На процесс постоянно влияет множество дестабилизирующих факторов: люди каждый день регулируют все, что можно и нельзя, сырье изменяет свои характеристики, оборудование изнашивается и восстанавливается с новыми параметрами, технология не успевает за изменениями в процессе или задает неоптимальные настройки, возрастающие требования потребителя определяют новые параметры результата. Все эти изменения нужно видеть и вовремя на них реагировать.
Статистический контроль процессов, СКП (statistical process control, SPC) – это метод контроля показателей качества продукта/результата и эффективности процесса, использующий статистические инструменты для мониторинга и управления процессом.
Понятие Statistical Process Control было введено Уолтером Шухартом, ученым в области теории управления качеством. Концепцию статистической управляемости процессов он разработал в 1924 г., а уже в 1931-м опубликовал отчет об использовании контрольных карт и первую книгу – «Экономическое управление качеством промышленной продукции». Теория и практика статистического контроля Шухарта оказали большое влияние на создание концепции повышения эффективности процессов Six Sigma.
Статистический контроль процессов помогает увидеть «слабые сигналы» процесса и определить отклонения в настройках факторов управления, которые оказывают реальное влияние на характеристики результата (рис. 6.34).
Процесс всегда дает нам сигналы, что что-то пошло не так. Когда в нем происходят изменения, они вызывают отклонения в параметрах результата. Эти отклонения могут быть сильными и заметными или слабыми – их сложно определить без специального инструментария.
Значительные отклонения, как правило, происходят при существенном изменении управляющих факторов процесса. Эти сигналы явные, и мы можем быстро реагировать на них, так как отклонения достаточно легко определить:
● резко увеличивается процент брака в продукции;
● происходят аварии, и оборудование перестает работать;
● быстро возрастает количество претензий потребителей;
● значительно падает пропускная способность каналов передачи данных;
● много клиентов отказываются от услуг компании и уходят к конкурентам.
Для выявления таких грубых отклонений и поиска причин у нас уже есть инструменты: диагностика дефектов и потерь, сравнительный анализ групп данных по управляющим факторам процесса, диаграмма Ишикавы и метод «5 Почему».
К сожалению, у этих событий есть еще один общий признак: мы реагируем, когда негативные для нашего бизнеса изменения в процессе уже произошли и их последствия стали очевидны. В этот момент автоматически приходит понимание того, что можно было предупредить аварию. Если бы мы знали, что в процессе что-то происходит неправильно.
Практически всегда процесс предупреждает нас о том, что будет авария. Но делает он это на своем «языке данных».Мы должны научиться понимать этот язык и видеть эти предупреждения.
Часто изменения в процессе происходят не резко, а постепенно:
● Процент брака увеличивается, но только в определенных ситуациях.
● Настройки оборудования становятся неустойчивыми.
● Требования потребителей изменяются от периода к периоду.
● Увеличивается количество пиковых перегрузок каналов.
● Происходят нерегулярные колебания оттока клиентов.
В общем потоке данных процесса заметить такие отклонения сложно, так как они неспособны быстро и сильно ухудшить общий «средний» результат. Поэтому современные методы управления направлены на выявление даже незначительных отклонений и своевременную корректировку настроек процесса. Действия операторов должны вернуть процесс в оптимальное состояние, как только обнаружен такой «слабый сигнал». Оперативные корректировки не требуют больших усилий и затрат ресурсов, но помогают избежать «большой аварии» и не допустить больших потерь.
Именно для работы с «незаметными» отклонениями и точной настройки процессов на оптимальный результат предназначен статистический контроль процессов.
Преимущество статистического контроля процессов состоит в раннем обнаружении и предотвращении проблем, а не в исправлении проблем после того, как они уже возникли.
В обычной жизни мы идем исследовать процесс, когда произошла авария или увеличился объем брака – когда что-то плохое уже случилось. При этом вполне естественно возникает желание не исправлять последствия негативной ситуации, а найти способ узнать о ней заранее и как-то ее предотвратить. Именно для этой цели активно применяется статистический контроль.
Статистический контроль помогает обнаружить опасные отклонения и вовремя настроить или починить процесс, чтобы исключить саму возможность производить дефекты. Так мы переходим от исправления дефектов к предупреждению дефектов. И это очень важный шаг в управлении процессом и управлении качеством.
Особые причины и случайная вариация
В процессе всегда существует вариабельность – разброс параметров результата. Это отклонения из-за естественного изменения параметров на «входах», обычной нестабильности в самом процессе или влияния внешних факторов. Важно так настроить процесс, чтобы вариабельность всегда была в границах, соответствующих требованиям клиентов.
Когда в процессе происходят изменения, они вызывают отклонения в параметрах результата. Они могут быть сильными и заметными или слабыми – их сложно определить без специального инструментария. Что можно узнать о причинах возникновения дефектов, обладая только данными измерений на выходе процесса?
Особая причина – существенное изменение одного или нескольких факторов, оказывающих сильное влияние на параметры результата процесса.
В качестве особых причин, как правило, выступают значимые события в процессе:
● изменение технологии, настроек оборудования или условий внешней среды;
● выбор нового поставщика или ключевых параметров сырья;
● смена исполнителя или переход от одной рабочей смены к другой.
В каждом таком случае происходит значительное изменение какого-либо фактора управления процессом. Если этот фактор оказывает сильное влияние на параметры результата, то мы увидим это в распределении данных измерений (рис. 6.35).
На гистограмме распределения данных заметно выделяются два пика. Следовательно, изменение фактора приводит к изменению параметров результата. Если мы проведем отдельные измерения при разных состояниях этого фактора, то увидим различия и в средних значениях, и в разбросах данных измерений.
При сравнении этих двух групп данных по соответствию целевым значениям и допускам нормативов легко сделать выводы о положительном или отрицательном влиянии перехода из одного состояния фактора в другое.
Выявление «особых причин» – первый шаг к определению источника дефектов. Обнаружив такие изменения в результатах процесса, можно оперативно провести исследование и точно указать причину проблемы.
Дело в том, что какая-то вариабельность управляющих факторов на «входах» процесса и результата на «выходе» существует всегда. Мы увидим разброс параметров результата, даже если нет грубых и заметных изменений факторов, которые в статистике называются «особыми причинами».
Случайная вариация – естественный разброс параметров результата, соответствующий стабильному функционированию процесса.
Стабильным состоянием процесса можно считать периоды, когда на него не действуют «особые причины» – не происходят существенные изменения управляющих факторов.
Выделив такие периоды, можно определить возможности процесса по выпуску качественной продукции в его стабильном состоянии (рис. 6.36):
● насколько процесс способен производить продукцию без дефектов;
● какой у процесса запас надежности – насколько он способен компенсировать влияние дестабилизирующих «особых причин» без потери качества результата.
Анализируем диаграммы распределений данных относительно границ допуска:
1. Процесс производит дефекты даже в своем стабильном состоянии.
2. Процесс не производит дефекты, но запаса надежности нет и любое дестабилизирующее воздействие приведет к возникновению дефектов.
3. Есть запас надежности, и процесс не будет производить дефекты даже при влиянии «особых причин».
Очевидно, что необходимый уровень запаса надежности определяется по структуре и объему потерь из-за дефекта. Чем больше и «дороже» потери из-за дефекта, тем лучше следует обеспечивать надежность процесса.
Для описания и анализа «случайной вариации», как правило, используется нормальное распределение вероятностей (распределение Гаусса), которое играет важнейшую роль во многих сферах жизни и производства, так как чаще всего встречается в природе.
Простое правило нормального распределения: чем больше отклонение от среднего значения, тем меньше вероятность такого результата.
Если физическая величина является суммой многих случайных, слабо взаимозависимых величин, каждая из которых вносит малый вклад относительно общей суммы, то распределение такой величины стремится к нормальному распределению (рис. 6.37).
На диаграмме нормального распределения «сигма» (σ – среднеквадратическое отклонение) показывает степень вариабельности результата, то есть ширину «колокола разброса» данных результата на выходе процесса.
Попробуем упрощенно описать метод расчета среднеквадратического отклонения (σ):
1. Определяем среднее измерений результата.
2. Рассчитываем разницу между каждым значением измерений и средним.
3. Для исключения отрицательных величин возводим разницу в квадрат.
4. Рассчитываем среднее значение получившихся величин.
5. Вычисляем квадратный корень этого среднего значения.
В итоге получаем показатель, который определяет среднее отклонение данных измерений от среднего значения этих же данных. Естественно, среднеквадратическое отклонение автоматически рассчитывается в Excel или других программах для работы с данными.
Сигма определяется в тех же единицах, в которых мы проводим измерения результата, и это удобно для применения в разных оценках и графиках. Например, чтобы сравнить стабильность двух разных состояний процесса, нет необходимости строить и анализировать диаграммы, а достаточно сравнить всего два показателя.
Следует отметить, что с точки зрения «правильной» статистики и математики все сложнее, но для решения задач оптимизации в обычных производственных процессах этот упрощенный подход вполне приемлем.
Поскольку в процессах, как правило, действует множество факторов влияния, данные измерений результата должны «распределяться нормально». Кроме того, мы уже выяснили, что настройка процесса на целевое значение результата демонстрирует аналогичную закономерность: чем больше отклонение, тем меньше вероятность такого события.
Для исследований важно помнить, что в общем случае:
● в диапазон ±1σ от среднего значения попадает ~68,2 % данных измерений;
● в диапазоны от ±1σ до ±2σ попадает ~27,2 % данных измерений;
● в диапазоны от ±2σ до ±3σ попадает ~4,2 % данных измерений;
● вероятность результата с отклонением, превышающим ±3σ, равна ~0,2 %.
Эта информация помогает нам управлять процессом. После не очень сложных измерений и расчетов мы очень хорошо понимаем, каких результатов можно ожидать от процесса в его естественном стабильном состоянии. Сравнить с действующими или целевыми нормативами и принять соответствующие решения по его настройке.
Понятно, что в «живом» процессе эти соотношения не будут выполняться абсолютно точно и мы не увидим «идеального колокола» распределения данных измерений. Но для наших целей приблизительного соответствия форме вполне достаточно, чтобы применять нормальное распределение для статистического анализа данных и управления процессом.
