AVALIANDO A EFICIÊNCIA DE EQUIPES DO SISTEMA DE MANUFATURA - UM ESTUDO DE CASO NO SETOR SIDERÚRGICO

Transcrição

1 AVALIANDO A EFICIÊNCIA DE EQUIPES DO SISTEMA DE MANUFATURA - UM ESTUDO DE CASO NO SETOR SIDERÚRGICO Rafael Rodrigues Universidade Federal Fluminense Av. dos Trabalhadores 420, Vila Santa Cecília, Volta Redonda, Rio de Janeiro, RJ rafael.rafarod@gmail.com Lidia Angulo Meza Departamento de Engenharia de Produção Av. dos Trabalhadores 420, Vila Santa Cecília, Volta Redonda, Rio de Janeiro, RJ lidia_a_meza@pq.cnpq.br RESUMO Em virtude do crescente interesse em avaliar desempenho e devido a um grande número de aplicações de Análise Envoltória de Dados por sua flexibilidade e aplicabilidade em avaliar eficiência, este estudo visa auxiliar os gestores no intuito de aumentar as condições para verificar o desempenho de sua equipe para que os objetivos estratégicos da organização sejam atingidos. Para tanto discute-se, através de um estudo de caso, os modelos básicos e avançados de DEA e a importância de se avaliar desempenho usando-se uma meta como refêrencia. PALAVRAS CHAVE. Análise Envoltória de Dados, Avaliação de Desempenho, Indicadores de Desempenho. Área de classificação principal: Data Envelopment Analysis. ABSTRACT Given the growing interest in evaluating performance and due to a large number of applications of Data Envelopment Analysis by its flexibility and applicability in assessing efficiency, this study aims to help managers to enhance the conditions for evaluating the performance of your team to that the organization's strategic objectives are achieved. For this is discussed through a case study, the basic and advanced models of DEA and the importance of assessing performance using a goal as a reference. KEYWORDS. Data Envelopment Analysis, Performance Evaluation, Performance Indicators. Main area of classification: Data Envelopment Analysis. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1559

2 1. Introdução Em virtude do crescente interesse em avaliar desempenho e devido a um grande número de aplicações de Análise Envoltória de Dados (Charnes et al., 1978), devido à flexibilidade e à aplicabilidade de análise de eficiência em organizações, este estudo visa auxiliar aos gestores no intuito de permitir a eles condições de verificação do desempenho de sua equipe para que os objetivos estratégicos da organização sejam atingidos. Diversos estudos têm dedicado sua atenção à avaliação de desempenho, em diversos ramos do conhecimento: Economia, Administração, Contabilidade, Psicologia, Sociologia, Direito e Engenharia que podem ser citadas como algumas das ciências que estão de alguma forma preocupadas com o desempenho. A técnica de Análise Envoltória de Dados, no Brasil, tem sido usada para verificar a eficiência de alguns setores como: Setor Aéreo (Correia e Soares de Mello, 2008), Setor Elétrico (Angulo-Meza et al., 2007; Soares de Mello et al., 2008), Ordenação de Melhores Universidades, Melhores Cursos de Pós-Graduação (Angulo-Meza et al., 2003; Soares de Mello et al., 2006; Soares de Mello et al., 2008), etc. Contudo pouco interesse se tem mostrado para avaliação de equipes para informações gerênciais. A análise de desempenho de um sistema de produção ou de operações é normalmente feita por meio de um sistema de indicadores, sendo que esse sistema se constitui como parte central da sua função de planejamento e controle (Martins, 1999). E, para que forneçam ao gestor uma visão clara da realidade do negócio, essas análises deverão basear-se em sistemas de indicadores que sejam coerentes com os objetivos estratégicos estabelecidos pela empresa. Outro fato é que as grandes corporações que têm unidades de produção muita das vezes com processos e segmentos de mercados bem distintos, e as metas e objetivos estratégicos são desdobradas para cada unidade, de cada unidade para cada gerência, de cada gerência para cada supervisor, e de cada supervisor para cada funcionário. Isto se deve principalmente após a vinda do Balanced Scorecard, pois cada colaborador de