{"id":17594,"date":"2026-06-04T11:37:00","date_gmt":"2026-06-04T14:37:00","guid":{"rendered":"https:\/\/www.sults.com.br\/blog\/?p=17594"},"modified":"2026-06-04T11:40:46","modified_gmt":"2026-06-04T14:40:46","slug":"oee-overall-equipment-effectiveness","status":"publish","type":"post","link":"https:\/\/www.sults.com.br\/blog\/oee-overall-equipment-effectiveness\/","title":{"rendered":"OEE (Overall Equipment Effectiveness): O Guia Completo"},"content":{"rendered":"\n
\n

Resumo executivo:<\/strong> OEE (Overall Equipment Effectiveness) \u00e9 o KPI universal da manufatura que mede o quanto um ativo opera em rela\u00e7\u00e3o ao seu pleno potencial, multiplicando Disponibilidade, Performance e Qualidade. Criado por Seiichi Nakajima em 1982 no Japan Institute of Plant Maintenance, o indicador hoje \u00e9 padr\u00e3o ISO 22400-2 e, em linhas de manufatura discreta, separa empresas medianas (60% a 75%) das world-class (acima de 85%). Cada ponto percentual de OEE pode valer milh\u00f5es em output sem investimento em capex.<\/p>\n\"SULTS\"\n<\/div>\n\n

\n
\n
US$ 532k<\/div>\n
custo m\u00e9dio por hora de parada n\u00e3o planejada na ind\u00fastria<\/div>\n
OxMaint, 2025<\/a><\/div>\n <\/div>\n
\n
60-75%<\/div>\n
OEE m\u00e9dio em manufatura discreta; apenas +20% das empresas superam 85%<\/div>\n
OEE Benchmark Report, 2024<\/a><\/div>\n <\/div>\n
\n
~10 p.p.<\/div>\n
gap entre Toyota (mid-80s) e m\u00e9dia do setor automotivo (75%)<\/div>\n
McKinsey & Company, 2020<\/a><\/div>\n <\/div>\n
\n
10-20%<\/div>\n
melhoria em output com smart manufacturing integrado ao OEE (n=600 executivos)<\/div>\n
Deloitte, 2025<\/a><\/div>\n <\/div>\n<\/div>\n\n

O que \u00e9 OEE e por que ele virou padr\u00e3o global de manufatura?<\/h2>\n

OEE (Overall Equipment Effectiveness) \u00e9 o KPI que quantifica o quanto um ativo produtivo opera em rela\u00e7\u00e3o ao seu pleno potencial. Resulta da multiplica\u00e7\u00e3o de Disponibilidade por Performance por Qualidade durante o tempo planejado de produ\u00e7\u00e3o. Um OEE de 100% significa produ\u00e7\u00e3o perfeita: apenas pe\u00e7as boas, na velocidade m\u00e1xima, sem paradas. Hoje \u00e9 padr\u00e3o ISO 22400-2 em mais de 450 f\u00e1bricas em +30 pa\u00edses<\/a>.<\/p>\n\n

A for\u00e7a do indicador est\u00e1 em consolidar tr\u00eas dimens\u00f5es historicamente medidas em silos (tempo perdido, velocidade reduzida e defeitos) em um \u00fanico percentual compar\u00e1vel entre turnos, plantas e setores. Para o gestor de ch\u00e3o de f\u00e1brica, isso significa um term\u00f4metro objetivo que aponta onde alocar a pr\u00f3xima hora de engenharia. Para o CFO, OEE \u00e9 o argumento que transforma pedido de verba de manuten\u00e7\u00e3o em proje\u00e7\u00e3o de receita incremental.<\/p>\n\n

Segundo a revis\u00e3o sistem\u00e1tica publicada em Applied Sciences (MDPI, 2020)<\/a>, que analisou 186 artigos acad\u00eamicos, o OEE se firmou como o gold standard exatamente porque resiste a contextos heterog\u00eaneos: vale para automotivo, eletroeletr\u00f4nico, farmac\u00eautico, food and beverage e at\u00e9 extens\u00f5es em log\u00edstica e sa\u00fade. A relev\u00e2ncia pr\u00e1tica \u00e9 proporcional: cada hora de parada n\u00e3o planejada custou, em m\u00e9dia, US$ 532 mil \u00e0 ind\u00fastria em 2024, segundo levantamento da OxMaint (2025)<\/a>.<\/p>\n\n

O que significa Overall Equipment Effectiveness?<\/h3>\n

Efic\u00e1cia Global do Equipamento. O termo difere de efici\u00eancia tradicional porque captura simultaneamente tempo perdido, velocidade reduzida e defeitos em um \u00fanico percentual. \u00c9 essa s\u00edntese tridimensional que tornou o OEE a linguagem comum que engenharia, manuten\u00e7\u00e3o e qualidade finalmente compartilham no ch\u00e3o de f\u00e1brica.<\/p>\n\n

Por que o OEE \u00e9 considerado o gold standard da manufatura?<\/h3>\n

Porque consolida em um n\u00famero tr\u00eas dimens\u00f5es independentes de perda que historicamente eram medidas separadamente, permitindo benchmarking entre turnos, plantas e setores. Toyota integrou o OEE ao Toyota Production System ainda nos anos 80 e mant\u00e9m o indicador na faixa de mid-80s consistentemente, conforme registra a an\u00e1lise t\u00e9cnica da Matthews Australia<\/a>. A escolha n\u00e3o foi acidente: sem OEE, programas como TPM (Total Productive Maintenance) viram discurso sem comprova\u00e7\u00e3o num\u00e9rica.<\/p>\n\n

Para aprofundar a filosofia operacional que sustenta o indicador, vale conhecer o guia de TPM (Total Productive Maintenance)<\/a>.<\/p>\n\n

Quem criou o OEE e como ele evoluiu at\u00e9 hoje?<\/h2>\n

O OEE foi criado por Seiichi Nakajima em 1982, no Japan Institute of Plant Maintenance (JIPM), como ferramenta central do TPM (Total Productive Maintenance). Foi publicado em japon\u00eas no livro TPM Tenkai e ganhou o Ocidente em 1988 com Introduction to TPM. Em 2014, a norma ISO 22400-2 padronizou suas defini\u00e7\u00f5es globalmente, dando ao indicador status normativo internacional.<\/p>\n\n

