Gestão de ambientes críticos com Lean Six Sigma

Intelligence
on Demand
White
Papers

Binóculos ou lentes de aumento?
Exemplos da abordagem
Lean Six Sigma aplicada na gestão de
ambientes críticos de TI

José Luiz Kugler

Optimize! Tecnologia da Informação
Intelligence on Demand

Aplicação da abordagem Lean Six Sigma na gestão de ambientes críticos de TI

Binoculars or magnifying glasses?
Exemples of the Lean Six Sigma approach applied to
critical IT environments management

Abstract

IT managers must constantly analyze resource performance and infrastructure availability and
make sure that the IT growth and strategy are properly aligned to the business objectives. There
are several software tools that collect performance data; however, each specialized IT area tends
to concentrate its efforts on specific issues and keep track of its own metrics. As a result, the
measurement reports are quite often hard to interpret by non-IT managers.

This paper reports the application of the approach Lean Six Sigma to analyze the behavior of the
major mission-critical systems at a large company. The study summarizes the sampling
procedures, the metrics used and the results obtained. We provide examples on how two
indicators – volatility and stability – can represent the behavior of critical systems and uncover
possible reasons for deviation and variability. We argue that the Lean Six Sigma method can
produce robust quantitative analysis, translate it into concise information – usually, in graphic
format – and provide useful insights to both IT and non-IT managers.

Binóculos ou lentes de aumento?
Exemplos da aplicação da abordagem Lean Six Sigma na
gestão de ambientes críticos de TI

Resumo

Os gestores da área de TI precisam, constantemente, analisar o desempenho e a disponibilidade
dos recursos e da infra-estrutura de TI e garantir que o crescimento e a estratégia da área estejam
corretamente alinhados aos objetivos do negócio. Existem diversas ferramentas que coletam
dados de desempenho; no entanto, cada especialidade funcional de TI tende a concentrar seus
esforços em aspectos específicos e gerenciar suas próprias métricas. Como resultado, os
relatórios de análise de desempenho são, com freqüência, de difícil interpretação pelos gestores
de áreas não técnicas.

Este artigo descreve a aplicação da abordagem Lean Six Sigma na análise do comportamento dos
principais sistemas críticos em uma grande empresa. O estudo descreve os procedimentos de
amostragem, as métricas usadas e os resultados obtidos; e exemplifica como dois indicadores –
volatilidade e estabilidade – podem representar o comportamento de sistemas críticos e indicar
possíveis causas de desvios e variabilidade. Nosso argumento é que o método Lean Six Sigma
pode produzir uma análise quantitativa robusta, traduzi-la em informação concisa – em geral, em
formato gráfico – e fornecer indícios relevantes para os gestores de TI e demais áreas.

© Copyright 2010

Optimize! Tecnologia da Informação 2 Intelligence on Demand


Os desafios da gestão de TI

Uma das principais preocupações dos gestores de TI é a busca do alinhamento entre os
serviços disponibilizados pela área de TI e os objetivos estratégicos dos usuários e clientes a quem
devem atender. Diversos fatores podem dificultar este alinhamento. A área de TI precisa dedicar
atenção a múltiplos ambientes e usuários; acompanhar a intensa evolução que despeja,
constantemente, novas tecnologias no mercado; dar conta da demanda atual, otimizando a
arquitetura disponível no momento; projetar a demanda futura; visualizar os desdobramentos
que esta demanda deverá causar na infra-estrutura de TI; e, finalmente, precisa visualizar a
transição da tecnologia atual para a arquitetura desejada no futuro próximo.

Um fator que contribui decisivamente para o alinhamento da gestão de TI com os
objetivos dos departamentos e áreas usuárias é a aferição adequada do comportamento dos
sistemas críticos da organização, principalmente quanto às variações na curva de demanda e os
impactos destas variações no consumo de recursos computacionais.

No entanto, é difícil realizar esta aferição de forma simples e concisa, pois cada função de
TI possui seu jargão específico e métricas próprias de desempenho. A área de TI tende a agrupar
seus profissionais e orientar as suas atividades em torno de preocupações funcionais tais como
gerenciamento de banco de dados, desenvolvimento de aplicações, gestão de servidores,
armazenagem de dados, controle de produção e assim por diante.

Há diversas disciplinas de TI que se preocupam com a floresta e não apenas com as
árvores – planejamento de capacidade, avaliação de desempenho, planejamento de contingência,
análise de riscos, por exemplo. Porém, na prática, as pressões orçamentárias e o enxugamento
nos quadros de profissionais especializados forçam os gestores de TI a direcionarem seu interesse
para os aspectos operacionais mais urgentes e concentrarem esforços na resolução dos
problemas do dia-a-dia. Os dados gerados em cada nicho funcional raramente são transformados
em indicadores gerenciais que possam ser facilmente interpretados pelos executivos de outras
áreas. Os profissionais de TI são lembrados e elogiados (nem sempre...) em função do esforço
dedicado, quase heróico, que caracteriza as suas respostas a uma determinada crise – a queda de
um circuito crítico, a falha em um servidor, o erro em uma aplicação - apenas para citar alguns
exemplos freqüentes. Mas, depois de superada a crise, a situação torna-se novamente obscura
para os executivos de outras áreas – até que uma nova crise renove o interesse dos usuários pelo
desempenho dos sistemas críticos.

É compreensível que cada área funcional de TI defenda o seu ponto de vista com base nas
suas métricas específicas, mas isto pode levar a organização a destinar recursos para otimizar
determinados elementos da sua infra-estrutura em detrimento de outros, causando a sub-
otimização da arquitetura como um todo. Por exemplo, a elaboração de um acordo de níveis de
serviço (SLA) pode não estar plenamente fundamentada na análise histórica dos indicadores de
desempenho. Sem esta análise, a ocorrência de determinado picos sazonais no comportamento
de uma aplicação pode ser negligenciada e os parâmetros que compõem o SLA podem ser



adequados para certos períodos, mas inadequados em outros. Certamente, esta falha de análise,
embora não intencional, poderá causar grandes dores de cabeça tanto ao fornecedor de serviços -
quer seja interno ou externo – quanto ao gestor do respectivo contrato.

Sem uma visão clara do comportamento das métricas sob uma perspectiva mais integrada
e menos funcional, a área de TI pode ter dificuldades para defender e justificar seus argumentos
em prol de mais investimentos, adequação de equipamentos, expansão ou diminuição de turnos
de operação, aumento ou diminuição de horas de suporte técnico e assim por diante.