uma empresa sabe suas atribuições e a importância de sua função para se alcançar os objetivos estratégicos maiores. Logo, cada colaborador tem suas metas e são avaliados através de indicadores. Sem medidas, os colaboradores de todos os níveis não têm base para compreender claramente o que se espera deles. As medidas propiciam informações preciosas para o aprimoramento do processo de gestão das organizações. Segundo Kaplan e Norton (1992) aquilo que se mede é o que se obtém. Chamando a atenção para o fato de que se deva existir alinhamento entre objetivos, estratégias e indicadores. Slack et al (1999) explicam que normalmente as empresas utilizam padrões para julgar seu próprio desempenho medido por meio dos indicadores. Relatam ainda que existem quatro tipos de padrões normalmente usados: padrões históricos, padrões de desempenho alvos, padrões de desempenho da concorrência e padrões de desempenho absoluto. Os padrões são, portanto metas ou indicadores que servem de base para julgamento da eficácia do sistema organizacional e que o enfoque em cada um destes quatro padrões irá depender da organização e do gerente. Sem estes padrões pelo menos duas questões viriam à tona: Como saber se houve ou não melhora, sem conhecer a situação inicial? Como avaliar desempenho sem compará-los a uma referência? Os padrões vêm, então, completar a avaliação de desempenho quando se compara um desempenho a um valor de referencia usado pela empresa. Lembrando que cada empresa usa seu padrão específico que depende de seus objetivos estratégicos. Portanto, avaliar desempenho significa comparar seu desempenho a outro, através de indicadores, usando-se uma meta como referência. Visto que, com tantos indicadores hoje existentes, caso um indicador esteja acima da meta e outro não, uma questão surge: se o processo ou negócio está mal ou bem. Com a técnica DEA essa questão é respondida, pois mostra um valor de eficiência ao considerar vários indicadores em seu cálculo. Neste trabalho serão avaliadas equipes de trabalho de uma empresa do setor siderúrgico utilizando a Análise Envoltória de Dados com técnicas adicionais. Este artigo está dividido da seguinte forma na seguinte seção encontram-se uma breve descrição de DEA. Na seção 3, XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1560

3 encontra-se o estudo de caso e suas diversas modelagens. A análise de resultados pode ser encontrada na seção 4. Já na seção 5 foi realizada uma ordenação das equipes segundo seu desempenho ao longo do ano. Finalmente na seção 6 encontram-se as conclusões deste trabalho. 2. A Análise Envoltória de Dados (DEA) A Análise Envoltória de Dados (Data Envelopment Analysis - DEA) é uma técnica relativamente nova (Charnes et al., 1978). DEA tem sido amplamente utilizada nos últimos anos, devido a sua simplicidade e extensa aplicabilidade em diversos problemas do mundo real. Esta técnica é capaz de avaliar o grau de eficiência relativa de unidades produtivas que realizam uma mesma atividade, quanto à utilização dos seus recursos. É uma técnica de programação matemática que tem por finalidade avaliar um conjunto de unidades tomadoras de decisão ou DMUs (Decision Making Units), extraindo delas um índice de eficiência relativa, que permite classificar uma a uma em eficientes, ou em ineficientes. A medida de eficiência é obtida através da razão da soma ponderada dos produtos pela soma ponderada dos insumos. Esta técnica permite analisar desempenho de unidades produtivas (DMUs) em produzir múltiplos produtos (outputs) através de múltiplos insumos (inputs), ou seja, em transformar os inputs em outputs quando comparada com as outras unidades observadas. Eficiência é um conceito relativo. Compara o que foi produzido, dado os recursos disponíveis, com o que poderia ter sido produzido com os mesmos recursos fazendo uma comparação entre as DMUs. É obtida pela razão entre a soma ponderada de produtos (outputs) e a soma ponderada dos recursos necessários para gerá-los (inputs). Já eficácia é a capacidade de a unidade produtiva atingir a produção que tinha como meta. Essa meta tanto pode ter sido estabelecida pela própria unidade como externamente. Em DEA existem dois modelos que são considerados clássicos, o CCR (Charnes et al., 1978) e o BCC (Banker et al., 1984). O modelo BCC, elaborado em 1984, utiliza o retorno variável de escala (VRS), procurando, assim, evitar problemas existentes em situações de competição imperfeita. Já o modelo CCR trabalha com retorno constante de escala (CRS), isto é, qualquer variação nas entradas (inputs) produz variação proporcional nas saídas (outputs). O modelo DEA pode ser orientado a inputs quando se deseja manter constante as saídas e maximizar as entradas, e orientados a outputs quando a necessidade de maximizar as saídas e mantiver constantes as entradas é mais importante. A abordagem DEA é extremamente benevolente com as DMUs, uma vez que atribui pesos altos àquelas variáveis que mais contribuem para maximizar a eficiência e muita das vezes pesos nulos às demais, gerando muitas DMUs eficientes. Entretanto, os modelos DEA têm flexibilidade para atribuir ou restringir pesos da preferência do decisor, o que aumenta o poder discriminatório dos modelos (Angulo-Meza e Lins, 2002). Mas tem a desvantagem da subjetividade dessa atribuição. Outra maneira de aumentar o poder discriminatório de DEA é inverter os outputs e os inputs, obtendo-se uma fronteira invertida (Yamada et al., 1994; Entani et al., 2002; Leta et al., 2005; Lins et al., 2005), cujo enfoque pode ser interpretado de duas formas. A primeira é que a fronteira consiste das DMUs com as piores práticas gerênciais (e poderia ser chamada de fronteira ineficiente); a segunda é que essas mesmas DMUs têm as melhores práticas considerando o ponto de vista oposto. Ou ainda, utilizar a Avaliação Cruzada (Sexton et al., 1986; Doyle e Green, 1994; Adler et al., 2002; Angulo-Meza e Lins, 2002) que ao invés de uma auto-avaliação, como nos modelos DEA padrão, fazer uma avaliação em conjunto, segundo um esquema de pesos ótimos de todas as DMUs, sendo a média de todas essas eficiências a eficiência cruzada. 2.1 DMU Auxiliar da Eficiência à Eficácia O enfoque DEA permite verificar a eficiência de DMUs e pode-se notar aquelas DMUs com melhores e piores desempenhos. Contudo uma questão surge: Os modelos DEA calculam a eficiência relativa, ou seja, o mais eficiente é aquele que obteve o melhor desempenho entre eles, mas e se todas as equipes tiverem maus desempenhos? Evidentemente, os modelos DEA XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1561

4 calcularão e indicarão uma equipe que é eficiente, mas na verdade não é. Pois esses resultados indicarão uma DMU eficiente, mas seus valores de análise são insatisfatórios. Vimos anteriormente, que um indicador deve ser comparado com outro valor para se saber se ele está no patamar adequado. Esse valor de comparação é, geralmente, uma meta pré-estabelecida e que deve ser alcançada como forma de se saber se o processo ou negócio está em conformidade. Usar indicadores em saber se estão bons ou ruins é perda de tempo e dinheiro. Logo, o uso de uma meta permite a verificação da adequação destes indicadores. No caso do modelo DEA, usouse de uma DMU auxiliar que nada mais é do que a meta gerencial pré-estipulada segundo os objetivos estratégicos elaborados durantes as reuniões de planejamento estratégico da empresa. O modelo de avaliação proposto pode ser mostrado conforme a Figura 1 abaixo, o qual faz uso dos mesmos recursos já utilizados com o complemento da técnica DEA, sem causar grandes impactos e bruscas mudanças na forma de se avaliar. Desempenho Operacional Técnica - Análise Envoltória de Dados (DEA) com DMU Auxiliar Indicadores de Desempenho para Avaliação Gerencial Figura 1 Modelo Proposto 3. Estudo de Caso O estudo de caso foi realizado em uma empresa do setor siderúrgico do sul do estado do Rio de Janeiro. O sistema de manufatura aqui estudado tem fluxo contínuo e com foco na eliminação de desperdícios que trabalha com quatro equipes em turnos de revezamento denominadas equipes