Każda poprawa jakości procesów powinna składać się z dwóch etapów.
Pierwszy etap to etap kontroli, czyli doprowadzenie do sytuacji, w której proces zachowuje się stabilnie i przewidywalnie. Innymi słowy, występuje w nim tylko zmienność naturalna.
O tym, czym jest zmienność naturalna i jakie mamy rodzaje zmienności, przeczytasz tutaj: Wskaźniki Zdolności Procesu (Cp, Cpk, Pp, Ppk), czyli wszystko, co chciałeś wiedzieć, ale bałeś się zapytać — przewodnik
W drugim etapie musimy wprowadzić odpowiednie, konstruktywne i weryfikowalne zmiany w procesie, tak aby dostarczyć wartość, której oczekuje klient. Oznacza to najczęściej konieczność zmiany poziomu naszego procesu (celu) i redukcji zmienności.
Aby to jednak zrobić, potrzebujemy zebrać dobrej jakości dane i przeprowadzić prostą analizę statystyczną, dzięki czemu będziemy w stanie zidentyfikować i optymalnie ustawić czynniki w procesie (te kontrolowane, jak i zakłócenia), aby znaleźć się w „celu z minimalną zmiennością”.
Skuteczność wspomnianych etapów zależy od kilku rzeczy:
- Pytań, na które musimy odpowiedzieć (wstępne hipotezy)
- Wiedzy o naszym procesie
- Znajomości metod analizy danych
- Warunków, w jakich zbieraliśmy dane
- Badania składników zmienności, które pozwala zidentyfikować główne źródła zmienności
- Efektywnego eksperymentowania
W tym artykule chciałbym Ci przedstawić jedną z najważniejszych metod, którą każdy, kto zajmuje się poprawą procesów, znać powinien — o Six Sigma Green Belt’ach i Black Belt’ach nie wspominam, choć przyznam, że nigdy nie spotkałem żadnego, który znałby tę technikę.
Tą metodą jest właśnie Badanie Składników Zmienności (ang. Components of Variation, COV).
Dowiesz się jak zidentyfikować główne źródła zmienności na podstawie planów próbkowania, jak w prosty sposób wizualizować takie plany oraz czym jest uwikłanie źródeł zmienności.
Zapraszam do lektury.
Zawartość artykułu
Drzewa Próbkowania
O tym czym jest Problem Solving, jaki jest proces i czego potrzebujemy, aby efektywnie rozwiązywać problemy, możesz przeczytać tutaj: Problem Solving, czyli rozwiązywanie problemów wszelakich dla początkujących
Sukces w redukcji zmienności procesu zależy od stopnia zrozumienia i zarządzania źródłami zmienności będącymi składowymi całkowitej obserwowanej zmienności procesu. Dzięki zrozumieniu tych głównych źródeł zmienności będziemy wiedzieć gdzie mamy kierować nasze wysiłki i w dużym stopniu redukujemy czas potrzebny na poprawę procesu.
Technikę COV pokażę na przykładzie pomiaru lepkości cieczy, gdzie klient miał problem z lepkością jednego ze swoich produktów. Lepkość wyrażona jest w centypauzach. Specyfikacja to 1000 +/- 100.
Najpierw musimy się dowiedzieć, z czym mamy problem, czy jest to problem położenia procesu, czy rozproszenia, czy może obu tych rzeczy na raz.
A jeśli jest to problem rozproszenia, to czy mamy do czynienia ze zmiennością naturalną, czy specjalną?
W tym celu z 30 partii produkcyjnych pobrano losowo po jednej próbce, jak poniżej:
Jak możemy przedstawić taki plan zbierania danych?
W tym celu będziemy używać Planów Próbkowania (ang. Sampling Plan), inaczej zwanych też Drzewami Próbkowania (ang. Sampling Tree):
Na samej górze drzewa próbkowania mamy źródła zmienności, które się nie zmieniały podczas naszego badania. To tzw. nasze „ograniczenia wnioskowania”.