Portanto, um dos principais desafios da gestão de TI é a busca de indicadores que
representem, de forma concisa e eficaz, as variações e tendências relacionadas aos volumes de
demanda, cargas de produção, janelas críticas e demais fatores relacionados ao correto
desempenho das funções de TI, principalmente no tocante aos sistemas críticos da organização –
aqueles sistemas que não devem jamais apresentar falhas significativas, sob pena de
prejudicarem funções essenciais da organização, como faturamento, atendimento de clientes,
produção, distribuição e outros processos essenciais.

Análise do desempenho de ambientes críticos

Ao longo dos anos, os sistemas de missão crítica, que suportam as atividades essenciais da
cadeia produtiva, tornaram-se cada vez mais heterogêneos - multi-plataformas, multi-linguagem,
multi-usuários e multi-camadas. Além disto, o volume de dados processados tem aumentado de
forma exponencial. Finalmente, a visibilidade e a velocidade de propagação das eventuais falhas
também aumentaram de forma significativa. No passado, eventuais erros ou falhas podiam ser
descobertos, analisados e solucionados durante as janelas disponíveis nos períodos de
processamento batch. Atualmente, estas janelas encontram-se comprimidas ao extremo. Além
disto, há uma crescente interdependência das aplicações em virtude da distribuição do
processamento em diversas camadas; esta interdependência faz com que numerosas aplicações
que, no passado, não faziam parte do caminho crítico de outras aplicações se tornassem
elementos extremamente críticos.

A gestão dos ambientes de missão crítica requer, em primeiro lugar, o uso de ferramentas
adequadas de monitoração e coleta; aguardar por trabalhosas extrações de dados é inadmissível
nos dias de hoje. Em segundo lugar, é necessário armazenar as métricas em uma base de dados
analítica que facilite o trabalho das equipes responsáveis pela análise e gestão do ambiente.

A área de TI precisa armazenar e analisar indicadores relacionados aos seguintes focos de
gestão:
Aferir a utilização de recursos.
Estimar os níveis de capacidade e análise dos pontos de saturação ou inflexão.
Deslocar ou reposicionar recursos de forma a evitar ou prorrogar a aquisição de
recursos.



Definir valores-limite, triggers e parâmetros para a elaboração de níveis de serviço
adequados à realidade dos objetivos, sistemas, recursos e competências da
organização.
Gerar relatórios e indicadores que representem o consumo de recursos, incidência de
problemas, tendências e projeções.
Desenvolver uma base de conhecimento para subsidiar a análise dos efeitos da
demanda futura sobre os recursos da organização.
Identificar pontos de turbulência e recomendar adaptações e melhorias.

A evolução das abordagens de gestão

As técnicas voltadas para a análise e melhoria do desempenho das organizações tiveram
forte impulso durante a “revolução da qualidade” liderada por Juran, Deming e outros pioneiros
durante as décadas de 1960 e 1970. A esta revolução seguiram-se as bem sucedidas técnicas
originadas nas empresas japonesas (kanbans, pull systems, visual management, kaizen e outras).
Transplantado para o Ocidente, o conjunto destas práticas tornou-se conhecido como lean
management, lean enterprise ou lean production, dependendo da abrangência com que tais
práticas eram aplicadas e da transformação gerencial na forma de agir das empresas. Ao mesmo
tempo, as disciplinas de pesquisa operacional, dinâmica de sistemas, engenharia do valor, teoria
das restrições e outras técnicas quantitativas foram adaptadas e aplicadas a diversos setores
econômicos.

Gradativamente, os principais conceitos dessas diversas metodologias foram refinados e
consolidados na abordagem Lean Six Sigma. Esta abordagem representa a convergência de duas
importantes correntes de pensamento - as práticas associadas à melhoria dos processos
produtivos (lean management); e as técnicas quantitativas usadas na aferição de desempenho
(Six Sigma). O resultado desta evolução, Lean Six Sigma, é uma abordagem quantitativa rigorosa,
mas ao mesmo tempo prática e concisa, que proporciona uma excelente fundação para a gestão
baseada na análise de evidências.

A abordagem Lean Six Sigma busca a melhoria cumulativa dos processos produtivos da
organização, com ênfase na eliminação de erros e defeitos, na identificação de gargalos e
restrições de produção, na redução da variabilidade dos resultados e na definição das métricas
para controle dos processos produtivos. Além de apontar defeitos e desvios em relação aos
parâmetros de controle, a metodologia visa analisar quais são as reais causas dos problemas e
investigar as maneiras para eliminá-las ou reduzi-las.

Os conceitos da abordagem Lean Six Sigma podem fundamentar a análise do desempenho
dos ambientes críticos de TI. É óbvio que esta metodologia não substitui a intuição gerencial nem
os demais talentos dos profissionais e gestores envolvidos, mas pode fornecer sólidos subsídios
para a avaliação e o planejamento dos ambientes de missão crítica.



Este artigo sumariza os principais passos e conclusões de um caso prático em que
aplicamos os conceitos de Lean Six Sigma na análise do ambiente crítico de TI em uma empresa
de grande porte. Naquele projeto, seguimos as seguintes etapas:
Definição dos alvos de análise.
Definição das métricas e indicadores.
Coleta dos dados.
Depuração e organização dos dados.
Análise das relações entre os indicadores.
Recomendação de melhorias (ações corretivas e evolutivas).

Estudo de caso:
Análise quantitativa baseada no Lean Six Sigma

Neste estudo, utilizamos dados extraídos dos mainframes IBM nos quais rodam as
aplicações essenciais para as operações de uma grande empresa no Brasil. Todos os principais
negócios da empresa dependem diretamente do adequado processamento destas aplicações
críticas. No presente documento, são exibidos apenas exemplos sumarizados; os dados originais
foram modificados para garantir o absoluto sigilo em relação aos dados originais. No entanto, a
lógica apresentada descreve fielmente a metodologia aplicada no caso real.

Na primeira etapa do estudo foram extraídos da base Dino ExplorerTM os dados
detalhados de desempenho dos 28 sistemas considerados mais críticos pelos gestores de TI,
abrangendo um período de 36 meses. As métricas colhidas para cada sistema foram:
 Jobs executados;
 Programas executados;
 EXCPs executadas;
 Service units;
 CPU time;
 Elapsed time;
 Start time;
 End time;
 Abends de jobs; e
 Abends de programas.

Consideramos as primeiras seis variáveis (número de jobs; número de programas; EXCPs;
service units; CPU time; e elapsed time) como métricas de produção. Estas métricas são
fortemente relacionadas ao consumo de recursos computacionais da instalação.

Os exemplos aqui descritos são baseados na análise de 9 sistemas, escolhidos de forma
aleatória dentre os 28 sistemas monitorados pela ferramenta Dino ExplorerTM. O horizonte de
análise foi reduzido para 10 meses para descaracterizar os padrões sazonais observados; no
estudo original, foram analisadas as flutuações sazonais ocorridas ao longo dos 36 meses.



