Os 5-Whys são uma técnica básica de análise de causa raiz usada na fase de análise do Lean Six Sigma DMAIC (Definir, Medir, Analisar, Melhorar e Controlar). Ou seja, para resolver um problema, precisamos identificar a causa raiz e depois, eliminá-la.

Portanto, o principal objetivo do 5-Whys é detalhar o problema para descobrir o origema de sua ocorrência ou causa raiz e, assim, impedir sua recorrência.

Introdução ao 5-Whys 

Problemas imprevisíveis podem ocorrer em qualquer equipe ou processo. No entanto, problemas são apenas sintomas de dificuldades mais profundas. Por isso, uma correção rápida pode ser uma solução conveniente, todavia, não protegerá seu processo de trabalho de voltar a ter erros recorrentes.

É por isso que sua equipe precisa se concentrar em encontrar a causa raiz e resolvê-la adequadamente.

A técnica dos 5-Whys é uma das ferramentas mais eficazes para análise de causa raiz no arsenal de gerenciamento Lean Six Sigma, ajudando sua equipe a enfrentar barreiras no trabalho diário. Contudo, o uso dos 5-Whys ajudará a encontrar a causa raiz de qualquer problema e a proteger o processo contra erros e falhas recorrentes.

O método, desenvolvido por Sakichi Toyoda, faz parte do Sistema Toyota de Produção e se tornou parte integrante da filosofia Lean. Segundo Taiichi Ohno ”a base da abordagem científica da Toyota é perguntar por que cinco vezes, sempre que encontramos um problema. Repetindo por que cinco vezes, a natureza do problema e sua solução ficam claras.” 

Um dos fatores principais para a implementação bem-sucedida da técnica é tomar uma decisão informada. Isso significa que o processo de tomada de decisão deve se basear em uma compreensão perspicaz do que realmente está acontecendo na área de trabalho.

Ou seja, em outras palavras, o processo de análise da causa raiz deve incluir pessoas com experiência prática. Logicamente, eles podem fornecer as informações mais valiosas sobre qualquer problema que apareça na área de especialização.

Que tipo de problemas podem ser resolvidos com o 5-Why? 

Sendo uma técnica que segue um caminho bastante linear para uma única causa raiz, geralmente trabalha melhor com problemas que provavelmente têm apenas uma única raiz ou pelo menos, muito poucas causas raiz. Assim, quanto mais possíveis causas tiver um problema, mais difícil será usar esse método.

Por exemplo, se o seu problema for ”Nossa empresa não está ganhando dinheiro!” o 5-Why pode não ser o método certo. Embora acabe por levar a uma resposta, é altamente duvidoso que esse seja o mais importante e, com toda a probabilidade, não é o único problema atual.

Nesse caso é importante aplicar outros métodos, como diagramas de espinha de peixe ou brainstorming para produzir melhores resultados. E, como sempre, antes de resolver um problema, verifique se é um problema de alta relevância.

No seu trabalho, por exemplo, você encontrará uma infinidade de problemas, apenas alguns dos quais você pode resolver. Invista seu tempo e o tempo de seu pessoal em um problema que fará a diferença para a sua empresa (como, por exemplo, gerenciamento de projetos ou diminuição de desperdícios). Depois de definido, é importante pensar em como abordar.

O 5-Whys pode ou não atender a todos os problemas. O importante é não começar diretamente por essa técnica e depois pensar em quais problemas ela poderia resolver. O importante é sempre começar pelo problema.

Mas o que é o teste de hipóteses?

No 5-Whys, o teste de hipóteses é uma fórmula estatística em que se testa uma suposição sobre um parâmetro populacional. Assim, a metodologia empregada dependerá da natureza dos dados utilizados e do motivo da análise.

O teste de hipóteses é usado para avaliar a plausibilidade de uma hipótese usando dados de amostra. Estes dados podem vir de uma população ou de um processo de geração de dados.

Aliás, a palavra ‘’população’’ será usada para ambos os casos nas seguintes descrições:

Primeiros aprendizados 

O teste de hipóteses é uma ferramenta estatística baseada na utilização de uma amostra aleatória extraída de uma população de interesse, com o objetivo de testar uma afirmação sobre um parâmetro ou característica desta população.

  • Usado para avaliar a plausibilidade de uma hipóteses usando dados de amostra;
  • Fornece evidência sobre a plausibilidade da hipóteses;
  • Analistas estatísticos do Lean Six Sigma testam uma hipótese medindo-a e examinando uma amostra aleatória da população que está sendo analisada.