\n\n<\/marker><\/defs>\nEvolu\u00e7\u00e3o do OEE: 1912 a 2020+<\/text>\nDe Emerson \u00e0 Ind\u00fastria 4.0<\/text>\n\n\n\ud83d\udcd6<\/text>\n\nRaiz conceitual<\/text>\n\n1912<\/text>\nEmerson:<\/text>\n12 Principles<\/text>\nof Efficiency<\/text>\n\nCria\u00e7\u00e3o formal<\/text>\n\n1982<\/text>\nNakajima cria<\/text>\nOEE no JIPM<\/text>\n\nDifus\u00e3o TPM<\/text>\n\n1988<\/text>\nIntroduction to TPM:<\/text>\nmeta 85% world-class<\/text>\n\nExpans\u00e3o setorial<\/text>\n\n1990s<\/text>\nAdo\u00e7\u00e3o automotivo,<\/text>\neletr\u00f4nico e farma<\/text>\n\nISO<\/text>\n\nNorma internacional<\/text>\n\n2014<\/text>\nISO 22400-2<\/text>\npadroniza globalmente<\/text>\n\nInd\u00fastria 4.0<\/text>\n\n2020s<\/text>\nIntegra\u00e7\u00e3o IoT e<\/text>\nexpans\u00e3o setorial<\/text>\n\nFonte: JIPM, ISO, Productivity Press<\/text>\n<\/svg>\n

Figura 1: Linha do tempo da evolu\u00e7\u00e3o do OEE, de Emerson a Ind\u00fastria 4.0<\/p>\n<\/div>\n\n

Quem foi Seiichi Nakajima?<\/h3>\n

Engenheiro japon\u00eas considerado pai do TPM e arquiteto do OEE. Sua proposi\u00e7\u00e3o de 85% como benchmark world-class (90% de Disponibilidade x 95% de Performance x 99,9% de Qualidade) permanece como refer\u00eancia mais citada da literatura industrial e foi formalizada em sua obra de 1988 pela Productivity Press<\/a>.<\/p>\n\n

Qual a rela\u00e7\u00e3o entre OEE e TPM?<\/h3>\n

OEE \u00e9 o term\u00f4metro do TPM. O TPM \u00e9 a filosofia operacional que organiza manuten\u00e7\u00e3o aut\u00f4noma, planejada e melhoria focada; o OEE \u00e9 o instrumento de medi\u00e7\u00e3o que comprova ganhos. Sem OEE, TPM vira discurso. Sem TPM, OEE vira diagn\u00f3stico sem tratamento. A norma ISO 22400-2<\/a> consolidou ambos em vocabul\u00e1rio comum, hoje usado em mais de 450 f\u00e1bricas em +30 pa\u00edses, conforme apontamento da TeepTrak<\/a>.<\/p>\n\n

Quais s\u00e3o os tr\u00eas componentes do OEE e como cada um funciona?<\/h2>\n

Os tr\u00eas componentes do OEE s\u00e3o Disponibilidade (tempo que o equipamento esteve apto a produzir), Performance (velocidade real vs. nominal) e Qualidade (propor\u00e7\u00e3o de pe\u00e7as boas no total produzido). Cada um \u00e9 expresso em percentual e o OEE final \u00e9 o produto dos tr\u00eas. Componentes baixos t\u00eam causas distintas e exigem a\u00e7\u00f5es distintas.<\/p>\n\n

\n\n\n<\/linearGradient>\n<\/defs>\nF\u00f3rmula do OEE em a\u00e7\u00e3o<\/text>\n\n\n\n\nDisponibilidade<\/text>\n87,5%<\/text>\nTempo Opera\u00e7\u00e3o \/<\/text>\nTempo Planejado<\/text>\n\n\u00d7<\/text>\n\n\n\n\nPerformance<\/text>\n90,5%<\/text>\nPe\u00e7as x Ciclo Ideal \/<\/text>\nTempo Opera\u00e7\u00e3o<\/text>\n\n\u00d7<\/text>\n\n\n\n\nQualidade<\/text>\n94,7%<\/text>\nPe\u00e7as Boas \/<\/text>\nTotal Produzido<\/text>\n\n=<\/text>\n\n\nOEE<\/text>\n\n75,0%<\/text>\nResultado<\/text>\n\n\nBenchmark world-class: 85%<\/text>\n\nFonte: Nakajima (1988) e ISO 22400-2<\/text>\n<\/svg>\n

Figura 2: Os tr\u00eas componentes do OEE em a\u00e7\u00e3o com exemplo num\u00e9rico<\/p>\n<\/div>\n\n

Como calcular a Disponibilidade?<\/h3>\n

Disponibilidade = (Tempo de Opera\u00e7\u00e3o \u00f7 Tempo Planejado de Produ\u00e7\u00e3o) x 100. Captura paradas n\u00e3o planejadas, setups e quebras. \u00c9 o componente mais sens\u00edvel \u00e0 maturidade da manuten\u00e7\u00e3o e o primeiro a melhorar quando a planta adota programas de inspe\u00e7\u00e3o padronizada via checklist de manuten\u00e7\u00e3o.<\/p>\n\n

Para um aprofundamento pr\u00e1tico em modelos de inspe\u00e7\u00e3o, vale consultar o guia de checklist de manuten\u00e7\u00e3o<\/a>.<\/p>\n\n

Como calcular a Performance?<\/h3>\n

Performance = (Total de Pe\u00e7as x Tempo de Ciclo Ideal) \u00f7 Tempo de Opera\u00e7\u00e3o x 100. Captura micro-paradas e redu\u00e7\u00f5es de velocidade quase invis\u00edveis no ch\u00e3o. Em linhas de envase de bebidas, esse \u00e9 tipicamente o componente mais subestimado: 200 micro-paradas de 15 segundos por turno equivalem a 50 minutos perdidos que nunca aparecem na planilha do operador.<\/p>\n\n

Como calcular a Qualidade?<\/h3>\n

Qualidade = Pe\u00e7as Boas \u00f7 Total de Pe\u00e7as Produzidas x 100. Detalhe cr\u00edtico: pe\u00e7as retrabalhadas n\u00e3o contam como boas no OEE; entram como refugo na conta. \u00c9 a regra do First Pass Yield, padronizada na revis\u00e3o sistem\u00e1tica da MDPI Applied Sciences (2020)<\/a>.<\/p>\n\n