Jest to niezwykle istotne, ponieważ:
Analiza danych, interpretacja wyników i akcje podjęte na tej podstawie, muszą być ściśle połączone z wiedzą procesową i ekspercką, a warunki, w których będą podjęte akcje na podstawie analizy danych, będą się różnić od warunków, w których badanie zostało przeprowadzone.
Różnica tych warunków i ich wpływu na proces musi zostać oceniona przez ekspertów i właścicieli procesów.
Z czym mamy problem, położeniem czy rozproszeniem?
Tak zebrane dane możemy przedstawić np. na histogramie.
Widzimy tutaj, że proces jest wycentrowany, ale mamy problem z rozproszeniem. Zmienność procesu jest większa niż granice specyfikacji.
Ocena stabilności procesu
Następnym pytaniem, na które musimy odpowiedzieć, jest pytanie o rodzaj zmienności. Czy mamy do czynienia tylko ze zmiennością naturalną w naszym procesie, czy dodatkowo ze zmiennością specjalną? Inaczej mówiąc, pytamy, czy nasz proces jest przewidywalny.
W tym celu użyjemy karty kontrolnej wartości indywidualnych i ruchomego rozstępu (I-MR).
Dzięki ruchomym rozstępom wartości indywidualnych oceniamy zmienność krótkoterminową oraz używamy ich jako podstawy do oceny zmienności długoterminowej.
Zobaczmy, jak wygląda karta kontrolna dla naszych danych:
Jak widzisz, ruchome rozstępy są w limitach kontrolnych, co oznacza, że zmienność krótkoterminowa pomiaru lepkości w naszym procesie jest przewidywalna. Jeśli tak jest, to możemy oceniać kartę wartości indywidualnych.
Tutaj także wszystkie wartości są wewnątrz limitów kontrolnych, co oznacza, że nie występowały dodatkowe źródła zmienności długoterminowe, poza tymi uchwyconymi w ruchomych rozstępach.
W związku z tym nasz proces pomiaru lepkości możemy uznać za przewidywalny lub mówiąc inaczej “w stanie kontroli statystycznej”.
Wewnątrz czy pomiędzy?
Naszym celem jest redukcja zmienności tego procesu. Aby posunąć się dalej, musimy zrozumieć jakie źródła zmienności zostały uchwycone w naszej karcie kontrolnej.
Wróć proszę, do naszego pierwszego drzewa próbkowania i zobacz, z jakich źródeł zmienności składa się pojedyncza wartość.
Mamy tu to trzy główne źródła zmienności:
- pomiar
- próbka do próbki, czyli zmienność wewnątrz partii
- partia do partii
Te źródła zmienności uchwycone są przez ruchome rozstępy na naszej karcie I-MR.
I teraz rodzi się pytanie, które z tych źródeł zmienności jest dominujące?
Widząc, że mamy tylko jeden pomiar na próbkę, musimy założyć, że analiza systemu pomiarowego została przeprowadzona, dzięki czemu jesteśmy w stanie oszacować zmienność pochodzącą od systemu pomiarowego oraz jego stabilność.
Załóżmy, że system pomiarowy jest OK, a zmienność, którą wprowadza, jest do pominięcia.
Dalej pozostaje pytanie, czy dominującym źródłem zmienności jest zmienność partia do partii, czy zmienność wewnątrz partii?
Dwa możliwe scenariusze możesz zobaczyć poniżej:
Odpowiedź na to pytanie jest kluczowa, ponieważ dzięki temu będziemy wiedzieć gdzie mamy skupić nasze wysiłki w celu redukcji zmienności.
Jeśli okaże się, że mamy do czynienia ze scenariuszem 1, wtedy naszym zadaniem będzie identyfikacja czynników i zakłóceń, które powodują zmienność wewnątrz partii. Nie będziemy się zajmować czynnikami i zakłóceniami, które powodują zmienność pomiędzy partiami.
Jeśli prawdziwy będzie scenariusz 2, wtedy sytuacja będzie odwrotna.
W obu przypadkach wiemy gdzie skierować nasze wysiłki oraz zwiększamy efektywność działań, zyskując przy tym czas, ponieważ nie będziemy później testować czynników i zakłóceń, które są mało istotne w kontekście redukcji zmienności.
