Khi tôi được đào tạo với tư cách là Đai xanh và Đai đen, tôi không hiểu hết giá trị của phân tích hệ thống đo lường (MSA). Khái niệm này đã hoạt động, nhưng tôi nghĩ đó là điều mà bạn thực hiện trong một dự án trong số 10 – chỉ khi bạn có cơ hội rõ ràng để chuẩn bị một nghiên cứu với khả năng đánh giá độ lặp lại và khả năng tái tạo.
Thời gian trôi qua, tôi đã được đào tạo thành Võ sư Đai đen. Làm việc ở Anheuser-Busch InBev, tôi bắt đầu tham gia các buổi huấn luyện dự án Green Belt. Tôi tự mình huấn luyện các dự án và sau đó bắt đầu dạy Thắt lưng xanh và Thắt lưng đen. Và trong mỗi cuộc thảo luận ở giai đoạn Đo lường, tôi đã nghe, đặc biệt là từ các nhà lãnh đạo dự án phi sản xuất: “Đúng, nhưng MSA áp dụng cho tôi như thế nào? Tôi cải thiện thị phần, tôi không thể sử dụng gage R&R ở đó ”.
Đã từng làm việc với một số nhà cung cấp nội dung đào tạo, tôi vẫn cảm thấy rằng một cái nhìn tổng quát tốt về câu hỏi còn thiếu. Dễ dàng tìm thấy “nội dung khó” như gage R&R hoặc giải thích phân tích thỏa thuận thuộc tính, nhưng không có hướng dẫn tốt về cách thực hiện MSA trong các trường hợp “nhẹ nhàng hơn”.
Bài viết này cố gắng cung cấp tổng quan cấp cao cho câu hỏi chọn phương pháp phù hợp để kiểm tra tính hợp lệ của dữ liệu.
Chọn KPI phù hợp
Bất kỳ dự án cải tiến nào cũng phải xử lý dữ liệu theo định nghĩa. Peter Drucker, người sáng lập của quản lý hiện đại, đã nói, “Bạn không thể cải thiện những gì bạn không đo lường được.” Vâng, hãy nói chính xác. Không có dữ liệu, bạn có thể có thể cải thiện mọi thứ, nhưng bạn sẽ không bao giờ chứng minh bạn đã thành công. Đây là lý do tại sao trong tất cả các khóa đào tạo về quản lý dự án, các mục tiêu SMART (cụ thể, đo lường được, có thể đạt được, phù hợp, có thời hạn) được thảo luận.
Điều quan trọng nữa là mức độ phù hợp của chỉ số hiệu suất chính (KPI). Trong sản xuất, mọi công ty đều đo lường hiệu suất của mình ở cấp độ nhà máy và cấp độ máy riêng lẻ. Tuy nhiên, điều này là không đủ để cải thiện quy trình.
Ví dụ về sản xuất
Hãy xem xét một ví dụ về sản xuất. Một công ty sản xuất muốn nâng cao hiệu quả thiết bị tổng thể (OEE) của dây chuyền đóng gói. Chúng tôi sử dụng nguyên tắc Pareto để đi sâu vào vấn đề. Nếu không có hệ thống đo lường hạt tại chỗ, nó phải được thiết lập. Nhưng giả sử chúng ta có. Chúng tôi chia OEE thành các danh mục và xem các thuộc tính thời gian ngừng hoạt động theo kế hoạch cho 30% tổng công suất mất mát; chúng tôi dành quá nhiều thời gian cho việc thay đổi. Bước tiếp theo sẽ là xác định số lần thay đổi và thời gian của mỗi lần thay và sau đó áp dụng phương pháp đổi khuôn theo phút (SMED) để giảm thời gian chuyển đổi. Chỉ số chính phù hợp cho dự án này có thể là thời gian chuyển đổi trung bình. Nó phải được đo lường một cách đáng tin cậy. Làm thế nào tôi có thể chắc chắn để tin tưởng vào con số này?
Ví dụ về phi sản xuất
Bây giờ chúng ta hãy lấy một ví dụ phi sản xuất. Bộ phận hậu cần của một công ty hàng tiêu dùng nhanh (FMCG) muốn giảm số lượng việc không tuân thủ đúng giờ, đầy đủ (OTIF) do các vấn đề liên quan đến vận tải. KPI cấp dịch vụ không đủ chi tiết để cung cấp khả năng hiển thị cần thiết. Chúng ta cần xem xét các danh mục trong cấp độ dịch vụ. Tuy nhiên, việc đặt mục tiêu giảm tỷ lệ các vấn đề liên quan đến vận tải trong tổng số các vấn đề là sai vì KPI này có thể cải thiện đơn giản khi một số danh mục OTIF khác xấu đi. KPI đúng ở đây sẽ là tỷ lệ phần trăm các vấn đề liên quan đến vận tải trên tổng số lô hàng.
