Agrupamento de trabalhadores com perfis semelhantes de aprendizado apoiado em análise de componentes principais

Abstract

A manufatura de produtos personalizados em larga escala, chamada customização em massa, implica o aumento da variedade de modelos e redução no tamanho dos lotes de produção. Tarefas que dependem da habilidade humana são especialmente afetadas nesse contexto, visto que os trabalhadores precisam se adaptar às características do novo modelo. Esse processo de adaptação pode ocorrer de forma distinta dentro do grupo de trabalhadores, justificando o desenvolvimento de sistemáticas com vistas ao agrupamento de indivíduos com características de aprendizado semelhantes. Este artigo propõe um método para formação de grupos homogêneos de trabalhadores de acordo com seus perfis de aprendizado pela integração de curvas de aprendizado e clusterização. Para tanto, dados de desempenho são coletados e modelados por meio de curvas de aprendizado; os parâmetros oriundos da modelagem quantificam o processo de adaptação dos trabalhadores às tarefas, servindo de base para o agrupamento dos trabalhadores. Na primeira proposição deste artigo, os dados originais (parâmetros) são clusterizados pelo método K-Means, e a qualidade do agrupamento formado, avaliada por intermédio do Silhouette Index (SI). Em uma proposição alternativa, a Análise de Componentes Principais (ACP) é aplicada sobre os dados originais e as variáveis latentes geradas (escores) são clusterizados por meio do K-Means. Quando aplicado em um processo da indústria calçadista, a clusterização apoiada nos escores apresentou um incremento na qualidade dos agrupamentos medida por SI de 147% (de SI=0,392 para SI=0,968) quando comparado à clusterização aplicada às variáveis originais. Os dois grupos de trabalhadores gerados pelo método foram corroborados com base na separação em um gráfico relacionando os componentes principais obtidos. Por fim, um estudo de simulação foi realizado para corroborar a eficácia do método proposto, o qual se mostrou robusto quando submetido a diferentes níveis de ruído, correlação e proporções de variáveis e observações. Por meio da análise de variâncias (ANOVA), verificou-se que os fatores variância do ruído e proporção de observações por variáveis interferiram significativamente na qualidade da clusterização; por sua vez, a correlação entre as variáveis não apresentou variância significativa nos agrupamentos.

The manufacturing of customized products, also called mass customization, implies increasing choice menu and reduced size of production batches. Tasks that depend on human ability are especially affected in this context, because workers need to adapt to the characteristics of new models. This adaptation process occurs differently among workers, justifying the development of systematics aiming at clustering workers with similar learning behaviors. This paper proposes a method of grouping workers according to their learning profiles, integrating learning curves (LC) and cluster analysis. To this end, performance data are collected and modeled through learning curves; parameters derived from the modeling quantify workers’ adaptation to tasks. In the first scheme proposed in this study, the original data (parameters from LC modeling) are clustered using the K-Means, and clustering quality is assessed by the Silhouette Index (SI). In the second scheme, Principal Component Analysis (PCA) is applied to the original data and the latent variables (scores) are used as clustering variables using the K-Means. Clustering using the scores yielded SI=0.968, while grouping based on the original variables led to SI=0.392. A simulation study was performed to corroborate the effectiveness of the proposed method, which proved to be robust when affected by different levels of noise, correlation and different proportions of variables to observations.