Inna struktura przyczynowo-skutkowa odpowiada za zmienność wewnątrz partii, a inna za zmienność pomiędzy partiami.
Niestety tak zebrane dane nie są wstanie udzielić nam odpowiedzi, z jakim scenariuszem mamy do czynienia, ponieważ mamy “uwikłane” źródła zmienności — jeden pomiar dla jednej próbki i jednej partii.
Więc jak musimy zebrać dane, aby dowiedzieć się, jakie jest dominujące źródło zmienności?
Musimy pobrać przynajmniej dwie próbki dla jednej partii. W naszym przykładzie pobraliśmy losowo 3 próbki dla każdej partii jak poniżej:
Tak zebrane dane możemy przedstawić za pomocą drzewa próbkowania, jak poniżej:
Poniżej możesz zobaczyć wykres wartości indywidualnych dla danych zebranych zgodnie z naszym drugim planem próbkowania.
Jak widzisz, prawdopodobnie głównym źródłem zmienności jest zmienność wewnątrz partii (większość prostokątów zachodzi na siebie).
Aby zmniejszyć subiektywizm, użyjemy karty kontrolnej Xbar-R, która odpowie nam na dwa pytania:
Gdzie jest główne źródło zmienności (wewnątrz partii czy pomiędzy partiami) oraz czy zmienność wewnątrz partii jest przewidywalna (zmienność naturalna).
Kartę Xbar-R możesz zobaczyć poniżej:
Jako że 3 pomiary tworzą podgrupę i pochodzą z jednej partii, wielkość rozstępów odzwierciedla te źródła zmienności, które są aktywne wewnątrz partii (oraz zmienności pochodzącej z systemu pomiarowego).
Jeśli wszystkie rozstępy są w granicach limitów kontrolnych, to zmienność wewnątrz partii możemy uznać za przewidywalną (naturalną).
Każda wartość na karcie Xbar reprezentuje średnią z trzech próbek dla jednej partii.
Jeśli wszystkie wartości średnie znajdują się wewnątrz limitów kontrolnych, oznacza to, że nie mamy dodatkowych źródeł zmienności pomiędzy partiami poza tymi, które zostały uchwycone na karcie rozstępu, czyli źródeł zmienności wewnątrz partii.
Mamy zatem potwierdzenie, że dominującym źródłem zmienności jest zmienność wewnątrz partii, czyli scenariusz 1.
Teraz zespół musi zrozumieć, co może powodować taką sytuację. Jakie przyczyny generują taką zmienność. Może to być np. gradient temperatury lub słabe wymieszanie materiału. Tutaj potrzebujemy wiedzy eksperckiej i procesowej.
Przy stabilnym procesie, możemy także estymować jaki procent zmienności “konsumują” poszczególne składniki w stosunku do całkowitej uchwyconej zmienności procesu.
Jak widzisz, zmienność wewnątrz partii konsumuje około 99% całkowitej zmienności procesu.
Zwiększ efektywność rozwiązywania problemów
Zobaczymy teraz, jak może wyglądać sytuacja dla scenariusza 2.
Jak widzisz, teraz głównym źródłem zmienności jest zmienność partia do partii (prostokąty wyraźnie skaczą góra-dół).
A jak będzie wyglądać karta Xbar-R dla powyższej sytuacji?
W tym przypadku mamy większość wartości średnich poza limitami kontrolnymi. Nie oznacza to absolutnie, że mamy do czynienia z przyczynami specjalnymi.
Oznacza to, że mamy dodatkowe źródła zmienności poza tymi uchwyconymi w karcie rozstępów. Te źródła powodują różnice między partiami.
Dzięki naszemu planowi próbkowania jesteśmy w stanie odseparować komponenty zmienności działające wewnątrz partii i pomiędzy partiami.
Karta rozstępu pokazuje, że zmienność wewnątrz partii jest przewidywalna, a karta wartości średnich, że zmienność pomiędzy partiami dominuje nad zmiennością wewnątrz partii — tak działa karta Xbar-R.