As estatísticas descritivas dos 9 sistemas estão sumarizadas no Quadro 4 (vide Anexo I); os
nomes dos 9 sistemas foram alterados para descaracterizar a real instalação do cliente. Foram
gerados diversos gráficos de controle além dos apresentados no presente trabalho.

Definimos como criticidade o indicador composto por duas variáveis: estabilidade e
volatilidade. A variável estabilidade mede a quantidade de términos anormais de execuções no
mainframe e está diretamente relacionada ao esforço de setup e retrabalho necessário para
conduzir o processo produtivo da instalação. O número de términos anormais deve ser avaliado
de forma proporcional ao tamanho dos sistemas (volume de jobs, programas, service units) uma
vez que sempre existirá uma correlação entre a magnitude de um dado sistema e o número de
términos anormais.

Mensuramos este indicador da seguinte forma:
Estabilidade = constante x (número de abends de programas / service units) no período
observado, onde constante = 107

Por sua vez, volatilidade expressa os desvios das métricas de produção em relação às
médias históricas, da seguinte forma:
Volatilidade = número de desvios significativos em relação à média histórica

Esses conceitos foram aplicados na análise dos 9 sistemas da amostra, conforme as
métricas de produção sumarizadas nos quadros 5 a 8 do Anexo II. Para o indicador estabilidade
foram obtidos os seguintes scores:

Abends Progr. /
Sistema Serv Units
TFM 9,31
CAM 1,99
ICE 2,03
RAN 6,07
OPQ 23,06
DAM 1,17
BCA 8,57
XAL 36,43
OSA 10,32
Quadro 1.
Indicador de estabilidade dos 9 sistemas da amostra para um período de 10 meses.

Para o indicador volatilidade, sumarizado no Quadro 2, foi computado para cada sistema
o número de vezes em que o desvio padrão (sigma) foi considerado relevante em relação à média
da amostra; consideramos como relevante a fronteira de 50%, atribuindo o score (um) para cada
ocorrência superior a 50%. Aplicando este conceito a cada métrica de produção (número de jobs;
número de programas; EXCPs; service units; CPU time; e elapsed time), um sistema pode obter
desde o score mínimo igual a zero (sem desvios significativos em todos os períodos observados)



até o score máximo de 42 (com desvios significativos em todos os dias da semana, em todas as
métricas de produção), conforme ilustrado na segunda coluna do quadro 2.

Em segundo lugar, esta variabilidade precisa ser analisada em função do seu impacto
prático. Quando um sistema concentra a maior parte do seu regime de produção nos fins de
semana, por exemplo, e os seus picos de variabilidade ocorrem nos dias úteis, podemos assumir
que esta variabilidade é menos danosa quando comparada a outro sistema que apresenta elevada
variabilidade justamente no seu período de maior volume de produção. De forma similar, quando
um sistema concentra a maior parte do seu regime de execução nas quartas e quintas feiras, por
exemplo, e a variabilidade é mais intensa em outros dias, pode-se assumir que esta variabilidade
é menos danosa quando comparada a outro sistema que apresenta elevada variabilidade nas
quartas e quintas feiras. A terceira coluna do quadro 2 indica, portanto, o número de vezes em
que a maior variação coincide com os dias de maior volume de produção, a partir dos dados
sumarizados no quadros 9 a 13 (vide Anexo III).

Desv Padr / Média Maior variação
> 50% nas ocorre nos dias de Score de
Sistema 6 métricas maior demanda volatilidade Situação
TFM 3 0 3 Balanceado
CAM 5 0 5 Balanceado
ICE 8 4 16 Balanceado
RAN 14 3 20 Razoável
OPQ 17 8 33 Razoável
DAM 25 7 39 Crítico
BCA 29 8 45 Crítico
XAL 29 12 53 Crítico
OSA 42 23 88 Muito crítico
Quadro 2.
Indicador de volatilidade dos 9 sistemas da amostra para um período de 10 meses.

Finalmente, o score de volatilidade apontado no quadro 2 foi obtido atribuindo-se peso
[um] para as ocasiões em que ocorre variação significativa (sigma maior que 50% da média); e
peso [dois] quando a variação mais elevada coincide com os picos de produção, conforme a
fórmula:
Volatilidade = [ocasiões de elevada variação] + 2 x [ocasiões em que a variação elevada
ocorre nos períodos de maior produção]

A partir dos indicadores estabilidade e volatilidade geramos o quadro 3, que ilustra
graficamente o comportamento dos 9 sistemas em função desses parâmetros. Embora não seja
representado em escala, o volume das esferas ilustra o tamanho relativo dos sistemas, em função
do número de service units consumido nos 10 meses observados; o número que aparece em cada
esfera representa o tamanho relativo dos sistemas da amostra (1 é o maior; 9 é o menor).

O quadro 3 ilustra o tipo de análise que pode ser efetuada a partir dos conceitos da
abordagem Lean Six Sigma. É fácil visualizar o tamanho relativo dos sistemas, em função do
tamanho relativo das esferas. Percebe-se facilmente quais são os sistemas mais instáveis, já
normalizados em relação ao tamanho dos sistemas (número de abends/service units); o gráfico



indica que os sistemas OPQ e XAL são comparativamente mais instáveis do que os demais. Por
outro lado, os sistemas DAM, BCA, XAL e OSA são os mais voláteis, por concentrarem grande
variabilidade (elevado sigma) exatamente nos seus períodos mais críticos de produção.

A combinação destas variáveis oferece uma visão bem interessante. Observa-se um
cluster de sistemas relativamente bem posicionados – TFM, RAN, CAM e ICE; entre estes, os
primeiros 3 são sistemas de grande porte, que provavelmente recebem uma grande parcela dos
esforços e cuidados dos gestores da instalação; aparentemente tal esforço é recompensado por
uma situação estável e balanceada.

Instável
35
9
XAL
30
7
OPQ
25

Estabilidade 20 6
BCA
5
1 OSA
15
TFM
2
10 RAN 3
4 DAM
5 CAM 8
Estável ICE

Balanceado Volatilidade Volátil

Quadro 3.
Criticidade dos 9 sistemas da amostra.

Por outro lado, há um segundo cluster, composto por sistemas mais voláteis – DAM, BCA
e OSA. Chama a atenção o fato de que DAM é o terceiro maior sistema da amostra; seria de se
esperar que recebesse cuidados que ajudassem a minimizar esta volatilidade.