A, B, C e D. Além disso, tal como mencionado anteriormente, será incluída uma DMU. Ela seria como se houvesse uma quinta Equipe de Produção que atingiu sua média do indicador exatamente conforme a meta gerencial. Essa meta seria uma falsa equipe, uma DMU auxiliar, que obteve seus resultados exatamente iguais às metas. Os dados da empresa em questão não serão publicados como forma de preservar a mesma. Os outputs utilizados são os indicadores que medem o desempenho operacional, computados a cada jornada de trabalho por cada equipe, calculados tal como apresentado em (1-3). Re n dimento Metálico = Quantidade Pr oduzida Quantidade Re cebida (1) Taxa Utilização = TempoUtilizado TempoDisponivel (2) Pr odutividade = Quantidade Pr oduzida TempoUtilizado (3) XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1562

5 A explanação sobre cada indicador é apresentada na Tabela 1. Tabela 1 Enfoque dos Indicadores Enfoque Verifica desperdícios. Nunca deve nunca deve ultrapassar ou ser igual a 100%, pois há perdas no processo. Dado o tempo disponível para produzir, verifica se esse tempo foi utilizado com eficiência. Nunca deve ser maior que 100%. Indicador Rendimento Metálico (%) Taxa de Utilização (%) Verifica o quanto produziu em relação ao tempo disponível. Produtividade (ton/h) O modelo terá um input, três outputs e cinqüenta e cinco DMUs que representam quatro equipes e a meta durante onze meses: DMUs = Equipes durante os meses do ano de 2006 (com exceção do mês de dezembro) e também a meta mensal (DMU auxiliar); Input = A própria equipe de valor unitário (recursos iguais inclusive o número de pessoas); Output = indicadores: produtividade, taxa de utilização e rendimento metálico. O modelo DEA escolhido para solução deste problema foi o modelo CCR, pois permite uma avaliação menos benevolente e possui maior caráter discriminatório que o modelo BCC e ainda devido ao fato de que os patamares de valores dos outputs são bem próximos uns dos outros. O modelo foi orientado a output, pois se deseja obter o máximo valor dos indicadores de desempenho em relação às equipes. Os resultados apresentados na Figura 1 e obtidos através do software SIAD (Angulo-Meza et al., 2005), mostram a evolução da eficiência padrão ao longo de ,02 Eficiência 1 0,98 0,96 0,94 Equipe A Equipe B Equipe C Equipe D Meta 0,92 jan fev mar abr mai jun jul ago set out nov Meses do Ano de 2006 Figura 2 Eficiência Padrão das Equipes em 2006 XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1563

6 Observando a Figura 2, verifica-se que quando utilizada a eficiência padrão dificilmente uma equipe consegue atingir a meta. Isto se deve pelos seguintes motivos: O modelo DEA sempre é benevolente e tenta maximizar a eficiência da DMU naquele output que ela tem seu melhor desempenho, então a meta pode ter uma vantagem, principalmente se a meta é fácil de ser alcançada; Quando há meta(s) pesada(s), ou seja, meta(s) difícil(eis) de ser(em) alcançada(s), a eficiência da DMU auxiliar será sempre maior que as demais DMUs, que é o caso. A figura 3, a seguir, mostra que as equipes conseguem mais facilmente ultrapassar a meta, pois foram avaliadas pela fronteira invertida. 1,01 Eficiência 0,97 0,93 0,89 Equipe A Equipe B Equipe C Equipe D Meta 0,85 jan fev mar abr mai jun jul ago set out nov Meses do Ano de 2006 Figura 3 Eficiência Composta das Equipes em 2006 O uso da avaliação da fronteira invertida permite calcular a eficiência composta. Nesta, a avaliação não será apenas obtida conforme os indicadores que mais favorecem as equipes. Ela avalia de forma pessimista as equipes e a meta, ou seja, avaliação sob ótica oposta. A eficiência composta contempla a eficiência sob o ponto de vista dos indicadores que mais e menos favorecem as equipes e a meta. Esta análise pela fronteira invertida permite ver, com mais clareza, a fragilidade da meta e a eficiência das equipes em relação a ela. A eficiência composta é calcula segundo a fórmula em (4) e a eficiência normalizada apresentada em (5) (Leta et al., 2005; Soares de Mello et al., 2008). Eficiencia Composta = (4) Eficiencia Composta _ Normalizada = (5) ( Eficiencia Padrao + ( 1Eficiencia Invertida) ) Eficiencia Composta ( Max _ EficienciaComposta) 3.1. Acompanhamento Mensal Vimos anteriormente, que foi possível fazer uma análise de desempenho das equipes ao longo do ano. Contudo, essa análise temporal apenas poderá ser realizada ao término do ano em questão. 2 XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1564