Não se trata  de uma simples comparação matemática entre dois ou mais valores, mas da necessidade de compreender se o valor obtido a partir de uma determinada amostra representa uma simples variação da situação atual ou não.

Em um cenário ideal, para a determinação de autenticidade em uma hipótese estatística o ideal é examinar toda a população. Todavia, é compreensível que tal prática é completamente inviável.

Sabendo disso, os exames são conduzidos à uma amostra aleatória populacional e, se os dados desta não forem consistentes com a estatística, a hipótese é rejeitada.

No Lean Six Sigma, onde o teste de hipóteses é constantemente aplicado, existem basicamente dois tipos de hipóteses estatísticas:

  • Nula: denotada por H o , é a hipótese da qual observações da amostra resultam do acaso puro;
  • Alternativa: já essa hipótese é denotada por H 1 ou H a , de forma que as observações da amostra são influenciadas por alguma causa não aleatória;

Como a intuição é trabalhada no teste de hipóteses?

Vamos primeiro entender a intuição por trás dos testes de hipóteses.

Considere então que você está trabalhando em uma empresa e-commerce e lança um novo webdesign para atrair mais clientes. Seu chefe quer saber realmente se vale a pena investir no novo design do site ou se é apenas um truque.

O que você faz?

Você não pode simplesmente lançar o site para todos os seus clientes e dar tudo de si. É importante confirmar se seu novo design realmente funciona direcionando o tráfego para o novo site por alguns dias.

Se o resultado for positivo, isso significa que o novo design do site é realmente ótimo. Caso contrário, poderia ter colocado seus esforços em uma campanha única.

Seu novo site é a hipótese que você deseja testar. Mas, você quer comparar com alguma coisa, certo?

Para isso, você faz uma ”Hipótese Nula”. Sua hipótese nula diz que seu site é uma porcaria. Não tem nenhum impacto real. E, então, você propõe uma ”hipótese alternativa”.

Sua hipótese alternativa diz que seu novo site é ótimo e realmente aumentou seus clientes. A partir dela, primeiro, assumimos que nossa hipótese nula é verdadeira. Portanto, se você conseguir provar que sua hipótese nula é falsa, você realmente prova que sua hipótese alternativa é verdadeira.

ÓTIMO! 

Então agora você  tem uma intuição sobre o que estamos fazendo, por que estamos fazendo e como estamos fazendo.

Etapas de um teste de hipóteses em 5 whys

O teste de hipóteses é um procedimento formal utilizado para investigar nossas ideias sobre o mundo usando estatísticas.

É mais usado por analistas Lean Six Sigma, por exemplo, para testar previsões específicas, chamadas hipóteses, para dar surgimento à novas teorias.

Existem 5 etapas principais no teste de hipóteses:

  1. Declarar sua hipótese de pesquisa como uma hipótese nula H 1  e alternativa H a ;
  2. Coletar dados de uma maneira projetada para testar a hipótese;
  3. Realizar um teste estatístico apropriado;
  4. Decidir se a hipótese nula é suportada ou refutada;
  5. Apresentar as descobertas na seção de resultados e discussão.

Embora os detalhes em específicos variem entre os aplicadores, o procedimento que você usará para testar a hipótese sempre seguirá alguma versão dessas etapas.

Etapa 1: indique sua hipótese nula e alternativa

Depois de desenvolver sua hipótese de pesquisa inicial (a previsão que você deseja investigar), é importante representá-la como uma hipótese nula (H 1) e alternativa (H a) para que você possa testá-la matematicamente.

A hipótese alternativa é geralmente a sua hipótese inicial que prevê uma relação entre variáveis. A hipótese nula é uma previsão de nenhuma relação entre as variáveis nas quais você está interessado.

Imagine esse cenário: você deseja testar se há uma relação entre sexo e altura. Com base no seu conhecimento da fisiologia humana, você formula uma hipótese de que os homens são, em média, mais altos do que as mulheres. Assim, para testar esta hipótese, você a reafirma como:

H 1:  os homens não são, em média, mais altos do que as mulheres;

H um:  os homens são, em média, mais alto do que as mulheres;

Etapa 2: coleta de dados 

Para que um teste estatístico seja válido, é importante realizar amostragem e coletar dados de uma maneira projetada para testar sua hipótese. Se seus dados não forem representativos, você não poderá fazer interferências estatísticas sobre a população em que está interessado.

Afinal, para testar as diferenças na altura média entre homens e mulheres, sua amostra deve ter uma proporção igual de homens e mulheres e abranger uma variedade de classes socioeconômicas e quaisquer outras variáveis que possam influenciar a altura média.