Restam dois sistemas com comportamento relativamente singular. O sistema OPQ
apresenta bastante instabilidade – é o segundo no ranking de maior número de abends em
relação aos demais sistemas. Portanto, alguma atenção adicional deveria ser dedicada ao mesmo
para entender melhor esta situação. Finalmente, o sistema XAL é o pior colocado em elação aos



dois indicadores - instabilidade e volatilidade; felizmente, trata-se do menor sistema da amostra e
seu score elevado de instabilidade e volatilidade deve causar menos impactos negativos do que se
fosse um sistema de maior porte.

Obviamente, esta análise se torna mais interessante quando são levados em conta os
dados dos 28 sistemas mais críticos da instalação e não apenas de 9 sistemas; no entanto, a
principal finalidade deste documento é ilustrar o potencial da abordagem Lean Six Sigma e
demonstrar que análises poderosas podem ser facilmente geradas, desde que existam dados
históricos consistentes disponíveis na instalação.

Conclusão: Binóculos ou lentes de aumento?

Este estudo sumariza a aplicação da abordagem Lean Six Sigma na gestão de um ambiente
computacional de missão crítica. O comportamento dos sistemas críticos de uma grande empresa
foi analisado em relação à variabilidade observada em suas métricas de produção. Estas métricas
de produção foram então consolidadas em dois indicadores – volatilidade e estabilidade. Estes
indicadores permitiram a fácil visualização do comportamento dos sistemas da amostra,
chamando a atenção para a existência de possíveis problemas e gargalos.

Neste sentido, entendemos que a aplicação do Lean Six Sigma se assemelha ao uso de um
binóculo, chamando a atenção sobre comportamentos e eventos que, de outra forma, poderiam
passar facilmente desapercebidos no cotidiano das grandes instalações de TI. A aplicação desses
conceitos deve ser entendida como uma transformação gerencial, na busca permanente de maior
qualidade e confiabilidade na gestão de TI. A abordagem exige a construção e consolidação de
uma base de dados analítica, que compreenda um período de, pelo menos, 24 meses, para
facilitar o entendimento das variáveis e calibrar as observações sazonais.

O esforço de análise deve ser conduzido de forma combinada com outras disciplinas –
principalmente a projeção da demanda; e os respectivos ajustes no planejamento de capacidade.
É a passagem “do binóculo para a lente de aumento”. O ideal é alternar estas duas perspectivas; o
uso do “binóculo” pode revelar indícios interessantes, mas é certamente necessário aprofundar o
entendimento das características de cada sistema; por exemplo, a elevada variabilidade do
comportamento de um determinado sistema deve nos chamar a atenção, pois costuma estar
associada a problemas de schedulagem; no entanto, esta variação pode ter causas específicas e
ser perfeitamente justificável em determinados contextos. Para distinguir se essa situação merece
ação corretiva ou se é um comportamento aceitável é que precisamos de análises mais
detalhadas, através das “lentes de aumento” possibilitadas pelas diversas ferramentas de
monitoração disponíveis no mercado.

Por outro lado, observa-se, em muitos data centers, apenas o uso das “lentes de
aumento”; existem diversas técnicas e ferramentas que possibilitam a aferição de aspectos
pontuais ou setoriais. Contudo, os gestores de TI necessitam integrar estas informações e gerar
uma visão estratégica da evolução dos processos críticos e do uso dos recursos de TI. Para ser
eficaz, esta visão deve (i) permitir a fácil inspeção visual dos processos observados; (ii) ser



baseada em dados históricos, com um horizonte relativamente amplo (o ideal seria abranger pelo
menos 24 meses); e (iii) viabilizar a comunicação das análises e conclusões junto aos profissionais
e executivos que não são da área de TI.

Conforme demonstrado neste estudo, a abordagem Lean Six Sigma atende de forma
superlativa a estes 3 requisitos e, portanto, merece receber forte consideração dos gestores de TI
como parte dos esforços para promover uma governança mais efetiva e facilitar o diálogo com os
outros gestores da organização.

Referências
 Byrne, G.; Lubowe, D. e Blitz, A. Driving operational innovation using Lean Six Sigma. IBM
Institute for Business Value. Somers, New York, 2007.
 George, M. L.; Rowlands, D.; Price, M.; e Maxey, J. The Lean Six Sigma Toolbook. McGraw Hill,
New York, 2005.
 Sward, D. Measuring the Business Value of Information Technology. Intel Press, 2006.
 Tallon, P.; e Kraemer, K. L. The Critical Role of IT Governance in Turbulent Times. Center for
Research on Information Technology and Organizations. IT in Business Series, University of
California, Irvine, Paper #359, 2004.



Anexo I
Estatística Descritiva

CAM DAM
Média Min Max Média Min Max
Job Exec 5.815 1.163 17.610 Job Exec 143 10 779
Progr Exec 15.767 6.089 35.240 Progr Exec 875 89 3.953
EXCPs 20.703.329 5.359.213 89.431.298 EXCPs 178.955.921 39.602.727 1.323.350.831
Serv Units 11.372.309.870 2.871.089.638 24.431.652.530 Serv Units 3.017.456.414 531.125.070 10.425.334.389
CPU time 0,667 0,153 2,119 CPU time 0,115 0,015 0,679
Elap time 29,10 0,15 71,23 Elap time 2,14 0,02 7,52

RAN XAL
Job Exec 6.933 1.809 14.530 Job Exec 4 1 18
Progr Exec 40.660 10.614 85.923 Progr Exec 24 2 82
EXCPs 173.068.178 7.790.101 832.438.428 EXCPs 1.413.628 371 8.808.286
Serv Units 15.720.652.688 2.712.174.187 51.613.452.271 Serv Units 18.032.993 14.279 118.302.518
CPU time 0,765 0,156 2,599 CPU time 0,001 0,000 0,004

BCA ICE
Job Exec 2.862 400 8.595 Job Exec 1.562 89 6.175
Progr Exec 20.492 2.090 102.350 Progr Exec 11.195 670 38.353
EXCPs 11.030.839 452.333 64.604.857 EXCPs 1.578.511 192.267 5.266.060
Serv Units 2.749.993.344 111.360.181 14.584.848.544 Serv Units 630.222.801 132.385.293 4.480.680.061
CPU time 0,158 0,006 1,178 CPU time 0,044 0,008 1,103

TFM OPQ
Job Exec 7.649 1.564 18.900 Job Exec 3.295 360 12.213
Progr Exec 80.299 20.656 180.745 Progr Exec 16.410 1.918 53.846
EXCPs 444.814.946 98.893.035 1.397.216.192 EXCPs 20.261.120 916.804 118.370.474
Serv Units 29.193.694.675 6.181.703.081 51.845.816.540 Serv Units 736.331.835 48.280.552 3.405.161.099
CPU time 1,189 0,254 3,989 CPU time 0,037 0,003 0,680

OSA
Média Min Max
Job Exec 543 22 4.189
Progr Exec 3.621 97 81.221
EXCPs 102.636.444 1.031.469 464.778.723
Serv Units 2.495.472.085 149.665.945 9.384.871.963
CPU time 0,100 0,007 0,384
Elap time 5,34 0,01 23,06

Quadro 4.
Descritivo dos 9 sistemas da amostra para o período de 10 meses.