7 Logo, é interessante acompanhar o desempenho em períodos menores para sabermos a tendência do desempenho anual. Caso esse desempenho tenha resultados insatisfatórios, planos de ação e de contingência deverão ser utilizados para contornar a situação para que os indicadores fiquem acima ou igual à meta. Esta análise também é importante, pois faz uma análise pontual, verificando as equipes que atingiram a meta e tem se mostrado eficiente. Na análise anual, o modelo DEA compara as equipes com base naquelas de alto índice de eficiência. Como exemplo, utilizou-se do mês de abril de 2006 para que sirva de modelo para os demais meses do ano: DMUs = As quatro equipes e a meta do mês de abril/2006; Input = A própria equipe; Output = produtividade, taxa de utilização e rendimento metálico. Continua-se a usar o Modelo DEA CCR orientação output; porém como há poucas DMUs pode ocorrer muitos empates ou muitas DMUs eficientes. Logo, podem ser utilizados recursos para que isso não ocorra como visto anteriormente, tais como: restrição a pesos e a avaliação cruzada. As Tabelas 2 e 3 mostram as eficiências e os pesos dos outputs para o mês de abril. Tabela 2 Eficiência das Equipes em Abril de 2006 DMU Padrão Invertida Composta Composta* (%) (%) (%) (%) A abril/06 100,00 99,16 50,42 100,00 B abril/06 100,00 99,63 50,18 99,52 C abril/06 99,87 100,00 49,93 99,03 D abril/06 99,78 100,00 49,89 98,95 Meta abril 100,00 100,00 50,00 99,17 Tabela 3 Peso dos outputs em Abril de 2006 DMU Pesos Output 1 Output 2 Output 3 A abril/06 0, , , B abril/06 0, , , C abril/06 0, , , D abril/06 0, , , Meta abril 0, , , Pode-se comprovar que, tal como mencionado anteriormente, houve empates e muitas DMUs eficientes e ainda, algumas variáveis receberam peso zero o que na prática é irreal, pois todos os indicadores são importantes. Desta forma, será utilizada a restrição aos pesos (Allen et al., 1997). Para determinar essas restrições verificou-se que no modelo padrão a variável que mais teve peso diferente de zero foi o Indicador de Rendimento Metálico (Output 3). Assim, restringiu-se os pesos da seguinte forma: Peso do Output 1 Peso do Output 3 Peso do Output 2 Peso do Output 3 Ou seja, que a variável ou o Indicador de Rendimento Metálico é a variável menos importante na análise. As eficiências e os pesos para esta modelagem encontram-se nas tabelas 4 e 5, respectivamente. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1565

8 Tabela 4 Eficiência das Equipes em Abril 2006 com restrições aos pesos Padrão Invertida Composta Composta* DMU (%) (%) (%) (%) A abril /06 100,00 97,89 51,06 98,77 B abril /06 100,00 96,61 51,70 100,00 C abril/06 99,87 100,00 49,93 96,60 D abril /06 97,94 100,00 48,97 94,73 Meta abril 100,00 100,00 50,00 96,72 Tabela 5 Peso das Variáveis em Abril de 2006 com restrições aos pesos Pesos DMU Output 1 Output 2 Output 3 A abril/06 0, , , B abril/06 0, , , C abril/06 0, , , D abril/06 0, , , Meta_abril 0, , , Um outro tipo de restrição utilizada foi o de restrições aos inputs ou outputs virtuais (Allen et al., 1997). Para este tipo de restrições, partiu-se do principio que todas as variáveis têm a mesma importância, então dividimos os 100% de importância por três. Logo, cada variável ficaria com 33%, mas a soma daria 99%, então atribuímos ao Output 2 34%. Isto para o seu limite inferior, sem restringir o limite máximo de peso a cada variável. Os resultados para esta modelagem encontram-se nas tabelas 6 e 7. Tabela 6 Eficiência das Equipes em Abril 2006 com restrições virtuais DMU Padrão Invertida Composta Composta* A abril /06 98,81 99,16 49,82 99,278 B abril /06 100,00 99,63 50,18 100,00 C abril/06 97,02 100,00 48,51 96,66 D abril /06 96,69 100,00 48,35 96,34 Meta abril 94,39 100,00 47,19 94,04 Tabela 7 Peso das Variáveis em Abril de 2006 com restrições virtuais DMU Pesos Output 1 Output 2 Output 3 A abril /06 0, , , B abril /06 0, , , C abril/06 0, , , D abril /06 0, , , Meta abril 0, , , Uma nova avaliação foi realizada, desta vez utilizando a Avaliação Cruzada (Sexton, 1986; Doyle e Green, 1994) que o software SIAD calcula diretamente. A matriz de eficiências cruzadas tem sua diagonal principal como a eficiência calculada no modelo padrão. Nas demais linhas e colunas os pesos ótimos de cada equipe são usados para calcular uma nova eficiência da outra XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1566

9 equipe, o que configura uma avaliação de conjunto (Angulo-Meza e Lins, 2002). Os resultados desta modelagem se encontram na Tabela 8. Tabela 8 Matriz de Eficiências Cruzadas das Equipes em Abril 2006 A abril/06 B abril/06 C abril/06 D abril/06 Meta abril A abril/ , , , , B abril/06 0, , , C abril/ , , , , D abril/ , , , , Meta abril 0, , , , Média 0, , , , , Média* 0, , , , , Ao contrário da fronteira invertida que faz uma avaliação otimista e pessimista da própria equipe, a avaliação cruzada avalia em relação a todas as equipes e obtém uma média. Lembrando que a media* é a média sem a diagonal principal. 4. Análise de Resultados Dos três modelos apresentados acima o modelo de avaliação cruzada apresenta de forma mais adequada. Isto se deve ao fato de que nas restrições aos pesos há muita subjetividade e deve-se escolher de forma arbitrária qual indicador é mais importante ou seus limites, além de existir consenso sobre a importância dessas variáveis entre os decisores. Outro fator interessante é o fato de que não se precisar fazer uma análise anterior para saber qual indicador é mais importante para quem não tem uma experiência prévia com esses indicadores. E, por fim, porque a avaliação faz uma comparação entre todas as DMUs e não somente com ela mesma como faz a fronteira invertida, além do fato de que na fronteira invertida para poucas DMUs há muitos empates ou o desempate pode acontecer na terceira ou quarta casa decimal da eficiência e muitos pesos zero. Vale ressaltar que neste estudo a avaliação cruzada é a mais adequada, mas em outras situações pode ocorrer de outras metodologias de DEA serem as mais adequadas. Todas são, portanto, úteis e viáveis, contudo deve-se avaliar qual delas melhor se enquadra a situação da empresa. 5. Utilização do Modelo Como Apoio Multicritério Utilizando outra facilidade dos modelos DEA, o modelo proposto auxilia na ordenação das equipes. Permitindo focar naquelas que estão abaixo da meta e ainda, focar naquela (s) que tem (têm) eficiência sempre superior para que a gerência verifique o que leva essa equipe, que usa dos mesmos recursos, a atingir patamares mais elevados que as demais. Isso como forma de maximização de desempenho e melhoria continua de métodos ou de processos. No modelo apresentado a pontuação final para a ordenação originou-se da média aritmética simples as eficiências individuais de cada equipe em cada mês em relação ao ano em questão. Sendo n, o numero de meses considerados tem-se e equação (6) utilizada para calcular a eficiência média apresentada na Tabela 8 e usada na ordenação da Tabela 9. Eficiencia Média = i= 12 i= 1 Eficiencia Equipe n Tabela 8 Eficiência Média Ano 2006 Equipes Índice de Eficiência (6) XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1567