Главное ограничение анализа «случайной вариации»: управляющие факторы должны находиться в относительно стабильном состоянии без значительных изменений. По определению, «управляющий» фактор оказывает сильное влияние на результат, и его изменение нарушит «случайный» характер распределения данных.
В стабильном состоянии, когда нет влияния «особых причин», управляющий фактор подвержен только незначительным случайным колебаниям, что дает нам возможность использовать нормальное распределение для анализа «случайной вариации», исследовать надежность процесса по созданию качественного результата и использовать эту информацию для управления и прогнозирования результата.
Настройка процесса по методике «Шесть сигм» предполагает целенаправленную работу по уменьшению разброса параметров результата, смещению среднего значения в середину диапазона допуска и исключению дестабилизирующих воздействий на процесс.
Если еще раз посмотреть на нормальное распределение вероятностей случайных событий, то видно, что при отклонении больше трех сигм вероятность таких событий незначительна и стремится к нулю. А на расстоянии 6 сигм от среднего значения составляет 0,00034 % (рис. 6.38).
При идеальной настройке процесса от среднего до ближайшей границы допуска укладывается 6 сигм. Тогда вероятность нарушить норматив и произвести дефектную продукцию – меньше 4 дефектов на миллион возможностей. Следовательно, такой запас надежности процесса практически исключает возможность появления дефектов и обеспечивает стабильность показателей выпускаемой продукции.
Основная идея методики «Шесть сигм» – управление надежностью процесса по целевым характеристикам качества продукта и эффективности производства.
Естественно, уровень надежности «6 сигм» требуется только в незначительной части процессов: если необходимо обеспечить безопасность людей, очень высокую точность производства или предупредить очень большие потери. Получить и удержать такое качество организации процесса – сложная и ресурсоемкая задача. Как правило, в обычных процессах требуемый уровень сигм ниже и рассчитывается по целевым показателям бизнеса.
Стабильное качество – существенная экономия ресурсов
Стабильность качества процесса и результата, в свою очередь, позволяет многократно снизить затраты ресурсов на выявление и доработку брака, обслуживание рекламаций неудовлетворенных клиентов, содержание сервисных служб и дорогостоящую систему контроля. Хорошо настроенный процесс обеспечивает максимальное качество результата и экономит большое количество ресурсов, исключая потери на утилизацию брака и исправление дефектов.
Методы управления процессами на основе анализа их надежности давно стали общим стандартом в мировой практике и активно используются для повышения ключевых показателей эффективности.
Алгоритм внедрения СКП
Алгоритм внедрения статистического контроля процессов включает в себя целый комплекс подготовительных мероприятий, обеспечивающих точность и достоверность данных в дальнейших исследованиях и мониторинге показателей процесса:
● Проверка и корректировка точности существующей системы измерения – мы должны быть уверены в качестве собираемых данных.
● Расчет объема выборки, обеспечивающего репрезентативность данных, – по небольшому количеству измерений мы должны сделать правильные выводы о показателях для всего объема производимой продукции.
● Правильный выбор контрольных карт – специальных графиков, с помощью которых мы определяем существенные отклонения в процессе из-за «особых причин».
Разработка СКП (рис. 6.39) требует хорошей квалификации специалистов и заметных затрат времени. Но после правильного внедрения мониторинг процесса и выполнение корректирующих действий становятся доступными даже рядовому оператору.
Основные шаги алгоритма внедрения СКП:
Шаг 1. Определение метода измерения
Используем простой стандартный вариант разработки метода измерения, который мы подробно рассмотрели в предыдущем разделе:
● Цель. Зачем мы будем проводить измерения?
● Измеряемый параметр. Что будем измерять?
● Требуемая точность. Какая точность необходима и достаточна?
● Объем данных. Какого объема данных будет достаточно?
● Точка измерений в процессе. Где измеряем?
● Инструменты измерения. Чем измеряем?
● Требования к операторам. Кто измеряет?
● Процедура измерения. Как проводим измерения?
● Формы для внесения данных. Куда записываем данные?
● Ответственный. Кто контролирует измерения?
Правильное планирование измерений экономит наше время и силы.
Шаг 2. Анализ системы измерения
Для уверенного использования данных, собираемых существующей СИ, необходимо удостовериться, что:
● контролеры правильно понимают цели и методы измерений;
● контрольные инструменты способны обнаружить отклонения;
● система способна учитывать все дефекты в выборке;
● измерения проводятся на регулярной основе;
● возможны обработка и количественный анализ данных.
Очень важно убедиться, что мы фиксируем изменения в процессе, а не отклонения и разброс параметров в самой системе измерений.
Шаг 3. Мероприятия по снижению ошибки измерения
Если мы обнаружили ошибки и отклонения, создаваемые системой измерения, то мы обязаны ее откорректировать до начала регулярного мониторинга процесса. В зависимости от того, какие ошибки измерений выявлены, разрабатывают корректирующие мероприятия:
● обучение и проверка квалификации контролеров;
● юстировка или замена контрольных инструментов;
● доработка процедуры и/или регламента измерений;
● доработка или разработка новых форм для записи данных измерений.
Результат этого упражнения – твердая уверенность в достоверности и актуальности данных, используемых для анализа и управления процессом.
Шаг 4. Расчет и план выборки
Измерять в поисках отклонения или дефекта всю производимую продукцию, как правило, сложно, дорого или невозможно. Поэтому имеет смысл сделать расчет репрезентативной выборки и брать для исследования такое минимальное количество единиц продукции, чтобы:
● мы могли сделать достаточно точные выводы о характеристиках всего объема производимой продукции;
● минимизировать наши затраты ресурсов и времени на измерения.
Правильный баланс точности выводов и стоимости измерений обеспечивает бизнес-эффективность любой системы контроля.
Шаг 5. Сбор данных в процессе
Следует помнить, что процедура измерений должна быть понятной и удобной для участников процесса. Иначе мы рискуем получить значительное снижение качества данных из-за человеческого фактора и выполнить неправильные действия по настройкам процесса. Поэтому необходимо уделить достаточно внимания и времени разработке процедуры измерений, ее проверке в «живом» процессе и последующему контролю ее исполнения.
Придуманная «в кабинете» процедура измерений может сильно измениться после пилотных проверок «в живом процессе».
Шаг 6. Разработка контрольных карт
Контрольные карты Шухарта (рис. 6.40) – специальный вид временных графиков, которые используют для оперативного визуального контроля состояния процесса. Анализируется положение точек (данных измерений) относительно рассчитанных и отмеченных на графике сигм уровней.
Определенные положения точек на графике свидетельствуют о статистически значимых отклонениях в естественном ходе процесса.
Шаг 7. Разработка плана реагирования
Контрольные карты – это сигнальная система, отслеживающая отклонения в процессе, значимые с точки зрения статистики. Выявив такое отклонение, необходимо отреагировать на него корректировкой настроек процесса.
План реагирования:
● Описание существенных отклонений, которые можно наблюдать в процессе.
● Список корректирующих действий по каждому типу отклонений, возвращающих процесс в его оптимальное состояние.
Это достаточно простая таблица, рассказывающая, что конкретно должен сделать оператор, когда он увидел отклонение на графике контрольной карты.
Шаг 8. Выявление «особых причин»
Определенный набор точек данных измерений на графике контрольной карты показывает влияние на процесс «особой причины» – какого-то существенного изменения в процессе. Есть целый набор стандартных тестов контрольных карт (рис. 6.41).
Определив на контрольной карте такое расположение точек, оператор понимает, что в процессе произошли статистически значимые изменения. Следовательно, необходимо проверить, что происходит, и действовать по «Плану реагирования».
Шаг 9. Поиск и устранение «особой причины» отклонения
Различные сигналы, которые мы получаем от процесса, соответствуют разным более или менее опасным ситуациям. Соответственно, наши действия по реагированию тоже будут различаться (рис. 6.42).
Например, несколько стандартных тестов, требующих реагирования различной интенсивности:
1. Единичные «выбросы» более 3 сигм от среднего значения – нормальная ситуация, но если они встречаются часто, то имеет смысл усилить контроль. Вполне вероятно, что увеличится разброс данных.
2. Отклонение 4 из 5 точек подряд за уровень в 1 сигму от среднего – ситуация маловероятная с точки зрения статистики. Следовательно, что-то заметно повлияло на процесс, и нам необходимо провести расследование, чтобы выяснить причину.
3. Шесть измерений показывают последовательный рост или снижение значений – опасная ситуация, когда отклонение быстро увеличивается и может привести к аварии или большому объему брака. В этом случае часто рекомендуют сначала остановить процесс, а потом разбираться в причинах.
Шаг 10. Расчет и проверка Ср и Cpk
Когда мы видим на графике контрольной карты, что нет «особых причин» изменений в процессе, мы делаем вывод, что он находится в своем естественном стабильном состоянии.
И мы можем исследовать «случайную вариацию», чтобы понять, насколько процесс вообще способен производить качественную продукцию и есть ли запас надежности по качеству (рис. 6.43).
Индексы Ср и Cpk – специальные расчетные показатели, которые позволяют оценить величину запаса надежности процесса по качеству.
Шаг 11. Поиск источников «случайной вариации» и снижение вариабельности
Процесс должен обеспечивать 100-процентное качество результата по характеристикам, соответствующим требованиям клиента.
Процесс должен быть устойчивым к внешним воздействиям и обладать запасом надежности, обеспечивающим стабильность качества результата.
Поэтому мы должны правильно настроить свой процесс:
1. Уменьшить разброс значений результата, чтобы все значения результата были в пределах допуска с хорошим запасом надежности (рис. 6.44).
2. Сместить среднее значение в середину диапазона допуска, если при хорошем разбросе значений процесс производит дефекты из-за смещения всего распределения за границу диапазона допуска (рис. 6.45). /li>
Для этого нам придется определить управляющие факторы процесса, влияющие на величину разброса значений и смещение среднего значения.
Шаг 12. Постоянный мониторинг процесса
После внедрения всех составляющих статистического контроля процессов можно начинать регулярный мониторинг (рис. 6.46), который помогает нам:
● выявлять и устранять «особые причины», приводящие к существенному ухудшению результатов процесса;
● исследовать и устранять причины «случайной вариации» для точной настройки и повышения стабильности результатов процесса.
