonte: Folha de São Paulo. Encarte Qualidade Total Folha e Sebrae. 1º de maio de 1994. p. 3.
Segue trecho de artigo publicado por Tobias Kuners of Koenders, consultor na Tob Management, uma consultoria holandesa de gestão, que inclui várias referências de desempenho para a área de manutenção industrial.
“Não adianta tentar evoluir para o Maintenance 4.0 sem informações precisas para conduzir atividades analíticas. Isso inclui dados abrangentes sobre o histórico do tempo de inatividade e o desempenho do ativo, informações detalhadas sobre a hierarquia dos equipamentos, as peças usadas e uma imagem clara da condição atual do ativo. Coletar, analisar e arquivar informações precisas é o primeiro e mais importante passo para implantar a Maintenance 4.0.
Nas últimas três décadas, os dados da Tabela I foram coletados de diferentes fontes, como grandes empresas de consultoria, empresas de manufatura, grandes corporações e experiência pessoal na função de manutenção. Essas métricas de desempenho são medidas valiosas para comparar processos.
Tabela I – Maintenance Benchmark Metrics Overview
O target (meta) é tipicamente um número que corporações exemplares alcançam, e a faixa (range) é o que normalmente é encontrado em corporações. Os números apresentados não vêm apenas de corporações farmacêuticas, mas são coletados em diferentes setores como alimentos para fins médicos especiais, produtos químicos finos e biotecnologia. Os dados foram coletados em instalações de bioprocessamento, plantas de processamento e instalações para embalagem.
Uma pesquisa [1] com
575 empresas abertas concluiu que, para um aumento de US$100,00 de investimento
em treinamento por empregado, o preço das ações aumenta em 0,8 pontos
percentuais.
Na Unimed Londrina
(PR), o Programa de Inovação funciona com a inscrição de ideias pelos
colaboradores por meio da intranet ou de urnas. As sugestões podem ser de
diversas áreas, como novos processos; estÃmulo à inovação; produtos e
treinamentos, por exemplo.
Antes de criar relatórios e painéis de indicadores, avalie a contribuição de cada métrica e o quanto ela atende aos objetivos desejados. Também padronize cada métrica para garantir que todos os envolvidos na organização a compreendam da mesma forma.
A padronização exige, ao menos, o seguinte:
O nome do indicador, para que todos se refiram à mesma informação.
A descrição da finalidade ou do propósito do indicador.
A fórmula ou a metodologia de cálculo do indicador.
Informações detalhadas sobre os dados utilizados no cálculo do indicador, incluindo sua origem.
Mapa de interações, gerado pelos crachás eletrônicos da Humanyse. Imagem: Site da Humanyse (www.humanyse.com).
Nos últimos
anos, Sandy Pentland, diretor do Human Dynamics Laboratory do MIT foi pioneiro
no uso de crachás eletrônicos que transmitem dados sobre as interações dos
funcionários ao longo do dia. Os crachás
capturam todo tipo de informação sobre conversas formais e informais: sua
duração; o tom de voz e gestos das pessoas envolvidas; quanto essas pessoas
falam, ouvem e interrompem; o grau de empatia e extroversão; e mais. Cada
crachá gera cerca de 100 pontos de dados por minuto.
O objetivo
inicial de Pentland era lançar luz sobre o que diferenciava as equipes de
sucesso das malsucedidas. Como descreveu no ano passado na Harvard Business
Review, ele testou o dispositivo em cerca de 2.500 pessoas, em 21 organizações
diferentes, e aprendeu várias lições interessantes. Cerca de um terço do
desempenho da equipe geralmente pode ser previsto apenas pelo número de trocas
face a face entre os membros da equipe; muitos contatos são tão problemáticos
quanto muito poucos. Usando dados coletados pelos crachás, ele foi capaz de
prever quais equipes venceriam um concurso de planos de negócios e quais
trabalhadores (corretamente) diriam que tinham tido um dia produtivo ou
criativo.
A análise dos resultados dos indicadores de gestão, embora bastante objetiva, está sujeita aos nossos vieses. Afinal, somos todos humanos! Tendo consciência disso, podemos fazer análises mais isentas e tomar melhores decisões.
Vieses cognitivos são padrões comuns de desvios na forma como os seres humanos pensam e tomam decisões. Ocorrem quando o processamento mental das informações é influenciado por fatores subjetivos, levando a julgamentos irracionais ou distorcidos. Resultam de influências como experiências pessoais, contexto social, emoções, e da estrutura do cérebro humano. São armadilhas que nos levam a interpretar o mundo de forma equivocada e, consequentemente, tomar decisões irracionais, mas podem ser combatidos pelo uso desapaixonado das abordagens formais de análise de dados.
Sempre que há algum julgamento humano há potencial para viés.
Viés de aceitação
Toda vez que um dado diz o contrário do que queremos ou esperamos, nos preocupamos em ir mais fundo e questionar sua veracidade. Entretanto, se o dado reforça nosso ponto de vista, é aceito com facilidade. Esse fenômeno é chamado de Viés de Aceitação e frequentemente influencia as análises.
A melhor forma de prevenir os efeitos do Viés de Aceitação é estar consciente de sua existência e estabelecer, a priori, as ações de validação dos dados que serão realizadas.
Viés de Confirmação
As pessoas favorecem as informações que confirmam suas crenças.
Nas análises de dados para a gestão, devemos levar em conta que as pessoas favorecem as informações que confirmam suas crenças. Por exemplo, se um supervisor sabe que o colaborador passou por um treinamento, ele espera uma melhora no aspecto correspondente. Logo, ele pode “ver” um resultado que na realidade não existe [1]. É uma racionalização comum, no sentido de comprovar uma expectativa, mas que pode influenciar a avaliação subjetiva da eficácia do treinamento.
A tendência de buscar, interpretar e lembrar informações de uma maneira que confirme nossas crenças preexistentes, é chamada de Viés de Confirmação (Confirmation Bias) ou Efeito Halo, e atende à necessidade humana de reforçar pontos de vista conhecidos e que trazem conforto ou conveniência. Desse modo, muitos vezes é inconsciente e, pior, não percebido nem pelo próprio analista. Entretanto, esse viés pode ser combatido pelo uso desapaixonado das abordagens formais de análise de dados.
Conhece alguma situação em que isso aconteceu em tua organização? Como ocorreu?
Referência
1. Fitz-enz, Jac e Davison, Barbara. How to Measure Human Resources Management. McGraw-Hill. 2002. 3rd edition. p. 185.
Nota: Texto
inspirado em: Better Decision Making with Objective Data is Impossible, de Jack
Webb, www.sloanreview.mit.edu