10 Equipe A 0, Equipe B 0, Equipe C 0, Equipe D 0, Meta 0,92968 Tabela 9 Ordenação das Equipes Ano 2006 Ordenação 1º Equipe A 2º Equipe C 3º Equipe D 4º Equipe B Com a média das eficiências ao longo dos meses de 2006, as tabelas 8 e 9 apresentam, com clareza, as melhores equipes e se ficaram ou não superiores à meta e a sua ordenação. Outros métodos para determinação de ordenações ou rankings podem ser encontrados em Adler et al (2002). 6. Conclusões A proposta deste estudo foi apresentar uma metodologia para avaliação de desempenho utilizando a ferramenta Análise Envoltória de Dados (DEA). No levantamento de dados para este trabalho, percebeu-se que a quantidade de artigos que estudam o relacionamento entre DEA e indicadores de desempenho ainda é baixa. Sendo que, no Brasil, a maior parte dos estudos com DEA e indicadores é voltada para a área contábil para Análise de Balanços. Outros conceitos também foram apresentados sobre indicadores e avaliação de desempenho, sua importância e evolução de estudos nesta área a fim de que se possa ter a noção de seu impacto no processo ou negócio. Para melhor percepção da metodologia utilizou-se da aplicação no setor de Aços Longos. Isto devido a que existem, no Brasil, três grandes indústrias, as quais têm expandido seus negócios para o exterior e devido às suas equipes de produção serem altamente técnicas e polivalentes. E foi apresentado seu atual sistema de medição de desempenho. Pode-se observar que o DEA calcula as eficiências relativas, contudo se todos os indicadores tiverem resultados ruins o DEA apontará como eficiente a melhor dentre os piores resultados. Isto ocorre devido à falta de uma meta para comparação. Então foi implementada uma DMU Auxiliar que corrige este fato. Foram utilizadas análises gráficas para fazer uma análise temporal do comportamento dos indicadores em relação à meta estabelecida durante o ano como forma de facilitar o entendimento gerencial. Com o método DEA pode-se também avaliar as metas. Concluindo que aquelas metas pesadas o DEA se torna benevolente e então sempre superior às equipes mesmo se estas tiverem bons desempenhos nos demais indicadores. E também, para o fato oposto de metas fáceis de serem alcançadas, o peso maior sempre será atribuído a indicadores que facilmente ultrapassam a meta, verificando a fragilidade da mesma. Foi apresentado um modelo para se fazer um acompanhamento mensal, pois nos demais exemplos apenas o desempenho anual. Isto para permitir verificar a tendência e o desempenho sem esperar o término do ano e possibilitar ações para reversão de quadros negativos. Várias metodologias DEA foram abordadas como: Fronteira Invertida, Restrições de Segurança a Pesos, Restrições Virtuais aos Pesos e a Avaliação Cruzada apresentando seus pontos positivos e negativos em cada situação e seus efeitos na eficiência. E ainda, o uso de DEA XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1568

11 como Auxilio Multicritério para ordenação das equipes. Com isto podem-se verificar algumas vantagens no DEA: Permite reunir vários indicadores de diferentes unidades e de, inclusive, indicadores com valores negativos para se saber a real situação do processo ou do negócio. Várias metodologias de DEA que permitem se adequar a cada situação; A possibilidade de liberdade ou não de o decisor atuar nos pesos daqueles indicadores que ele atribui que sejam mais importantes ou menos importantes; Obtém valores alvos para as equipes ineficientes; O software SIAD (Angulo-Meza et al., 2005), aplicado ao estudo mostrou-se extremamente simples ao usuário. Há a possibilidade de aprofundamento no estudo de setores específicos com indicadores diferentes e situações bem distintas das que aqui foram apresentadas. Para estudos futuros com DEA e que não foram aqui apresentados: Avaliação com mais indicadores como, por exemplo: reclamações de clientes, custos fixo e variável, horas-extras, headcount (número de funcionários), etc. Avaliação com Indicadores de valores negativos; Fazer uma análise e seleção de variáveis utilizando: uma análise de correlação, testes de hipóteses, análise de clusteer, etc. Finalmente, para complementar o assunto abordado, o uso da DMU Auxiliar permitiu verificar quais equipes foram não somente eficientes mas também eficazes pois obtiveram resultados superiores às metas. 