Grazie a tutti per esservi uniti a me. Il titolo di questa presentazione è "Diagramma di flusso decisionale sulla capacità di processo". Sono Patrick Giuliano e il mio coautore di questa presentazione è il Dott. Charles Chen.
Bene. Questa sarà una presentazione a livello di sistema. È ampiamente integrato JMP, ma gran parte dell'analisi, anzi, tutta l'analisi, sarà documentata e disponibile sulla pagina del Progetto Discovery per la vostra consultazione. L'obiettivo generale di questo progetto è creare un diagramma di flusso decisionale per valutare la capacità di un processo end-to-end in un ambiente di produzione ad alta tecnologia.
Nel complesso, stiamo adottando un approccio molto sistematico e basato sui dati, con particolare attenzione a metodi efficaci per approssimare e stimare le statistiche, nonché a condurre un'analisi delle cause profonde in modo significativo ed efficace, al fine di apportare miglioramenti concreti. Il nostro obiettivo è adottare la metodologia di progetto DMAIC, un approccio ingegneristico classico, in stile Six Sigma. È anch'essa molto sistematica e basata sui dati, e vogliamo dimostrare, attraverso un diagramma di flusso efficace, come guidare la selezione delle piattaforme JMP appropriate e utilizzare statistiche di approssimazione normali adeguate per stimare la capacità del processo in modo accurato.
Infine, una volta codificato il processo, vogliamo sfruttare Workflow Builder di JMF per standardizzare il flusso di lavoro e registrare efficacemente tutti i passaggi, in modo che chiunque possa riprodurre l'analisi dall'inizio. Per maggiore chiarezza, nel corso della presentazione, PCFC è il diagramma di flusso delle capacità di processo, che deve essere chiaramente distinto da qualsiasi tipo di flusso o workflow associato a JMP, che definiremmo workflow o workflow builder di JMP.
In questa diapositiva si parla dell'ispirazione alla base di questo progetto. Infatti, il progetto che vedete qui sotto in rosso, indicato con la sigla JCT-13, fa parte di un progetto molto più ampio che rientra nell'ambito della JMP University, ideata dal mio coautore. L'idea è che questa presentazione si inserisca nel contesto di una figura di riferimento che guida la metodologia, la promuove e la perfeziona.
Ciascun progetto che confluisce in questo concetto della JMP University sarà associato e interagirà con questo progetto specifico. In questa presentazione vedrete intrecciati alcuni degli altri elementi dell'analisi delle cause profonde e del processo decisionale basato sui dati che si sovrappongono o sono complementari alla misurazione della capacità di processo in un ambiente di produzione.
Il concetto di JMP University è strutturato in tre fasi. La prima consiste nel collaborare con i responsabili dei team principali per definire l'ambito, la mappa e il sistema di valutazione. La seconda fase prevede la presentazione del progetto del team principale, e in questo caso si tratta di un diagramma di flusso delle capacità di processo. Successivamente, il progetto viene presentato in un formato di summit di scoperta o in altri formati interni all'azienda. Infine, si procede alla scalabilità, prendendo questo progetto e insegnando ad altri, presso specifici siti produttivi, come implementarlo nel loro particolare scenario produttivo o di progetto.
In linea con la tradizione DMAIC, definiamo il problema e gli obiettivi in modo molto preciso. Non entrerò nei dettagli, potrete approfondire l'argomento in seguito. Ma, in linea generale, l'obiettivo è costruire questo diagramma di flusso e implementare un sistema di valutazione basato su una scorecard per misurare la capacità dell'ingegnere o dell'analista di seguirlo. Questo è l'obiettivo primario, il punto numero 1: sviluppare concretamente la metodologia.
Il secondo elemento è il modello di scorecard, che rappresenta la metodologia per eseguire in modo coerente questo diagramma di flusso e quindi sviluppare il flusso di lavoro end-to-end in JMP Workflow Builder.