Статистический контроль процессов позволяет оперативно выявлять слабые сигналы об отклонениях от оптимальных настроек процесса и своевременно их корректировать, предупреждая возможность возникновения брака и аварий.
Статистический контроль процессов – новый формат управления
А это, в свою очередь, обеспечивает высокий уровень и стабильный запас надежности качества производимой продукции. Так происходит переход от традиционного исправления произведенного брака к обеспечению надежности процесса по качеству.
Анализ системы измерений
Любая СИ обязательно создает некоторые собственные «отклонения», так как точность измерительных инструментов не абсолютна, а действия людей вносят свой вклад в вариабельность данных: нарушаются правила проведения измерений или внесения информации, допускаются неточности или не проверяется измерительный инструмент.
Стандартные типы ошибок, которые часто наблюдаются при сборе данных:
● Ошибки измерения. Систематические ошибки, вызванные неправильным исполнением процедуры или отсутствием своевременной калибровки измерительных приборов.
● Ошибки операционные. Нарушение процедуры, включая пропуск данных и неточности в данных. Такие ошибки неизбежны, если нет контроля, непонятно написаны инструкции, процедура неудобна исполнителю или измерение отнимает много рабочего времени и влияет на производительность.
● Ошибки вовлеченности. Сам факт проверки вызывает изменения в действиях операторов на рабочем месте. Когда оператор видит или знает, что в какой-то период осуществляется контроль качества продукции, обычное функционирование процесса может измениться. И вопреки ожиданиям необязательно в лучшую сторону: излишнее напряжение может приводить к ошибкам.
● Ошибки восприятия. Достаточно часто оператор видит то, что предполагает увидеть, и не замечает того, что ему кажется «маловероятным». Этот тип ошибки сильно проявляется при визуальном контроле качества.
Поэтому для эффективного внедрения СКП необходимо выполнить основные условия применимости СИ: актуальность и достоверность данных, необходимая и достаточная точность измерений, регулярность и стабильность работы.
Анализ измерительных систем (Measurement System Analysis, MSA) – метод оценки применимости используемой измерительной системы на основе исследования точности значений измеряемых величин.
Методикам анализа систем измерений посвящено много правильных книг, которые позволяют нам рассмотреть такой анализ схематично для общего понимания этой составляющей процесса.
Чем точнее и сложнее СИ, тем более тщательной должна быть проверка. Если заинтересованный в результате исследователь производит единичные замеры в течение короткого периода с использованием заведомо качественного измерительного оборудования, вполне достаточно убедиться в аккуратности исполнения процедуры.
Совсем другая ситуация, когда несколько рабочих-операторов должны постоянно проводить замеры обычными «цеховыми» инструментами, хорошо осознавая, что отрицательный результат приведет к дополнительной работе по настройке оборудования. Придется провести полноценный анализ системы измерения.
Если представить, что точка в центре круга является той реальной величиной, которую измеряет исследователь, а другие точки – это результаты измерений, то можно рассмотреть четыре базовые ситуации (рис. 6.47):
1. Точки данных измерений плотно сконцентрированы в непосредственной близости от реального значения – это очень хорошая СИ.
2. Точки данных измерений разбросаны в пределах некоторого поля допуска. Результаты исследования получаются не очень точные, но мы по крайней мере понимаем это и готовы учитывать этот факт при анализе и разработке решений.
3. Смещение – точки данных измерений сгруппированы плотно, но на существенном «расстоянии» от реального значения. В этом случае оператор уверенно предполагает, что реальное значение находится где-то в центре группы данных измерений, и основывает на этом свои решения. Такая ошибка может быть фатальной для управления качеством продукта или процесса.
4. Подобное сочетание разброса данных и смещения – верный признак того, что СИ никуда не годится и все собранные с ее помощью данные можно спокойно выбросить в корзину.
Для принятия управленческих решений в отношении продукции или процессов необходимо доверять данным, на основе которых сделаны выводы о причинах дефектов и источниках потерь. Именно уверенность в эффективности систем измерения лежит в основе управления производственными процессами.
Поэтому для понимания качества СИ нужно как минимум проверить следующие основные показатели:
● Стабильность. Возможность измерительной системы обеспечить в долгосрочном периоде одинаковые данные при измерении одного и того же элемента.
Если в течение некоторого времени мы измеряем один и тот же эталонный объект и получаем существенный разброс данных, то очевидно, что при производственных исследованиях эта ошибка случайным образом будет искажать наши данные.
Еще хуже, если в этих отклонениях обнаружится некоторая закономерность. Тогда высока вероятность, что мы будем гоняться за призраками: искать в процессе несуществующие факторы влияния, вызывающие это системное отклонение.
● Смещение. Разница между реальной измеряемой величиной и средним значением данных измерений.
Очевидно, что именно смещение представляет наибольшую опасность для неискушенного исследователя: нет такого очевидного признака неточности системы, как заметный разброс значений и создается ложное впечатление надежности данных. В реальных процессах, к сожалению, такая ситуация возникает достаточно часто.
● Линейность. Величина смещения изменяется при увеличении/уменьшении значений измеряемых параметров.
Возможна ситуация, когда величина смещения зависит от того, что измеряют. Например, чем больше значение измеряемого параметра, тем больше смещение. Этот вариант ошибки характерен для электронного аналогового измерительного оборудования, в котором линейность и стабильность достигаются сложной системой компенсации. Отсутствие регулярной калибровки по всему диапазону измерений вполне может вызвать весьма ощутимые отклонения в данных.
● Повторяемость. Оценка стабильности и величины ошибки измерений, производимых одним оператором с помощью одного и того же измерительного инструмента.
Так мы определяем величину ошибки, вносимой конкретным человеком, исполняющим процедуру измерений.
● Воспроизводимость. Оценка стабильности и величины ошибки измерений, производимых разными операторами с помощью одного и того же измерительного инструмента.
Так мы определяем величину ошибки, вносимой при исполнении процедуры измерений разными операторами.
Если применить анализ системы измерений к существующим СИ, то можно получить очень поучительную информацию. И заметно улучшить качество управления процессом.
Непрерывные данные – это данные, которые можно нанести на непрерывную шкалу с различным масштабом делений: температура, время, дистанция, вес, давление…
И количество выпускаемой продукции.
Простой метод оценки системы измерения непрерывных данных основан на проведении серии измерений «эталонной величины», характеристики которой определены очень точно. Например, при анализе обычной «производственной» СИ мы можем использовать объект, параметры которого исследованы в лабораторных условиях с помощью более точных инструментов измерения.
«Эталонные объекты» могут быть очень разными:
● деталь, все параметры которой измерены очень точно;
● высокоточные генераторы электрических/световых/звуковых волн;
● образец материала, изготовленный и исследованный в лабораторных условиях.
Проводя серию измерений одного и того же объекта, теоретически мы должны получить одинаковые данные. В реальном процессе результаты измерений будут различаться, и нас интересует величина отклонения результатов измерений от «эталона».
Если отклонение превышает требования к СИ по точности, нельзя использовать эту систему измерения для статистического контроля процесса.
Для оценки СИ непрерывных данных в простом варианте исследования необходимо выполнить несколько очевидных действий:
1. Выбрать до 10 объектов-эталонов и определить точные «эталонные значения» исследуемых характеристик.
2. Провести измерения и внести данные в таблицу (табл. 6.9). Например, операторы проводят по три измерения каждого из эталонов. Естественно, объекты представляются операторам в случайном порядке и без маркировки.
3. Сравнить результаты измерений с «эталонными значениями» и оценить величину отклонений средних значений и величину разброса данных измерений:
● по каждому из операторов – так можно оценить среднюю величину ошибки, вносимой каждым оператором;
● по разным операторам – так можно оценить среднюю величину ошибки из-за того, что измерения в процессе проводят разные операторы.
4. Выявить источник наибольшей вариации в данных измерений и определить первоочередные действия по корректировке:
● Повторяемость – нестабильность данных одного оператора: необходимо провести анализ точности и проверить калибровку измерительного инструмента.
● Воспроизводимость – нестабильность данных разных операторов: необходимы дополнительное обучение операторов и/или корректировка процедуры.
5. Исследовать смещение и линейность, сравнивая результаты измерений с «эталонными значениями», чтобы оценить качество инструментария измерений:
■ Смещение – оцениваем разницу между эталонной величиной и средним значением данных измерений по инструменту, оператору и группе операторов. Для этого необходимо фиксировать, каким инструментом проводятся измерения. Так мы можем определить отклонения из-за смены инструмента измерений.
● Линейность – оцениваем величину смещения при увеличении/уменьшении значений измеряемых параметров. Для этого необходимо выбрать «эталоны» в рамках всего диапазона возможных изменений исследуемого параметра.
Как правило, этих простых операций вполне достаточно для хорошего понимания и количественной оценки влияния людей и инструментария на результаты измерений.
В качестве стандартного критерия применимости СИ обычно используется сравнение величины вносимой ошибки и диапазона допустимых значений. Максимальное граничное значение этого критерия: суммарное отклонение по всем видам ошибок в системе измерения не должно превышать 30 % диапазона допуска.
Безусловно, это очень грубая граница, но она определяет, когда мы точно не можем использовать существующую систему измерения и обязательно должны ее исправить, чтобы иметь право делать выводы на основе полученных данных. Более жесткие нормативы определяются требованиями к характеристикам результата конкретного бизнес-процесса.
Транснациональный производитель оборудования для добычи нефти. При перемещении из цеха в цех высокоточное измерительное оборудование зимой подвергалось резким и сильным перепадам температуры, что приводило к существенным отклонениям в точности измерений.
Количественный анализ помогает сделать правильные выводы о стабильности данных и применимости системы измерения для целей статистического контроля процессов.
Дискретные данные – это данные, которые представляют события в формате двух состояний: «наблюдаем дефект / дефекта нет», «черное/белое», «успел/опоздал»…
Если наличие дефекта определяется в формате «есть дефект / нет дефекта» на основе решения оператора, то проверка качества системы измерения становится еще проще.
Цель исследования – оценить необходимость корректировки процедуры контроля, операционных определений дефекта и условий, в которых операторы проводят выявление дефектов в готовой продукции.
