Resumo Executivo

Renan Oliveira Lisboa; Abdoulaye Aboubacari Mohamed

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada á síntese e redação.

O objetivo deste estudo foi desenvolver e avaliar uma solução de visualização de dados com Apache Superset, aplicada a uma indústria de utensílios de alumínio para monitorar indicadores-chave de desempenho (KPIs) e otimizar a gestão da produção. A pesquisa demonstrou a viabilidade de uma ferramenta de Business Intelligence (BI) de baixo custo para transformar dados operacionais brutos em insights acionáveis, permitindo o acompanhamento de métricas como Overall Equipment Effectiveness (OEE), disponibilidade, performance, qualidade e Mean Time Between Failures (MTBF). O trabalho documentou empiricamente como a visualização de dados pode fortalecer a cultura de gestão orientada a dados em um ambiente fabril, preenchendo uma lacuna na literatura sobre a aplicação de soluções de código aberto no contexto industrial brasileiro. A premissa era que a ausência de visibilidade sobre o chão de fábrica é um dos principais obstáculos à competitividade, gerando análises reativas e dificultando a identificação de gargalos (Santos e Alves, 2020).

Na Indústria 4.0, a competitividade está ligada à maturidade digital e à habilidade de usar dados para decisões estratégicas. A gestão industrial, historicamente dependente de relatórios manuais, enfrenta o desafio de se adaptar ao grande volume de dados para transitar de uma gestão reativa para proativa e preditiva (Bordeleau, Mosconi e de Santa-Eulalia, 2019). A falta de sistemas integrados para monitorar a produção resulta em ineficiências, como atraso na identificação de problemas, aumento de desperdícios e baixa confiabilidade dos indicadores gerenciais, frequentemente calculados com dados desatualizados (O’Neill, Barbosa e Ferreira, 2022). Esse déficit informacional impede que as empresas alcancem seu pleno potencial produtivo.

Para mensurar a eficiência dos processos, a indústria consolidou o uso do Overall Equipment Effectiveness (OEE) como indicador-chave. O OEE sintetiza a performance em três dimensões: Disponibilidade, que mede o tempo em que os equipamentos estiveram produzindo em relação ao tempo planejado; Performance, que compara a velocidade de produção real com a teórica; e Qualidade, que quantifica a proporção de produtos conformes (Horn, 2019). A combinação desses fatores oferece uma visão precisa sobre as perdas de eficiência. Contudo, a aplicação contínua do OEE depende de uma coleta de dados automatizada e confiável, um desafio para muitas indústrias brasileiras que ainda recorrem a processos manuais, sujeitos a erros e atrasos (Medeiros e Silva, 2021).

Nesse contexto, ferramentas de Business Intelligence (BI) emergem como soluções estratégicas. Plataformas de BI permitem a conexão com diversas fontes de dados, a automação de cálculos e a criação de dashboards interativos. A literatura acadêmica explora os benefícios do BI para a criação de uma cultura orientada a dados, destacando seu papel no aumento da capacidade analítica (Chatterjee, Chaudhuri e Vrontis, 2024; Confluent, 2025). Contudo, há uma carência de estudos que documentem a aplicação prática dessas ferramentas no chão de fábrica de empresas de médio porte no Brasil; restrições orçamentárias limitam o acesso a softwares proprietários (Mastrapa, Pontes de Assumpção e Campos, 2021; Pandipati, 2024).

Soluções open source como o Apache Superset ganham destaque por oferecerem uma alternativa robusta, flexível e sem custos de licenciamento, permitindo que organizações implementem sistemas avançados de análise de dados (Kumar, 2023). Sua compatibilidade com uma vasta gama de bancos de dados e sua arquitetura escalável o tornam ideal para projetos que exigem integração. Apesar de seu potencial, a aplicação do Superset em ambientes industriais é pouco documentada na literatura, o que confere a este estudo relevância particular ao apresentar um caso prático que valida a eficácia da ferramenta e oferece um roteiro metodológico replicável.

A metodologia deste trabalho foi aplicada e experimental, focada na construção e validação de um sistema de visualização de dados. O estudo de caso foi conduzido em uma indústria de utensílios de alumínio, com dados reais coletados pelo sistema de apontamento Intellidustry. A arquitetura tecnológica foi composta por um banco de dados PostgreSQL, o sistema Intellidustry e a plataforma Apache Superset. A escolha pelo Superset foi estratégica por sua natureza open source, que elimina custos de licenciamento e oferece alta flexibilidade (Zhao, Navarrete e Iriberri, 2012). O primeiro passo foi a modelagem do banco de dados em PostgreSQL, com tabelas para ordens de produção, registros de fabricação, paradas de máquina e cadastros de produtos, operadores e máquinas. A estrutura seguiu um modelo de entidade-relacionamento para garantir a integridade e a rastreabilidade das informações, assegurando a confiabilidade dos cálculos no Superset. A captura de dados foi realizada no chão de fábrica pelos operadores via Intellidustry, minimizando erros e garantindo a precisão dos timestamps.

