19 de noviembre de 2026
Impacto das paradas operacionais na produtividade industrial com base em dados de sistemas de produção
Edson Luiz de Lima Novais; Bruno Felipe Lenin Souza Bezerra
DOI: 10.22167/2675-6528-202603866
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
Este trabalho analisou a relação entre paradas operacionais e o desempenho produtivo de uma linha de manufatura, com o objetivo de identificar os fatores que influenciam paradas operacionais e estimar cenários mais eficientes. A pesquisa foi conduzida por meio de um estudo de caso em uma indústria do setor metalúrgico em Suzano (SP), utilizando dados operacionais de outubro de 2025, que incluíram 116 registros de produção e 805 eventos de status. Aplicaram-se modelos de regressão linear simples e múltipla pelo método dos mínimos quadrados ordinários (MQO). Os resultados indicaram um OEE médio de 53,25% (± 14,56 p.p.), com a variabilidade concentrada em performance e disponibilidade. As paradas não planejadas representaram 13,96% do tempo total, sendo 79,25% classificadas como “Parada Não Identificada”. O modelo de regressão simples revelou uma redução de 10,38 p.p. na disponibilidade por hora adicional de parada não planejada. O modelo múltiplo identificou o tipo de produto como principal fator explicativo, com o Produto 1 apresentando OEE 18,16 p.p. superior ao Produto 2. Concluiu-se que o desempenho da linha é determinado pelo tipo de produto processado e pelo tempo acumulado de paradas não planejadas. A alta concentração de paradas não identificadas aponta para uma limitação na análise de causa-raiz, sugerindo a necessidade de melhoria na classificação das ocorrências para otimizar a produtividade industrial.
Palavras-chave: Análise de dados; Manufatura digital; OEE; Paradas não planejadas; Sistemas MES.
1. Introdução
De acordo com Torezani (2020), a produtividade industrial não deve ser avaliada apenas pelo volume produzido em um determinado período, mas pela capacidade da empresa de otimizar processos, reduzir desperdícios e utilizar seus recursos de forma eficiente, agregando valor às operações e sustentando sua competitividade no mercado.
A evolução dos softwares de manufatura e dos sistemas de automação industrial tem ampliado a capacidade de coleta de dados com elevado nível de granularidade, abrangendo desde registros operacionais até métricas detalhadas de desempenho dos equipamentos. Esse avanço não se limita às grandes corporações; empresas de pequeno e médio porte também têm expandido a digitalização e o monitoramento de seus processos produtivos, acompanhando tendências globais de transformação digital (Nunes et al., 2024). Esse movimento está associado à crescente adoção de práticas orientadas a dados, nas quais o uso sistemático de informações tem sido relacionado a ganhos de produtividade e desempenho organizacional (Brynjolfsson; McAfee, 2014).
Quando devidamente processadas, essas informações permitem a tomada de decisão baseada em evidências, apoiada por análises estatísticas robustas e atualizadas com alta frequência temporal (Senna; Ribeiro, 2021). No contexto brasileiro, esse movimento tem sido impulsionado pela necessidade de aumento de competitividade e pela maior acessibilidade de tecnologias digitais industriais, permitindo maior visibilidade dos processos produtivos (Laurindo; Carvalho, 2018). A integração entre sistemas produtivos e tecnologias da informação tem favorecido a consolidação de dados antes dispersos, contribuindo para análises estruturadas e para a melhoria contínua (Fleury; Fleury, 2020).
Apesar da crescente disponibilidade de dados industriais, muitas organizações ainda enfrentam dificuldades em utilizar essas informações de forma estruturada para identificar causas de perdas e atuar de maneira preditiva. Pequenas paradas e interrupções recorrentes em processos produtivos podem parecer inofensivas em um primeiro momento, mas, quando analisadas de forma sistemática, revelam impactos significativos ao longo do tempo. Esses eventos afetam diretamente a disponibilidade dos equipamentos, contribuem para a variabilidade dos tempos de ciclo e reduzem o índice de Overall Equipment Effectiveness (OEE), comprometendo o desempenho global da operação (Vieira; Regattieri, 2025).