Como calcular o OEE passo a passo com um exemplo real?<\/h2>\n

Para calcular OEE, multiplique Disponibilidade por Performance por Qualidade, conforme o exemplo passo a passo da tabela abaixo. Turno de 480 minutos com 60 minutos de paradas planejadas (refei\u00e7\u00e3o e reuni\u00e3o) resulta em Tempo Planejado de 420 minutos. Uma quebra de 60 minutos reduz Disponibilidade para 85,7%. Com 380 pe\u00e7as produzidas em 360 minutos operados no ciclo ideal de 1 min\/pe\u00e7a, Performance \u00e9 truncada em 100%. Com 360 pe\u00e7as boas em 380 produzidas, Qualidade \u00e9 94,7%. OEE final: 81,1%, acima da m\u00e9dia industrial mas abaixo do world-class.<\/p>\n\n

\n\n\n\n
Etapa<\/th>Dado coletado<\/th>C\u00e1lculo<\/th>Resultado<\/th><\/tr>\n<\/thead>\n
1. Tempo Planejado<\/td>Turno de 8h menos refei\u00e7\u00e3o de 30 min e reuni\u00e3o de 30 min<\/td>480 – 60<\/td>420 min planejados<\/td><\/tr>\n
2. Disponibilidade<\/td>60 min de quebra registrada<\/td>(420 – 60) \/ 420<\/td>85,7%<\/td><\/tr>\n
3. Performance<\/td>380 pe\u00e7as em 360 min de opera\u00e7\u00e3o, ciclo ideal 1 min\/pe\u00e7a<\/td>(380 x 1) \/ 360<\/td>105,6% (cap em 100%)<\/td><\/tr>\n
4. Qualidade<\/td>360 pe\u00e7as boas, 20 com defeito<\/td>360 \/ 380<\/td>94,7%<\/td><\/tr>\n
5. OEE Final<\/td>Multiplica\u00e7\u00e3o dos tr\u00eas componentes<\/td>0,857 x 1,0 x 0,947<\/td>81,1%<\/strong><\/td><\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n\n

Com que frequ\u00eancia o OEE deve ser calculado?<\/h3>\n

Em ch\u00e3o de f\u00e1brica maduro, OEE \u00e9 calculado por turno ou em tempo real via IoT. Plantas iniciantes come\u00e7am por turno; ap\u00f3s +6 meses migram para por hora; em ambiente Ind\u00fastria 4.0, a leitura \u00e9 por minuto. A frequ\u00eancia segue a maturidade da coleta, n\u00e3o a vontade do gestor.<\/p>\n\n

O tempo de refei\u00e7\u00e3o entra no c\u00e1lculo do OEE?<\/h3>\n

N\u00e3o. Refei\u00e7\u00f5es, reuni\u00f5es de turno e paradas planejadas s\u00e3o exclu\u00eddas do Tempo Planejado de Produ\u00e7\u00e3o. Quem mede tempo calend\u00e1rio total usa TEEP, n\u00e3o OEE. Misturar os dois \u00e9 uma das principais fontes de diverg\u00eancia de n\u00fameros entre engenharia e financeiro.<\/p>\n\n

Em qual equipamento medir OEE numa linha?<\/h3>\n

No equipamento gargalo. Medir OEE em equipamentos n\u00e3o-gargalo distorce a an\u00e1lise de fluxo total e pode levar a investimentos no lugar errado. Em fabricante de pe\u00e7as automotivas analisado pela SixSigma.us (2024)<\/a>, focar o programa SMED no gargalo levou o OEE de 65% para 82% em 6 meses, com receita adicional de US$ 2 milh\u00f5es por ano sem capex.<\/p>\n\n

Quais s\u00e3o as Seis Grandes Perdas que destroem o OEE?<\/h2>\n

As Seis Grandes Perdas mapeadas por Nakajima s\u00e3o: Quebras de equipamento e Setups, que atacam Disponibilidade; Pequenas paradas e Velocidade reduzida, que atacam Performance; Refugo e Retrabalho, que atacam Qualidade. Identificar qual perda domina \u00e9 mais importante que o OEE final, porque define a a\u00e7\u00e3o corretiva. OEE igual em duas plantas pode esconder origens completamente distintas.<\/p>\n\n

\n\n
\n
\n
1<\/div>\n
\n
Quebras e Falhas de Equipamento<\/div>\n
A perda que mata a Disponibilidade<\/div>\n <\/div>\n <\/div>\n
\n \n\n<\/marker>\n<\/defs>\n\n\nPerda 1: Quebras e Falhas<\/text>\n\nComponente atacado: Disponibilidade<\/text>\n\n\n\n\n\n\n!<\/text>\n\n\n\n\nFalha mec\u00e2nica<\/text>\ndesgaste, fraturas<\/text>\n\nFalha el\u00e9trica<\/text>\ncurto, sobrecarga<\/text>\n\nFalha de software<\/text>\ntravamentos, erros CLP<\/text>\n\nExemplo: prensa parada 4h = -8pp OEE<\/text>\nVisibilidade: alta<\/text>\nFrequ\u00eancia: baixa, impacto severo<\/text>\nA\u00e7\u00e3o corretiva: manuten\u00e7\u00e3o preventiva<\/text>\n<\/svg>\n

Equipamento para inesperadamente por falha mec\u00e2nica, el\u00e9trica ou de software. \u00c9 a perda mais vis\u00edvel e a primeira a ser combatida em programas de melhoria.<\/p>\n

Quando ocorre:<\/strong> falhas inesperadas que exigem interven\u00e7\u00e3o corretiva.<\/p>\n

Exemplo real:<\/strong> linha automotiva com prensa hidr\u00e1ulica parada por 4 horas aguardando pe\u00e7a de reposi\u00e7\u00e3o perde 8 pontos de OEE no turno.<\/p>\n <\/div>\n

disponibilidade<\/span>manuten\u00e7\u00e3o<\/span>downtime<\/span><\/div>\n <\/div>\n\n
\n
\n
2<\/div>\n
\n
Setup e Ajustes<\/div>\n
O ladr\u00e3o silencioso da Disponibilidade<\/div>\n <\/div>\n <\/div>\n
\n \n\n<\/marker>\n<\/defs>\n\n\n\n\nPerda 2: Setup e Ajustes<\/text>\n\n\nComponente atacado: Disponibilidade<\/text>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nTroca de produto<\/text>\nsetup externo vs interno<\/text>\n\n\n\nMudan\u00e7a de molde<\/text>\nmaior tempo de parada<\/text>\n\n\n\nCalibra\u00e7\u00e3o entre lotes<\/text>\najustes finos recorrentes<\/text>\n\n\nExemplo: SMED 45 para 15 min, +10pp<\/text>\nRedu\u00e7\u00e3o de 67% no tempo de setup \u2192 ganho direto em Disponibilidade<\/text>\n\n\nFerramenta: SMED<\/text>\n\n\n\n\nVisibilidade: m\u00e9dia<\/text>\n\nLadr\u00e3o silencioso<\/text>\nA\u00e7\u00e3o: SMED + standard work<\/text>\n<\/svg>\n

