Anàlisi estadística per a la qualitat
En una era de competència cada cop més ferotge, la qualitat ja no és només un valor afegit, sinó un requisit principal perquè els productes i serveis sobrevisquin al mercat. Moltes organitzacions han implementat inspeccions, auditories i millores de processos. Tanmateix, sense un enfocament mesurable, els esforços de millora de la qualitat sovint degeneren en decisions purament intuïtives. Aquí és on l'anàlisi estadística juga un paper crucial: ajudar a transformar les dades en informació i després en decisions objectives. Aquest article analitza com s'utilitza l'anàlisi estadística per avaluar, controlar i millorar sistemàticament la qualitat.
1. Per què són importants les estadístiques en la qualitat?
La qualitat està fonamentalment relacionada amb la variació. En qualsevol procés de producció o servei, sempre hi ha variació, per exemple, variacions en la mida, el pes, el temps de servei o la taxa de defectes. No totes les variacions són inherentment dolentes; algunes són variacions naturals que no es poden eliminar completament. Les estadístiques ajuden a distingir la variació natural (causa comuna) de la variació que sorgeix de problemes específics (causa especial). En comprendre les fonts de variació, les organitzacions poden centrar-se en millores genuïnes, en lloc de simplement "apagar incendis" que només apareixen ocasionalment.
Sense estadístiques, la direcció podria prendre mesures equivocades. Per exemple, si la producció d'avui és lleugerament pitjor que la d'ahir, això no vol dir necessàriament que el procés s'estigui deteriorant, sinó que pot ser simplement una fluctuació normal. Per contra, si hi ha un patró de defectes que augmenten gradualment, les estadístiques poden detectar-los abans que es converteixin en errors importants.
2. Dades de qualitat: tipus i mètodes de recollida
L'anàlisi estadística només és tan bona com les dades que utilitza. Pel que fa a la qualitat, les dades es divideixen normalment en dues categories:
1. Dades d'atributs: dades categòriques, per exemple defectuós/no defectuós, aprovat/no aprovat, tipus de defecte A/B/C. Aquestes dades són habituals en inspeccions finals o inspeccions visuals.
2. Dades variables: dades numèriques contínues, per exemple, longitud del component (mm), pes (grams), duresa del material, temps de servei (minuts). Les dades variables solen ser més informatives perquè contenen detalls de la magnitud de la desviació.
La recollida de dades ha de tenir en compte diversos principis: definicions clares dels defectes, procediments de mesurament coherents, mides de mostra adequades i manteniment precís de registres. Un aspecte que sovint es passa per alt és el sistema de mesurament: els instruments de mesurament poden ser inexactes o els operadors poden fer judicis diferents. Per tant, moltes organitzacions realitzen avaluacions del sistema de mesurament (per exemple, estudis de repetibilitat i reproductibilitat) per garantir que les dades rebudes siguin fiables.
3. Estadística descriptiva: el primer pas per entendre la qualitat
El primer pas de l'anàlisi sol ser estadística descriptiva. L'objectiu és descriure l'estat actual de la qualitat. Algunes mesures que s'utilitzen habitualment són:
– Mitjana: el valor mitjà que representa la tendència general.
– Mediana: el valor mitjà que és més resistent als valors atípics.
– Variància i desviació estàndard: descriuen l'abast de la variació. Les grans variacions sovint són "l'enemic" de la qualitat.
– Mínim–màxim: ajuda a veure el rang de resultats del procés.
– Percentatge de defectes: per a dades d'atributs.
Més enllà dels números, la visualització és crucial. Els histogrames, els diagrames de caixa i els diagrames de dispersió ajuden a visualitzar la forma d'una distribució, els possibles valors atípics i les relacions entre variables. Per exemple, un diagrama de dispersió pot mostrar que els defectes augmenten quan les temperatures de les màquines són massa altes, una pista primerenca de la causa principal.
4. Control de processos amb Control Estadístic de Processos (SPC)
Un dels usos més coneguts de l'estadística en la qualitat és el Control Estadístic de Processos (CPE), en particular a través de gràfics de control. Els gràfics de control tenen com a objectiu monitoritzar un procés al llarg del temps i detectar si el procés es manté estadísticament estable.
Tipus comuns de gràfics de control:
– Diagrama X-bar i R: per a dades variables en subgrups (per exemple, 5 mostres per hora).
– Gràfic I-MR: per a dades individuals (per exemple, una mesura per vegada).
– diagrama p: per a la proporció de defectes (atributs).
– diagrama en c o diagrama en u: per al nombre de defectes per unitat.
