Quality framework for industry 4.0

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Baiochi, Ricardo
Orientador(a): Santos, Eduardo Alves Portela, 1970-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Processo decisório
Big data
Indústria 4.0
Administração de Empresas
Link de acesso: https://hdl.handle.net/1884/94491
Resumo: Orientador: Prof. Dr. Eduardo Alves Portela Santos
id UFPR_5181f2d22a4828a4fe45c4130fc7c60b
oai_identifier_str oai:acervodigital.ufpr.br:1884/94491
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Setor de Ciências Sociais Aplicadas. Programa de Pós-Graduação em Gestão de Organizações, Liderança e DecisãoSantos, Eduardo Alves Portela, 1970-Baiochi, Ricardo2025-01-23T15:30:47Z2025-01-23T15:30:47Z2024https://hdl.handle.net/1884/94491Orientador: Prof. Dr. Eduardo Alves Portela SantosDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Sociais Aplicadas, Programa de Pós-Graduação em Gestão de Organizações, Liderança e Decisão. Defesa : Curitiba, 01/11/2024Inclui referênciasResumo: No dinâmico cenário das organizações modernas, a busca pela melhoria contínua é fundamental para manter a competitividade diante das demandas evolutivas do mercado. O Six Sigma tornou-se uma ferramenta indispensável para alcançar a excelência organizacional, focando na redução de defeitos e no controle da variação dos processos. No entanto, surgem desafios em ambientes da Indústria 4.0, especialmente ao enfrentar questões que requerem suporte de outras ferramentas para habilitar e aprimorar as aplicações dos princípios do Six Sigma, como dados não estruturados ou grandes conjuntos de dados, necessitando de metodologias adicionais baseadas em dados. Este estudo visa atender às necessidades evolutivas da Qualidade 4.0 investigando metodologias complementares baseadas em dados para o Six Sigma e explorando oportunidades inexploradas por meio de sua integração. Usando o Methodi Ordinatio como método de revisão sistemática da literatura, organizamos e sintetizamos a literatura existente sobre a integração do Six Sigma no contexto da Qualidade 4.0. Nossos achados revelam uma lacuna crítica de integração, enfatizando a necessidade de um framework. Identificamos uma coleção de metodologias que aprimoram cada estágio do processo Six Sigma, incluindo estrutura de execução (Agile), definição (Value Stream Mapping), medição (Process Mining), análise (Simulação), melhoria (MCDM) e controle (Big Data). Este estudo contribui para a área ao propor um framework para a melhoria da qualidade no contexto da Qualidade 4.0. Ao sintetizar várias metodologias baseadas em dados, oferece às organizações um roteiro para aprimorar a eficiência, eficácia e a excelência geral. A coleção identificada de metodologias fornece uma abordagem diferenciada para enfrentar desafios em cada estágio do processo Six Sigma, preenchendo uma lacuna vital na literatura atual. O estudo de caso resulta em uma robusta melhoria de processo, reduzindo o tempo de ciclo da equipe de operação em 45% e implementando um sistema de monitoramento digital para a operaçãoAbstract: In the dynamic landscape of modern organizations, the pursuit of continuous improvement is paramount to maintaining competitiveness in the face of evolving market demands. Six Sigma has become indispensable tools for achieving organizational excellence by focusing on defect reduction and process variation control. However, challenges arise in Industry 4.0 environments, especially when confronting issues that require support from other tools to enable and enhance Six Sigma principles applications, challenges such as unstructured data or large datasets, necessitating additional data-driven methodologies. This study aims to address the evolving needs of Quality 4.0 by investigating complementary data-driven methodologies to Six Sigma and exploring untapped opportunities through their integration. Using Methodi Ordinatio as a systematic literature review method, we organize and synthesize existing literature on the integration of Six Sigma in the context of Quality 4.0. Our findings reveal a critical integration gap, emphasizing the need for a framework. We identify a collection of methodologies that enhance each stage of the Six Sigma process, including execution framework (Agile), definition (Value Stream Mapping), measure (Process Mining), analysis (Simulation), improvement (MCDM) and control (Big Data). This study contributes to the field by proposing a framework for quality improvement in the context of Quality 4.0. By synthesizing various data-driven methodologies, it offers organizations a roadmap to enhancing efficiency, effectiveness, and overall excellence. The identified collection of methodologies provides a nuanced approach to address challenges in each stage of the Six Sigma process, filling a vital gap in the current literature. The case study results in a robust process improvement, reducing the cycle time of the operation team in 45% and implementing a digital monitoring system for the operation1 recurso online : PDF.application/pdfProcesso decisórioBig dataIndústria 4.0Administração de EmpresasQuality framework for industry 4.0info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisengreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - RICARDO BAIOCHI.pdfapplication/pdf2616290https://acervodigital.ufpr.br/bitstream/1884/94491/1/R%20-%20D%20-%20RICARDO%20BAIOCHI.pdf929b1b1d6d444270a4532a71c83d7923MD51open access1884/944912025-01-23 12:30:47.171open accessoai:acervodigital.ufpr.br:1884/94491Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082025-01-23T15:30:47Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Quality framework for industry 4.0
title Quality framework for industry 4.0
spellingShingle Quality framework for industry 4.0
Baiochi, Ricardo
Processo decisório
Big data
Indústria 4.0
Administração de Empresas
title_short Quality framework for industry 4.0
title_full Quality framework for industry 4.0
title_fullStr Quality framework for industry 4.0
title_full_unstemmed Quality framework for industry 4.0
title_sort Quality framework for industry 4.0
author Baiochi, Ricardo
author_facet Baiochi, Ricardo
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Sociais Aplicadas. Programa de Pós-Graduação em Gestão de Organizações, Liderança e Decisão
dc.contributor.advisor1.fl_str_mv Santos, Eduardo Alves Portela, 1970-
dc.contributor.author.fl_str_mv Baiochi, Ricardo
contributor_str_mv Santos, Eduardo Alves Portela, 1970-
dc.subject.por.fl_str_mv Processo decisório
Big data
Indústria 4.0
Administração de Empresas
topic Processo decisório
Big data
Indústria 4.0
Administração de Empresas
description Orientador: Prof. Dr. Eduardo Alves Portela Santos
publishDate 2024
dc.date.issued.fl_str_mv 2024
dc.date.accessioned.fl_str_mv 2025-01-23T15:30:47Z
dc.date.available.fl_str_mv 2025-01-23T15:30:47Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/94491
url https://hdl.handle.net/1884/94491
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/94491/1/R%20-%20D%20-%20RICARDO%20BAIOCHI.pdf
bitstream.checksum.fl_str_mv 929b1b1d6d444270a4532a71c83d7923
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526162899664896

Registros relacionados