Tempo gasto em troca de produto, ajuste de m\u00e1quina, calibra\u00e7\u00e3o entre lotes ou setups longos n\u00e3o otimizados. SMED (Single Minute Exchange of Die) \u00e9 a ferramenta cl\u00e1ssica para atacar essa perda.<\/p>\n

Quando ocorre:<\/strong> trocas de produto, mudan\u00e7as de molde, calibra\u00e7\u00e3o entre lotes.<\/p>\n

Exemplo real:<\/strong> fabricante de pe\u00e7as automotivas reduziu setup de 45 para 15 minutos via SMED; Disponibilidade subiu de 75% para 85% em 6 meses.<\/p>\n <\/div>\n

setup<\/span>SMED<\/span>trocas<\/span><\/div>\n <\/div>\n\n
\n
\n
3<\/div>\n
\n
Pequenas Paradas e Ociosidade<\/div>\n
As micro-perdas que destroem Performance<\/div>\n <\/div>\n <\/div>\n
\n \n\n<\/marker>\n<\/defs>\n\n\nPerda 3: Pequenas Paradas<\/text>\n\nComponente atacado: Performance<\/text>\n\n\n\n\n\n\n\n\n\n\n\n\nJam de material<\/text>\nbloqueio f\u00edsico na linha<\/text>\n\nSensor disparado<\/text>\nfalso positivo ou leitura<\/text>\n\nFalta moment\u00e2nea de insumo<\/text>\nalimenta\u00e7\u00e3o irregular<\/text>\n\n\n\n\nExemplo: 200 paradas de 15s = 50min\/turno<\/text>\n\nVisibilidade: muito baixa<\/text>\n\nDetec\u00e7\u00e3o exige automa\u00e7\u00e3o<\/text>\n\nMicro-perdas devastadoras<\/text>\n<\/svg>\n

Micro-paradas de poucos segundos por jam, sensor disparado, falta de material moment\u00e2nea ou ajuste fino. Quase invis\u00edveis em planilha manual e devastadoras em volume.<\/p>\n

Quando ocorre:<\/strong> jams, sensores falsos, falta moment\u00e2nea de material, ajustes finos.<\/p>\n

Exemplo real:<\/strong> linha de envase de bebidas com +200 micro-paradas de 15 segundos por turno equivale a 50 minutos perdidos invis\u00edveis em planilha.<\/p>\n <\/div>\n

microparadas<\/span>performance<\/span>automa\u00e7\u00e3o<\/span><\/div>\n <\/div>\n\n
\n
\n
4<\/div>\n
\n
Velocidade Reduzida<\/div>\n
Operar abaixo da nominal sem perceber<\/div>\n <\/div>\n <\/div>\n
\n \n\n<\/marker>\n<\/marker>\n<\/defs>\n\n\n\n\nPerda 4: Velocidade Reduzida<\/text>\n\n\nComponente atacado: Performance<\/text>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n0<\/text>\n50<\/text>\n100<\/text>\n\n\n\n60% atual \u2192 100% potencial<\/text>\n\n\n\nDesgaste de componentes<\/text>\nreduz velocidade m\u00e1xima<\/text>\n\n\nRitmo conservador<\/text>\noperador por cautela<\/text>\n\n\nFalta de padr\u00e3o<\/text>\ndocumentado<\/text>\nsem refer\u00eancia t\u00e9cnica<\/text>\n\n\n\n\n\n\nExemplo: linha farma a 80% da nominal<\/text>\n\n\nVisibilidade: baixa<\/text>\n\nPerda culturalmente arraigada<\/text>\n\nPotencial: at\u00e9 20pp<\/text>\n\nA perda mais dif\u00edcil de diagnosticar \u2014 exige padr\u00e3o t\u00e9cnico documentado<\/text>\n<\/svg>\n

Equipamento opera em velocidade abaixo da nominal por desgaste, regulagem conservadora ou medo de quebra. A perda mais culturalmente arraigada e a mais dif\u00edcil de detectar sem padr\u00e3o t\u00e9cnico.<\/p>\n

Quando ocorre:<\/strong> desgaste de componentes, ritmo conservador, falta de padr\u00e3o de velocidade ideal documentado.<\/p>\n

Exemplo real:<\/strong> linha de embalagem farmac\u00eautica operando a 80% da velocidade projetada por d\u00e9cadas; investiga\u00e7\u00e3o revelou que ningu\u00e9m sabia a velocidade nominal original.<\/p>\n <\/div>\n

velocidade<\/span>performance<\/span>ritmo<\/span><\/div>\n <\/div>\n\n
\n
\n
5<\/div>\n
\n
Refugo (Scrap)<\/div>\n
A perda vis\u00edvel de Qualidade<\/div>\n <\/div>\n <\/div>\n
\n \n\n<\/marker>\n<\/defs>\n\n\nPerda 5: Refugo (Scrap)<\/text>\n\nComponente atacado: Qualidade<\/text>\n\n\n\n\n\n\ud83d\uddd1<\/text>\nSCRAP<\/text>\n\nFalha irrevers\u00edvel<\/text>\ndano f\u00edsico permanente<\/text>\n\nContamina\u00e7\u00e3o<\/text>\nmaterial comprometido<\/text>\n\nFora de especifica\u00e7\u00e3o<\/text>\ndimensional ou funcional<\/text>\n\n\n\n\nCaso: semicondutores +6,66% Qualidade (IEEE 2015)<\/text>\n\nM\u00e9trica relacionada: FPY<\/text>\n\nCusto: mat\u00e9ria-prima embutida<\/text>\n\nDescarte definitivo<\/text>\nRefugo elimina FPY e incorpora custo irrecuper\u00e1vel de mat\u00e9ria-prima ao produto descartado<\/text>\n<\/svg>\n

Pe\u00e7as produzidas fora de especifica\u00e7\u00e3o que s\u00e3o descartadas e n\u00e3o podem ser recuperadas. Atinge diretamente o First Pass Yield e tem custo de mat\u00e9ria-prima embutido.<\/p>\n

Quando ocorre:<\/strong> falhas de qualidade irrevers\u00edveis, contamina\u00e7\u00e3o, especifica\u00e7\u00e3o fora do limite toler\u00e1vel.<\/p>\n