Anexo II
Métricas de Produção (dados parciais)

7.100 17.500

17.000
6.600
16.500
6.100
16.000

5.600 15.500

5.100 15.000

14.500
4.600
14.000
4.100
13.500

3.600 13.000
2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domingos 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domingos

Sistema CAM - Média de jobs executados Sistema CAM - Média de programas executados

40.000.000 15.000.000.000

14.000.000.000
35.000.000

13.000.000.000
30.000.000
12.000.000.000

25.000.000
11.000.000.000

20.000.000 10.000.000.000

15.000.000 9.000.000.000

2a. Fei ra 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domingos 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domi ngos

Sistema CAM - Média de EXCPs Sistema CAM - Média de Service Units
0,900 35,00

34,00
0,850
33,00
0,800
32,00
0,750 31,00

0,700 30,00

29,00
0,650
28,00
0,600
27,00
0,550
26,00

0,500 25,00

Sistema CAM - Média de CPU time Sistema CAM - Média de elapsed time

Quadro 5.
Métricas de produção do sistema CAM em um período de 10 meses.

650 110.000.000

600
108.000.000

106.000.000
550
104.000.000
500
102.000.000

450
100.000.000

400 98.000.000

Sistema OSA - Média de jobs executados Sistema OSA - Média de programas executados

5.400 2.900.000.000

2.800.000.000
4.900
2.700.000.000

4.400 2.600.000.000

2.500.000.000
3.900
2.400.000.000

3.400 2.300.000.000

2.200.000.000
2.900
2.100.000.000

2.400 2.000.000.000
2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domingos 2a. Feira 3a. Feir a 4a. Feira 5a. Feira 6a. Feira Sábados Domingos

Sistema OSA - Média de EXCPs Sistema OSA - Média de Service Units

0,115 6,00
0,110 5,80
0,105 5,60

0,100 5,40

0,095 5,20
5,00
0,090
4,80
0,085
4,60
0,080
4,40
0,075
4,20
0,070 4,00
2a. Feir a 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domingos 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domingos

Sistema OSA - Média de CPU time Sistema OSA - Média de elapsed time

Quadro 6.
Métricas de produção do sistema OSA em um período de 10 meses.



6,00 38,00

36,00
5,50
34,00

5,00 32,00

30,00
4,50
28,00

4,00 26,00

24,00
3,50
22,00

3,00 20,00

Sistema XAL - Média de jobs executados Sistema XAL - Média de programas executados

2.10 0.000 30.000.000

1.90 0.000
25.000.000
1.70 0.000

1.50 0.000 20.000.000

1.30 0.000
15.000.000
1.10 0.000

90 0.000
10.000.000
70 0.000

50 0.000 5.000.000
2a. Feira 3 a. Fe ira 4a . Feira 5a. Feira 6a. Feira Sábad os Do ming os 2a. Feira 3a. Fei ra 4a. Feira 5a. Feira 6a. Fei ra Sábados Dom ingos

Sistema XAL - Média de EXCPs Sistema XAL - Média de Service Units

0,0009 0,055

0,0008 0,050

0,0007 0,045

0,0006 0,040

0,0005 0,035

0,0004 0,030

0,0003 0,025

0,020
0,0002
2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domingos 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Dom ingos

Sistema XAL - Média de CPU time Sistema XAL - Média de elapsed time

Quadro 7.
Métricas de produção do sistema XAL em um período de 10 meses.

9.000 95.000

8.500
90.000
8.000
85.000
7.500
80.000
7.000
75.000
6.500
70.000
6.000

5.500 65.000

5.000 60.000

Sistema TFM - Média de jobs executados Sistema TFM - Média de programas executados

490.000.000 32.000.000.000

470.000.000 31.000.000.000

450.000.000 30.000.000.000

430.000.000 29.000.000.000

410.000.000 28.000.000.000

390.000.000 27.000.000.000

370.000.000 26.000.000.000

350.000.000 25.000.000.000

Sistema TFM - Média de EXCPs Sistema TFM - Média de Service Units

1,350 55,00

1,300 50,00

1,250
45,00

1,200
40,00
1,150

35,00
1,100

1,050 30,00

1,000 25,00
2a. Feira 3a. Feira 4a. Feira 5a. Fei ra 6a. Feira Sábados Dom ingos 2a. Feira 3a. Feira 4a. Feira 5a. Feira 6a. Feira Sábados Domingos

Sistema TFM - Média de CPU time Sistema TFM - Média de elapsed time

Quadro 8.
Métricas de produção do sistema TFM em um período de 10 meses.



Anexo III
Análise de Variabilidade Sazonal

CAM DAM

Job Exec Média Desv Padr Desv/Med Job Exec Média Desv Padr Desv/Med
2a. Feira 6.683 2.492 37% 2a. Feira 165 67 41%
3a. Feira 6.370 1.738 27% 3a. Feira 174 89 51%
4a. Feira 6.909 2.258 33% 4a. Feira 166 117 70%
5a. Feira 6.725 1.999 30% 5a. Feira 155 56 36%
6a. Feira 5.561 1.666 30% 6a. Feira 149 88 59%
Sábados 4.354 599 14% Sábados 71 39 55%
Domingos 3.977 828 21% Domingos 118 57 48%

Progr Exec Média Desv Padr Desv/Med Progr Exec Média Desv Padr Desv/Med
2a. Feira 16.577 3.185 19% 2a. Feira 958 383 40%
3a. Feira 17.023 4.204 25% 3a. Feira 936 414 44%
4a. Feira 17.019 3.255 19% 4a. Feira 953 607 64%
5a. Feira 16.885 3.224 19% 5a. Feira 858 278 32%
6a. Feira 15.108 3.313 22% 6a. Feira 1.076 584 54%
Sábados 14.165 1.913 14% Sábados 600 194 32%
Domingos 13.439 1.790 13% Domingos 725 136 19%

EXCPs Média Desv Padr Desv/Med EXCPs Média Desv Padr Desv/Med
2a. Feira 16.368.353 9.265.546 57% 2a. Feira 138.061.880 66.787.558 48%
3a. Feira 19.128.348 13.430.437 70% 3a. Feira 154.275.910 189.384.588 123%
4a. Feira 16.094.679 6.564.125 41% 4a. Feira 140.827.236 106.869.844 76%
5a. Feira 18.047.598 12.684.225 70% 5a. Feira 133.542.583 70.775.679 53%
6a. Feira 15.410.692 9.126.347 59% 6a. Feira 285.354.948 147.474.540 52%
Sábados 23.252.019 8.866.968 38% Sábados 257.499.494 173.545.955 67%
Domingos 37.504.838 18.393.147 49% Domingos 141.730.866 87.811.003 62%