Для проверки подготавливают 10–20 единиц продукции, часть которых содержат исследуемый дефект. Если характеристики дефекта могут быть различными, например длина царапины на поверхности или опечатка в тексте, то выбирать дефектную продукцию для исследования нужно случайным образом. Иначе можно получить выборку «очень явных» дефектов, существенно облегчив задачу операторам, и обесценить результаты исследования – в реальной жизни будут встречаться не только такие «очевидные» дефекты.
Продукция из подготовленной выборки в случайном порядке подается на контроль операторам, и их решения фиксируются в таблице (табл. 6.10). Необходимо, чтобы один оператор проверил одну единицу продукции как минимум дважды.
Зафиксированные в таблице решения операторов сравниваются с заранее известной информацией о наличии или отсутствии дефекта и между собой:
● Если все результаты совпадают и соответствуют реальной ситуации, то систему контроля можно считать применимой.
● Если нарушается «повторяемость», то есть способность одного оператора получить одинаковые результаты при контроле одного объекта, то нужно сконцентрировать внимание на выполнении процедуры и условиях, в которых проводится контроль. Зная, что нужно контролировать, оператор то «видит», то «не видит» дефект.
● Если нарушается «воспроизводимость», то есть способность разных операторов получать одинаковые результаты при контроле одного объекта, нужно проверить понимание ими операционных определений дефекта. Не исключено, что операторы «видят» одно и то же, но по-разному интерпретируют. В результате один человек считает, что дефект есть, а другой – что дефекта нет. В этом случае необходимо откорректировать формулировки описаний дефекта и добиться однозначного понимания характеристик всеми участниками измерений.
Если в таблице результатов контроля будет много расхождений, как в приведенном выше примере, то систему измерений использовать нельзя. И незначительной корректировкой здесь не обойтись. Потребуются нормальное исследование по выявлению всех причин ошибок и существенное улучшение всех составляющих системы измерений.
Банк, документарный конвейер. Анализ системы контроля на входе процесса выявил, что ряд специалистов «из лучших побуждений» завышали требования относительно утвержденных нормативов и отправляли на доработку правильно оформленные документы.
Цикл «анализ – корректировка» измерительной системы проводится вплоть до достижения абсолютной уверенности в достоверности получаемых данных.
Расчет объема выборки
Все и везде измерить просто невозможно. И совершенно не нужно. Для поиска причин дефектов и последующего мониторинга процесса, как правило, достаточно провести измерение только части объектов исследования: единиц продукции, состояния факторов управления, времени выполнения операций и т. д. (рис. 6.48).
Естественно, необходимо обеспечить условие репрезентативности выборки: основные характеристики в исследуемой части продукции должны максимально соответствовать характеристикам во всем объеме продукции.
Репрезентативность выборки – характеристики исследуемой части продукции должны с необходимой точностью соответствовать характеристикам во всем объеме продукции.
Предположим, что мы хотим определить процент дефектной продукции, произведенной за одну смену, а методы контроля – разрушающие. Например, производим фейерверки и проверить их качество можем, только сжигая их. Очевидно, что сплошной контроль качества в данном случае исключен. Значит, нужно исследовать такое количество фейерверков, чтобы достаточно точно определить процент брака в произведенной партии, но не уничтожить при этом большой объем продукции.
Банк, производство пластиковых карт. Входной контроль заготовок карт предполагает исследование 17 параметров качества на специальном стенде и является «разрушающим». Правильный расчет объема выборки необходим для снижения издержек без потери эффективности контроля.
Баланс между точностью и издержками можно подбирать экспериментально, анализируя рекламации потребителей, но лучше обратиться к рекомендациям «производственной» статистики. В «математической» статистике все существенно правильнее и сложнее, но мы будем пользоваться упрощенным вариантом.
Прежде чем рассматривать методы расчета выборки, нужно зафиксировать некоторые элементарные определения и термины, которые нам встретятся далее:
● Генеральная совокупность – все исследуемое множество объектов/единиц продукции.
● Выборка – подмножество единиц генеральной совокупности, на основании изучения которого формируется заключение о характеристиках всей генеральной совокупности.
Есть несколько основных методов извлечения выборки:
● Систематическая выборка: регулярный сбор образцов (каждые полчаса, каждый двадцатый). Наиболее приемлемый вариант в условиях обычных исследований обычных процессов.
● Случайная выборка: любой объект имеет равные шансы быть выбранным для исследования. Случайность выбора обеспечивается применением специальной методики, но этот подход значительно усложняет измерения. Возможный вариант при кратковременных и точечных исследованиях.
● Стратифицированная выборка: выборка из одной группы данных (например, выборка только из числа постоянных покупателей, данные только по одной смене). Применяется, когда нужно исследовать какую-то одну группу данных. Главное – чтобы это не было случайно…
Для «производственного» мониторинга процесса, когда регулярные измерения проводят обычные работники компании, наиболее удобна систематическая выборка.
Рассмотрим простую формула расчета объема выборки для дискретных данных:
где n – расчетное количество элементов в выборке;
t – определяется по таблице значений функции F(t) по необходимой доверительной вероятности.
Доверительная вероятность – вероятность того, что характеристики генеральной совокупности будут соответствовать характеристикам анализируемой выборки.
В практике чаще всего используют доверительную вероятность 95 % и соответствующее значение t = 1,96 (при 90 % t = 1,65, при 99 % t = 2,58).
p – исторические данные о доле брака в генеральной совокупности;
q – исторические данные о доле качественной продукции;
Δ – заданная точность (0,05 = ±5 %).
Как видно из формулы, объем выборки будет зависеть от того, с какой точностью мы хотим получить соответствие характеристик в выборке и генеральной совокупности, текущего состояния процесса по качеству и наших требований к достоверности выводов на основе выборочных исследований. Чем больше желаемая точность и уверенность в выводах, тем больше объем выборки. Чем больше брака в нашем процессе, тем больше единиц продукции нам придется взять на исследование.
Мониторинг качества продукции требует реальных затрат ресурсов, поэтому необходима оценка бизнес-аналитика, определяющего соответствие стоимости и точности контроля. Волне естественно, что для различных «объектов исследования» допустимы разные требования к качеству и надежности выборочного контроля.
● Если мы регулярно измеряем количество клиентов в очереди, высокая точность и достоверность данных не так критичны. Мы просто должны вовремя отреагировать на увеличение этого параметра и не допустить снижения удовлетворенности клиентов.
● Если мы контролируем параметры, от которых зависит безопасность людей, то обязаны обеспечить очень высокую точность и надежность нашей измерительной системы.
Продемонстрируем механику расчета на простом примере:
Продукция производится партиями по 10 000 штук, и нужно определить объем выборки для постоянного и регулярного контроля доли брака в каждой партии. Средний процент брака составляет приблизительно 5 %, следовательно, p = 0,05 и q = 0,95. При этом мы хотим обеспечить точность ±1 % (Δ = 0,01) и 95 %-ную вероятность получения достоверной информации (P = 0,95).
Проводим расчет и получаем требуемый объем выборки:
n = (1,962 · 0,05 · 0,95) / 0,012 = 1823
Вполне вероятно, что в нашем случае проверять каждое пятое изделие слишком трудоемко, дорого или просто невозможно. При этом стоимость ошибки невысокая, и можно уменьшить затраты ресурсов на измерения.
Для этого мы снижаем требования к точности исследований: Δ = 0,02 и P = 0,9.
n = (1,652 · 0,05 · 0,95) / 0,022 = 323
Мы видим, что объем выборки и, следовательно, затраты на сбор и обработку выборочных данных уменьшились практически в 6 раз.
Очень часто основная цель расчета объема выборки – найти оптимальный баланс между необходимой достоверностью данных и стоимостью регулярных измерений в процессе.
Институт Гэллапа, на протяжении многих десятилетий проводящий опросы населения, выявил, что при выборке 100 респондентов ошибка выборки будет в пределах ±11 %, при 600 респондентах – ±5 %, при 1500 – ±3 %, при 4000 – ±2 %. Поэтому институт проводит опросы на выборке 1500–2000 человек, предпочитая увеличение ошибки на 1 % многократному увеличению стоимости исследования.
Для непрерывных данных в формуле расчета выборки вместо долей «качественная продукция / брак» используется оценка среднеквадратического (стандартного) отклонения.
Среднеквадратическое (стандартное) отклонение (сигма, σ) показывает степень вариабельности результата в генеральной совокупности, то есть ширину «колокола разброса» данных результата на выходе процесса.
Оценка среднеквадратического отклонения s рассчитывается по данным выборки.
Сигма и s определяются в тех же единицах, в которых проводится измерение результата. Для расчета σ и s можно использовать функции Excel «стандотклон. г» и «стандотклон. в».
Формула объема выборки при исследовании непрерывных данных:
где n – количество элементов в выборке;
s – оценка среднеквадратического (стандартного) отклонения по данным выборки;
t – определяется в таблице значений функции F(t) по доверительной вероятности (при 0,95 % значение t = 1,96, при 90 % t = 1,65, при 99 % t =2,58);
Δ – заданная точность в единицах измерения непрерывных данных.
В простом варианте логику расчета можно представить так:
● чем больше разброс значений во всех результатах реального процесса (генеральной совокупности), тем больше будет необходимый объем выборки;
● чем больше желаемая точность и «доверительная вероятность» выводов на основе выборочных данных, тем больше будет объем выборки.
На первый взгляд, не совсем понятно, откуда взять данные для расчета стандартного отклонения, если мы только собираемся узнать объем выборки.
Во-первых, полное отсутствие данных – достаточно редкое явление даже в наших условиях. Во-вторых, подбор оптимального объема выборки может проходить в несколько этапов. В начале исследования можно использовать приблизительные данные и получить отправную точку для понимания текущей ситуации и более точных расчетов.
К этому упражнению необходимо отнестись очень ответственно: правильный расчет объема выборки существенно влияет на трудоемкость и качество регулярных измерений. Все затраты времени и сил на предварительные исследования окупятся многократно.
Завод по производству алюминиевой тары. Каждые 2 часа 5 образцов продукции каждого станка направляют на контроль на специальном стенде для проверки 3 ключевых параметров изделия.