Exemplo real:<\/strong> fabricante de semicondutores integrou Maintenance-FMEA e reduziu refugo, elevando Qualidade em 6,66% segundo estudo IEEE (2015).<\/p>\n <\/div>\n

refugo<\/span>qualidade<\/span>FPY<\/span><\/div>\n <\/div>\n\n
\n
\n
6<\/div>\n
\n
Retrabalho e Perdas de Startup<\/div>\n
A Qualidade que se finge de Performance<\/div>\n <\/div>\n <\/div>\n
\n \n\n<\/marker>\n<\/defs>\n\n\n\n\nPerda 6: Retrabalho e Startup<\/text>\n\n\nComponente atacado: Qualidade<\/text>\n\n\n\u2699<\/text>\n\n\n\n\n\n\n\n\n\n\n\n\nDefeito corrig\u00edvel<\/text>\npe\u00e7a retorna ao fluxo<\/text>\n\n\nPrimeiras pe\u00e7as ap\u00f3s setup<\/text>\nscrap de aquecimento<\/text>\n\n\nRetomada p\u00f3s-parada longa<\/text>\nstartup loss no OEE<\/text>\n\n\nCaso: farma OCR\/OCV, OEE +200%<\/text>\n\n\n\u26a0 Erro comum: contabilizar como Performance<\/text>\n\n\ud83c\udff7 Sistemas de vis\u00e3o computacional<\/text>\n\u2713 Recuper\u00e1vel com custo<\/text>\n<\/svg>\n

Produtos que voltam para corre\u00e7\u00e3o e perdas das primeiras pe\u00e7as ap\u00f3s setup ou parada longa. Frequentemente contabilizadas erroneamente como Performance.<\/p>\n

Quando ocorre:<\/strong> defeitos corrig\u00edveis, primeiras pe\u00e7as ap\u00f3s setup, retomada ap\u00f3s parada longa.<\/p>\n

Exemplo real:<\/strong> farmac\u00eautica norte-americana implementou sistemas OCR\/OCV e reduziu rejeito falso, elevando OEE da linha de embalagem em 200%.<\/p>\n <\/div>\n

retrabalho<\/span>qualidade<\/span>startup<\/span><\/div>\n <\/div>\n\n<\/div>\n\n

Por que micro-paradas s\u00e3o t\u00e3o dif\u00edceis de detectar?<\/h3>\n

Porque duram segundos e raramente s\u00e3o registradas manualmente. S\u00e3o a principal causa de superestima\u00e7\u00e3o do OEE em medi\u00e7\u00f5es n\u00e3o automatizadas. O estudo IEEE de 2015<\/a> sobre fabricante de semicondutores demonstrou que integra\u00e7\u00e3o de Maintenance-FMEA com captura autom\u00e1tica elevou Performance em 8,06%, Disponibilidade em 4,6% e Qualidade em 6,66% \u2014 ganhos que medi\u00e7\u00e3o manual nunca enxergaria.<\/p>\n\n

O que \u00e9 um bom OEE e qual o benchmark do seu setor?<\/h2>\n

N\u00e3o existe um \u00fanico benchmark de OEE. Para manufatura discreta, 85% \u00e9 world-class e 60% a 75% \u00e9 t\u00edpico. Para fluxo cont\u00ednuo (petroqu\u00edmica, papel), o m\u00ednimo aceit\u00e1vel \u00e9 95%. Para food and beverage industrializado, 65% a 75% costuma ser realista. Comparar OEE entre setores sem ajuste \u00e9 a maior fonte de decis\u00f5es erradas de meta industrial.<\/p>\n\n

\n\n\n\n
Classifica\u00e7\u00e3o<\/th>Faixa de OEE<\/th>Setor de refer\u00eancia<\/th>Interpreta\u00e7\u00e3o<\/th><\/tr>\n<\/thead>\n
Produ\u00e7\u00e3o perfeita<\/td>100%<\/td>Te\u00f3rico<\/td>Apenas pe\u00e7as boas, velocidade m\u00e1xima, sem paradas<\/td><\/tr>\n
World-class fluxo cont\u00ednuo<\/td>\u2265 95%<\/td>Petroqu\u00edmica, siderurgia, papel<\/td>Custo de oportunidade de parada \u00e9 alto demais para tolerar menos<\/td><\/tr>\n
World-class discreta<\/td>\u2265 85%<\/td>Automotivo (Toyota), eletroeletr\u00f4nico de ponta<\/td>Apenas +20% das empresas atingem essa faixa<\/td><\/tr>\n
T\u00edpico da ind\u00fastria<\/td>60% a 75%<\/td>Manufatura discreta m\u00e9dia, food and beverage<\/td>Faixa mais frequente em manufatura discreta global; m\u00e9dia reportada no OEE Benchmark Report 2024<\/td><\/tr>\n
Em matura\u00e7\u00e3o<\/td>40% a 60%<\/td>Plantas iniciando medi\u00e7\u00e3o formal<\/td>Ponto de partida natural; oportunidade ampla de ganho r\u00e1pido<\/td><\/tr>\n
Cr\u00edtico<\/td>< 40%<\/td>Opera\u00e7\u00f5es sem disciplina de medi\u00e7\u00e3o<\/td>Indica falha de gest\u00e3o antes de falha de equipamento<\/td><\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n\n

O que \u00e9 OEE world-class?<\/h3>\n

Termo cunhado por Nakajima em 1988 para 85% em manufatura discreta (90% x 95% x 99,9%). Apenas os +20% melhores da ind\u00fastria atingem esse patamar, segundo o OEE Benchmark Report 2024 (MDCplus)<\/a>. Plantas Toyota e similares com lean avan\u00e7ado sustentam mid-80s consistentemente.<\/p>\n\n

Por que 95% \u00e9 m\u00ednimo em processos cont\u00ednuos?<\/h3>\n

Porque em fluxo cont\u00ednuo (siderurgia, petroqu\u00edmica) qualquer parada custa milh\u00f5es; o benchmark se desloca para cima porque o custo de oportunidade \u00e9 maior. Os Anais do XXII Congresso Brasileiro de Custos<\/a> registram que ind\u00fastrias de fluxo cont\u00ednuo devem operar com OEE igual ou superior a 95%, enquanto a m\u00e9dia geral fica entre 40% e 60%. No Brasil, dados da Sondagem Industrial da CNI mostram que a utiliza\u00e7\u00e3o m\u00e9dia da capacidade instalada da ind\u00fastria de transforma\u00e7\u00e3o opera consistentemente abaixo de 75%, refor\u00e7ando a magnitude da capacidade ociosa que o OEE exp\u00f5e.<\/p>\n\n