Serv Units Média Desv Padr Desv/Med Serv Units Média Desv Padr Desv/Med
2a. Feira 9.425.993.801 2.862.661.072 30% 2a. Feira 2.446.983.257 1.116.896.194 46%
3a. Feira 11.097.948.878 3.197.464.837 29% 3a. Feira 2.834.600.694 1.589.315.175 56%
4a. Feira 10.785.193.575 2.782.728.823 26% 4a. Feira 2.304.529.852 1.177.702.135 51%
5a. Feira 10.301.580.115 3.234.122.613 31% 5a. Feira 2.555.663.911 1.429.990.045 56%
6a. Feira 9.717.093.356 3.272.029.575 34% 6a. Feira 4.619.323.134 1.690.799.479 37%
Sábados 13.825.696.349 3.576.079.147 26% Sábados 3.749.015.506 1.485.579.078 40%
Domingos 14.694.145.782 3.809.068.610 26% Domingos 2.572.355.176 1.905.719.269 74%

CPU time Média Desv Padr Desv/Med CPU time Média Desv Padr Desv/Med
2a. Feira 0,579 0,298 52% 2a. Feira 0,099 0,073 74%
3a. Feira 0,673 0,279 42% 3a. Feira 0,111 0,066 59%
4a. Feira 0,627 0,182 29% 4a. Feira 0,100 0,110 110%
5a. Feira 0,616 0,234 38% 5a. Feira 0,112 0,101 90%
6a. Feira 0,558 0,194 35% 6a. Feira 0,159 0,066 42%
Sábados 0,794 0,208 26% Sábados 0,120 0,050 42%
Domingos 0,838 0,220 26% Domingos 0,100 0,086 87%

Elapsed time Média Desv Padr Desv/Med Elapsed time Média Desv Padr Desv/Med
2a. Feira 26,18 11,36 43% 2a. Feira 1,774 0,840 47%
3a. Feira 30,48 11,59 38% 3a. Feira 2,039 1,106 54%
4a. Feira 30,48 11,44 38% 4a. Feira 2,030 1,089 54%
5a. Feira 28,59 11,39 40% 5a. Feira 1,994 1,094 55%
6a. Feira 27,38 12,48 46% 6a. Feira 2,836 1,316 46%
Sábados 33,83 13,37 40% Sábados 2,469 0,916 37%
Quadro 9.
Variabilidade dos sistemas CAM e DAM, por dia.



XAL RAN

2a. Feira 5,41 2,51 46% 2a. Feira 7.286 1.652 23%
3a. Feira 4,09 1,63 40% 3a. Feira 8.662 1.983 23%
4a. Feira 4,84 1,29 27% 4a. Feira 8.174 1.894 23%
5a. Feira 3,93 1,62 41% 5a. Feira 7.729 1.881 24%
6a. Feira 4,07 1,17 29% 6a. Feira 7.525 2.212 29%
Sábados 3,90 1,43 37% Sábados 5.974 1.080 18%
Domingos 3,24 1,70 52% Domingos 2.935 606 21%

2a. Feira 36,63 12,11 33% 2a. Feira 36.377 9.664 27%
3a. Feira 22,74 8,75 38% 3a. Feira 50.972 13.658 27%
4a. Feira 26,26 7,52 29% 4a. Feira 47.987 11.768 25%
5a. Feira 22,14 10,51 47% 5a. Feira 45.416 13.002 29%
6a. Feira 22,61 7,55 33% 6a. Feira 45.902 12.259 27%
Sábados 20,61 6,69 32% Sábados 40.474 9.715 24%
Domingos 20,61 7,60 37% Domingos 15.897 4.824 30%

2a. Feira 566.012 907.812 160% 2a. Feira 164.090.784 125.504.230 76%
3a. Feira 1.563.212 1.557.563 100% 3a. Feira 97.372.604 60.705.644 62%
4a. Feira 1.580.069 868.527 55% 4a. Feira 102.811.496 115.248.366 112%
5a. Feira 2.016.578 1.465.169 73% 5a. Feira 82.317.927 64.727.505 79%
6a. Feira 1.694.729 1.025.545 61% 6a. Feira 99.865.404 83.810.894 84%
Sábados 1.432.235 807.158 56% Sábados 407.240.367 193.565.264 48%
Domingos 962.458 533.043 55% Domingos 276.894.852 156.300.107 56%

2a. Feira 7.855.207 12.158.679 155% 2a. Feira 13.666.517.915 6.886.891.592 50%
3a. Feira 19.435.874 20.189.606 104% 3a. Feira 13.315.184.492 5.452.783.472 41%
4a. Feira 20.357.635 11.430.185 56% 4a. Feira 12.162.401.717 7.062.163.767 58%
5a. Feira 25.803.128 18.908.449 73% 5a. Feira 11.845.896.435 6.492.176.810 55%
6a. Feira 21.168.605 12.526.369 59% 6a. Feira 11.855.221.023 6.612.169.063 56%
Sábados 18.429.087 10.580.676 57% Sábados 28.931.250.273 11.911.833.353 41%
Domingos 12.201.601 6.815.821 56% Domingos 19.125.365.303 10.431.514.549 55%

2a. Feira 0,0003 0,0004 163% 2a. Feira 0,686 0,337 49%
3a. Feira 0,0006 0,0006 105% 3a. Feira 0,698 0,215 31%
4a. Feira 0,0007 0,0004 60% 4a. Feira 0,640 0,322 50%
5a. Feira 0,0008 0,0006 73% 5a. Feira 0,598 0,230 38%
6a. Feira 0,0007 0,0004 60% 6a. Feira 0,606 0,285 47%
Sábados 0,0006 0,0004 60% Sábados 1,225 0,438 36%

2a. Feira 0,029 0,071 244% 2a. Feira 27,801 8,733 31%
3a. Feira 0,032 0,047 146% 3a. Feira 34,720 10,875 31%
4a. Feira 0,027 0,018 66% 4a. Feira 32,963 12,488 38%
5a. Feira 0,039 0,038 99% 5a. Feira 30,161 12,992 43%
6a. Feira 0,026 0,013 50% 6a. Feira 31,491 13,224 42%
Sábados 0,053 0,165 312% Sábados 48,961 14,150 29%
Quadro 10.
Variabilidade dos sistemas XAL e RAN, por dia.