Контрольные карты Шухарта
Почти 100 лет контрольные карты Шухарта активно используются для мониторинга процессов в самых разных направлениях деятельности. Контрольные карты применяются для диагностики статистически значимых отклонений и снижения вариабельности процессов – оперативное и своевременное выявление нестабильности позволяет повысить управляемость процесса и качество результата.
Контрольные карты являются ключевым инструментом статистического контроля процессов и предназначены для выявления влияния «особых причин» – существенных изменений одного или нескольких факторов, оказывающих сильное влияние на результат процесса (рис. 6.49).
В качестве «особых причин», как правило, выступают значимые события в процессе: изменение технологии, настроек оборудования или условий внешней среды, выбор нового поставщика или ключевых параметров сырья, смена исполнителя или переход от одной рабочей смены к другой. Если это событие оказывает сильное влияние на параметры результата, то мы увидим это в распределении данных на контрольной карте.
Контрольные карты Шухарта – специальный вид временных графиков, которые используются для оперативного визуального контроля состояния процесса. Анализируется положение точек данных измерений относительно рассчитанных и отмеченных на графике сигма-уровней.
Таким образом, контрольная карта отличается от обычного графика тем, что данные подвергаются обработке и рассчитываются контрольные сигма-уровни (рис. 6.50), что обеспечивает удобный для анализа формат.
Контрольная карта, как правило, включает в себя следующие основные элементы:
● Значения результатов измерений – временной график по данным измерений.
В зависимости от задачи анализа и типа карты это могут быть единичные значения измерений, средние значения в выборке, величина разброса значений в выборке…
● Среднее – центральная линия на графике, показывающая среднее значение результатов измерений за исследуемый период.
● Границы норматива – определяют допустимый с точки зрения потребителя диапазон значений измеряемого показателя. Это границы, переход за которые означает нарушение утвержденных нормативов – возникновение брака.
● Контрольные сигма-уровни – линии на графике, относительно которых оцениваются положения точек для определения статистически значимых закономерностей в изменении процесса.
Верхняя и нижняя границы в 3 сигмы и сигма-уровни в 1 и 2 сигмы рассчитываются по характеристикам процесса для визуального контроля процесса. Уровни показывают величину отклонения от центральной линии (среднего) на 1, 2 и 3 сигмы (стандартного отклонения).
С точки зрения статистики, если процесс находится в своем естественном состоянии и на него не оказывается какое-либо внешнее воздействие, то в общем случае должно выполняться условие «чем больше отклонение, тем меньше вероятность такого события»:
● в диапазон ±1σ от среднего значения попадает ~68,2 % данных измерений;
● в диапазоны от ±1σ до ±2σ попадает ~27,2 % данных измерений;
● в диапазоны от ±2σ до ±3σ попадает ~4,2 % данных измерений;
● вероятность результата с отклонением, превышающим ±3σ, равна ~0,2 %.
Контрольные сигма-уровни рассчитываются по данным измерений в процессе и служат для анализа статистической стабильности потока данных. Границы нормативов показывают диапазон допустимых значений, который определяется по требованиям потребителей.
Безусловно, в каждом процессе разрабатываются и утверждаются целевые нормативы по требованиям потребителей. Но процесс работает «как умеет», и реальные качественные показатели этой работы очень хорошо видны на контрольной карте.
Визуальный анализ контрольных карт (рис. 6.51) позволяет быстро выявить влияние различных факторов на изменение результата – практически сразу после события. Так можно найти причины брака или настройки процесса, обеспечивающие отличное качество продукции.
На рисунке хорошо видно, что контрольная карта показывает особые временные участки:
● 5 измерений, когда качество было существенно хуже средних значений за период;
● 5 измерений, когда количество дефектов последовательно нарастало.
Исследование таких закономерностей позволяет собрать информацию о факторах, влиявших на процесс в течение этого периода: изменениях в характеристиках сырья и материалов, новых настройках оборудования, нарушениях технологии и т. д.
Анализ контрольных карт – определенные положения точек на графике относительно сигма-уровней свидетельствуют о статистически значимых отклонениях в естественном ходе процесса.
Процедура анализа очень простая и доведена до элементарного сравнения расположения точек на контрольной карте с несколькими типовыми ситуациями. Такие типовые расположения точек называются «признаками выхода процесса из-под контроля» и сведены к набору интуитивно понятных картинок.
Признаки выхода процесса из-под контроля: значения данных измерений располагаются на графике определенным образом, нарушающим «нормальное» распределение данных.
Это свидетельствует о статистически значимых изменениях в процессе и влиянии факторов, нарушающих естественный ход процесса, – «особых причин». И требует немедленного реагирования со стороны контролирующего процесс персонала.
1. Одна точка за пределами границ в 3σ
Самый простой и распространенный признак.
С точки зрения статистики вероятность выхода значения за уровень в 3 сигмы низкая, и на эту ситуацию следует обратить внимание.
С другой стороны, редкие единичные выбросы не представляют особого интереса, пока не стали систематическими.
2. Восемь точек подряд по одну сторону центральной линии
Даже незначительное смещение «среднего» значения представляет интерес, если действует достаточно долго.
3. Шесть точек подряд в убывающем/возрастающем порядке
Очевидный нарастающий или ниспадающий тренд.
Очень опасная ситуация в процессе: отклонение активно нарастает, что может привести к аварии или быстрому нарушению границ допустимых значений измеряемого параметра.
Удобно для анализа: достаточно посмотреть, какие факторы или их сочетания в этот период линейно изменялись.
4. Четырнадцать последовательных точек колеблются вверх и вниз
Очевидно, что оказывает влияние какой-то медленно изменяющийся фактор, смещающий среднее значение: достаточно стабильный в коротком периоде процесс с малым разбросом параметров теряет стабильность в долгосрочном периоде.
5. Две из трех последовательных точек лежат за пределами 2σ
Маловероятная ситуация – процесс выбрасывает на границу диапазона несколько точек подряд. Особенно если вспомнить, что между выборками проходит реальное время работы процесса.
6. Четыре из пяти последовательных точек лежат за пределами 1σ
Если контроль производится, например, через час, то более трех часов средний уровень дефектов был существенно смещен относительно среднего значения по периоду. Почему?
7. Пятнадцать последовательных точек лежат в пределах 1σ
Прекрасная ситуация стабильной работы процесса с минимальным разбросом. Технологи должны очень внимательно изучать такие периоды.
8. Восемь точек подряд выше или ниже 1σ от центральной линии
Процесс обнаруживает маловероятную закономерность, при которой последовательные точки находятся далеко от центральной линии и приближаются к контрольным границам.
Очень сильный разброс последовательных значений – опасная ситуация, когда один из управляющих факторов демонстрирует очень сильную вариабельность.
Увидев на контрольной карте такой признак, оператор обязан сообщить о нем технологу или произвести заранее утвержденные действия, например дополнительные контрольные измерения.
Оперативный контроль данных предполагает активный поиск причин отклонений сразу после фиксации закономерностей в ходе процесса. Выявленные причины проверяются дополнительными исследованиями или экспериментом, подтверждающим правильность выводов.
Главное в этом анализе – нарушение традиции реагировать на изменения в процессе только в случае ухудшения качества и после того, как зафиксирован брак.
Во-первых, работа с признаками «выхода процесса из-под контроля» существенно эффективнее обычных методов, так как реагирование происходит до того, как процесс начал массово производить дефектную продукцию.
Во-вторых, контроль показывает как отрицательные, так и положительные отклонения от обычного хода процесса. Если зафиксировать условия, в которых производятся «отличные» результаты, то задача настройки процесса существенно продвинется в своем решении.
Научить контролеров применению этого инструмента легко. Процедура требует не глубокого исследования ситуации, а только внимательности и дисциплины.
Завод по производству ДСП, отдел технического контроля. Контрольные карты Шухарта были использованы для мониторинга качества продукции. Контрольные карты строились автоматически по данным регулярных измерений, а для сотрудников ОТК были разработаны простые инструкции «реагирования» на типовые ситуации «выхода процесса из-под контроля».
Для правильной работы статистического контроля процессов нужно использовать контрольные карты, которые наиболее точно соответствуют структуре и количеству данных измерений.
Видов контрольных карт много, и выбор оптимальной может оказаться сложной задачей. В качестве простого решения для начала исследований можно использовать набор из семи контрольных карт, которые применяются в большинстве стандартных случаев, встречающихся в наших проектах (табл. 6.11).
В перспективе, научившись использовать стандартные карты и хорошо разобравшись в собственных целях, можно модифицировать контрольную карту или создать собственную, абсолютно точно отвечающую условиям конкретного процесса.
Контрольные карты для непрерывных данных, как правило, включают две карты:
● Основная карта – для анализа динамики измеряемого параметра (рис. 6.52).
● Дополнительная карта – для оценки размаха или среднеквадратического отклонения измеряемых значений (рис. 6.53).
Вторая карта нужна для анализа динамических изменений в процессе и в ряде случаев не менее важна для формирования выводов, чем основной график.
Динамика размаха – полезная информация для понимания характеристик процесса. Большие отклонения последовательно расположенных точек графика предполагают высокий уровень нестабильности процесса. Если величина размаха сопоставима с диапазоном допустимых значений, например больше половины, то вероятность выхода за границы этого диапазона весьма высока.
Три базовых типа карт для контроля непрерывных данных:
● XmR (I–MR) – карта индивидуальных наблюдений
Если информация представлена как индивидуальное наблюдение, то для регулярного контроля данных на выходе процесса выбираем XmR (I–MR) карту.
XmR карта – это набор из двух карт с единой временной шкалой:
■ X карта – график значений единичных измерений для каждого периода.
■ R карта – значения скользящего размаха для каждого периода: из каждого последующего значения вычитается предыдущее и берется модуль /Xi – Xi–1/.
Пример. Команда проекта исследует затраты рабочего времени на подготовку ответа в процессе рассмотрения жалоб клиентов. Каждые 2 часа проводится измерение одного ответа. Единица измерения – минуты.
● X-bar и R карта – карта средних для выборок менее 10 единиц
Если информация представлена как набор выборок и объем выборок больше 1, но не более 10, то используем X-bar и R карту.