Qual a diferen\u00e7a entre OEE, TEEP, MTBF e MTTR?<\/h2>\n

OEE mede efici\u00eancia sobre o tempo planejado de produ\u00e7\u00e3o. TEEP (Total Effective Equipment Performance) estende para tempo calend\u00e1rio total (24h\/7d) e revela capacidade oculta. MTBF (Mean Time Between Failures) mede tempo m\u00e9dio entre falhas. MTTR (Mean Time To Repair) mede tempo m\u00e9dio para reparar. MTBF e MTTR alimentam o componente Disponibilidade do OEE; TEEP \u00e9 OEE multiplicado por Utiliza\u00e7\u00e3o.<\/p>\n\n

\n\n\n\n
KPI<\/th>F\u00f3rmula<\/th>O que mede<\/th>Quando usar<\/th><\/tr>\n<\/thead>\n
OEE<\/strong><\/td>Disponibilidade x Performance x Qualidade<\/td>Efici\u00eancia sobre tempo planejado<\/td>Gerir efici\u00eancia di\u00e1ria do turno<\/td><\/tr>\n
TEEP<\/strong><\/td>OEE x Utiliza\u00e7\u00e3o<\/td>Efici\u00eancia sobre tempo calend\u00e1rio total<\/td>Justificar novo turno ou expans\u00e3o sem capex<\/td><\/tr>\n
MTBF<\/strong><\/td>Tempo Opera\u00e7\u00e3o \/ N\u00ba Falhas<\/td>Confiabilidade do ativo<\/td>Avaliar maturidade da manuten\u00e7\u00e3o preventiva<\/td><\/tr>\n
MTTR<\/strong><\/td>Tempo Total Reparo \/ N\u00ba Reparos<\/td>Efici\u00eancia da resposta de manuten\u00e7\u00e3o<\/td>Diagnosticar agilidade da equipe t\u00e9cnica<\/td><\/tr>\n
PM%<\/strong><\/td>Hora Planejada \/ (Planejada + Corretiva)<\/td>Maturidade da cultura de manuten\u00e7\u00e3o<\/td>Acima de 75% indica postura proativa<\/td><\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n\n

OEE ou TEEP: qual usar?<\/h3>\n

Use OEE para gerenciar efici\u00eancia operacional do turno. Use TEEP quando precisar justificar investimento em novo turno ou expans\u00e3o de capacidade sem capex. Conforme aponta a TeepTrak (2024)<\/a>, o TEEP \u00e9 o argumento t\u00e9cnico mais subaproveitado para defender expans\u00e3o de capacidade frente ao financeiro.<\/p>\n\n

Como MTBF e MTTR alimentam o OEE?<\/h3>\n

MTBF alto e MTTR baixo elevam a Disponibilidade. Cultura proativa de manuten\u00e7\u00e3o (PM% acima de 75%) \u00e9 pr\u00e9-condi\u00e7\u00e3o para OEE alto sustent\u00e1vel. Em farmac\u00eautica norte-americana documentada pela Matthews Australia<\/a>, sistemas de vis\u00e3o OCR\/OCV reduziram rejeito falso e elevaram OEE da linha de embalagem em 200%.<\/p>\n\n

Rastreabilidade de chamados de manuten\u00e7\u00e3o \u00e9 o que torna essa contabilidade vi\u00e1vel no dia a dia, sustentada por plataformas integradas como o m\u00f3dulo de gest\u00e3o de chamados da SULTS<\/a>.<\/p>\n\n

Quanto vale cada ponto de OEE em dinheiro?<\/h2>\n

Cada ponto percentual de OEE pode valer milh\u00f5es em output sem capex adicional. Em uma linha com receita de US$ 20 milh\u00f5es, aumentar OEE de 65% para 75% adiciona aproximadamente US$ 2 milh\u00f5es em capacidade aproveitada. Em fluxo cont\u00ednuo, uma hora de parada n\u00e3o planejada custou em m\u00e9dia US$ 532 mil em 2024. O c\u00e1lculo \u00e9 direto, e raramente aparece na linguagem do board de gest\u00e3o.<\/p>\n\n

\nOEE n\u00e3o \u00e9 um n\u00famero t\u00e9cnico, \u00e9 uma alavanca financeira.<\/strong> Em linha de R$ 40 milh\u00f5es de receita, +5 pontos percentuais de OEE equivalem a R$ 2 milh\u00f5es em capacidade aproveitada sem investir um real em capex.\n<\/blockquote>\n\n

Como traduzir 1 ponto de OEE em reais?<\/h3>\n

Multiplique a receita anual da linha pelo ponto percentual ganho. Linha de R$ 40 milh\u00f5es, +5 pontos percentuais de OEE equivale a R$ 2 milh\u00f5es adicionais em capacidade aproveitada. O c\u00e1lculo \u00e9 simplificado mas d\u00e1 ordem de grandeza suficiente para justificar programa de melhoria perante a diretoria, conforme metodologia da OxMaint (2025)<\/a>.<\/p>\n\n

Por que CFOs ignoram OEE?<\/h3>\n

Porque relat\u00f3rios de OEE raramente traduzem o indicador em receita perdida por hora. O CFO n\u00e3o pensa em ciclo de m\u00e1quina; pensa em custo de parada e capacidade ociosa. Formular OEE como percentual de receita n\u00e3o realizada \u00e9 o que move or\u00e7amentos de melhoria. Em fabricante de pe\u00e7as automotivas documentado pela SixSigma.us<\/a>, elevar OEE de 65% para 82% em 6 meses gerou receita adicional de US$ 2 milh\u00f5es anuais sem investimento em novos equipamentos.<\/p>\n\n

\n\"SULTS\"\n

Pare de perder pontos de OEE por subnotifica\u00e7\u00e3o de paradas<\/h3>\n

O m\u00f3dulo Checklist da SULTS padroniza inspe\u00e7\u00f5es pr\u00e9-turno, registros de setup e verifica\u00e7\u00f5es de qualidade que alimentam diretamente Disponibilidade, Performance e Qualidade. Quando o operador registra com facilidade, o indicador para de mentir. E cada ponto recuperado vira receita.<\/p>\nQuero conhecer a plataforma SULTS<\/a>\n<\/div>\n\n

Quais erros mais destroem a confiabilidade do OEE?<\/h2>\n

Os seis erros mais comuns s\u00e3o: usar OEE em batch sem adapta\u00e7\u00e3o, analisar OEE isolado sem benchmark setorial, coletar dados manualmente por planilha, olhar s\u00f3 o n\u00famero final sem desagregar, ignorar TEEP e capacidade oculta, e implantar OEE sem engajar operadores. O maior inimigo n\u00e3o \u00e9 a m\u00e1quina; \u00e9 a subnotifica\u00e7\u00e3o intencional registrada por operadores sem confian\u00e7a no programa.<\/p>\n\n

