Fatores críticos para o sucesso do seis sigma: um levantamento do impacto do tempo de empresa e do treinamento na indústria alimentícia
Bibliographic record
Abstract
A metodologia Seis Sigma apresenta um crescente interesse por parte de empresas dos diversos setores. Isso se dá, principalmente, em virtude dos seus resultados atrelados à redução de custos, aumento da confiabilidade e do padrão de qualidade. Porém, para que os resultados do Seis Sigma sejam alcançados e sustentados, faz-se necessária a gestão de alguns fatores críticos de sucesso (FCS) do Seis Sigma. O presente artigo tem por objetivo investigar os FCS para implantação da metodologia Seis Sigma e identificar quanto o tempo de empresa e o nível de formação Seis Sigma influenciam nos FCS. Para atingir o objetivo proposto foi realizada uma pesquisa de campo com 80 respondentes, com formação em Seis Sigma, de uma indústria alimentícia de grande porte localizada no Sul do Brasil. Os dados foram analisados por meio de estatística descritiva, teste de correlação, análise multivariada por meio da análise fatorial e análise de regressão múltipla. Com base na amostra pesquisada, os resultados evidenciaram que os FCS estudados apresentam uma contribuição significativa para o sucesso do programa Seis Sigma. Além disso, pode-se verificar que o tempo de empresa dos funcionários apresenta correlação positiva para o constructo treinamento, e o nível de formação em Seis Sigma apresenta correlação negativa com os constructos Treinamento, Comunicação e Revisão e Operação.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".