BCA ICE

2a. Feira 3.016,07 1.078,69 36% 2a. Feira 1.424,05 532,66 37%
3a. Feira 2.990,79 1.179,56 39% 3a. Feira 2.010,56 976,49 49%
4a. Feira 3.529,91 1.978,72 56% 4a. Feira 1.956,14 797,60 41%
5a. Feira 3.005,50 1.409,67 47% 5a. Feira 1.928,70 801,44 42%
6a. Feira 2.989,45 1.356,79 45% 6a. Feira 1.792,89 709,06 40%
Sábados 2.587,78 910,68 35% Sábados 1.124,63 400,46 36%
Domingos 1.854,32 982,75 53% Domingos 615,46 246,40 40%

2a. Feira 21.324,80 7.254,25 34% 2a. Feira 10.459,12 3.506,49 34%
3a. Feira 21.038,42 7.509,86 36% 3a. Feira 13.986,49 5.978,95 43%
4a. Feira 25.238,58 16.954,59 67% 4a. Feira 13.806,84 5.185,01 38%
5a. Feira 21.838,39 9.652,60 44% 5a. Feira 13.943,93 5.616,66 40%
6a. Feira 21.268,70 8.884,11 42% 6a. Feira 12.592,59 4.686,63 37%
Sábados 19.166,71 6.518,96 34% Sábados 8.339,56 2.887,89 35%
Domingos 13.153,71 6.100,82 46% Domingos 4.672,76 1.905,48 41%

2a. Feira 11.249.871 7.871.197 70% 2a. Feira 1.484.490,32 392.452,63 26%
3a. Feira 11.675.911 11.505.125 99% 3a. Feira 1.843.762,63 760.216,09 41%
4a. Feira 10.335.157 8.332.370 81% 4a. Feira 1.896.485,65 668.001,71 35%
5a. Feira 9.960.427 7.418.449 74% 5a. Feira 1.846.617,20 724.959,01 39%
6a. Feira 9.503.553 7.872.707 83% 6a. Feira 1.735.579,80 652.004,76 38%
Sábados 12.203.631 6.520.042 53% Sábados 1.371.990,10 370.127,13 27%
Domingos 12.479.867 6.969.482 56% Domingos 811.088,15 355.578,15 44%

2a. Feira 2.465.461.202 1.680.594.667 68% 2a. Feira 767.491.486,20 377.382.797,72 49%
3a. Feira 2.016.243.194 1.443.139.256 72% 3a. Feira 608.448.761,44 236.869.927,78 39%
4a. Feira 1.744.140.999 1.209.344.984 69% 4a. Feira 629.920.606,05 353.069.990,76 56%
5a. Feira 1.651.580.547 1.181.314.596 72% 5a. Feira 643.938.150,75 607.728.329,27 94%
6a. Feira 1.579.521.416 1.313.821.455 83% 6a. Feira 545.125.696,73 175.428.787,24 32%
Sábados 6.211.531.372 2.727.810.999 44% Sábados 764.218.935,78 225.248.203,91 29%
Domingos 3.832.349.291 2.609.104.145 68% Domingos 458.715.915,27 182.551.388,93 40%

2a. Feira 0,146 0,184 126% 2a. Feira 0,0460 0,023 50%
3a. Feira 0,119 0,124 103% 3a. Feira 0,0577 0,150 260%
4a. Feira 0,110 0,155 140% 4a. Feira 0,0380 0,022 59%
5a. Feira 0,085 0,059 69% 5a. Feira 0,0577 0,161 280%
6a. Feira 0,083 0,068 82% 6a. Feira 0,0330 0,011 33%
Sábados 0,375 0,172 46% Sábados 0,0470 0,015 31%

2a. Feira 5,409 2,712 50% 2a. Feira 1,792 0,803 45%
3a. Feira 6,118 4,242 69% 3a. Feira 1,657 0,615 37%
4a. Feira 5,500 3,098 56% 4a. Feira 1,544 0,450 29%
5a. Feira 5,992 3,443 57% 5a. Feira 1,485 0,398 27%
6a. Feira 5,213 3,312 64% 6a. Feira 1,580 0,652 41%
Sábados 10,831 5,270 49% Sábados 2,062 0,700 34%
Quadro 11.
Variabilidade dos sistemas BCA e ICE, por dia.



TFM OPQ

2a. Feira 8.086 2.026 25% 2a. Feira 3.584 1.787 50%
3a. Feira 8.763 2.083 24% 3a. Feira 3.768 1.164 31%
4a. Feira 8.018 2.040 25% 4a. Feira 3.801 1.397 37%
5a. Feira 8.159 1.702 21% 5a. Feira 3.590 1.070 30%
6a. Feira 7.588 1.950 26% 6a. Feira 3.470 1.147 33%
Sábados 5.914 1.294 22% Sábados 2.549 911 36%
Domingos 6.910 1.558 23% Domingos 2.218 1.463 66%

2a. Feira 81.702 17.926 22% 2a. Feira 16.184 5.647 35%
3a. Feira 90.026 18.991 21% 3a. Feira 19.044 6.438 34%
4a. Feira 82.384 21.002 25% 4a. Feira 19.322 7.680 40%
5a. Feira 86.783 19.847 23% 5a. Feira 18.116 5.387 30%
6a. Feira 78.774 21.199 27% 6a. Feira 17.788 5.677 32%
Sábados 63.842 13.065 20% Sábados 13.679 4.500 33%
Domingos 77.645 15.956 21% Domingos 10.239 4.386 43%

2a. Feira 430.973.933 171.046.020 40% 2a. Feira 17.617.665 10.499.444 60%
3a. Feira 471.948.100 130.704.087 28% 3a. Feira 27.699.377 17.005.024 61%
4a. Feira 468.347.700 121.163.481 26% 4a. Feira 25.166.196 22.222.064 88%
5a. Feira 479.891.382 150.816.474 31% 5a. Feira 22.935.886 13.149.206 57%
6a. Feira 473.286.002 163.218.054 34% 6a. Feira 19.221.685 12.199.093 63%
Sábados 415.698.885 202.500.075 49% Sábados 14.253.783 19.347.158 136%
Domingos 366.437.297 216.049.637 59% Domingos 14.211.479 18.426.679 130%

2a. Feira 26.983.785.297 6.725.749.560 25% 2a. Feira 674.399.266 230.486.308 34%
3a. Feira 29.888.971.796 7.443.027.820 25% 3a. Feira 893.877.885 439.324.434 49%
4a. Feira 31.488.895.468 7.668.562.852 24% 4a. Feira 847.058.555 505.434.133 60%
5a. Feira 31.173.089.239 7.236.443.640 23% 5a. Feira 826.157.836 440.420.457 53%
6a. Feira 30.134.751.450 8.765.176.356 29% 6a. Feira 751.206.968 290.180.383 39%
Sábados 28.184.574.756 8.710.934.769 31% Sábados 641.339.652 472.757.342 74%
Domingos 26.142.226.187 9.510.914.231 36% Domingos 499.535.145 239.028.919 48%