6. Referências Adler, N., Friedman, L. e Sinuany-Stern, Z. (2002), Review of ranking methods in the data envelopment analysis context, European Journal of Operational Research, 140, Allen, R., Athanassopoulos, A., Dyson, R. G. e Thanassoulis, E. (1997), Weights restrictions and value judgements in data envelopment analysis: evolution, development and future directions, Annals of Operations Research, 73, Angulo-Meza, L., Biondi Neto, L., Soares de Mello, J. C. C. B. e Gomes, E. G. (2005), ISYDS - Integrated System for Decision Support (SIAD Sistema Integrado de Apoio a Decisão): A Software Package for Data Envelopment Analysis Model, Pesquisa Operacional, 25(3), Angulo-Meza, L., Gomes, E. G., Biondi Neto, L. e Coelho, P. H. G. (2003), Avaliação do ensino nos cursos de Pós-graduação em engenharia: Um enfoque quantitativo de avaliação em conjunto, Engevista, 5(9), Angulo-Meza, L. e Lins, M. P. E. (2002), Review of methods for increasing discrimination in data envelopment analysis, Annals of Operations Research, 116, Angulo-Meza, L., Soares de Mello, J. C. C. B., Gomes, E. G. e Fernandes, A. J. (2007), Selecção de variáveis em DEA aplicada a uma análise do mercado de energia elétrica, Investigação Operacional, 27(1). Banker, R. D., Charnes, A. e Cooper, W. W. (1984), Some models for estimating technical scale inefficiencies in data envelopment analysis, Management Science, 30(9), Charnes, A., Cooper, W. W. e Rhodes, E. (1978), Measuring the efficiency of decision-making units, European Journal of Operational Research, 2, Correia, T. C. V. D. e Soares de Mello, J. C. C. B. (2008), Avaliação da eficiência das companhias aéreas brasileiras com modelo DEA nebuloso, XII Congresso de Pesquisa e Ensino em Transportes - ANPET. Panorama Nacional da Pesquisa em Transportes 2008, Doyle, J. e Green, R. H. (1994), Efficiency and cross-efficiency in DEA derivations, meanings and uses, Journal of the Operational Research Society, 45, Entani, T., Maeda, Y. e Tanaka, H. (2002), Dual Models of Interval DEA and its extensions to interval data, European Journal of Operational Research, 136, Kaplan, R. S.; Norton, D. P. (1992) The Balanced Scorecard Measures that drive performance. Harvard Business Review. Boston, v. 70, n. 1. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1569

12 Leta, F. R., Soares de Mello, J. C. C. B., Gomes, E. G. e Angulo-Meza, L. (2005), Métodos de melhora de ordenação em DEA aplicados à avaliação estática de tornos mecânicos, Investigação Operacional, 25(2), Lins, M. P. E., De Lyra Novaes, L. F. e Legey, L. F. L. (2005), Real estate appraisal: A double perspective data envelopment analysis approach, Annals of Operations Research, 138(1), Martins, Eliseu (1999) Contabilidade de Custos. São Paulo: Editora Atlas. Sexton, T. R., Measuring Efficiency: An assessment of Data Envelopment Analysis. New Directions For Program Evaluation., Jossey-Bass, San Francisco, Sexton, T. R., Silkman, R. H. e Logan, A. J., Data Envelopment Analysis: Critique and extensions em Silkman, H. (Eds), Measuring efficiency: An assessment of data envelopment analysis, Jossey-Bass Editor, San Francisco, , Slack, N et al. (1999) Administração da Produção. São Paulo: Editora Atlas. Soares de Mello, J. C. C. B., Angulo-Meza, L., Gomes, E. G., Fernandes, A. J. S. e Biondi Neto, L. (2008), Estudo não paramétrico da relação entre consumo de energia, renda e temperatura, IEEE LATIN AMERICA TRANSACTIONS, 6(2), Soares de Mello, J. C. C. B., Gomes, E. G., Angulo-Meza, L. e Leta, F. R. (2008), DEA Advanced Models for Geometric Evaluation of used Lathes, WSEAS Transactions on Systems, 7(5), Soares de Mello, J. C. C. B., Gomes, E. G., Angulo-Meza, L., Soares de Mello, M. H. C. e Soares de Mello, A. J. R. (2006), Engineering Post-Graduate Programmes: A Quality and Productivity Analysis, Studies in Educational Evaluation, 32, Soares de Mello, M. H. C., Soares de Mello, J. C. C. B. e Angulo-Meza, L. (2008), Estudo comparado da atratividade de cursos de Engenharia da UFF, XXXVI Congresso Brasileiro de Educação em Engenharia, Pages. Yamada, Y., Matui, T. e Sugiyama, M. (1994), New analysis of efficiency based on DEA, Journal of the Operations Research Society of Japan, 37(2), XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 1570