X-bar и R карта – это набор из двух карт с единой временной шкалой:
■ X-bar карта – среднее значение нескольких измерений в выборке.
■ R карта – измерения размаха значений в каждой выборке (модуль разницы между максимальным и минимальным значениями в группе за период).
В этом случае на R карте отмечается разброс данных измерений в каждой выборке. Возможны ситуации, когда среднее выборки соответствует нормам, но разброс значений в выборке очень велик и сопоставим с диапазоном допустимых значений. Очевидно, что такой процесс не может считаться стабильным и надежным.
Пример. Команда проекта исследует скорость обслуживания клиентов в точке продаж. В течение двух рабочих недель каждый день в первой и второй половине дня проверяется по 5 коммуникаций с клиентом. Фиксируется время каждой коммуникации с точностью до минуты.
● X-bar и S карта – карта средних для выборок более 10 единиц
Если информация представлена как набор выборок и объем выборок больше 10, то используем X-bar и S-карту.
X-bar и S карта – это набор из двух карт с единой временной шкалой:
■ X-bar карта – средние значения нескольких измерений в выборке.
■ S карта – стандартные отклонения в каждой выборке. Смысл тот же, что и в случае R-карты, только вместо разницы максимального и минимального значений используется стандартное отклонение в группе измерений выборки.
Смысл в том, что при увеличении объема выборки растет вероятность включения в выборку пиковых значений – «выбросов», которые заметно смещают среднее. Применение стандартного отклонения обеспечивает более надежный результат для больших групп данных.
Пример. Команда проекта подтверждает эффективность нового стандарта процедуры, измеряя длительность выполнения операции в минутах/секундах. В течение недели произведено 30 выборок по 15 измерений в каждой. Необходимо убедиться в стабильности среднего времени выполнения операции.
Контрольные карты для дискретных данных, как правило, связаны с понятием дефекта. Они предназначены в том числе для анализа динамики количества и пропорции дефектов в выборках, количества и пропорции дефектных единиц продукции.
● NP-карта – количество дефектных единиц продукции в выборках постоянного размера
Регулярно берем на исследование фиксированное количество образцов продукции и считаем количество единиц продукции с одним или несколькими дефектами. Соответственно, количество дефектов в одной единице продукции не имеет значения. Стандартный объем выборки – больше 50 единиц.
Пример. Команда проекта исследует качество подготовки документов территориальными подразделениями. На входе процесса, обрабатывающего эти документы, каждый день проводится анализ 100 документов. Фиксируется количество документов с ошибками.
● C-карта – количество дефектов в выборках постоянного размера
В данном случае учитывается общее количество однотипных дефектов в каждой единице продукции и в целом в выборке.
Для стандартной отбраковки вполне достаточно наличия одного дефекта, и не имеет значения, сколько еще аналогичных повреждений в данной единице продукции. Но для понимания качества процесса знать общее количество дефектов очень важно. Стандартный объем выборки – больше 50 единиц.
Пример. Команда проекта организовала регулярный выборочный контроль результатов своего процесса. Производится фиксация ошибок в выборке постоянного размера 100 единиц.
● P-карта – доля (пропорция) дефектных единиц продукции в выборке постоянного или переменного размера
Если выборки переменного размера и информация о количестве дефектов непоказательна, мы можем фиксировать пропорции или доли, получая применимые для анализа данные о динамике качества процесса (рис. 6.54).
Особенности карты: из-за переменного объема выборки сигма-уровни рассчитываются для каждой точки и динамически изменяются. При этом методы визуального контроля остаются прежними.
Пример. Группа контроля качества кол-центра прослушивает в день 200–250 разговоров операторов с клиентами. Команду проекта интересует динамика процента «некачественных коммуникаций» при использовании скрипта по новому продукту для организации дополнительного обучения операторов.
● U-карта – число дефектов на одну единицу продукции в выборке постоянного или переменного размера
Очень удобный показатель для мониторинга. Но необходимо четко определить объект учета: фиксировать следует один тип дефекта, изучаемый в рамках проекта. Карта по всем типам дефектов также имеет смысл как элемент общего контроля эффективности процесса, но неприменима для работы по устранению корневых причин одного типа дефекта.
Как и в Р-карте, сигма-уровни рассчитывают для каждой точки, и они динамически изменяются. При этом методы визуального контроля остаются прежними.
Пример. Команда проекта внедряет новую технологию сложной операции и контролирует результат работы операторов после обучения. Необходимо провести анализ данных по количеству ошибок на одну операцию. Для этого организована выборка 1 % от общего количества операций, которое обычно изменяется в диапазоне 7000–10 000.
Контрольные карты помогают увидеть слабые сигналы процесса, показывающие воздействие «особой причины». Следовательно, операторы могут оперативно отреагировать на нежелательные отклонения и предупредить брак, а технологи – выявить сильнодействующие факторы влияния и определить оптимальные настройки процесса.
Реакция контролеров на изменения в естественном ходе процесса может быть различной: все зависит от процесса и задач управления. Но в любом случае эти действия необходимо продумывать заранее и очень четко объяснять исполнителям.
Признаки выхода процесса из-под контроля: значения данных измерений располагаются на графике определенным образом, указывающим на влияние факторов, нарушающих естественный ход процесса, – «особые причины».
Увидев в контрольной карте такой признак, оператор обязан сообщить о его возникновении и/или произвести заранее утвержденные действия: дополнительные измерения или настройку процесса.
Поэтому при работе с отклонениями по признакам «выхода процесса из-под контроля», как правило, разрабатывают две группы специальных мероприятий:
● Мероприятия дополнительного контроля. При незначительных отклонениях определяют количество дополнительных измерений для подтверждения наличия и существенности изменений в процессе. Организовав дополнительные измерения в ответ на слабый сигнал из процесса, мы практически без дополнительных затрат заметно увеличиваем чувствительность системы измерения.
● Мероприятия реагирования. При существенных отклонениях от целевого результата операторы должны произвести конкретный набор действий по устранению причины отклонения и по стабилизации процесса. Что необходимо сделать и насколько кардинальными должны быть действия, определяют технологи для каждой ситуации: от незначительных настроек до остановки процесса.
Так как ориентироваться нужно на реальную «производственную» жизнь, все действия исполнителей по контролю и настройкам процесса должны быть регламентированы соответствующими документами.
Имеет смысл разработать специальный документ, описывающий процедуры контроля, интерпретации контрольных карт и реагирования на выявленные отклонения от «правильного» хода процесса. На начальном этапе работы этот документ может быть достаточно простым.
План реагирования – инструкции, регламентирующие действия на всех уровнях управления при выявлении существенных отклонений в данных измерений показателей процесса.
В плане реагирования определяется перечень ситуаций «выхода процесса из-под контроля» и соответствующих им «картинок» на графике, чтобы точно зафиксировать, когда исполнитель должен предпринимать какие-либо действия. И список конкретных действий – для каждой из ситуаций.
1. Одна точка за пределами границ в 3σ
При регулярном повторении – усилить контроль факторов, влияющих на разброс данных исследуемого показателя.
2. Восемь точек подряд по одну сторону центральной линии
Проверить и откорректировать настройки факторов, влияющих на смещение «среднего» значения исследуемого показателя.
3. Шесть точек подряд в убывающем/возрастающем порядке
Опасная ситуация в процессе! Отклонение активно нарастает, что может привести к аварии или очень большим потерям.
Принять срочные меры по корректировке настроек процесса. Сообщить технологам и/или руководителю.
При продолжении тренда – остановить процесс!
4. Четырнадцать последовательных точек колеблются вверх и вниз
Процесс с малым разбросом параметров находится под влиянием медленно изменяющегося фактора, смещающего «среднее» значение.
Проверить изменение факторов, влияющих на смещение среднего.
5. Две из трех последовательных точек лежат за пределами 2σ
Усилить контроль факторов, влияющих на разброс данных исследуемого показателя.
При регулярном повторении провести настройку процесса.
6. Четыре из пяти последовательных точек лежат за пределами 1σ
Проверить и откорректировать настройки факторов, влияющих на смещение «среднего» и разброс данных показателя.
7. Пятнадцать последовательных точек лежат в пределах 1σ
Стабильная работа процесса с минимальным разбросом данных.
Выявить и зафиксировать «хорошее» сочетание факторов. Сообщить технологам, руководителю.
8. Восемь точек подряд выше или ниже 1σ от центральной линии
Опасная ситуация! Один из управляющих факторов демонстрирует очень сильную вариабельность.
Принять срочные меры по корректировке настроек процесса. Сообщить технологам и/или руководителю.
При продолжении – остановить процесс!
В данном примере плана реагирования приведены только обобщенные рекомендации в случае обнаружения признаков «выхода процесса из-под контроля». В реальном плане необходимо очень конкретно и понятно описать, что и как должны сделать участники процесса в каждой ситуации.
Завод по производству алюминиевой тары. Возле каждого станка основного производственного оборудования размещены стенды с контрольными картами, в которых данные измерений обновляются каждые 2 часа. В соответствии с планом реагирования при «выходе процесса из-под контроля» оператор должен остановить станок и провести корректирующие настройки.
При этом не следует забывать, что мы контролируем процесс для оперативного устранения отклонений. И основную роль играет быстрое реагирование на сигналы, которые дает процесс. Если люди «не видят» этих сигналов или не знают «что делать», то система просто не будет работать.
Случайная вариация и надежность процесса
Последовательно продвигаясь по алгоритму внедрения статистического контроля процессов, мы пришли к этапу исследования случайной вариации (рис. 6.55).
На предыдущем шаге внимание в первую очередь уделялось «особым причинам» – статистически значимым изменениям в процессе из-за влияния внешних или внутренних факторов, нарушающих естественный ход процесса. Однако процесс может производить дефектную продукцию и без влияния «особых причин», если качество самого процесса оставляет желать лучшего.
Мы помним, что в процессе всегда существует некоторый разброс параметров и нужно, чтобы эти отклонения постоянно были в рамках, соответствующих требованиям потребителей.
Когда на графике контрольной карты мы видим, что нет «особых причин», мы делаем вывод, что процесс находится в своем естественном стабильном состоянии.