\n\n
\n
<\/svg><\/div>\n
\n

Por que aplicar OEE em batch sem adapta\u00e7\u00e3o gera \u00edndices irreais?<\/h3>\n

Em farmac\u00eautico e aliment\u00edcio batelada, o tempo de ciclo ideal n\u00e3o \u00e9 fixo. Aplicar a f\u00f3rmula tradicional gera \u00edndices irreais e decis\u00f5es equivocadas, segundo a Factbird<\/a>.<\/p>\n<\/div>\n<\/div>\n\n

\n
<\/svg><\/div>\n
\n

Por que comparar OEE entre setores leva a metas equivocadas?<\/h3>\n

OEE de 70% pode ser excelente em montagem complexa e p\u00e9ssimo em produ\u00e7\u00e3o cont\u00ednua. Sem benchmark setorial, metas viram chute e investimentos v\u00e3o para o lugar errado.<\/p>\n<\/div>\n<\/div>\n\n

\n
<\/svg><\/div>\n
\n

Por que a coleta manual em planilha infla artificialmente o OEE?<\/h3>\n

Dados imprecisos e subnotifica\u00e7\u00e3o de micro-paradas inflam o indicador. A revis\u00e3o sistem\u00e1tica MDPI Applied Sciences (2020)<\/a> destaca essa limita\u00e7\u00e3o como uma das principais fontes de OEE fict\u00edcio em medi\u00e7\u00f5es n\u00e3o automatizadas.<\/p>\n<\/div>\n<\/div>\n\n

\n
<\/svg><\/div>\n
\n

Por que analisar s\u00f3 o n\u00famero final do OEE impede o diagn\u00f3stico correto?<\/h3>\n

Um OEE de 60% por falha de Qualidade exige a\u00e7\u00e3o totalmente diferente de um OEE de 60% por falha de Disponibilidade. Sem desagregar, a planta diagnostica errado e trata o paciente errado.<\/p>\n<\/div>\n<\/div>\n\n

\n
<\/svg><\/div>\n
\n

Por que ignorar o TEEP esconde capacidade oculta sem capex?<\/h3>\n

A empresa deixa de enxergar oportunidades reais de expans\u00e3o de capacidade sem capex. TEEP revela o turno escondido que nunca aparece no OEE convencional.<\/p>\n<\/div>\n<\/div>\n\n

\n
<\/svg><\/div>\n
\n

Por que implantar OEE sem engajar operadores provoca subnotifica\u00e7\u00e3o sistem\u00e1tica?<\/h3>\n

Quando OEE vira ferramenta de cobran\u00e7a e n\u00e3o de melhoria, o registro de paradas vira ato pol\u00edtico. Estudo na ind\u00fastria automotiva (Emerald, 2022)<\/a> documenta como cren\u00e7as preconcebidas distorcem resultados de OEE de forma sistem\u00e1tica.<\/p>\n<\/div>\n<\/div>\n\n<\/div>\n\n

Por que operadores subnotificam paradas?<\/h3>\n

Porque temem ser responsabilizados. Quando o OEE vira ferramenta de cobran\u00e7a e n\u00e3o de melhoria, o registro de paradas vira ato pol\u00edtico e o indicador deixa de refletir realidade.<\/p>\n\n

Plataformas que medem o esfor\u00e7o percebido pela equipe operacional, como o m\u00f3dulo de Net Effort Score da SULTS<\/a>, identificam exatamente o atrito que alimenta esse comportamento.<\/p>\n\n

Como melhorar o OEE da sua planta: roadmap pr\u00e1tico?<\/h2>\n

O caminho de melhoria de OEE segue quatro fases: diagn\u00f3stico das Seis Grandes Perdas para identificar componente dominante; ataque aos quick wins via SMED e quick response team para micro-paradas; implanta\u00e7\u00e3o de TPM com manuten\u00e7\u00e3o aut\u00f4noma e preventiva; e digitaliza\u00e7\u00e3o via IoT para coleta autom\u00e1tica. Empresas que percorrem o ciclo completo elevam OEE de 60% para 85% em horizonte t\u00edpico de 24 a 36 meses.<\/p>\n\n

\n\n\n<\/marker>\n<\/linearGradient>\n<\/linearGradient>\n<\/defs>\nRoadmap OEE: de 60% a world-class<\/text>\n\n\n\n\n\n\n1<\/text>\n\n\nFase 1: Diagn\u00f3stico<\/text>\nIdentificar perda<\/text>\ndominante<\/text>\n\n+3 a 5pp<\/text>\n\n\n2<\/text>\n\n\nFase 2: Quick Wins<\/text>\nSMED e Quick<\/text>\nResponse Team<\/text>\n\n+5 a 8pp<\/text>\n\n\n3<\/text>\n\n\nFase 3: TPM<\/text>\nManuten\u00e7\u00e3o aut\u00f4noma<\/text>\ne preventiva<\/text>\n\n+8 a 12pp<\/text>\n\n\n4<\/text>\n\n\n\nFase 4: IoT e MES<\/text>\nColeta autom\u00e1tica<\/text>\nem tempo real<\/text>\n\n+10pp<\/text>\n\nMeta: 85% world-class<\/text>\n\nHorizonte t\u00edpico: 36 meses<\/text>\nFonte: Deloitte Smart Manufacturing 2025; McKinsey<\/text>\n<\/svg>\n

Figura 3: Roadmap de quatro fases para elevar OEE de 60% para world-class<\/p>\n<\/div>\n\n

Por onde come\u00e7ar?<\/h3>\n

Pelo componente mais fraco. OEE de 60% por Disponibilidade exige programa de manuten\u00e7\u00e3o; OEE de 60% por Qualidade exige programa de controle estat\u00edstico de processo; OEE de 60% por Performance exige ca\u00e7a \u00e0s micro-paradas. Sem desagregar, o gestor gasta or\u00e7amento no lugar errado.<\/p>\n\n

Para manter o roadmap em execu\u00e7\u00e3o real, programas estruturados via gest\u00e3o de projetos com respons\u00e1veis e prazos<\/a> s\u00e3o determinantes.<\/p>\n\n