Perdas associadas a interrupções de curta duração tendem a ser subestimadas, pois sua recorrência não é analisada de forma sistêmica. Quando consideradas ao longo do tempo, essas ocorrências podem representar impactos significativos na eficiência produtiva (Marx; Fleury, 2021). Uma lacuna crítica identificada é a elevada concentração de eventos classificados como “Parada Não Identificada”, que representaram 79,25% do tempo de parada não planejada. Essa limitação na classificação reduz a capacidade de análise de causa-raiz e a precisão dos modelos preditivos futuros.
A centralização e o processamento estruturado dos dados organizacionais, aliados à aplicação de modelos estatísticos, possibilitam a geração de percepções relevantes para a melhoria contínua (Silva, 2024). A consolidação de uma cultura orientada a dados nas organizações industriais depende não apenas da disponibilidade de informações, mas também da capacidade de interpretá-las e utilizá-las de forma sistemática no processo decisório (Carvalho et al., 2019). Dessa forma, esta pesquisa aplica técnicas de regressão linear a dados provenientes de um MES, com o objetivo de identificar os fatores que influenciam paradas operacionais e estimar cenários mais eficientes.
2. Material e Métodos
A pesquisa realizada caracterizou-se como de natureza aplicada, sendo conduzida por meio de um estudo de caso. O objetivo central foi identificar os fatores que influenciam paradas operacionais e estimar cenários mais eficientes, conforme delineado na introdução. A abordagem metodológica adotada permitiu uma análise aprofundada de dados reais de produção em um contexto industrial específico.
O estudo foi desenvolvido em uma indústria do setor metalúrgico, localizada em Suzano (SP), que opera em médio porte e emprega aproximadamente 600 funcionários. A unidade de análise selecionada foi a linha de produção 1, escolhida devido à maior disponibilidade de dados históricos, à recorrência de eventos de parada e à sua relevância operacional para a empresa.
A coleta de dados ocorreu por meio de levantamento documental interno, abrangendo o período de 01 a 31 de outubro de 2025. As informações foram extraídas diretamente do sistema MES (Manufacturing Execution System) da empresa, especificamente da plataforma PC-Factory, garantindo a fidelidade e a granularidade dos registros operacionais.
Duas bases de dados principais foram utilizadas. A primeira, denominada “base de produção”, continha 116 registros consolidados por data, turno e tipo de produto, e incluía indicadores de Overall Equipment Effectiveness (OEE), performance, disponibilidade e qualidade. A segunda, a “base de eventos operacionais”, registrou 805 eventos de status, detalhando a produção, paradas planejadas, paradas não planejadas e tempo fora de turno.
Para viabilizar a modelagem estatística conjunta, as duas bases de dados foram integradas. Essa integração foi realizada utilizando como chaves de ligação as variáveis de data e turno, permitindo a associação consistente dos indicadores de desempenho com os eventos operacionais correspondentes.
A etapa analítica dos dados compreendeu três fases principais. Inicialmente, realizou-se uma análise exploratória de dados (EDA), que incluiu o cálculo de estatísticas descritivas para as variáveis operacionais e a construção de uma matriz de correlações de Pearson para identificar relações entre os indicadores.
Em seguida, aplicaram-se testes de hipóteses para comparar médias entre grupos. Para a comparação entre turnos de operação, utilizou-se a Análise de Variância (ANOVA one-way). Para a comparação entre os tipos de produtos processados, empregou-se o teste t de Student, visando identificar diferenças estatisticamente significativas no desempenho.
Posteriormente, procedeu-se à modelagem estatística por meio de regressão linear. Foram aplicados modelos de regressão linear simples e múltipla, utilizando o método dos mínimos quadrados ordinários (MQO). O objetivo foi quantificar a influência de variáveis operacionais sobre o desempenho produtivo da linha.
No modelo de regressão linear simples, a variável dependente foi o OEE ou a Disponibilidade, e a variável explicativa foi o tempo acumulado de parada não planejada, mensurado em horas por data e turno. Este modelo buscou estabelecer uma relação direta entre as paradas e o desempenho.
