O erro de analisar dados em bloco
É comum um gestor olhar para um indicador de defeitos, tempo de ciclo ou retrabalho agregado e tentar explicar sua variação com uma única causa. O problema é que dados agregados escondem padrões. Quando se mistura o desempenho de três turnos, duas máquinas e quatro operadores em uma única média, qualquer conclusão tirada dali é, na melhor das hipóteses, incompleta — e na pior, enganosa.
A estratificação é a prática de dividir um conjunto de dados em subgrupos lógicos para revelar diferenças que a visão geral oculta. É uma das sete ferramentas clássicas da qualidade, mas costuma ser ignorada justamente por parecer simples demais perto de métodos como regressão ou DOE. Na prática, é o passo que decide se o restante da análise Six Sigma vai apontar para a causa certa ou para um sintoma qualquer.
Como estratificar na prática
O processo começa com uma pergunta: quais variáveis podem estar influenciando o resultado que estou medindo? As categorias mais comuns para estratificar em ambiente industrial são:
- Turno — diferenças de treinamento, fadiga ou supervisão entre equipes.
- Máquina ou linha — variação de calibração, desgaste ou configuração.
- Operador — diferenças de método, mesmo dentro de um trabalho padronizado.
- Matéria-prima ou fornecedor — lotes com variação de qualidade na entrada.
- Produto ou SKU — alguns itens são intrinsecamente mais sensíveis a falhas.
- Período — início de turno, pós-manutenção, pós-troca de setup.
Depois de escolher as categorias relevantes para o problema, basta recalcular o indicador separadamente para cada subgrupo e comparar. Se o defeito geral é de 4% mas, ao estratificar por turno, descobre-se que o turno da noite responde por 9% enquanto os outros dois ficam abaixo de 2%, a investigação muda de direção completamente. Em vez de revisar o processo inteiro, o time foca em entender o que é diferente no turno da noite.
Onde a estratificação se encaixa no DMAIC
Dentro da metodologia Six Sigma, a estratificação tem lugar natural na fase de Measure e no início do Analyze. Antes de rodar testes de hipótese, Ishikawa ou FMEA, estratificar os dados ajuda a direcionar onde investir o esforço analítico. Rodar um teste estatístico sofisticado sobre dados mal segmentados é como afinar um instrumento que está sendo tocado errado: o resultado técnico pode estar correto, mas não resolve o problema real.
Uma prática recomendada é cruzar estratificações: olhar não apenas por turno, mas por turno e máquina ao mesmo tempo, ou por operador e produto. Muitas vezes o padrão só aparece na interseção de duas variáveis — um operador específico que tem dificuldade com um produto específico, por exemplo, mas que passa despercebido ao analisar cada variável isoladamente.
Estratificar não é uma etapa estatística avançada — é disciplina de pensamento. É recusar a média como resposta e insistir em perguntar: variação em relação a quê?
Armadilhas comuns
A primeira armadilha é estratificar demais e cedo demais, criando dezenas de subgrupos pequenos onde a diferença observada é apenas ruído estatístico, não sinal real. É importante garantir volume de dados suficiente em cada subgrupo antes de tirar conclusões.
A segunda é parar na primeira estratificação que mostra diferença e assumir causalidade. Um turno com mais defeitos pode ser causa raiz, mas também pode ser consequência de outra variável que coincide com esse turno, como o tipo de produto que normalmente roda naquele horário. Estratificação aponta onde olhar, não necessariamente por que acontece — essa resposta ainda exige investigação de causa raiz.
A terceira é ignorar o óbvio: muitas vezes os dados já existem no sistema de produção, só nunca foram cruzados dessa forma. Antes de propor coleta de dados nova ou projetos de automação, vale revisitar o que já é registrado e simplesmente organizá-lo em camadas diferentes.
Um hábito, não um projeto
Estratificação não deveria ser uma etapa isolada de um projeto Six Sigma formal. Equipes maduras em melhoria contínua incorporam esse hábito na rotina de análise de qualquer indicador — reuniões de performance passam a perguntar automaticamente "isso é igual em todos os turnos, máquinas e produtos?" antes de aceitar qualquer explicação superficial. Esse tipo de raciocínio analítico é exatamente o que se busca desenvolver em formações práticas de Six Sigma, como as do Gemba Group, onde a ferramenta é treinada com dados reais do chão de fábrica dos participantes.