IoT \u00e9 obrigat\u00f3rio?<\/h3>\n

N\u00e3o no in\u00edcio, mas \u00e9 praticamente inevit\u00e1vel para sustentabilidade. A Deloitte 2025 Smart Manufacturing Survey<\/a>, com 600 executivos, mostra 10% a 20% de melhoria em output, 7% a 20% em produtividade e 10% a 15% em capacidade desbloqueada via smart manufacturing integrado ao OEE. A McKinsey & Company (2020)<\/a> tamb\u00e9m documenta que plantas que escalaram pilotos de Ind\u00fastria 4.0 atingem ganhos de produtividade de 30% a 50%, com OEE entre os indicadores mais sens\u00edveis \u00e0 integra\u00e7\u00e3o IIoT.<\/p>\n\n

Como o OEE muda em cada setor industrial?<\/h2>\n

OEE tem relev\u00e2ncia m\u00e1xima em manufatura discreta e fluxo cont\u00ednuo (automotivo, metalmec\u00e2nico, petroqu\u00edmica, food and beverage industrializado). Tem aplicabilidade m\u00e9dia em agroind\u00fastria, sa\u00fade e constru\u00e7\u00e3o, exigindo adapta\u00e7\u00e3o. \u00c9 pouco aplic\u00e1vel em servi\u00e7os e educa\u00e7\u00e3o. Cada setor precisa do seu pr\u00f3prio benchmark, n\u00e3o do n\u00famero gen\u00e9rico de 85% world-class.<\/p>\n\n

\n\n\n<\/marker>\n<\/defs>\nMatriz de Aplicabilidade do OEE por Setor<\/text>\n\n\n\n\n\n\nRequer adapta\u00e7\u00e3o<\/text>\nAplica\u00e7\u00e3o direta<\/text>\nPouco aplic\u00e1vel<\/text>\nAplica\u00e7\u00e3o parcial<\/text>\n\nFood &<\/text>\nBeverage<\/text>\n\nFarmac\u00eautico<\/text>\nbatch<\/text>\n\nAutomotivo<\/text>\n\nMetalmec.<\/text>\n\nEletro-<\/text>\neletr\u00f4nico<\/text>\n\nPetroqu\u00edmica<\/text>\n\nServi\u00e7os<\/text>\n\nEduca\u00e7\u00e3o<\/text>\n\nVarejo<\/text>\n\nAgroind\u00fastria<\/text>\n\nConstru\u00e7\u00e3o<\/text>\npesada<\/text>\n\nSa\u00fade<\/text>\n(tom\u00f3grafos)<\/text>\n\n\nBaixa<\/text>\nAlta<\/text>\nAdapta\u00e7\u00e3o necess\u00e1ria<\/text>\nAlta<\/text>\nBaixa<\/text>\nRelev\u00e2ncia do OEE<\/text>\n\nBenchmark setorial > 85% gen\u00e9rico<\/text>\n<\/svg>\n

Figura 4: Matriz de aplicabilidade do OEE por setor industrial<\/p>\n<\/div>\n\n

OEE faz sentido em agroind\u00fastria?<\/h3>\n

Sim, especialmente em frigor\u00edficos, latic\u00ednios e usinas de a\u00e7\u00facar e etanol. Em opera\u00e7\u00f5es de cereais e prote\u00edna animal como as conduzidas por organiza\u00e7\u00f5es globais do porte da Cargill, OEE adaptado mede efici\u00eancia de linhas de processamento e envase. Mas a sazonalidade reduz o tempo planejado e exige benchmarking setorial pr\u00f3prio para evitar distor\u00e7\u00f5es.<\/p>\n\n

Por que adaptar OEE para batch \u00e9 arriscado?<\/h3>\n

Porque em batelada (farmac\u00eautico, aliment\u00edcio) o tempo de ciclo ideal n\u00e3o \u00e9 fixo. Aplicar a f\u00f3rmula tradicional gera \u00edndices irreais. A revis\u00e3o sistem\u00e1tica Wiley Engineering Reports<\/a> registra extens\u00e3o de OEE para vestu\u00e1rio, minera\u00e7\u00e3o e sa\u00fade, sempre com necessidade de ajuste metodol\u00f3gico expl\u00edcito.<\/p>\n\n

Auditorias regulares via m\u00f3dulo de auditoria padronizado<\/a> validam a consist\u00eancia desses ajustes entre plantas.<\/p>\n\n

Como o OEE se conecta com Ind\u00fastria 4.0 e IoT?<\/h2>\n

Ind\u00fastria 4.0 transforma o OEE de indicador retrospectivo em sinal em tempo real. Sensores capturam micro-paradas e varia\u00e7\u00f5es de velocidade que operadores n\u00e3o registram; dashboards mostram OEE por minuto. A Deloitte 2025 Smart Manufacturing Survey, com 600 executivos, mostra 10% a 20% de melhoria em output e 7% a 20% em produtividade quando smart manufacturing integra-se ao OEE.<\/p>\n\n

Quais sensores s\u00e3o necess\u00e1rios para OEE autom\u00e1tico?<\/h3>\n

Sensores de status de m\u00e1quina (on\/off), contadores de produ\u00e7\u00e3o, sensores de qualidade (vis\u00e3o computacional ou PLC) e cron\u00f4metros de ciclo. A maioria j\u00e1 existe no CLP da m\u00e1quina; o que falta \u00e9 a camada de software que captura, armazena e contextualiza o dado. Em opera\u00e7\u00f5es de envase industrializado conduzidas por gigantes globais como Nestl\u00e9, a integra\u00e7\u00e3o entre sensor de ch\u00e3o e plataforma anal\u00edtica \u00e9 o que viabiliza os ganhos documentados pela Deloitte.<\/p>\n\n

Vale a pena migrar de planilha para MES?<\/h3>\n

Sim, quando a planilha come\u00e7a a esconder paradas ou consumir mais tempo do operador do que gera valor anal\u00edtico. MES (Manufacturing Execution System) integrado a IoT \u00e9 o caminho natural ap\u00f3s maturidade b\u00e1sica.<\/p>\n\n

Para conectar o dado de ch\u00e3o \u00e0 governan\u00e7a de melhoria cont\u00ednua, plataformas como o m\u00f3dulo Checklist da SULTS<\/a> e o m\u00f3dulo Tarefas<\/a> capturam evid\u00eancia padronizada que alimenta c\u00e1lculos confi\u00e1veis e rastre\u00e1veis de OEE.<\/p>\n\n

\n
\n

Em que est\u00e1gio de maturidade est\u00e1 o programa de OEE da sua planta?<\/h3>\n

Marque o que sua planta j\u00e1 faz hoje no programa de OEE:<\/p>\n\n

\n
COLETA<\/div>\n