ਅੰਕੜਾ ਡੇਟਾ-ਅਧਾਰਤ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ
ਇੱਕ ਵਧਦੇ ਮੁਕਾਬਲੇ ਵਾਲੇ ਉਦਯੋਗਿਕ ਵਾਤਾਵਰਣ ਵਿੱਚ, ਗੁਣਵੱਤਾ ਹੁਣ ਸਿਰਫ਼ ਇੱਕ "ਮੁੱਲ-ਜੋੜ" ਲੋੜ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਉਤਪਾਦਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਦੀ ਮਾਰਕੀਟ ਸਵੀਕ੍ਰਿਤੀ ਲਈ ਇੱਕ ਮੁੱਖ ਲੋੜ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਸੰਗਠਨਾਂ ਨੇ ਮਹਿਸੂਸ ਕੀਤਾ ਹੈ ਕਿ ਗੁਣਵੱਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਸਿਰਫ਼ ਅੰਤਿਮ ਨਿਰੀਖਣ ਹੀ ਨਾਕਾਫ਼ੀ ਹੈ। ਇੱਕ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪਹੁੰਚ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਗੁਣਵੱਤਾ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਫੈਸਲੇ ਡੇਟਾ ਦੁਆਰਾ ਚਲਾਏ ਜਾਂਦੇ ਹਨ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਅੰਕੜਾ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ (SQC) ਆਉਂਦਾ ਹੈ: ਅੰਕੜਾ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਨਿਗਰਾਨੀ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸੁਧਾਰ ਕਰਨ ਲਈ ਇੱਕ ਯੋਜਨਾਬੱਧ ਵਿਧੀ ਤਾਂ ਜੋ ਪਰਿਵਰਤਨ ਨੂੰ ਸਮਝਿਆ, ਘਟਾਇਆ ਅਤੇ ਨਿਯੰਤਰਿਤ ਕੀਤਾ ਜਾ ਸਕੇ।
ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਵਿੱਚ ਅੰਕੜਾ ਡੇਟਾ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ?
ਹਰ ਪ੍ਰਕਿਰਿਆ—ਚਾਹੇ ਇਹ ਨਿਰਮਾਣ ਹੋਵੇ, ਗਾਹਕ ਸੇਵਾ ਹੋਵੇ, ਜਾਂ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਹੋਵੇ—ਵਿਭਿੰਨਤਾ ਹੁੰਦੀ ਹੈ। ਭਿੰਨਤਾ ਕੱਚੇ ਮਾਲ, ਮਸ਼ੀਨ ਦੀਆਂ ਸਥਿਤੀਆਂ, ਆਪਰੇਟਰ ਹੁਨਰ, ਵਾਤਾਵਰਣ ਵਿੱਚ ਤਬਦੀਲੀਆਂ, ਅਤੇ ਅਸੰਗਤ ਕੰਮ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਅੰਤਰ ਤੋਂ ਪੈਦਾ ਹੋ ਸਕਦੀ ਹੈ। ਜੇਕਰ ਸੰਗਠਨ ਸਿਰਫ਼ ਅਨੁਭਵ ਜਾਂ "ਆਦਤ" 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਤਾਂ ਮੂਲ ਕਾਰਨ ਅਕਸਰ ਅਣਜਾਣ ਹੋ ਜਾਂਦੇ ਹਨ, ਸੁਧਾਰ ਗਲਤ ਦਿਸ਼ਾ ਵਿੱਚ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਗੁਣਵੱਤਾ ਦੀਆਂ ਲਾਗਤਾਂ ਵਧਦੀਆਂ ਹਨ (ਮੁੜ ਕੰਮ, ਸਕ੍ਰੈਪ, ਗਾਹਕ ਸ਼ਿਕਾਇਤਾਂ, ਡਾਊਨਟਾਈਮ)।
