Como Aplicar a Análise Envoltória de Dados (DEA) no TCC de Engenharia de Produção: Passo a Passo com Exemplo 2026

A Análise Envoltória de Dados (DEA, do inglês Data Envelopment Analysis) é uma técnica de programação linear usada para medir a eficiência relativa de um conjunto de unidades comparáveis — fábricas, filiais, linhas de produção, equipes — a partir de múltiplos insumos (inputs) e produtos (outputs) simultaneamente. É uma das técnicas quantitativas mais usadas em TCCs de Engenharia de Produção porque permite comparar unidades sem precisar transformar tudo em uma única unidade monetária. Este guia mostra, passo a passo, como aplicar a DEA, com um exemplo ilustrativo resolvido e discutido em detalhe.

Linhas de produção industrial automatizadas em fábrica moderna
Fábricas, filiais e linhas de produção são exemplos típicos de DMUs comparáveis em um modelo DEA.

O que é DEA e por que ela é diferente de um indicador de produtividade simples

Um indicador de produtividade tradicional (como unidades produzidas por hora trabalhada) compara apenas um insumo com um produto. A DEA, desenvolvida por Charnes, Cooper e Rhodes em 1978 (o chamado modelo CCR) e depois estendida por Banker, Charnes e Cooper em 1984 (modelo BCC), resolve um problema mais complexo: comparar unidades que usam vários insumos diferentes (por exemplo, mão de obra, energia e matéria-prima) para gerar vários produtos diferentes (por exemplo, unidades produzidas e taxa de conformidade), sem precisar atribuir pesos arbitrários a cada variável antes da análise. A técnica calcula, para cada unidade avaliada (chamada de DMU — Decision Making Unit), um escore de eficiência relativa entre 0 e 1 (ou 0% e 100%), definido em comparação com as demais unidades do próprio conjunto analisado — não com um padrão absoluto externo.

Por que a DEA é especialmente adequada para TCCs de Engenharia de Produção

A Engenharia de Produção lida rotineiramente com processos que combinam múltiplos recursos para gerar múltiplos resultados — exatamente o cenário em que técnicas de comparação simples (uma razão entre um insumo e um produto) perdem informação relevante. Além disso, a DEA não exige que o pesquisador defina previamente pesos de importância entre as variáveis: o próprio modelo de otimização encontra, para cada DMU, o conjunto de pesos mais favorável a ela dentro de restrições razoáveis, o que reduz a subjetividade do pesquisador na comparação. Isso torna a técnica atraente tanto para comparar unidades de uma mesma empresa (filiais, linhas de produção, turnos) quanto para comparar organizações inteiras de um mesmo setor, desde que dados comparáveis estejam disponíveis para todas elas.

Passo a passo para aplicar a DEA no seu TCC

  1. Defina as DMUs (unidades de análise). Podem ser fábricas, filiais de uma rede, linhas de produção ou até unidades de negócio — desde que sejam comparáveis entre si, realizando processos semelhantes.
  2. Escolha os insumos (inputs) e os produtos (outputs). Insumos são recursos consumidos (mão de obra, matéria-prima, energia, capital); produtos são resultados gerados (unidades produzidas, receita, taxa de conformidade). A escolha das variáveis deve ser justificada teoricamente, não apenas pela disponibilidade de dados.
  3. Escolha o modelo (CCR ou BCC) e a orientação (input ou output). O modelo CCR assume retornos constantes de escala; o BCC assume retornos variáveis, mais realista para unidades de tamanhos muito diferentes. A orientação a insumo busca a redução máxima possível dos insumos mantendo o produto constante; a orientação a produto busca o aumento máximo possível do produto mantendo os insumos constantes.
  4. Rode o modelo em um software (pacotes específicos de DEA, ou pacotes de R/Python com bibliotecas de otimização linear, ou até planilhas com solver, para conjuntos pequenos de DMUs).
  5. Interprete o escore de eficiência de cada DMU, identificando quais unidades são eficientes (escore = 1, ou 100%) e quais têm folga (slack) a reduzir ou potencial a explorar.

Exemplo ilustrativo resolvido (dados fictícios)

Gráfico de fronteira de eficiência de um modelo DEA
As DMUs eficientes formam a fronteira que envolve o restante do conjunto — daí o nome “envoltória” da técnica.

