O desenvolvimento de métodos de seleção de variáveis em processos produtivos tem encontrado suporte no elevado volume de informações coletadas para fins de monitoramento e controle do processo. Embora métodos para a seleção de variáveis com propósitos de predição venham sendo amplamente sugeridos na literatura, a seleção de variáveis com vistas à classificação de observações em processos industriais permanece pouco explorada. Este artigo sugere extensões no método em Anzanello et al. (2009) com vistas à redução da variância do percentual de variáveis retidas para a classificação de bateladas de produção em duas classes. As variáveis de processo são analisadas pela regressão por mínimos quadrados parciais (Partial Least Squares - PLS) e ordenadas em termos de importância. As observações (representando bateladas de produção) são classificadas através da ferramenta k-vizinhos mais próximos (KVP) à medida que as variáveis são eliminadas. O melhor subconjunto de variáveis é escolhido via análise de Pareto. O método sugerido reduziu o percentual e a variância das variáveis retidas, e conduziu a incrementos sensíveis de acurácia, tanto em dados simulados como em dados de processos industriais.