И мы можем исследовать «случайную вариацию», чтобы понять, насколько процесс вообще способен производить качественную продукцию и есть ли запас надежности по качеству.
Цель анализа случайной вариации– найти и реализовать такие настройки процесса, которые исключат возможность брака.
В стабильном состоянии процесс должен обеспечивать 100-процентное качество по всем требованиям клиента, быть устойчивым к внешним воздействиям и обладать запасом надежности, обеспечивающим высокую надежность результата.
Базовый метод исследования случайной вариации– сравнение «колокола разброса» результата и диапазона допустимых значений, определенного по требованиям потребителей.
Основные методы настройки процесса:
● Уменьшить разброс значений результата, чтобы все значения результата были в пределах допуска с хорошим запасом надежности (рис. 6.56).
● Сместить «среднее» значение в середину диапазона допуска (рис. 6.57), если при хорошем разбросе значений процесс производит дефекты из-за смещения всего распределения за границу диапазона допуска.
Для этого придется определить управляющие факторы процесса, влияющие на величину разброса значений и смещение среднего значения. Исследования показывают, что на величину разброса и смещение среднего, как правило, влияют разные управляющие факторы процесса.
Важное условие: анализ случайной вариации можно проводить, если процесс находится под контролем, что предполагает простую последовательность:
● нет признаков «выхода процесса из-под контроля»;
● нет влияния «особой причины» на процесс;
● процесс находится в своем естественном состоянии;
● разброс значений данных обусловлен влиянием только случайной вариации.
Вторым важным условием является соответствие разброса значений измеряемых параметров нормальному закону распределения. Но в большинстве случаев это условие выполняется автоматически, так как обычно процесс изначально настраивается на какое-то целевое значение в рамках диапазона допустимых значений. Соответственно, чем больше отклонение от целевого значения, тем меньше вероятность такого отклонения и тем меньше количество продукции с такими показателями.
Для оценки надежности процесса мы проводим сравнение показателей разброса данных результата и диапазона допустимых значений, определенного по требованиям потребителей или нормативам компании.
В качестве «ширины разброса результата» в производственной статистике, как правило, принимают диапазон +/–3 сигмы от среднего значения по группе данных измерений. Если мы посмотрим на «колокол» нормального распределения, то видно, что в этот диапазон попадает ~99,7 % значений результата (рис. 6.58). Поэтому при расчетах ширина разброса принимается равной 6 сигмам.
Понятно, что реальное распределение данных измерений будет «условно нормальным», но в «производственной» статистике такое снижение точности при расчетах принято считать несущественным. Впрочем, мы всегда можем это проверить, построив гистограмму распределения данных.
Количественное значение сигмы (среднеквадратического/стандартного отклонения) рассчитывается автоматически в Excel. Или можно грубо рассчитать оценку, разделив среднее значение размаха (Rbar) из контрольных карт на коэффициент 1,128.
Индексы Ср и Cpk надежности процесса – специальные расчетные показатели, которые позволяют оценить величину запаса надежности процесса по качеству.
Используя характеристики распределения данных, рассчитываем индексы надежности процесса:
● Ср – сравниваем ширину «колокола разброса» данных результата и ширину диапазона допуска разрешенных значений.
● Cpk – количественная оценка запаса надежности при смещении «колокола разброса» данных результата внутри диапазона допуска разрешенных значений.
Работать с расчетными индексами очень удобно при большом количестве объектов исследования, так нам не нужно строить гистограммы распределения данных, а уровень надежности процесса можно оценить только по двум показателям.
Телекоммуникационная компания, техническая поддержка абонентов. Мониторинг затухания сигнала на оборудовании абонентов охватывает сотни тысяч устройств в тысячах домов. Построение диаграмм распределения данных измерений и их визуальный анализ превращаются в масштабную и трудоемкую задачу. При этом расчет индексов Cp и Cpk требует небольшой доработки программы и позволяет в автоматическом режиме выявлять приоритетные объекты для «оперативного реагирования» технических служб.
Очевидно, что брак будет производиться всегда, если разброс параметров на выходе процесса больше диапазона допуска (рис. 6.59). То есть первой задачей исследования можно считать сравнение этих показателей и определение масштаба проблемы.
Для количественной оценки ширины разброса данных по сравнению с шириной требований спецификации используется индекс Cp:
где USL – верхняя граница диапазона допустимых значений;
LSL – нижняя граница диапазона допустимых значений;
s – оценка среднеквадратического (стандартного) отклонения по данным выборки.
Рассчитывая разницу USL и LSL, определяют ширину диапазона допуска, а оценку стандартного отклонения получают по выборочным данным с помощью функции «стандотклон. в (данные выборки)».
Разброс значений на выходе процесса больше ширины диапазона допуска.
Дефектная продукция производится всегда.
Разброс значений на выходе процесса равен ширине диапазона допуска.
Дефектная продукция не производится при условии совпадения среднего значения и середины диапазона допуска.
Разброс значений на выходе процесса меньше ширины диапазона допуска.
Дефектная продукция не производится, и есть некоторый запас прочности, допускающий смещение среднего значения относительно середины диапазона допуска.
Индекс Ср очень удобен для постоянного контроля процесса, так как является кратким количественным методом анализа диаграмм распределения данных.
Один или несколько раз можно использовать диаграммы распределения данных для убедительной демонстрации ситуации в процессе. Но для ежедневной работы с большим количеством объектов и в течение долгого времени этот способ не так удобен, как простой расчетный коэффициент. В качестве примера достаточно представить ежесменный мониторинг надежности процессов десятков единиц оборудования.
Индекс Ср помогает нам в достижении цели 1 настройки процесса – уменьшить разброс значений результата, чтобы все значения результата были в пределах допуска с хорошим запасом надежности.
Кроме того, индекс Ср используется в качестве нормативного показателя. Жесткое нормирование «страхового запаса» надежности процесса и оперативное реагирование на снижение показателя Ср ниже этого уровня является очень существенным шагом на пути к высокому качеству процессов. Во-первых, внедряется совершенно новое видение процесса. Во-вторых, практически реализуется идея раннего реагирования на отклонения в процессе.
Даже при незначительном разбросе значений процесс может производить дефектную продукцию, если среднее значение смещено к одной из границ диапазона допуска (рис. 6.60).
Формула расчета индекса основана на вычислении расстояний от среднего до каждой из границ допуска в значениях сигма и оценке минимального из получившихся результатов:
где Zmin – это минимальное число из ZUSL и ZLSL:
где USL – верхняя граница диапазона допустимых значений;
LSL – нижняя граница диапазона допустимых значений;
s – оценка среднеквадратического (стандартного) отклонения по данным выборки;
Х – среднее значение.
Рассчитывая разницу между USL/LSL и средним значением Х, находим Z – минимальное «расстояние» от Х до ближайшей границы диапазона допуска. По формуле видно, что значения Z рассчитываются в сигмах.
Делим на 3 минимальное значение Z, так как «колокол» разброса данных принято считать равным +/–3 сигмам (в каждую сторону). Так мы определяем, есть ли у нас запас надежности до ближайшей границы допуска. Если Cpk > 1, то такой запас есть.
Часть «колокола» выходит за границу диапазона допустимых значений: «расстояние» от среднего значения до границы допуска меньше 3 сигм.
Граница «колокола» совпадает с одной из границ диапазона допуска: «расстояние» от среднего значения до границы допуска равно 3 сигмам.
Процесс не производит дефектную продукцию, но запаса надежности нет и любое дестабилизирующее воздействие может привести к возникновению дефектов.
«Колокол» внутри диапазона допустимых значений и «расстояние» от среднего значения до границы допуска больше 3 сигм.
Процесс не производит дефектную продукцию, и есть запас надежности.
Очевидно, что с точки зрения минимизации количества дефектов и увеличения запаса надежности процесса идеальной ситуацией будет совпадение среднего значения «колокола» и середины диапазона допуска – целевого значения настраиваемого параметра.
Индекс Срk помогает в достижении цели 2 настройки процесса – сместить среднее значение в оптимальное положение, если процесс производит дефекты из-за выхода распределения данных за границу диапазона допуска.
Аналогично Cp индекс Срk используется как норматив мониторинга надежности процесса по качеству для множества одинаковых объектов, например, оборудования. Эти два расчетных индекса с успехом заменяют большое количество диаграмм, исключая затраты на их построение и визуальный анализ. В расчетах применяются стандартные формулы, которые легко встраиваются в программное обеспечение для обработки производственных данных процесса.
Индексы Ср и Cpk исключительно удобны для комплексного управления надежностью различных параметров качества на аналогичных устройствах. Если свести результаты мониторинга индексов в таблицу (табл. 6.12), то можно легко выделить проблемные зоны и оценить динамику качества процессов.
Предположим, что у нас три существенных для качества контролируемых параметра, пять объектов контроля (например, производственного оборудования) и мы производим мониторинг с некоторой периодичностью, обеспечивающей своевременную корректировку настроек этого оборудования.
В качестве контрольных уровней по показателям индексов Cp и Cpk принимаем следующие значения:
● Cp > 1,2 или Cpk > 1,2 – норматив по запасу надежности процесса выполнен.
● 1 < Cp < 1,2 или 1 < Cpk < 1,2 – нарушается норматив по запасу надежности процесса, ситуация требует реагирования по дополнительному контролю и восстановлению надежности процесса.
● Cp < 1 или Cpk < 1 – процесс производит дефекты, ситуация требует оперативного реагирования по выявлению и устранению причин дефектов.
По табл. 6.12 хорошо видно, что ситуацию в целом сложно назвать стабильной как по периодам, так и по единицам оборудования. Соответственно, руководство производственного подразделения должно инициировать разработку мероприятий по стабилизации процессов в рамках установленных нормативов.
На основе исследований случайной вариации по каждой единице оборудования можно сделать выводы о качестве существующих процессов и целевых задачах совершенствования:
● Цель 1 – уменьшение разброса значений результата процесса.
● Цель 2 – смещение «среднего» в центр диапазона допуска.
Ценность комплексного анализа случайной вариации заключается в определении «ненадежных» участков процесса, оказывающих существенное влияние на итоговые показатели качества. Анализ случайной вариации по индексам Ср и Срk помогает оперативно выявить снижение надежности процесса. И вовремя предупредить брак или аварию.