Considere cinco fábricas fictícias de uma mesma rede, cada uma avaliada com dois insumos (número de funcionários e consumo de energia em MWh/mês) e um produto (unidades produzidas por mês). Fábrica A: 20 funcionários, 100 MWh, 4.000 unidades. Fábrica B: 25 funcionários, 120 MWh, 4.500 unidades. Fábrica C: 18 funcionários, 90 MWh, 4.200 unidades. Fábrica D: 30 funcionários, 150 MWh, 4.000 unidades. Fábrica E: 22 funcionários, 110 MWh, 4.800 unidades. Rodando um modelo DEA-CCR orientado a insumo neste conjunto, a Fábrica C tende a aparecer como referência de eficiência (produz quase tanto quanto as maiores usando menos recursos), enquanto a Fábrica D tende a aparecer como a menos eficiente do grupo (usa os insumos mais altos para o menor volume de produção). Esse padrão qualitativo é típico de exercícios de DEA, mas os escores numéricos exatos exigem rodar o modelo em um software apropriado — não calcule manualmente e apresente um número exato sem essa etapa.

Do exemplo ao problema de pesquisa: uma estrutura completa

Veja como esse exemplo fictício poderia sustentar um problema de pesquisa formulado. Problema de pesquisa: “Qual é a eficiência relativa das fábricas de uma rede industrial, considerando mão de obra e consumo energético como insumos e volume de produção como produto?” Objetivo geral: calcular e comparar a eficiência relativa das fábricas da rede por meio de Análise Envoltória de Dados. Objetivos específicos: (1) calcular os escores de eficiência de cada fábrica pelo modelo DEA-CCR; (2) identificar as unidades de referência (peers) das fábricas ineficientes; (3) propor recomendações práticas de melhoria com base nas peers identificadas. Esse tipo de estrutura — do modelo escolhido ao objetivo declarado — é o que a banca espera encontrar de forma explícita na introdução do TCC, não apenas no capítulo de resultados.

Como interpretar as unidades de referência (peer units)

Além do escore de eficiência, a DEA identifica, para cada DMU ineficiente, um conjunto de unidades de referência (peers) — DMUs eficientes cuja combinação de insumos e produtos serve de parâmetro para a unidade ineficiente melhorar. No exemplo fictício acima, se a Fábrica C for identificada como eficiente e aparecer como referência para a Fábrica D, isso significa que a Fábrica D deveria estudar especificamente as práticas da Fábrica C, em vez de apenas buscar ser mais eficiente de forma genérica — essa é uma das interpretações mais valorizadas em um capítulo de discussão de TCC, porque transforma um número abstrato em uma recomendação prática e específica.

Análise de sensibilidade: por que testar variações do modelo

Um capítulo de resultados robusto costuma testar como os escores de eficiência mudam quando uma variável é incluída ou removida do modelo, ou quando o modelo CCR é substituído pelo BCC. Se os resultados mudarem drasticamente com pequenas alterações nas variáveis escolhidas, isso é um sinal de que o modelo é sensível demais à especificação escolhida, e a discussão do TCC deve declarar essa limitação explicitamente. Rodar mais de uma especificação do modelo, mesmo que apenas como verificação de robustez apresentada em anexo, fortalece bastante a credibilidade da análise perante a banca, especialmente quando o número de DMUs disponíveis já é relativamente próximo do mínimo recomendado pela literatura.

Como declarar a metodologia no seu TCC

A metodologia precisa declarar: quantas DMUs foram incluídas na análise (a literatura recomenda um número mínimo de DMUs bem maior que a soma de insumos e produtos, para que o modelo tenha poder discriminante suficiente); quais variáveis foram escolhidas como insumos e produtos, com justificativa teórica para cada uma; qual modelo foi usado (CCR ou BCC) e por quê; qual orientação foi escolhida (insumo ou produto); e qual software ou pacote foi usado para rodar o modelo, com a versão específica. Declarar o número de DMUs é especialmente importante, porque um modelo DEA com poucas DMUs em relação ao número de variáveis tende a classificar quase todas as unidades como eficientes, o que esvazia o poder analítico da técnica — esse é um dos pontos mais frequentemente questionados por bancas em defesas que usam DEA.

Erros mais comuns ao usar DEA em um TCC

  • Poucas DMUs em relação ao número de variáveis. Um número insuficiente de unidades em relação a insumos e produtos reduz o poder discriminante do modelo, classificando quase tudo como eficiente.
  • Escolher variáveis sem justificativa teórica. Incluir uma variável só porque o dado estava disponível, sem embasar a escolha no referencial teórico do trabalho.
  • Não declarar o modelo (CCR ou BCC) e a orientação usados. Essas escolhas metodológicas mudam a interpretação dos resultados e precisam constar explicitamente no texto.
  • Tratar o escore de eficiência como um valor absoluto. A eficiência calculada pela DEA é sempre relativa ao conjunto de DMUs analisado, não um padrão absoluto de desempenho.
  • Ignorar as unidades de referência (peers) na discussão. Deixar de usar os peers identificados pelo modelo como base para recomendações práticas é desperdiçar uma das informações mais úteis que a técnica gera.
  • Não testar a sensibilidade do modelo a diferentes especificações. Apresentar um único resultado sem verificar se ele se mantém estável com pequenas mudanças nas variáveis escolhidas.

Checklist antes de fechar o capítulo de resultados

  • O número de DMUs é suficientemente maior que a soma de insumos e produtos usados no modelo?
  • Cada variável de insumo e produto tem justificativa teórica declarada, não apenas disponibilidade de dado?
  • O modelo (CCR ou BCC) e a orientação (insumo ou produto) estão explicitados na metodologia?
  • O software e a versão usados para rodar o modelo estão declarados?
  • As unidades de referência (peers) de cada DMU ineficiente foram discutidas na análise, não apenas os escores?

Perguntas frequentes

Preciso de um software especializado para rodar um modelo DEA?

Não necessariamente. Existem pacotes gratuitos específicos de DEA, além de bibliotecas de otimização linear disponíveis em R e Python. Para conjuntos pequenos de DMUs, é possível até usar a ferramenta Solver do Excel, embora softwares dedicados de DEA facilitem bastante a interpretação dos resultados e dos peers.

Qual a diferença entre o modelo CCR e o modelo BCC da DEA?

O modelo CCR assume retornos constantes de escala, ou seja, presume que dobrar os insumos dobra proporcionalmente os produtos possíveis. O modelo BCC assume retornos variáveis de escala, mais adequado quando as DMUs analisadas têm tamanhos muito diferentes entre si, como uma fábrica pequena e uma fábrica muito maior na mesma amostra.

Quantas DMUs preciso ter para um TCC com DEA ser considerado metodologicamente robusto?

Não há um número fixo em norma, mas a literatura de DEA costuma recomendar que o número de DMUs seja pelo menos duas a três vezes maior que a soma do número de insumos e produtos usados no modelo, para preservar o poder discriminante da análise.

A DEA substitui a análise estatística tradicional em um TCC de Engenharia de Produção?

Não substitui — são técnicas complementares. A DEA mede eficiência relativa entre unidades; testes estatísticos tradicionais (como regressão ou testes de comparação de médias) respondem outros tipos de pergunta, como relações causais ou diferenças entre grupos. Muitos TCCs usam a DEA para gerar os escores de eficiência e depois aplicam um teste estatístico para investigar quais fatores explicam essas diferenças.

Posso usar a DEA com dados de uma única empresa, comparando apenas suas próprias filiais ou linhas de produção?

Sim, é um dos usos mais comuns em TCCs de Engenharia de Produção — desde que a empresa tenha um número suficiente de unidades comparáveis (filiais, linhas, turnos) para que o modelo tenha poder discriminante, e que os dados de insumos e produtos estejam disponíveis para todas as unidades incluídas na análise.

Para continuar planejando o seu TCC de Engenharia de Produção, veja também como fazer um TCC de Engenharia de Produção do zero, como montar o cronograma do TCC de Engenharia de Produção, qual teste estatístico usar na etapa seguinte da sua análise de eficiência, e como citar na ABNT o software ou pacote usado para rodar o modelo DEA.

Escreva seu TCC com IA

Estruture, escreva e formate suas referências nas normas ABNT — com integridade acadêmica. Cadastro gratuito, sem cartão.

Comece grátis com o Tesify →

Categorias