ਅੰਕੜਾ ਡੇਟਾ ਬੁਨਿਆਦੀ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ: ਸਾਡੀ ਪ੍ਰਕਿਰਿਆ ਕਿੰਨੀ ਸਥਿਰ ਹੈ? ਕੀ ਤਬਦੀਲੀਆਂ ਸਿਰਫ਼ ਕੁਦਰਤੀ ਭਿੰਨਤਾਵਾਂ ਹੋ ਰਹੀਆਂ ਹਨ ਜਾਂ ਕੀ ਕੋਈ ਖਾਸ ਕਾਰਨ ਹਨ? ਕੀ ਨਿਰਧਾਰਨ ਟੀਚੇ ਪੂਰੇ ਹੋ ਰਹੇ ਹਨ ਜਾਂ ਨਹੀਂ? ਡੇਟਾ ਦੇ ਨਾਲ, ਫੈਸਲਾ ਲੈਣਾ ਉਦੇਸ਼ਪੂਰਨ ਬਣ ਜਾਂਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸੰਗਠਨਾਂ ਨੂੰ ਨੰਗੀ ਅੱਖ ਤੋਂ ਅਦਿੱਖ ਪੈਟਰਨਾਂ ਨੂੰ ਦੇਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ - ਉਦਾਹਰਨ ਲਈ, ਮਸ਼ੀਨ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਗਿਰਾਵਟ ਦਾ ਰੁਝਾਨ ਜਾਂ ਕਿਸੇ ਖਾਸ ਸਮੇਂ 'ਤੇ ਨੁਕਸਾਂ ਵਿੱਚ ਵਾਧਾ।
ਮੁੱਢਲੇ ਸੰਕਲਪ: ਆਮ ਕਾਰਨ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਕਾਰਨ ਭਿੰਨਤਾ
ਅੰਕੜਾਤਮਕ ਪਹੁੰਚ ਵਿੱਚ, ਪ੍ਰਕਿਰਿਆ ਭਿੰਨਤਾਵਾਂ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਦੋ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ:
1. ਆਮ ਕਾਰਨ ਭਿੰਨਤਾ
ਰੋਜ਼ਾਨਾ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਮੌਜੂਦ ਭਿੰਨਤਾ। ਉਦਾਹਰਣ ਵਜੋਂ, ਮਸ਼ੀਨ ਦੇ ਦਬਾਅ ਵਿੱਚ ਛੋਟੇ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ, ਕੱਚੇ ਮਾਲ ਦੇ ਬੈਚਾਂ ਵਿੱਚ ਛੋਟੇ ਅੰਤਰ, ਜਾਂ ਆਮ ਆਪਰੇਟਰ ਭਿੰਨਤਾ। ਇਸ ਭਿੰਨਤਾ ਨੂੰ ਪ੍ਰਣਾਲੀਗਤ ਸੁਧਾਰਾਂ (ਮਾਨਕੀਕਰਨ, ਸਿਖਲਾਈ, ਮਸ਼ੀਨ ਅੱਪਗ੍ਰੇਡ) ਦੁਆਰਾ ਘਟਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
2. ਵਿਸ਼ੇਸ਼ ਕਾਰਨ ਭਿੰਨਤਾਵਾਂ
ਉਹ ਭਿੰਨਤਾ ਜੋ ਅਸਾਧਾਰਨ ਘਟਨਾਵਾਂ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਖਰਾਬ ਮਸ਼ੀਨ ਦੇ ਹਿੱਸੇ, ਅਣ-ਕੈਲੀਬਰੇਟ ਕੀਤੇ ਮਾਪਣ ਵਾਲੇ ਯੰਤਰ, ਸੈਟਿੰਗ ਗਲਤੀਆਂ, ਜਾਂ ਸਪਲਾਇਰਾਂ ਤੋਂ ਨੁਕਸਦਾਰ ਕੱਚਾ ਮਾਲ। ਇਸ ਭਿੰਨਤਾ ਲਈ ਆਮ ਤੌਰ 'ਤੇ ਤੁਰੰਤ ਸੁਧਾਰਾਤਮਕ ਕਾਰਵਾਈ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕਾਬੂ ਤੋਂ ਬਾਹਰ ਕਰ ਸਕਦੀ ਹੈ।
ਅੰਕੜਾ-ਅਧਾਰਤ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਦਾ ਟੀਚਾ ਇਹਨਾਂ ਦੋ ਕਿਸਮਾਂ ਦੇ ਭਿੰਨਤਾਵਾਂ ਵਿੱਚ ਫਰਕ ਕਰਨਾ ਹੈ। ਇਸ ਸਮਝ ਤੋਂ ਬਿਨਾਂ, ਕੰਪਨੀਆਂ ਗਲਤੀਆਂ ਕਰ ਸਕਦੀਆਂ ਹਨ: ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਨਾਲ ਛੇੜਛਾੜ ਕਰਨਾ ਜੋ ਅਸਲ ਵਿੱਚ ਸਥਿਰ ਹੈ ਜਾਂ ਇੱਕ ਸਮੱਸਿਆ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਜਾਰੀ ਰਹਿਣ ਦੇਣਾ, ਇਸਨੂੰ "ਆਮ" ਮੰਨ ਕੇ।