Co może być powodem takiej sytuacji? Na przykład materiał wejściowy lub ustawienia procesu, które zmieniają się partia do partii.
Na tym etapie mamy jeszcze jedno pytanie, na które musimy odpowiedzieć.
Czy zmienność partia do partii, która jest dominującą, jest przewidywalna, inaczej mówiąc, czy możemy się spodziewać pewnego zakresu zmienności pomiędzy partiami, czy raczej ten proces jest nieprzewidywalny?
W tym celu możemy użyć ponownie karty I-MR, gdzie ruchome rozstępy ze średnich wartości każdej partii posłużą nam jako podstawę do oceny stabilności procesu.
Taką kartę możesz zobaczyć poniżej:
Mając wszystkie wartości średnie z każdej partii wewnątrz limitów kontrolnych, dochodzimy do wniosku, że zmienność partia do partii jest stabilna w czasie (naturalna).
Możemy też obliczyć procentowy udział składników zmienności:
Jak widzisz zmienność pochodząca od partii stanowi około 95% całkowitej uchwyconej zmienności.
Wielopoziomowe plany próbkowania
W przypadku badania składników zmienności nie musimy ograniczać tylko do dwupoziomowych drzew próbkowania.
Jeśli hipoteza byłaby taka, że system pomiarowy konsumuje zbyt dużo zmienności lub jest nieprzewidywalny (nie możemy sukcesywnie odtwarzać pomiarów) to możemy np. zrobić dwa pomiary na próbkę.
Wtedy nasze drzewo będzie trzypoziomowe jak poniżej:
W praktyce oczywiście nie byłoby konieczności zbierania dwóch pomiarów dla każdej próbki dla 30 partii. Moglibyśmy ograniczyć się tylko do kilku partii.
Taki plan próbkowania odpowiedziałby na pytanie, gdzie jest dominujące źródło zmienności:
- pomiar do pomiaru
- próbka do próbki
- partia do partii
Dzięki temu wiedzielibyśmy gdzie pracować — z jakim źródłem zmienności oraz jak pracować — zmienność naturalna lub specjalna.
Poniżej możesz zobaczyć przykładowe plany próbkowania, z których każdy odpowiadał na konkretne pytania i był wynikiem postawionych hipotez.
PODSUMOWANIE
Badanie składników zmienności (ang. Components of Variation study, COV) jest niezwykle użytecznym narzędziem, dzięki któremu jesteśmy w stanie ukierunkować nasz wysiłek w celu redukcji zmienności w procesach oraz znacząco skrócić czas potrzebny do rozwiązania problemu, niezależnie od rodzaju procesu.
Składnikiem zmienności może być wiele rzeczy: materiał wejściowy, operator, przezbrojenie, maszyna, zespół, pewien okres czasowy, system IT, sprzęt pomiarowy, partia materiału, linia produkcyjna, komponent, fabryka lub region.
Bez znajomości tej techniki redukcja zmienności jest niezwykle trudna i często mało efektywna. To jeden z powodów, dla których często słyszę, że Six Sigma nie działa. Zespół zrobił Ishikawę i stanął w miejscu albo testuje czynniki, których testować nie powinien.
Zauważ, że w tej technice nie używałem żadnych statystycznych skomplikowanych narzędzi, a jedynie same metody graficzne. Analiza danych ma być tak prosta, jak to tylko możliwe, udzielając odpowiedzi na pytanie, które nas interesuje.
A teraz pytanie do Ciebie: jak wyglądałby plan próbkowania, gdybyś podejrzewał niehomogeniczność w partii w przykładzie z problemem lepkości?
Podobał Ci się wpis? Nie przegap następnego!
Zwiększ efektywność rozwiązywania problemów
Nazywam się Tomasz Leśniewicz i prowadzę SIGMA Value Consulting — butikową praktykę szkoleniowo-doradczą, której misją jest przekazywanie wiedzy na temat efektywnego rozwiązywania problemów i poprawy jakości przy użyciu danych, narzędzi Six Sigma i krytycznego myślenia.