Para o modelo de regressão linear múltipla, a variável dependente foi o OEE. Como variáveis explicativas, incluíram-se o tempo de parada não planejada (em horas), o número de eventos de parada não planejada, o turno de operação (representado por variáveis dummy, com o Turno 1 como referência) e o tipo de produto processado (também representado por variáveis dummy, com o Produto 2 como referência).
A validação dos modelos de regressão foi realizada por meio da análise de diversos indicadores estatísticos, como o coeficiente de determinação (R²), o R²-ajustado, a estatística F e o p-valor global do modelo. Adicionalmente, verificaram-se os pressupostos clássicos da regressão, incluindo a normalidade dos resíduos (teste de Shapiro-Wilk), a homocedasticidade (teste de Breusch-Pagan) e a ausência de autocorrelação (teste de Durbin-Watson).
Todas as análises estatísticas e a modelagem foram executadas em ambiente Python. Para o processamento e manipulação dos dados, utilizou-se a biblioteca pandas. As análises estatísticas e a construção dos modelos de regressão foram realizadas com o auxílio das bibliotecas scipy e statsmodels, que fornecem funcionalidades robustas para inferência estatística e econometria.
3. Resultados e Discussão
Os resultados da pesquisa revelaram uma visão abrangente do desempenho produtivo da linha de manufatura estudada, com foco na identificação dos fatores que influenciam as paradas operacionais e na estimativa de cenários mais eficientes. A análise dos 116 registros operacionais e 805 eventos de status, coletados do sistema MES, permitiu caracterizar o comportamento da linha e aplicar modelos estatísticos para quantificar as relações entre as variáveis. Os achados iniciais indicaram uma variabilidade significativa no Overall Equipment Effectiveness (OEE), predominantemente associada à disponibilidade e à performance, e não à qualidade, que se manteve constante em cem por cento.
A caracterização da base de produção evidenciou um OEE médio de 53,25%, com um desvio padrão de 14,56 pontos percentuais, e uma amplitude que variou de 23,92% a 88,40%. Essa ampla faixa de variação sublinha a inconsistência no desempenho da linha ao longo do período analisado. A performance média foi de 61,45% e a disponibilidade média atingiu 87,10%. A constância da qualidade em cem por cento em todos os registros sugere que as perdas de eficiência na linha de usinagem estão primariamente ligadas a interrupções e à redução do ritmo de produção, um padrão comum em ambientes industriais similares, conforme a literatura da área.
A análise exploratória das correlações de Pearson entre as variáveis operacionais forneceu insights importantes sobre as inter-relações dos indicadores. Observou-se uma correlação positiva forte entre o OEE e a performance (r = 0,857; p 0,05) no modelo múltiplo, corroborando a ideia de que seus efeitos são mais complexos ou mediados por outras interações.
A verificação dos pressupostos clássicos da regressão indicou adequação geral dos modelos. A normalidade dos resíduos e a homocedasticidade foram confirmadas nos três modelos, com exceção de uma assimetria negativa dos resíduos no Modelo 2, que foi mitigada pelo tamanho da amostra. A presença de autocorrelação leve nos Modelos 1 e 3 é um aspecto esperado em dados de série temporal e será abordada em futuras análises por meio da ampliação do horizonte temporal e da aplicação de técnicas de estimação robustas, como erros-padrão HAC, para garantir a validade e a robustez dos resultados.
Em síntese, a pesquisa demonstrou que o desempenho da linha de manufatura é influenciado primordialmente pelo tipo de produto processado e pelo tempo acumulado de paradas não planejadas. A elevada concentração de eventos classificados como “Parada Não Identificada”, representando 79,25% do tempo de parada não planejada, constitui uma limitação crítica para a análise de causa-raiz e a precisão dos modelos preditivos. A melhoria na classificação dessas ocorrências é essencial para otimizar a produtividade industrial e permitir uma gestão mais assertiva das perdas de eficiência, respondendo diretamente ao objetivo de identificar fatores que influenciam paradas operacionais e estimar cenários mais eficientes.