ਅੰਕੜਾ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਵਿੱਚ ਮੁੱਖ ਔਜ਼ਾਰ
1. ਕੰਟਰੋਲ ਚਾਰਟ
ਕੰਟਰੋਲ ਚਾਰਟ SQC ਵਿੱਚ ਸਭ ਤੋਂ ਪ੍ਰਤੀਕ ਟੂਲ ਹੈ। ਇਸਦੀ ਵਰਤੋਂ ਸਮੇਂ ਦੇ ਨਾਲ ਗੁਣਵੱਤਾ ਮਾਪਦੰਡਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ (ਜਿਵੇਂ ਕਿ, ਉਤਪਾਦ ਦਾ ਭਾਰ, ਕੰਪੋਨੈਂਟ ਵਿਆਸ, ਸੇਵਾ ਸਮਾਂ, ਜਾਂ ਨੁਕਸਾਂ ਦੀ ਗਿਣਤੀ)। ਇੱਕ ਕੰਟਰੋਲ ਚਾਰਟ ਵਿੱਚ ਇੱਕ ਸੈਂਟਰ ਲਾਈਨ (ਔਸਤ) ਅਤੇ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕੀਤੀ ਗਈ ਉਪਰਲੀ ਅਤੇ ਹੇਠਲੀ ਨਿਯੰਤਰਣ ਸੀਮਾਵਾਂ (UCL ਅਤੇ LCL) ਹੁੰਦੀਆਂ ਹਨ। ਜਦੋਂ ਡੇਟਾ ਪੁਆਇੰਟ ਇਹਨਾਂ ਸੀਮਾਵਾਂ ਦੇ ਅੰਦਰ ਆਉਂਦੇ ਹਨ ਅਤੇ ਕੋਈ ਸ਼ੱਕੀ ਪੈਟਰਨ ਨਹੀਂ ਦਿਖਾਉਂਦੇ, ਤਾਂ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਥਿਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।
ਕੰਟਰੋਲ ਚਾਰਟ ਇਹ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ:
- UCL/LCL ਤੋਂ ਬਾਹਰ ਅੰਕ (ਇੱਕ ਖਾਸ ਕਾਰਨ ਦਰਸਾਉਂਦੇ ਹਨ)
- ਕ੍ਰਮਵਾਰ ਉੱਪਰ/ਹੇਠਾਂ ਰੁਝਾਨ
- ਦੁਹਰਾਉਣ ਵਾਲੇ ਪੈਟਰਨ (ਜਿਵੇਂ ਕਿ ਸ਼ਿਫਟ ਪ੍ਰਭਾਵ)
- ਭਿੰਨਤਾਵਾਂ ਜੋ ਅਚਾਨਕ ਘਟਦੀਆਂ ਜਾਂ ਵਧਦੀਆਂ ਹਨ (ਸਿਸਟਮ ਬਦਲਾਅ)
ਕੰਟਰੋਲ ਚਾਰਟ ਦੀ ਕਿਸਮ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਹੁੰਦੀ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ:
- ਲੰਬਾਈ ਜਾਂ ਭਾਰ ਵਰਗੇ ਵੇਰੀਏਬਲ ਡੇਟਾ (ਨਿਰੰਤਰ ਮਾਪ) ਲਈ X̄-R / X̄-S।
- ਨੁਕਸਦਾਰ ਇਕਾਈਆਂ ਦੇ ਅਨੁਪਾਤ ਲਈ ਪੀ-ਚਾਰਟ, ਐਨਪੀ-ਚਾਰਟ।
- ਪ੍ਰਤੀ ਯੂਨਿਟ ਨੁਕਸਾਂ ਦੀ ਗਿਣਤੀ ਲਈ ਸੀ-ਚਾਰਟ, ਯੂ-ਚਾਰਟ।
2. ਹਿਸਟੋਗ੍ਰਾਮ ਅਤੇ ਡੇਟਾ ਵੰਡ
ਇੱਕ ਹਿਸਟੋਗ੍ਰਾਮ ਡੇਟਾ ਦੀ ਵੰਡ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ: ਕੀ ਇਹ ਸਮਮਿਤੀ, ਤਿਰਛੀ, ਬਾਈਮੋਡਲ ਹੈ, ਜਾਂ ਇਸ ਵਿੱਚ ਬਾਹਰੀ ਹਿੱਸੇ ਹਨ। ਇੱਕ ਹਿਸਟੋਗ੍ਰਾਮ ਨਾਲ, ਗੁਣਵੱਤਾ ਟੀਮ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦੀ ਹੈ ਕਿ ਕੀ ਭਿੰਨਤਾਵਾਂ ਆਮ ਹਨ, ਕੀ ਦੋ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦਾ ਮਿਸ਼ਰਣ ਹੈ (ਜਿਵੇਂ ਕਿ, ਦੋ ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨਾਂ), ਜਾਂ ਕੀ ਪ੍ਰਕਿਰਿਆ ਟੀਚੇ ਤੋਂ ਭਟਕ ਰਹੀ ਹੈ।
3. ਪੈਰੇਟੋ ਚਾਰਟ
ਪੈਰੇਟੋ ਸਿਧਾਂਤ (80/20) ਅਕਸਰ ਗੁਣਵੱਤਾ ਦੇ ਮੁੱਦਿਆਂ 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ: ਥੋੜ੍ਹੇ ਜਿਹੇ ਨੁਕਸ ਜ਼ਿਆਦਾਤਰ ਨੁਕਸਾਨਾਂ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੇ ਹਨ। ਇੱਕ ਪੈਰੇਟੋ ਚਾਰਟ ਕਾਰਨਾਂ ਜਾਂ ਨੁਕਸ ਨੂੰ ਉਹਨਾਂ ਦੇ ਪ੍ਰਚਲਨ ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਕੇ ਸੁਧਾਰਾਂ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, ਸੰਗਠਨ ਪਹਿਲਾਂ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਭਾਵ ਵਾਲੇ ਮੁੱਦਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ।
4. ਕਾਰਨ-ਪ੍ਰਭਾਵ ਚਿੱਤਰ (ਮੱਛੀ ਦੀ ਹੱਡੀ/ਇਸ਼ਿਕਾਵਾ)
ਜਦੋਂ ਡੇਟਾ ਕਿਸੇ ਸਮੱਸਿਆ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਫਿਸ਼ਬੋਨ ਮਨੁੱਖ, ਮਸ਼ੀਨ, ਵਿਧੀ, ਸਮੱਗਰੀ, ਮਾਪ ਅਤੇ ਵਾਤਾਵਰਣ ਵਰਗੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਅਧਾਰ ਤੇ ਸੰਭਾਵਿਤ ਮੂਲ ਕਾਰਨਾਂ ਦਾ ਨਕਸ਼ਾ ਬਣਾਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ। ਗੁਣਾਤਮਕ ਸੁਭਾਅ ਦੇ ਬਾਵਜੂਦ, ਇਹ ਸਾਧਨ ਕਾਰਕ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਡੇਟਾ ਨਾਲ ਜੋੜਿਆ ਜਾਣ 'ਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦਾ ਹੈ।
5. ਸਕੈਟਰ ਪਲਾਟ ਅਤੇ ਸਹਿ-ਸੰਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ
ਸਕੈਟਰ ਪਲਾਟਾਂ ਦੀ ਵਰਤੋਂ ਦੋ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਦੇਖਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਮਸ਼ੀਨ ਦਾ ਤਾਪਮਾਨ ਬਨਾਮ ਨੁਕਸਾਂ ਦੀ ਗਿਣਤੀ, ਜਾਂ ਆਪਰੇਟਰ ਅਨੁਭਵ ਬਨਾਮ ਚੱਕਰ ਸਮਾਂ। ਜੇਕਰ ਕੋਈ ਸਬੰਧ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਟੀਮ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਹੋਰ ਪ੍ਰਯੋਗ ਜਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੀ ਹੈ ਕਿ ਕੀ ਸਬੰਧ ਕਾਰਣ ਹੈ।
ਮੁੱਖ ਸੂਚਕ: ਪ੍ਰਕਿਰਿਆ ਸਮਰੱਥਾ (Cp, Cpk)
ਸਥਿਰਤਾ ਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੇ ਯੋਗ ਵੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਪ੍ਰਕਿਰਿਆ ਸਮਰੱਥਾ ਇਹ ਮਾਪਦੀ ਹੈ ਕਿ ਪ੍ਰਕਿਰਿਆ ਆਉਟਪੁੱਟ ਵੰਡ ਗਾਹਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅੰਦਰ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਆਉਂਦੀ ਹੈ।
- Cp ਸੰਭਾਵੀ ਸਮਰੱਥਾ (ਪ੍ਰਕਿਰਿਆ ਪਰਿਵਰਤਨ ਬਨਾਮ ਨਿਰਧਾਰਨ ਚੌੜਾਈ) ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ, ਇਹ ਮੰਨ ਕੇ ਕਿ ਪ੍ਰਕਿਰਿਆ ਬਿਲਕੁਲ ਵਿਚਕਾਰ ਹੈ।
- ਸੀਪੀਕੇ ਇਸ ਗੱਲ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ ਕਿ ਕੀ ਪ੍ਰਕਿਰਿਆ ਟੀਚੇ (ਕੇਂਦਰੀਕਰਨ) ਤੋਂ ਹਿੱਲ ਰਹੀ ਹੈ।
ਵਿਹਾਰਕ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇੱਕ ਉੱਚ Cp/Cpk ਮੁੱਲ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਭਿੰਨਤਾਵਾਂ ਦੇ ਵਿਰੁੱਧ ਵਧੇਰੇ "ਸੁਰੱਖਿਅਤ" ਹੈ। ਬਹੁਤ ਸਾਰੇ ਉਦਯੋਗ ਮੁਕਾਬਲਤਨ ਸਥਿਰ ਪ੍ਰਕਿਰਿਆਵਾਂ ਲਈ ≥ 1,33 ਦੇ Cpk ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦੇ ਹਨ, ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਿਆਂ ਲਈ ਵੱਧ। ਹਾਲਾਂਕਿ, ਟੀਚਾ ਮੁੱਲ ਨੂੰ ਜੋਖਮ, ਲਾਗਤ ਅਤੇ ਗਾਹਕਾਂ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਦੇ ਅਧਾਰ ਤੇ ਐਡਜਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਅੰਕੜਾ-ਅਧਾਰਤ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਲਾਗੂ ਕਰਨ ਲਈ ਕਦਮ
1. ਗੁਣਵੱਤਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਪਤਾ ਲਗਾਓ (CTQ: ਗੁਣਵੱਤਾ ਲਈ ਮਹੱਤਵਪੂਰਨ)
ਉਹ ਮਾਪਦੰਡ ਚੁਣੋ ਜੋ ਸੱਚਮੁੱਚ ਗਾਹਕਾਂ ਦੀ ਸੰਤੁਸ਼ਟੀ ਜਾਂ ਸੁਰੱਖਿਆ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਮੱਗਰੀ ਦੀ ਮਜ਼ਬੂਤੀ, ਚਾਬੀਆਂ ਦਾ ਆਕਾਰ, ਜਾਂ ਲੀਕੇਜ ਦਰ।
2. ਇੱਕ ਭਰੋਸੇਮੰਦ ਮਾਪ ਪ੍ਰਣਾਲੀ ਡਿਜ਼ਾਈਨ ਕਰੋ
ਮਾੜਾ ਡੇਟਾ ਮਾੜੇ ਫੈਸਲਿਆਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਉਪਕਰਣਾਂ ਨੂੰ ਕੈਲੀਬ੍ਰੇਟ ਕਰੋ, ਮਾਪ ਵਿਧੀਆਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, ਅਤੇ, ਜੇ ਜ਼ਰੂਰੀ ਹੋਵੇ, ਤਾਂ ਇਕਸਾਰ ਨਤੀਜਿਆਂ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਮਾਪ ਪ੍ਰਣਾਲੀ ਅਧਿਐਨ (ਜਿਵੇਂ ਕਿ ਗੇਜ ਆਰ ਐਂਡ ਆਰ) ਕਰੋ।