Vì vậy, chúng tôi đã chọn KPI phù hợp. Rồi sao? Hãy đo đường cơ sở, cải thiện hiệu suất và chứng minh sự khác biệt, phải không? Không hẳn. Chúng tôi vẫn cần đảm bảo rằng chúng tôi có thể tin tưởng vào những số liệu này.
Chọn phương pháp xác thực dữ liệu phù hợp
Nếu bạn có một dự án liên quan đến cải thiện KPI, làm thế nào để bạn xác nhận tính chính xác của dữ liệu? Nói chung, bạn phải cân nhắc xem bạn có thể lập kế hoạch thử nghiệm hay không. Tuy nhiên, ngay cả khi bạn chỉ có dữ liệu lịch sử, có thể làm được nhiều việc để đánh giá mức độ tin cậy đối với hệ thống đo lường.
Hình 1 cho thấy nỗ lực cung cấp thuật toán để có được phương pháp xác nhận phù hợp.
Hình 1: Cây quyết định
Hãy minh họa cây quyết định này bằng một vài ví dụ.
1. Một công ty nước giải khát sản xuất chai có nắp vặn. Cần đo mômen xoắn. Đây là dữ liệu liên tục được đo trực tiếp bằng thiết bị. Tuy nhiên, không thể thực hiện lại các phép đo đối với các chai giống nhau vì đây là phép thử phá hủy. Do đó, phương pháp gage R&R lồng nhau cần được áp dụng.
2. Một công ty bia đã sản xuất một số lượng hạn chế của một nhãn hiệu đặc biệt trong vài năm qua. Do khiếu nại của khách hàng, chúng tôi nghi ngờ có một số vấn đề với vị đắng của sản phẩm. Bia không được sản xuất nữa và chúng tôi không có quyền truy cập vào cơ sở kiểm tra chất lượng, nhưng chúng tôi có dữ liệu lịch sử. Độ đắng có thể được đo liên tục, nhưng chúng tôi không thể thực hiện lại các bài kiểm tra. Chúng tôi phải thực hiện phân tích dữ liệu thăm dò để đưa ra giả định về việc liệu chúng tôi có thể tin tưởng vào các số liệu hay không.
3. Một công ty in sử dụng mực lỏng trong quá trình sản xuất. Để cung cấp chất lượng tốt, mực in phải có độ nhớt phù hợp, được đo bởi người vận hành máy in tại máy. Độ nhớt được đo gián tiếp bằng số giây cần để mực chảy ra khỏi phễu đo tiêu chuẩn. Nó là dữ liệu liên tục được đo trực tiếp. Chúng tôi có thể đánh giá cả độ lặp lại và độ tái lập. Nếu chúng ta có dữ liệu cân bằng (tức là, số lượng phép đo trên mỗi mẫu bằng nhau giữa và bên trong các nhà khai thác và / hoặc thiết bị đo lường), chúng ta sẽ thực hiện một nghiên cứu kết hợp giữa gage R&R truyền thống.
Nếu dữ liệu không cân bằng hoặc chúng tôi muốn tính đến các yếu tố bổ sung (ví dụ: tương tác giữa các nhà khai thác khác nhau và các thiết bị đo lường khác nhau), chúng tôi sẽ sử dụng R&R đồng hồ mở rộng.
4. Một công ty thép cố gắng giảm tổng lượng điện tiêu thụ của mình; nó được đo bằng đồng hồ của nhà máy. Nó được hiệu chỉnh, nhưng chúng ta có thể tin tưởng điều này ở mức độ nào? Đây là dữ liệu liên tục được đo trực tiếp, nhưng không có cách nào để kiểm tra lại điều này. Cách duy nhất để xác minh là tìm một hệ thống đo lường thay thế và sau đó so sánh các số liệu bằng cách sử dụng T-kiểm tra. Phương án thay thế này có thể là công tơ điện được cung cấp hoặc tổng số công tơ riêng lẻ được lắp đặt trong nhà máy (trong cả hai trường hợp, tổn thất lưới điện cũng phải được tính đến).
Phương pháp này sẽ không bao giờ cho bạn biết chính xác mức độ tin cậy của hệ thống đo lường. Tuy nhiên, những gì bạn sẽ nhận được là khoảng tin cậy của sự khác biệt giữa hai hoặc một số giá trị từ các hệ thống đo lường khác nhau, vì vậy bạn có thể quyết định xem bạn có hài lòng với sự khác biệt này hay không. Lưu ý quan trọng: phân tích phương sai (ANOVA) và T-test giả định tính bình thường của dữ liệu. Đối với dữ liệu không bình thường, hãy sử dụng các bài kiểm tra phi tham số tương ứng.
5. Dây chuyền đóng gói dược phẩm có bộ phận kiểm soát loại bỏ mọi gói hàng có trọng lượng dưới mức cho phép (điều này có thể xảy ra nếu thiếu tờ rơi). Đầu ra rời rạc (chấp nhận / từ chối) là chức năng của đầu vào liên tục (trọng lượng tính bằng gam). Do đó, để đánh giá độ chính xác của bộ phận điều khiển này, cần phải áp dụng phương pháp nghiên cứu đo lường thuộc tính.
6. Trong các cuộc phỏng vấn tuyển dụng, người đánh giá đánh giá mức độ phù hợp văn hóa của ứng viên trên thang điểm từ 1 đến 5. Dựa trên yếu tố này và các yếu tố khác, một người khác có thể quyết định có giao việc cho ứng viên hay không. Trong trường hợp đầu tiên, nó là một phép đo thứ tự rời rạc (bạn chỉ có thể có số nguyên). Trong trường hợp thứ hai, nó là nhị phân rời rạc (có / không). Trong cả hai trường hợp, bạn có thể áp dụng phân tích thỏa thuận thuộc tính.
Một số ví dụ về phân tích dữ liệu khám phá
Một vài công cụ phân tích đồ họa đơn giản có thể cho bạn biết hơn hàng nghìn từ. Người ta nói rằng chỉ có ba quy tắc về dữ liệu: “Quy tắc đầu tiên: Vẽ dữ liệu! Quy tắc thứ hai: Vẽ dữ liệu! Quy tắc thứ ba: Vẽ sơ đồ dữ liệu! ” Đối với mục đích của chúng tôi, điều đó có nghĩa là xem xét phân phối dữ liệu, kiểm tra cách xử lý của quy trình theo thời gian và tìm kiếm một số bất thường – các bước này có thể giúp bạn xác định xem có điều gì sai với dữ liệu hay không. Hai ví dụ sau đây.
Ví dụ 1: Vị đắng của bia
Bản tóm tắt đồ họa của Minitab trong Hình 2 dưới đây cho thấy dữ liệu này không bình thường. Dữ liệu có ba phương thức (đột biến đặc biệt ở ba vị trí) có thể được gây ra bởi sự thay đổi trong quy trình hoặc do các yếu tố khác.
Hình 2: Tóm tắt về Vị đắng
Không có quá trình tự nhiên nào có thể được giải thích như thế này; do đó, chúng tôi không thể đưa ra bất kỳ kết luận đáng tin cậy nào trước khi chúng tôi hiểu bản chất của sự bất thường này. Các mức tăng đột biến ở đơn vị 12, 15 và 18 có liên quan gì đến các thông số kỹ thuật của quy trình không? Đúng. Dung sai thấp hơn là 12 và dung sai trên là 18, đặt giá trị giữa (và mục tiêu) là 15. Điều này có thể được thấy trong phân tích khả năng hiển thị trong Hình 3.
Hình 3: Khả năng xử lý vị đắng
Một số thao tác dữ liệu nhất định đã diễn ra, trong đó các giá trị đo được (đặc biệt là những giá trị vượt quá thông số kỹ thuật trên) được làm tròn đến con số “thoải mái”. May mắn thay, phân tích khả năng cho thấy quy trình thực sự trông như thế nào.
Kết luận thực tế ở đây là dữ liệu lịch sử không đáng tin cậy. Toàn bộ quá trình lấy và ghi lại các phép đo cần được cải thiện.
Ví dụ 2: Sử dụng keo
Một trong những hoạt động trong sản xuất bao bì bia là dán nhãn vào chai. Keo nóng chảy được sử dụng cho việc này, và việc tiêu thụ nó được kiểm soát và báo cáo. Đối với nỗ lực tối ưu hóa mức tiêu thụ keo, trước tiên hãy xem dữ liệu lịch sử (Hình 4).
Hình 4: Dữ liệu lịch sử về việc tiêu thụ keo
Thậm chí không nhận được một p-giá trị, rõ ràng là dữ liệu không bình thường. Tại sao có thể như vậy? Nhìn vào một chuỗi thời gian (Hình 5) có thể giúp giải thích.
Hình 5: Chuỗi thời gian tiêu thụ keo
Những gì biểu đồ cho thấy là trung bình hàng tuần – không phải là bức tranh tiêu thụ hàng ngày. Các phép đo thực tế được thực hiện rõ ràng mỗi tuần một lần và mỗi con số được làm mịn trong vài ngày. Có yêu cầu báo cáo tiêu thụ hàng ngày; tuy nhiên, dường như không ai bận tâm đến những con số bằng nhau từ ngày này qua ngày khác.
Do đó, các phép đo thực tế hàng ngày bắt đầu thực hiện dẫn đến nhiều thông tin chi tiết hơn có sẵn để tối ưu hóa quy trình trong tương lai.
Phần kết luận
Bất kể chúng tôi tối ưu hóa quy trình nào, chúng tôi luôn cần dữ liệu. Bất cứ khi nào chúng ta sử dụng dữ liệu, chúng ta luôn phải nghi ngờ tính chính xác của nó. Nếu phân tích thống kê có thể được tiến hành để ước tính sai số đo thì nên thực hiện. Nếu không thể thực hiện được, hãy tìm cách gián tiếp để hiểu mức độ tin cậy mà chúng ta có thể có đối với hệ thống đo lường đã cho.
Bạn cũng có thể thích
Nguồn: www.isixsigma.com