При разработке плана реагирования на основе анализа случайной вариации в первую очередь определяем необходимый уровень запаса надежности процесса: Cp > 1, хх и Cpk > 1, хх. При нарушении этого уровня наши операторы в процессе должны оперативно выявить и устранить причины отклонений.
Когда какой-либо из индексов (Cp, Cpk) меньше единицы и процесс производит брак, имеет смысл остановить процесс и только после этого проводить его исследование и настройку. Безусловно, если есть такая возможность.
Теперь контролеры или технологи могут своевременно получать сигналы о снижении надежности процесса, корректировать настройки и предупреждать брак. Таким образом система управления процессом переходит от простой логики устранения дефектов к современным методам управления надежностью.
Мониторинг показателей процесса
После внедрения всех составляющих статистического контроля процессов можно начинать регулярный мониторинг (рис. 6.61), который помогает нам:
● оперативно выявлять и устранять «особые причины», приводящие к существенному ухудшению результатов процесса;
● исследовать и устранять причины «случайной вариации» для точной настройки и повышения стабильности результатов процесса.
По каждому из известных видов «особых причин» и существенных отклонений в показателях «случайной вариации» мы должны разработать специальные мероприятия, оперативно устраняющие нарушения технологии, режимов работы оборудования и прочих условий, обеспечивающих эффективность процесса. Результатом должен стать набор понятных регламентов, согласованных и утвержденных руководителями.
Завод по производству алюминиевой тары. По ключевым параметрам качества продукции внедрен статистический контроль процессов и разработаны планы реагирования. В планах регламентированы действия операторов в ситуациях выхода процесса из-под контроля и отклонения от нормативных значений индексов Cp и Cpk.
Вполне естественно, что строить очень сложную и точную систему контроля невыгодно. Правильнее сделать ее «самонастраивающейся»: при выявлении первых признаков отклонений контроль должен автоматически инициировать дополнительную проверку существенности этих отклонений, а затем – корректирующие действия в необходимом объеме.
Содержание и объем контрольных/корректирующих действий регламентируются в плане реагирования и зависят от качества и количества выявленных отклонений. Кроме величины отклонения необходимо учитывать его «меру опасности» – чем неприятнее могут быть последствия для процесса, тем быстрее и точнее нужно выявить и устранить источник проблемы.
Основной принцип функции потерь Генити Тагути: активность корректирующего воздействия должна соответствовать величине отклонения.
Мероприятия реагирования предполагают активную обратную связь по корректировке настроек процесса на целевые показатели. Соответственно, нужно определить объем работ и меру ответственности исполнителей, чтобы выдержать оптимальный баланс между затратами ресурсов и уверенностью в правильной реакции системы на отклонения.
Особенности внедрения СКП
Статистический контроль процессов может показаться сложным для изучения и внедрения, но он прост в практическом применении: оператор видит сигнал процесса на контрольной карте – выполняет действия по плану реагирования.
Алгоритм внедрения СКП требует хорошего понимания различных инструментов анализа данных и соответствующей квалификации специалистов. Грамотный инженер просто обязан знать основные принципы и методы оценки измерительных систем, расчета выборки, построения контрольных карт и исследования случайной вариации. Это основа управления современными технологически сложными процессами, обеспечивающая оптимальное соотношение себестоимости и качества результата.
И точно так же необходимо обеспечить оптимальное соотношение эксплуатационных затрат и чувствительности «сигнальной системы» статистического контроля процессов. Поэтому внедрять СКП должны обученные специалисты, хорошо понимающие, что и зачем они делают.
Внедрение СКП – квалифицированный специалист
Эксплуатация СКП – любой участник процесса
С эксплуатацией системы ситуация намного проще, так как процедура сведена к элементарным операциям, не требующим специальных знаний. Для выявления нежелательных отклонений на основе анализа контрольных карт и индексов надежности процесса требуется только внимательность. Для действий по плану реагирования – обычная технологическая дисциплина. Как показывает практика, с такими задачами успешно справляются рядовые операторы самых разных процессов.
Современное программное обеспечение еще больше облегчает эту несложную работу. Можно использовать простые специальные программы для обработки статистических данных, например Minitab или QI Macros. Тогда определение «признаков выхода процесса из-под контроля» и расчет индексов надежности процесса Cp/Cpk производится автоматически.
Но еще лучше, если есть возможность встроить эти математические расчеты в контрольное или технологическое программное обеспечение процесса. Формулы известны и расчеты не слишком сложные. Все опасные ситуации, требующие реагирования, превращаются в набор типовых сигналов контрольной системы, для которых разрабатываются соответствующие действия в плане реагирования.
СКП – индикатор качества операционного управления
Кроме быстрой корректировки нежелательных отклонений статистический контроль процессов предоставляет руководителям дополнительную опцию – анализ эффективности управления на уровне участка процесса или единицы оборудования. Контрольные карты Шухарта показывают, как часто процесс выходит из-под контроля, а таблицы Cp/Cpk – насколько надежна работа различных единиц оборудования по разным ключевым показателям.
Завод алюминиевой тары, производство. Возле каждого станка, выпускающего продукцию с высокими требованиями по точности характеристик размещены графики и расчетные показатели по результатам выборочных измерений.
На графике видно, что в течение 14 часов выборочные данные не соответствовали утвержденным требованиям и при этом не корректировались настройки оборудования. Это, в свою очередь, привело к «катастрофе» – разброс значений в выборке из 5 измерений составил половину диапазона допуска. В такой ситуации бракованная продукция «течет рекой».
Для восстановления правильных настроек оборудования потребовалось достаточно много времени и после этого процесс работал 10 часов с отличными результатами. Затем вернулся в обычный режим «отклонение – корректировка». Возможно, такая ситуация привычна для традиционного производства, но при внедренном СКП она абсолютно неприемлема.
Анализируя контрольные карты и таблицы индексов надежности Cp/Cpk, легко сделать выводы о качестве операционного управления, так как очень хорошо видны не только все негативные отклонения в процессе, но и скорость реагирования на эти отклонения со стороны участников процесса.
Условия успеха. Типичные ошибки
Инструменты ПС-Технологии для решения аналитических задач сложнее в реализации и требуют более высокой квалификации специалистов. Они вполне универсальны, но заметно дороже по затратам ресурсов. Поэтому применять их нужно там, где они действительно необходимы.
В общем случае используется стандартный P-DMAIC-S алгоритм выбора и выполнения задач оптимизации (рис. 6.62), а специализированные инструменты производственной статистики применяются, как правило, на этапах «Измерение» и «Анализ». Некоторые инструменты сами могут являться решениями какой-либо проблемы.
Например, статистический контроль процессов активно используется и для первичной диагностики проблем в процессе, и для исследования данных на этапах «Измерение» и «Анализ», и для построения постоянно действующей системы реагирования на этапе «Контроль», и для обеспечения требуемой точности системы измерений.
Основные условия успешного применения инструментов решения аналитических задач:
● хорошее понимание, где и зачем их следует использовать;
● знание теории и навыки внедрения у специалистов;
● экономическая целесообразность.
ПС-Технология по своей сути рациональна и не предполагает формата «из пушки по воробьям», но если простых измерений недостаточно для подтверждения выводов о причинах проблем, то сложные исследования провести придется. Поэтому типичные организационные ошибки связаны в первую очередь с отказом от применения современных инструментов анализа. Причины такого отказа могут быть разными:
●«Сложно для понимания». Современные процессы требуют соответствующих инструментов для «настройки и ремонта». Поэтому такие инструменты следует изучать и применять. В любом процессе есть люди, способные это сделать. Просто их необходимо найти, мотивировать и обеспечить им возможность разобраться в методиках. Таких специалистов не нужно много, достаточно одного-двух в большом подразделении.
● «Мы и так знаем, что нужно клиенту». Безусловно, в каждом процессе есть набор контролируемых показателей, обеспечивающих удовлетворенность потребителей продукта или услуги. Но, во-первых, сейчас мы живем в быстро меняющемся мире и эти требования постоянно растут. Чтобы не проиграть в конкурентной борьбе, современная компания просто обязана организовать регулярный мониторинг тенденций на рынке. Во-вторых, значительная часть задач оптимизации направлена на повышение эффективности процессов и, следовательно, на выполнение условий «внутренних клиентов» в процессе. К сожалению, в этом случае хорошо проработанные показатели качества «полуфабриката» встречаются редко. При этом концепция «встроенного качества» уже стала стандартной механикой в мировой практике управления процессами.
● «У нас нормальные показатели». ПС-Технология направлена на развитие – средние результаты не являются основанием для отказа от улучшений. Любой «средний» результат складывается из отличных, нормальных и плохих показателей.
Если процесс при каких-то условиях способен выпускать отличную продукцию, то вся продукция должна стать такого качества. Имеет смысл просчитать экономический эффект и оценить привлекательность инвестирования ресурсов в улучшение процесса.
● «Мы все контролируем». Возможно. Но диагностика показывает проблемы, дефекты и потери. Не исключено, что система измерения не настолько точна и эффективна, как задумывалось при ее внедрении. Или нет правильного реагирования на выявленные отклонения в процессах.
Достаточно часто встречается и обратная ситуация – 100-процентный контроль там, где он явно избыточен, что автоматически приводит к значительным потерям труда и времени. Такие требования руководителей возникают из-за элементарного отсутствия информации о возможностях выборочного анализа данных.
● «Виноваты поставщики/контрагенты/рынок/…» Традиционное объяснение любых неудач. Но предполагается, что роль руководителя заключается именно в способности прогнозировать, вовремя отслеживать и оперативно компенсировать негативные изменения вокруг и внутри процесса.
Внедрить такие системы намного сложнее, чем просто сопровождать операционную деятельность подразделения. Однако практика показывает, что современный подход к управлению обеспечивает заметные преимущества и для компании, и для конкретного руководителя.
Как видно из паттернов сопротивления типичные причины отказа от применения инструментов связаны с непониманием пользы, которую могут принести углубленные исследования процессов. Поэтому лучший способ преодоления такого сопротивления – качественное обучение и специалистов-оптимизаторов, и их руководителей.