3. ਇੱਕ ਢਾਂਚਾਗਤ ਢੰਗ ਨਾਲ ਡੇਟਾ ਇਕੱਠਾ ਕਰੋ
ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕੁਐਂਸੀ, ਸੈਂਪਲ ਦਾ ਆਕਾਰ, ਅਤੇ ਰਿਕਾਰਡਿੰਗ ਵਿਧੀ ਨਿਰਧਾਰਤ ਕਰੋ। ਸੰਦਰਭ ਸ਼ਾਮਲ ਕਰੋ: ਕਿਹੜੀ ਮਸ਼ੀਨ, ਸ਼ਿਫਟ, ਮਟੀਰੀਅਲ ਲਾਟ, ਆਪਰੇਟਰ, ਅਤੇ ਵਾਤਾਵਰਣ ਦੀਆਂ ਸਥਿਤੀਆਂ।
4. ਸਥਿਰਤਾ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਲਈ ਕੰਟਰੋਲ ਚਾਰਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਕੰਟਰੋਲ ਤੋਂ ਬਾਹਰ ਹੋਣ ਵਾਲੇ ਸੰਕੇਤਾਂ ਦੀ ਪਛਾਣ ਕਰੋ ਅਤੇ ਖਾਸ ਕਾਰਨਾਂ ਲਈ ਤੁਰੰਤ ਕਾਰਵਾਈ ਕਰੋ। ਸਿੱਖਿਆ ਇਕੱਠੀ ਕਰਨ ਲਈ ਸੁਧਾਰਾਤਮਕ ਕਾਰਵਾਈਆਂ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਬਣਾਓ।
5. ਮੂਲ ਕਾਰਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸੁਧਾਰ ਕਰੋ
ਜੇਕਰ ਆਮ ਕਾਰਨ ਭਿੰਨਤਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ, ਤਾਂ ਪ੍ਰਣਾਲੀਗਤ ਸੁਧਾਰ ਲਾਗੂ ਕਰੋ: ਮਿਆਰੀ ਕੰਮ, ਰੋਕਥਾਮ ਰੱਖ-ਰਖਾਅ, ਸਪਲਾਇਰ ਸੁਧਾਰ, ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਮੁੜ ਡਿਜ਼ਾਈਨ ਕਰਨਾ, ਜਾਂ ਆਟੋਮੇਸ਼ਨ।
6. ਪ੍ਰਕਿਰਿਆ ਸਮਰੱਥਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਅਤੇ ਟੀਚਿਆਂ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰੋ
ਇੱਕ ਵਾਰ ਪ੍ਰਕਿਰਿਆ ਸਥਿਰ ਹੋ ਜਾਣ 'ਤੇ, Cp/Cpk ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਲੋੜੀਂਦੇ ਮਾਰਜਿਨਾਂ ਨਾਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਹੋਰ ਸੁਧਾਰਾਂ ਦੀ ਲੋੜ ਹੈ।
7. ਡੇਟਾ-ਅਧਾਰਿਤ ਫੈਸਲਿਆਂ ਦੀ ਇੱਕ ਸੱਭਿਆਚਾਰ ਬਣਾਓ
SQC ਸਿਰਫ਼ ਇੱਕ ਔਜ਼ਾਰ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਆਦਤ ਹੈ: ਰੋਜ਼ਾਨਾ ਚਾਰਟ-ਅਧਾਰਿਤ ਮੀਟਿੰਗਾਂ, ਡੇਟਾ ਤੋਂ ਸਿੱਖਣਾ, ਅਤੇ ਮਿਆਰਾਂ ਦੀ ਅਨੁਸ਼ਾਸਿਤ ਪਾਲਣਾ।
ਅਕਸਰ ਉੱਭਰ ਰਹੀਆਂ ਚੁਣੌਤੀਆਂ