2a. Feira 1,038 0,242 23% 2a. Feira 0,033 0,010 31%
3a. Feira 1,225 0,394 32% 3a. Feira 0,050 0,074 148%
4a. Feira 1,282 0,403 31% 4a. Feira 0,051 0,099 192%
5a. Feira 1,322 0,471 36% 5a. Feira 0,038 0,019 49%
6a. Feira 1,230 0,413 34% 6a. Feira 0,036 0,012 33%
Sábados 1,114 0,388 35% Sábados 0,030 0,018 61%

2a. Feira 40,82 12,68 31% 2a. Feira 1,43 0,42 30%
3a. Feira 50,40 15,17 30% 3a. Feira 1,97 0,87 44%
4a. Feira 52,41 16,99 32% 4a. Feira 1,77 0,82 46%
5a. Feira 48,52 17,45 36% 5a. Feira 1,77 0,78 44%
6a. Feira 48,96 21,48 44% 6a. Feira 1,72 0,84 49%
Sábados 44,96 19,08 42% Sábados 1,42 1,15 81%
Quadro 12.
Variabilidade dos sistemas TFM e OPQ, por dia.



OSA

Job Exec Média Desv Padr Desv/Med
2a. Feira 574 451 79%
3a. Feira 571 489 86%
4a. Feira 602 537 89%
5a. Feira 556 442 79%
6a. Feira 517 704 136%
Sábados 478 531 111%
Domingos 501 582 116%

Progr Exec Média Desv Padr Desv/Med
2a. Feira 4.023 5.705 142%
3a. Feira 3.696 5.408 146%
4a. Feira 4.275 6.858 160%
5a. Feira 4.802 12.193 254%
6a. Feira 3.107 5.097 164%
Sábados 2.521 3.660 145%
Domingos 2.834 4.001 141%

EXCPs Média Desv Padr Desv/Med
2a. Feira 106.103.085 103.419.049 97%
3a. Feira 104.034.440 79.076.279 76%
4a. Feira 99.547.810 85.632.087 86%
5a. Feira 99.074.278 84.143.358 85%
6a. Feira 98.838.310 73.586.890 74%
Sábados 102.056.407 102.972.326 101%
Domingos 109.421.806 116.564.690 107%

Serv Units Média Desv Padr Desv/Med
2a. Feira 2.659.158.677 1.431.417.550 54%
3a. Feira 2.695.665.752 1.600.390.216 59%
4a. Feira 2.803.018.619 1.792.434.070 64%
5a. Feira 2.672.516.279 1.478.023.370 55%
6a. Feira 2.447.793.405 1.218.617.864 50%
Sábados 2.108.578.725 1.589.703.497 75%
Domingos 2.047.339.553 1.421.024.194 69%

CPU time Média Desv Padr Desv/Med
2a. Feira 0,110 0,071 65%
3a. Feira 0,107 0,066 61%
4a. Feira 0,111 0,070 63%
5a. Feira 0,111 0,076 69%
6a. Feira 0,095 0,058 62%
Sábados 0,087 0,074 85%
Domingos 0,079 0,053 67%

Elapsed time Média Desv Padr Desv/Med
2a. Feira 5,54 5,13 93%
3a. Feira 5,39 4,74 88%
4a. Feira 5,22 4,88 93%
5a. Feira 5,78 4,77 83%
6a. Feira 5,63 5,52 98%
Sábados 5,30 5,16 97%
Domingos 4,44 5,00 113%
Quadro 13.
Variabilidade do sistema OSA, por dia.



Autor
 José Luiz Kugler (Ph.D., University of Pittsburgh) é Diretor Presidente da Optimize! Tecnologia
da Informação Ltda. e Professor do Departamento de Informática e Métodos Quantitativos na
Escola de Administração de Empresas de São Paulo, Fundação Getúlio Vargas.
 É especialista na aplicação de técnicas analíticas, com foco em controladoria e análise de
desempenho. Desenvolveu diversos projetos e pesquisas em gestão estratégica, business
intelligence, modelagem de indicadores e data mining. É autor de dois livros e vários artigos.

Contribuições
 O presente estudo recebeu diversas sugestões e contribuições, em especial de Luiz Gazola
(gazola@optimize-software.com.br), Elder Rocha (elder@optimize-software.com.br) e Alexey
da Hora (alexey@optimize-software.com.br). O autor também agradece as valiosas
contribuições dos clientes e parceiros da Optimize.

Contato
 jose.kugler@optimize-software.com.br jose.kugler@fgv.br
 Tel. (11) 5102 4685 (Optimize!) (11) 3799 7755 (FGV) (11) 9937 6043 (celular)

Sobre a Optimize!
 Optimize! Tecnologia da Informação Ltda. www.optimize-software.com.br
 Av. Luiz Carlos Berrini, 1405 2.o andar São Paulo SP 04571-010
 A Optimize! desenvolve soluções inovadoras para gestão e otimização de ambientes de
missão crítica, com ênfase na família IBMTM z/OS. A empresa possui uma equipe altamente
especializada na gestão e otimização de tecnologias, com significativa experiência exercida no
Brasil e no exterior. Fornecemos serviços de gestão, avaliação, modernização e
migração/transição de ambientes de TI para diversos clientes de grande porte.

Marcas e Trademarks
 O produto Dino ExplorerTM é propriedade intelectual da empresa Optimize! Tecnologia da
Informação Ltda. Os demais produtos e empresas eventualmente mencionados neste
documento são propriedade intelectual e marca registrada dos respectivos detentores de
direitos e patentes e são citados neste documento apenas como referência. O autor não
possui afiliação nem associação com os produtos e empresas mencionadas, com exceção dos
produtos e serviços da Optimize! Tecnologia da Informação Ltda.

As informações contidas neste documento não podem ser reproduzidas ou transmitidas de forma completa
ou parcial, sob qualquer meio, incluindo todas as formas de fotocópia e reprodução em meios digitais, sem
a prévia autorização formal do autor e da Optimize! Tecnologia da Informação Ltda.

© Copyright 2010


Gestão de ambientes críticos com Lean Six Sigma

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Destacado

Destacado (20)

Similar a Gestão de ambientes críticos com Lean Six Sigma

Similar a Gestão de ambientes críticos com Lean Six Sigma (20)

Último

Último (14)

Gestão de ambientes críticos com Lean Six Sigma