O escopo aqui também é importante de ser considerado (estamos falando sobre uma parâmetro mundial? Territorial?). Nesse caso, uma fonte de dados em potencial pode ser o censo, pois inclui dados de várias regiões e classes sociais e está disponível para muitos países ao redor do mundo.

Etapa 3: realizar um teste estatístico 

Há uma variedade de testes estatísticos disponíveis, mas todos são baseados na comparação da variação dentro do grupo (como os dados estão espalhados em uma categoria) versus variação entre grupos (quão diferentes as categorias são uma das outras).

Se a variação entre os grupos for grande o suficiente para que haja pouca ou nenhuma sobreposição entre os grupos, seu teste estatístico refletirá isso mostrando um valor para baixo. Isso significa que é improvável que as diferenças entre esses grupos tenham surgido por acaso.

Como alternativa, se houver alta variação dentro do grupo e baixa variação entre grupos, seu teste estatístico refletirá isso com um alto valor p. Isso significa que é provável que qualquer diferença que você avalie entre os grupos se deva ao acaso.

Sua escolha do teste estatístico será baseada no tipo de dados coletados pelo analista. Com base no tipo de dados coletados, você realiza um teste t unicaudal para testar se os homens são, de fato, mais altos que as mulheres. Este teste fornece:

  • uma estimativa da diferença na altura média entre os dois grupos;
  • um valor p mostrando a probabilidade de você ver essa diferença se a hipótese nula de nenhuma diferença for verdadeira;

Seu teste t mostra uma altura média de 175,4 cm para homens e uma altura média de 161,7 cm para mulheres, com uma estimativa da verdadeira diferença variando de 10,2 cm ao infinito.

O valor p é 0,002 

Etapa 3: decida se a hipótese nula é suportada ou refutada 

Há uma variedade de testes estatísticos disponíveis, mas todos são baseados na comparação da variação dentro do grupo (como os dados estão espalhados em uma categoria) versus variação entre grupos (quão diferentes as categorias são uma das outras).

Se a variação entre os grupos for grande o suficiente para que haja pouca ou nenhuma sobreposição entre os grupos, seu teste estatístico refletirá isso mostrando um valor para baixo. Isso significa que é improvável que as diferenças entre esses grupos tenham surgido por acaso.

Como alternativa, se houver alta variação dentro do grupo e baixa variação entre grupos, seu teste estatístico refletirá isso com um alto valor p. Isso significa que é provável que qualquer diferença que você avalie entre os grupos se deva ao acaso.

Sua escolha do teste estatístico será baseada no tipo de dados coletados pelo analista. Com base no tipo de dados coletados, você realiza um teste t unicaudal para testar se os homens são, de fato, mais altos que as mulheres. Este teste fornece:

  • uma estimativa da diferença na altura média entre os dois grupos;
  • um valor p mostrando a probabilidade de você ver essa diferença se a hipótese nula de nenhuma diferença for verdadeira;

Seu teste t mostra uma altura média de 175,4 cm para homens e uma altura média de 161,7 cm para mulheres, com uma estimativa da verdadeira diferença variando de 10,2 cm ao infinito.

O valor p é 0,002 

Etapa 4: decida se a hipótese nula é suportada ou refutada 

Com base no resultado do seu teste estatístico, você terá que decidir se sua hipótese nula é suportada ou refutada. Na maioria dos casos, você usará o valor p gerado pelo seu teste estatístico para orientar sua decisão.

E, na maioria dos casos, seu ponto de corte para refutar a hipótese nula será de 0,05 – ou seja, quando houver menos de 5% de chance de você ver esses resultados se a hipótese nula for verdadeira.

Ou seja, na sua análise de diferença de altura média entre homens e mulheres, descobre-se que o valor de p de 0,002 está abaixo do seu ponto de corte de 0,05; portanto, decide-se rejeitar sua hipótese nula de não haver diferença.

Etapa 5: apresentar descobertas 

Os resultados do teste de hipóteses será apresentado nas seções de resultados e discussão do seu trabalho de pesquisa.

Na seção de resultados, é fornecido breve resumo dos dados e um resumo dos resultados do seu teste estatístico (por exemplo, a diferença estimada entre as médias do grupo e o valor p associado. Já na discussão, é discutido se sua hipótese inicial foi apoiada ou refutada.

Na linguagem formal do teste de hipóteses, falamos em refutar ou aceitar a hipótese nula. É solicitado fazer isso em conjunto à atribuição estatísticas.