ਕੁਝ ਸੰਗਠਨ SQC ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ ਕਿਉਂਕਿ ਵਿਧੀ ਨੁਕਸਦਾਰ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇਸ ਲਈ ਕਿ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਕਮਜ਼ੋਰ ਹੈ। ਆਮ ਚੁਣੌਤੀਆਂ ਵਿੱਚ ਅਸੰਗਤ ਡੇਟਾ, ਮਨਮਾਨੇ ਨੁਕਸ ਪਰਿਭਾਸ਼ਾਵਾਂ, ਗੈਰ-ਪ੍ਰਤੀਨਿਧਤਾਪੂਰਨ ਨਮੂਨਾ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੈਰ-ਪ੍ਰਾਥਮਿਕਤਾ ਵਾਲੇ ਸੂਚਕ, ਅਤੇ ਸਮਝੇ ਗਏ ਪ੍ਰਸ਼ਾਸਕੀ ਬੋਝ ਕਾਰਨ ਕਰਮਚਾਰੀ ਵਿਰੋਧ ਸ਼ਾਮਲ ਹਨ। ਹੱਲ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਸਰਲ ਬਣਾਉਣਾ, ਜਿੱਥੇ ਸੰਭਵ ਹੋਵੇ ਡੇਟਾ ਸੰਗ੍ਰਹਿ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਨਾ, ਨਿਯੰਤਰਣ ਚਾਰਟ ਵਿਆਖਿਆ ਵਿੱਚ ਟੀਮਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ, ਅਤੇ ਘਟੇ ਹੋਏ ਸਕ੍ਰੈਪ ਜਾਂ ਸ਼ਿਕਾਇਤਾਂ ਵਰਗੇ ਠੋਸ ਲਾਭਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਾ ਹੈ।
ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ
ਅੰਕੜਾ ਡੇਟਾ-ਅਧਾਰਿਤ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਹੁੰਚ ਹੈ ਕਿ ਪ੍ਰਕਿਰਿਆਵਾਂ ਸੁਚਾਰੂ ਢੰਗ ਨਾਲ ਚੱਲਣ ਅਤੇ ਆਉਟਪੁੱਟ ਗਾਹਕਾਂ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ। ਪਰਿਵਰਤਨ ਦੇ ਆਮ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਕਾਰਨਾਂ ਨੂੰ ਵੱਖਰਾ ਕਰਕੇ, ਨਿਯੰਤਰਣ ਚਾਰਟ, ਵੰਡ ਵਿਸ਼ਲੇਸ਼ਣ , ਪੈਰੇਟੋ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਸਮਰੱਥਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਸੰਗਠਨ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਨੂੰ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ ਗਤੀਵਿਧੀ ਤੋਂ ਇੱਕ ਮਾਪਣਯੋਗ, ਰੋਕਥਾਮ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਬਦਲ ਸਕਦੇ ਹਨ। ਅੰਤ ਵਿੱਚ, ਡੇਟਾ-ਅਧਾਰਿਤ ਗੁਣਵੱਤਾ ਨਾ ਸਿਰਫ਼ ਅਸਫਲਤਾ ਦੀ ਲਾਗਤ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ ਬਲਕਿ ਪ੍ਰਤਿਸ਼ਠਾ, ਗਾਹਕ ਵਿਸ਼ਵਾਸ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਦੀ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਨੂੰ ਵੀ ਵਧਾਉਂਦੀ ਹੈ।
ਜੇ ਤੁਸੀਂ ਚਾਹੋ, ਤਾਂ ਮੈਂ ਇਸ ਲੇਖ ਨੂੰ ਇੱਕ ਖਾਸ ਸੰਦਰਭ (ਜਿਵੇਂ ਕਿ ਭੋਜਨ ਨਿਰਮਾਣ, ਆਟੋਮੋਟਿਵ, ਹਸਪਤਾਲ, ਜਾਂ ਡਿਜੀਟਲ ਸੇਵਾਵਾਂ) ਦੇ ਅਨੁਸਾਰ ਢਾਲ ਸਕਦਾ ਹਾਂ ਅਤੇ ਕੰਟਰੋਲ ਚਾਰਟ ਜਾਂ Cp/Cpk ਗਣਨਾਵਾਂ ਦੀਆਂ ਸਧਾਰਨ ਉਦਾਹਰਣਾਂ ਸ਼ਾਮਲ ਕਰ ਸਕਦਾ ਹਾਂ।