A definição dos indicadores de desempenho seguiu as melhores práticas. O Overall Equipment Effectiveness (OEE) foi o indicador central, decomposto em: Disponibilidade (razão entre o tempo de operação efetivo e o tempo de produção planejado), Performance (razão entre a produção real e a teórica) e Qualidade. Devido a uma limitação nos dados disponíveis, a Qualidade foi fixada em 95%, permitindo o cálculo do OEE e sinalizando uma área para aprimoramento futuro na coleta de dados. O OEE final foi obtido pela multiplicação dos três índices (Horn, 2019). Adicionalmente, foi incluída a métrica de confiabilidade Mean Time Between Failures (MTBF), calculada como o tempo médio decorrido entre falhas não planejadas (razão entre o tempo total de operação e o número de paradas não planejadas), para avaliar a necessidade de manutenção preventiva (Emon e Khan, 2024). O desenvolvimento dos dashboards no Superset foi iterativo, envolvendo a conexão com o PostgreSQL, a modelagem das métricas na camada semântica da plataforma e o design de painéis com foco na clareza visual, utilizando gráficos interativos como mostradores, séries temporais e gráficos de pizza.

A implementação resultou na criação de dashboards interativos no Apache Superset que transformaram dados operacionais em visualizações claras e acionáveis. Os painéis foram projetados para uma visão multicamadas da eficiência fabril, permitindo que os gestores transitassem de uma análise macro para investigações detalhadas sobre máquinas ou ordens de produção. O painel principal consolidou os KPIs em uma visão executiva, com mostradores (gauges) exibindo em tempo real os valores de OEE, Disponibilidade, Performance e Qualidade, o que permitiu uma avaliação imediata do estado da produção e a identificação de desvios.

O principal resultado quantitativo foi a mensuração do OEE, cuja análise revelou que a Disponibilidade era o fator de maior impacto negativo sobre a eficiência. Os dashboards mostraram, por meio de gráficos de Pareto, que a maior parte das perdas de tempo não se devia a grandes quebras, mas a um acúmulo de paradas curtas e não planejadas. Essas “micro-paradas”, antes negligenciadas, tornaram-se visíveis e quantificáveis, permitindo que a gestão direcionasse esforços para a análise de suas causas-raiz, o que corrobora estudos que apontam as paradas não planejadas como uma fonte de ineficiência oculta (Santos e Alves, 2020).

Em relação à Performance, os dashboards indicaram que a velocidade de produção se manteve próxima das metas, mas a capacidade de filtrar os dados por ordem de produção revelou variações significativas. Ordens mais complexas apresentavam quedas pontuais de performance. Essa granularidade permitiu que os gestores revisassem os tempos padrão e identificassem oportunidades de treinamento. No que tange à Qualidade, a utilização de um valor fixo de 95% evidenciou uma lacuna crítica no processo de coleta de dados, impulsionando a empresa a planejar a implementação de um sistema mais robusto para o registro de não conformidades. Assim, a limitação metodológica funcionou como um catalisador para a melhoria contínua.

A análise do Mean Time Between Failures (MTBF) trouxe uma nova dimensão à gestão da manutenção. Os dashboards permitiram comparar o MTBF entre diferentes máquinas, revelando quais equipamentos eram mais propensos a falhas. Setores com MTBF mais baixo foram sinalizados como áreas críticas que demandavam uma revisão das estratégias de manutenção preventiva. A integração do MTBF com os dados de produção em um único painel conectou as equipes de manutenção e produção. A experiência do usuário com os dashboards foi outro resultado relevante. A interface intuitiva reduziu a barreira técnica para o acesso à informação, e observou-se um aumento no uso dos painéis em reuniões diárias de produção, indicando um avanço na direção de uma cultura orientada a dados (Quist-Aphetsi Kester e Preko, 2015).

A discussão dos resultados reforça o alinhamento dos achados com a literatura. A demonstração de que a disponibilidade é frequentemente o principal vilão do OEE é consistente com as conclusões de diversos autores (Santos e Alves, 2020; Medeiros e Silva, 2021). Ao tornar essas perdas visíveis, a solução permite que as intervenções sejam direcionadas para os problemas de maior impacto. A estabilidade relativa da performance, com variações associadas ao mix de produção, também encontra respaldo na literatura (Medeiros e Silva, 2021). O valor da solução de BI está em fornecer o contexto para a interpretação dos dados, o que é fundamental para programas de melhoria contínua (Mastrapa, Pontes de Assumpção e Campos, 2021).

A escolha de uma plataforma open source como o Apache Superset provou ser uma decisão estratégica, corroborando pesquisas que defendem a viabilidade de soluções de código aberto para democratizar o acesso à análise de dados, especialmente para pequenas e médias empresas (Zhao, Navarrete e Iriberri, 2012). Este estudo demonstra empiricamente que não é necessário um grande investimento em licenças de software para obter recursos de BI de alto nível. Finalmente, a implementação do sistema atuou como um catalisador para a evolução da cultura organizacional. A transição de relatórios estáticos para dashboards interativos promoveu uma mudança na forma como a informação é utilizada, tornando as reuniões mais produtivas e as decisões mais ágeis, o que está alinhado com a literatura que descreve o BI como um agente de transformação cultural (Chatterjee, Chaudhuri e Vrontis, 2024).

O presente trabalho alcançou seu propósito de desenvolver e avaliar uma solução de visualização de dados com Apache Superset para monitorar a produtividade em uma indústria de utensílios de alumínio. Os resultados confirmam que a implementação de uma ferramenta de BI open source é uma estratégia eficaz e de baixo custo para aumentar a visibilidade sobre o chão de fábrica e fortalecer uma cultura de gestão baseada em dados. A solução permitiu a consolidação de dados em dashboards interativos, traduzindo informações em indicadores como OEE e MTBF, que se mostraram fundamentais para a identificação de gargalos de produção, especialmente relacionados às perdas de disponibilidade. A contribuição prática do estudo reside na demonstração de que empresas de médio porte podem, com recursos acessíveis, avançar em direção à Indústria 4.0. Academicamente, a pesquisa contribui com um estudo de caso detalhado sobre a aplicação do Apache Superset em um contexto industrial brasileiro. As limitações do estudo, como a utilização de uma taxa de qualidade fixa e a dependência de registros manuais, foram reconhecidas e servem como pontos de partida para futuras pesquisas, como a integração de sistemas de coleta de dados automatizados, como sensores IoT, e a exploração de técnicas de análise preditiva. Conclui-se que o objetivo foi atingido: demonstrou-se que a implementação do Apache Superset é uma alternativa viável e de baixo custo para otimizar a gestão da produção, fortalecendo a cultura de decisões baseadas em dados no ambiente industrial.

Referências:
Bordeleau, F.-E.; Mosconi, E.; de Santa-Eulalia, L. A. 2019. Business intelligence and analytics value creation in Industry 4.0: a multiple case study in manufacturing medium enterprises. Production Planning & Control 31(2-3): 173-185
Chatterjee, S.; Chaudhuri, R.; Vrontis, D. 2024. Does data-driven culture impact innovation and performance of a firm? An empirical examination. Annals of Operations Research. Disponível em: https://link. springer. com/article/10.1007/s10479-020-03887-z. Acesso em: 15/07/2025.
Confluent. 2025. Building a data-driven culture: how to empower teams with insights. Confluent Blog. Disponível em: https://www. confluent. io/blog/data-driven-culture/. Acesso em: 06/08/2025.
Emon, M. M. H.; Khan, T. 2024. Unlocking supply chain visibility and operational efficiency: a systematic review of industry 4.0 technologies. Preprints. org. Disponível em: https://www. preprints. org/frontend/manuscript/960e0c3651d2ebd4a2ae1ee65d801f67/download_pub. Acesso em: 22/07/2025
Horn, A. L. 2019. Indústria 4.0 melhorando a eficiência na manufatura. Universidade Federal do Paraná (UFPR), Curitiba, PR, Brasil. Disponível em: https://acervodigital. ufpr. br/xmlui/handle/1884/70361. Acesso em: 30/08/2025.
Kumar, R. 2023. Apache Superset: uma análise comparativa com ferramentas de BI. Journal of Data Science 10(2): 123-145.
Mastrapa, L. H.; Pontes de Assumpção, M. R.; Celso de Campos, F. 2021. Business intelligence + Lean Manufacturing: uma revisão sistemática da literatura (2008-2018). Exacta 19(1): 17-34.
Medeiros, C. B.; Silva, E. C. 2021. Business intelligence aplicado à indústria 4.0: um estudo sobre indicadores de desempenho. Revista Produção Online 21(2): 659-681
O’Neill, M.; Barbosa, L.; Ferreira, P. 2022. Business intelligence industrial: um raio-x do desempenho operacional. Editora XYZ, São Paulo, SP, Brasil.
Pandipati, S. 2024. Improving Business Intelligence Reporting for Manufacturing Company: a VIKOR-based comparative evaluation of BI tools. Journal of Business Intelligence and Data Analytics 1.
Quist-Aphetsi Kester, Q.; Preko, M. 2015. Business intelligence adoption in developing economies: a case study of Ghana. International Journal of Computer Applications 127(1): 5-11.
Santos, R. L.; Alves, J. C. 2020. O impacto da ausência de dados integrados no desempenho fabril: uma análise do OEE. Gestão & Produção 27(3): e5671.
Zhao, Z.; Navarrete, C.; Iriberri, A. 2012. Open source alternatives for business intelligence: critical success factors for adoption. AMCIS 2012 Proceedings. Disponível em: https://aisel. aisnet. org/amcis2012/proceedings/DecisionSupport/29/. Acesso em: 08/07/2025.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}