El nucli d'un gràfic de control és el límit superior de control (UCL) i el límit inferior de control (LCL). Si els punts de dades creuen aquests límits o formen un patró específic (per exemple, una tendència a l'alça, un llarg termini en un costat), això indica la presència d'una causa especial. L'avantatge del SPC és que evita una reacció exagerada a les variacions normals i fomenta l'acció correctiva només quan hi ha evidència estadística.
5. Capacitat del procés: el procés és capaç de complir les especificacions?
Un procés estable no garanteix necessàriament que complirà les especificacions del client. Aquí és on entra l'anàlisi de capacitat, que respon a la pregunta: fins a quin punt el procés produeix productes dins de les toleràncies especificades?
Índexs d'ús freqüent:
– Cp: compara l'amplada de l'especificació amb la variació del procés (sense mirar la posició mitjana).
– Cpk: considera la posició mitjana respecte als límits d'especificació; reflecteix si el procés és "ajustat" per un costat.
– Pp i Ppk: similars a Cp/Cpk però utilitzant variacions generals (a llarg termini), sovint utilitzades per a dades de procés que encara no estan completament controlades.
Com a regla general, un valor de Cpk de ≥ 1,33 es considera sovint adequat en moltes indústries, mentre que les indústries d'alt risc poden aspirar a un valor més alt. Tanmateix, aquesta xifra s'ha de llegir en context: tipus de producte, costos de fallada i necessitats del client.
6. Anàlisi inferencial: prova de conjectures i comparació de processos
Quan les organitzacions intenten canvis, com ara canviar matèries primeres, restablir paràmetres de màquina o formar operadors, han d'assegurar-se que aquests canvis realment millorin la qualitat. L'anàlisi inferencial ajuda a prendre decisions basades en mostres.
Alguns mètodes comuns:
– Prova t: compara la mitjana de dues condicions (abans vs després, màquina A vs màquina B).
– ANOVA: compara més de dos grups (per exemple, tres proveïdors).
– Prova de khi quadrat: per a dades d'atributs, per exemple, la comparació de proporcions de defectes entre torns.
– Regressió: modelització de la relació entre la qualitat del resultat i els factors del procés (temperatura, pressió, velocitat).
És important parar atenció a les suposicions del mètode, per exemple, la normalitat, la independència i la igualtat de variàncies. Si no es compleixen les suposicions, es pot considerar la transformació de dades o mètodes no paramètrics.
7. Disseny d'experiments (DOE): millora més eficient dels processos
Si l'objectiu és trobar la combinació òptima de factors de procés, el disseny d'experiments (DOE) és una eina molt eficaç. A diferència de provar un factor a la vegada, el DOE permet provar diversos factors simultàniament i capturar les interaccions entre ells.
Un exemple senzill: la qualitat de la superfície es veu afectada per la velocitat del motor, la temperatura i el tipus de lubricant. El DOE pot mostrar no només quins factors són més influents, sinó també la combinació de paràmetres que resulta en el nombre més baix de defectes. Això es tradueix en reparacions més ràpides, costos de prova més baixos i decisions estadísticament més sòlides.
8. Vincular les estadístiques a la cultura de la qualitat
L'anàlisi estadística no serà efectiva si simplement es considera una tasca del departament de qualitat. Les organitzacions han de construir una cultura de dades: els operadors entenen el significat dels gràfics de control, els supervisors són capaços de llegir tendències i els directius utilitzen evidències quan prenen decisions. A més, les estadístiques han d'estar connectades a accions del món real: quan es detecta un problema, hi ha d'haver un mecanisme per a la investigació de la causa arrel (per exemple, els 5 perquès o l'anàlisi de l'espina de peix) i el seguiment de les millores.
Un error comú és "recopilar dades sense un propòsit". L'anàlisi estadística s'ha de basar en preguntes empresarials: què voleu millorar, quin és el vostre objectiu, quins factors són més influents i com controlar-ne els resultats.
Conclusió
L'anàlisi estadística per a la qualitat és un enfocament que transforma la gestió de la qualitat de la mera inspecció al control i la millora basats en dades. Mitjançant l'estadística descriptiva, l'anàlisi de processos, la capacitat del procés, les proves inferencials i la detecció de resultats (DOE), les organitzacions poden comprendre la variació, detectar problemes més ràpidament i garantir que els processos compleixin les especificacions del client. En definitiva, les estadístiques són més que simples números; són un llenguatge objectiu per guiar la millora contínua: reduir defectes, reduir costos i augmentar la satisfacció del client.
Si ho desitgeu, puc adaptar aquest article a un context específic (fabricació, assistència sanitària, educació o servei al client) o afegir exemples de càlculs de Cp/Cpk i gràfics de control basats en les vostres dades.