4. Conclusão
Este estudo analisou a relação entre paradas operacionais e o desempenho produtivo de uma linha de manufatura, buscando identificar os fatores que influenciam essas interrupções e estimar cenários mais eficientes. Verificou-se um OEE médio de 53,25%, com a variabilidade concentrada nas dimensões de performance e disponibilidade. As paradas não planejadas representaram 13,96% do tempo total de operação, sendo que 79,25% desse período foi classificado como “Parada Não Identificada”. A modelagem estatística revelou que o tempo de parada não planejada impacta significativamente a disponibilidade, com uma redução de 10,38 pontos percentuais para cada hora adicional de interrupção. Adicionalmente, o tipo de produto processado emergiu como um fator determinante, com o Produto 1 apresentando um OEE 18,16 pontos percentuais superior ao Produto 2. Esses achados demonstram que o desempenho da linha é influenciado primordialmente pelo tipo de produto e pelo tempo acumulado de paradas não planejadas, oferecendo uma base para a otimização dos processos produtivos e o aumento da produtividade industrial.
Apesar das contribuições, a pesquisa identificou uma limitação crítica na elevada concentração de eventos de “Parada Não Identificada”, que comprometeu a capacidade de realizar análises de causa-raiz aprofundadas e de desenvolver modelos preditivos mais precisos. A presença de autocorrelação leve nos resíduos de alguns modelos, embora esperada em dados de série temporal, sugere a necessidade de técnicas de estimação robustas em análises futuras. Para estudos subsequentes, recomenda-se ampliar o horizonte temporal da análise, incorporar modelos supervisionados complementares, como árvores de decisão e regressão regularizada, e desenvolver simulações de cenários operacionais. Tais abordagens permitirão estimar combinações ótimas de variáveis para a minimização de paradas e a maximização da eficiência produtiva. Espera-se que este trabalho contribua para a literatura de manufatura orientada a dados e forneça subsídios práticos para a gestão da produtividade na indústria estudada, enfatizando a importância da melhoria na classificação das ocorrências para uma gestão mais assertiva das perdas de eficiência.
Referências Bibliográficas
Brynjolfsson, E.; McAfee, A. 2014. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. New York: W. W. Norton & Company.
Carvalho, A. C. P. L. F.; Lorena, A. C.; Faceli, K.; Gama, J.; Almeida, T. A. 2019. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC.
Fleury, A. C. C.; Fleury, M. T. L. 2020. Estratégias empresariais e formação de competências: um quebra-cabeça caleidoscópico da indústria brasileira. 4. ed. São Paulo: Atlas.
Laurindo, F. J. B.; Carvalho, M. M. 2018. Tecnologia da informação e competitividade empresarial: uma análise das organizações brasileiras. São Paulo: Atlas.
Marx, R.; Fleury, A. C. C. 2021. Gestão da produção e operações no Brasil: desafios e tendências contemporâneas. São Paulo: Atlas.
Nunes, E. N.; Franqueira, A. S.; Bitencourt, C. A. L.; Melo Júnior, H. G. 2024. Transformação digital: desafios e oportunidades para pequenas e médias empresas. Revista Observatorio de la Economía Latinoamericana, v. 22, n. 4, p. 1–21. Disponível em: https://www.researchgate.net/publication/379941708_Transformacao_digital_desafios_e_oportunidades_para_pequenas_e_medias_empresas. Acesso em: 21 fev. 2026.
Senna, S.; Ribeiro, F. 2021. Aplicações de sistemas MES na indústria 4.0: uma análise conceitual. Disponível em: https://periodicos.uninove.br/exacta/article/view/18916. Acesso em: 02 ago. 2025.
Silva, A. 2019. Otimização de processos industriais por meio de indicadores e análise de dados. Disponível em: http://hdl.handle.net/10400.26/53118. Acesso em: 15 ago. 2025.
Torezani, C. H. 2020. A implementação de sistemas MES e impactos na gestão da produção. Disponível em: https://www.scielo.br/j/rbi/a/pdPHkgXdfcMzcyHQpkNRrfq/?lang=pt&format=pdf. Acesso em: 05 set. 2025.
Vieira, L.; Rigatteri, L. 2022. Modelos de análise de desempenho produtivo com uso de sistemas MES. Disponível em: https://revista.fatectq.edu.br/interfacetecnologica/pt_BR/article/view/2238. Acesso em: 20 nov. 2025.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy