Статистичка анализа за квалитет
Во ерата на сè пожестока конкуренција, квалитетот повеќе не е само додадена вредност, туку примарен услов за производите и услугите да преживеат на пазарот. Многу организации имплементирале инспекции, ревизии и подобрувања на процесите. Сепак, без мерлив пристап, напорите за подобрување на квалитетот честопати дегенерираат во чисто интуитивни одлуки. Тука статистичката анализа игра клучна улога: помагајќи во трансформирањето на податоците во информации, а потоа и во објективни одлуки. Оваа статија дискутира за тоа како статистичката анализа се користи за систематска проценка, контрола и подобрување на квалитетот.
1. Зошто статистиката е важна за квалитетот?
Квалитетот е фундаментално поврзан со варијацијата. Во секој процес на производство или услуга, секогаш постои варијација - на пример, варијации во големината, тежината, времето на услугата или стапката на дефекти. Не секоја варијација е по природа лоша; некои се природни варијации кои не можат целосно да се елиминираат. Статистиката помага да се направи разлика помеѓу природните варијации (честа причина) и варијациите што произлегуваат од специфични проблеми (специјална причина). Со разбирање на изворите на варијации, организациите можат да се фокусираат на вистински подобрувања, наместо едноставно да „гасат пожари“ што се појавуваат само повремено.
Без статистика, менаџментот би можел да преземе погрешни мерки. На пример, ако денешното производство е малку полошо од вчерашното, тоа не мора да значи дека процесот се влошува - тоа може да биде само нормална флуктуација. Обратно, ако постои шема на постепено зголемување на дефектите, статистиката може да ги открие порано пред да станат големи дефекти.
2. Квалитетни податоци: видови и методи на собирање
Статистичката анализа е добра само колку што се добри податоците што ги користи. Во однос на квалитетот, податоците обично се делат во две категории:
1. Податоци за атрибути: категорични податоци, на пример неисправно/недефектно, поминато/неуспешно, дефект тип А/Б/Ц. Овие податоци се вообичаени кај конечните инспекции или визуелните инспекции.
2. Променливи податоци: континуирани нумерички податоци, на пример должина на компонентата (мм), тежина (грамови), тврдост на материјалот, време на сервисирање (минути). Променливите податоци се генерално поинформативни бидејќи содржат детали за големината на отстапувањето.
При собирањето податоци мора да се земат предвид неколку принципи: јасни дефиниции на дефекти, конзистентни процедури за мерење, соодветни големини на примероци и точно водење евиденција. Еден аспект што често се занемарува е системот за мерење: мерните инструменти можат да бидат неточни или операторите можат да донесат различни проценки. Затоа, многу организации спроведуваат евалуации на системите за мерење (на пр., студии за повторување и репродуктивност) за да се осигурат дека добиените податоци се веродостојни.
3. Описна статистика: првиот чекор во разбирањето на квалитетот
Првиот чекор во анализата е обично дескриптивна статистика. Целта е да се опише моменталната состојба на квалитетот. Некои најчесто користени мерки се:
– Средна вредност: средната вредност што го претставува општиот тренд.
– Медијана: средната вредност што е поотпорна на отстапувања.
– Варијанса и стандардна девијација: опишете го степенот на варијација. Големите варијации често се „непријател“ на квалитетот.
– Минимум–максимум: помага да се види опсегот на резултатите од процесот.
– Процент на дефекти: за податоци за атрибути.
Освен броевите, визуелизацијата е клучна. Хистограмите, дијаграмите со кутии и дијаграмите со расејување помагаат да се визуелизира обликот на распределбата, потенцијалните отстапувања и врските меѓу променливите. На пример, дијаграмот со расејување може да покаже дека дефектите се зголемуваат кога температурите на машината се превисоки - што е рана индикација за основната причина.
4. Контрола на процеси со статистичка контрола на процеси (SPC)
Една од најпознатите употреби на статистиката во квалитетот е Статистичката контрола на процесите (SPC), особено преку контролни дијаграми. Контролните дијаграми имаат за цел да го следат процесот со текот на времето и да откријат дали процесот останува статистички стабилен.
Вообичаени видови на контролни дијаграми:
– X-бар и R-дијаграм: за променливи податоци во подгрупи (на пр. 5 примероци на час).
– I-MR графикон: за индивидуални податоци (на пр. едно мерење по пат).
– p-дијаграм: за пропорцијата на дефекти (атрибути).
– c-дијаграм или u-дијаграм: за бројот на дефекти по единица.
Јадрото на контролниот графикон е горната контролна граница (UCL) и долната контролна граница (LCL). Ако точките на податоци ги преминат овие граници или формираат специфичен модел (на пр., тренд на пораст, долгорочен период од едната страна), тоа сигнализира присуство на посебна причина. Предноста на SPC е што спречува прекумерна реакција на нормалните варијации и поттикнува корективни мерки само кога постојат статистички докази.
5. Способност за процес: дали процесот е способен да ги исполни спецификациите?
Стабилниот процес не мора нужно да гарантира дека ќе ги исполни спецификациите на клиентите. Тука доаѓа до израз анализата на капацитетите, која одговара на прашањето: колку добро процесот произведува производи во рамките на одредените толеранции?
Често користени индекси:
– Cp : ја споредува ширината на спецификацијата со варијацијата на процесот (без да се погледне просечната позиција).
– Cpk: ја зема предвид просечната позиција во однос на ограничувањата на спецификацијата; одразува дали процесот е „тесен“ од едната страна.
– Pp и Ppk: слични на Cp/Cpk, но користејќи целокупни (долгорочни) варијации, често се користат за податоци од процесот кои сè уште не се целосно контролирани.
Како општо правило, вредноста на Cpk од ≥ 1,33 често се смета за соодветна во многу индустрии, додека индустриите со висок ризик може да се стремат кон повисоки цели. Сепак, оваа бројка треба да се чита во контекст: тип на производ, трошоци за дефекти и потреби на клиентите.
6. Инференцијална анализа: тестирање на претпоставки и споредување на процеси
Кога организациите се обидуваат со промени - како што се промена на суровините, ресетирање на параметрите на машината или обука на операторите - тие треба да се осигурат дека тие промени всушност го подобруваат квалитетот. Инференцијалната анализа помага да се донесат одлуки врз основа на примероци.
Некои вообичаени методи:
– Т-тест: споредува просек од два услови (пред наспроти потоа, машина А наспроти машина Б).
– ANOVA: споредува повеќе од две групи (на пр. три добавувачи).
– Тест на хи-квадрат: за податоци за атрибути, на пример споредба на пропорциите на дефекти помеѓу поместувањата.
– Регресија: моделирање на врската помеѓу квалитетот на излезот и факторите на процесот (температура, притисок, брзина).
Важно е да се обрне внимание на претпоставките на методот - на пример, нормалност, независност и еднаквост на варијансите. Доколку претпоставките не се исполнети, може да се разгледаат методи за трансформација на податоци или непараметриски методи.
7. Дизајн на експерименти (DOE): поефикасно подобрување на процесот
Ако целта е да се пронајде оптимална комбинација на фактори на процесот, Дизајнот на експерименти (DOE) е многу ефикасна алатка. За разлика од тестирањето на еден фактор истовремено, DOE овозможува тестирање на повеќе фактори истовремено и снимање на интеракциите меѓу нив.
Едноставен пример: квалитетот на површината е под влијание на брзината на моторот, температурата и типот на лубрикант. DOE може да покаже не само кои фактори се највлијателни, туку и комбинацијата на параметри што резултира со најмал број на дефекти. Ова резултира со побрзи поправки, пониски трошоци за тестирање и статистички поцврсти одлуки.
8. Поврзување на статистиката со културата на квалитет
Статистичката анализа нема да биде ефикасна ако едноставно се смета за задача на одделот за квалитет. Организациите треба да изградат култура на податоци: операторите го разбираат значењето на контролните дијаграми, супервизорите се способни да читаат трендови, а менаџерите користат докази при донесување одлуки. Понатаму, статистиката мора да биде поврзана со активности од реалниот свет: кога ќе се открие проблем, мора да постои механизам за истражување на основната причина (на пр., анализата на 5-те „зошто“ или „рибина коска“) и следење на подобрувањата.
Честа грешка е „собирање податоци без цел“. Статистичката анализа треба да биде водена од деловни прашања: што сакате да подобрите, која е вашата цел, кои фактори се највлијателни и како да ги следите резултатите.
Заклучок
Статистичката анализа за квалитет е пристап што го трансформира управувањето со квалитетот од обична инспекција во контрола и подобрување базирани на податоци. Преку дескриптивна статистика, SPC, способност за процеси, инференцијално тестирање и DOE, организациите можат да ги разберат варијациите, побрзо да детектираат проблеми и да обезбедат процесите да ги исполнуваат спецификациите на клиентите. На крајот на краиштата, статистиката е повеќе од само бројки; таа е објективен јазик за водење на континуирано подобрување - намалување на дефектите, намалување на трошоците и зголемување на задоволството на клиентите.
Доколку сакате, можам да ја прилагодам оваа статија на специфичен контекст (производство, здравствена заштита, образование или корисничка поддршка) или да додадам примери за пресметки на Cp/Cpk и контролни графикони врз основа на вашите податоци.