Uno dei temi che vorremmo sottolineare, nel contesto della definizione del problema, della sua estensione e della sua risoluzione, è la leadership efficace, che implica un processo decisionale interfunzionale e la creazione di team con le parti interessate. Un processo decisionale basato sul consenso, a tal fine, si avvale di strumenti come i diagrammi di flusso o le mappe di processo. In questo modo, tutti possono supportare e concordare sulla decisione.
Ci concentriamo sul diagramma di flusso con gli aspetti aggiuntivi che abbiamo qui descritto. In definitiva, questo ci consente di implementare un quadro decisionale sul campo per un numero maggiore di persone, in modo da poterlo scalare efficacemente e renderlo coerente.
Quali sono gli elementi che alimentano la fase di definizione? Essendo una fase così critica, si tratta essenzialmente della definizione del problema, che nella tradizione DMAIC è di fondamentale importanza. Il modo in cui ci piace visualizzarla è attraverso quello che chiamiamo diagramma del corpo JMP.
Fondamentalmente ci sono tre elementi. Possiamo immaginarli come gli occhi, il cervello e la mano. Li chiamiamo rispettivamente "occhi JMP", "cervello JMP" e "mani JMP": visione a lungo termine, pensiero critico basato sui dati e pratica sul campo. Per raggiungere una visione a lungo termine, dobbiamo iniziare definendo chiaramente il problema, valutando criticamente i nostri obiettivi e padroneggiando gli strumenti JMP per testare e convalidare i nostri concetti. Questo è il primo tema: testa, occhi e mani.
Questo approccio si collega perfettamente al secondo tema, ovvero JMP naso, orecchie, bocca e zampe, che sottolinea l'importanza di presentare i dati in modo efficace in JMP per una revisione chiara e obiettiva da parte delle parti interessate.
Naturalmente, quando presentiamo i dati, la flessibilità è fondamentale. Questo è il terzo tema nel contesto di questo diagramma del corpo JMP. Le braccia decisionali del JMP, ovvero il potere decisionale e negoziale, necessitano di flessibilità e della capacità di essere flessibili ma al contempo rigorosi. I piedi, invece, rappresentano la capacità di rimanere saldi sulle decisioni basate sui dati e supportate dall'analisi JMP.
Per fare ciò, dobbiamo essere pronti ad adattarci e a utilizzare analisi aggiuntive o nuovi metodi di presentazione delle stesse analisi o degli stessi dati per supportare un solido processo decisionale basato sul rischio nel nostro ambiente di qualità. Tutto questo è profondamente radicato nel desiderio di migliorarsi e di migliorare i processi e le persone che ci circondano. Questo è il cuore di JMP, il suo DNA, la sua passione e la sua convinzione.
Di cosa stiamo parlando? Qui approfondiamo un po' di più la fase di definizione. Ciò che non ho menzionato nel contesto delle slide precedenti sono la voce del talento, la voce del processo, la voce del business e la voce del cliente. È utile per noi pensare a tutti i principali stakeholder in questo formato di componenti di alto livello. Possiamo utilizzare qualcosa chiamato analisi del problema di alto valore, analisi dell'opportunità di alto valore, ovvero HVP/HVO.
Le aziende spesso iniziano valutando i propri livelli di maturità in questo modo, e possiamo identificare linee guida per il miglioramento continuo in generale, che possiamo poi integrare nel nostro processo di maturità della qualità, portando a una gestione efficace della qualità all'interno del sistema di gestione della qualità. Si tratta in realtà di un'ulteriore metodologia per un approccio olistico, che dovrebbe includere strumenti analitici come l'analisi dei sistemi di misurazione, il controllo statistico di processo e la valutazione della capacità di processo, che sono al centro di questa presentazione e di questa metodologia analitica.
Ecco una diapositiva che offre un'idea di come potrebbe apparire questo framework di maturità della qualità, se lo pianificassimo. Possiamo stabilire la maturità della qualità del processo. Sulla destra possiamo identificare le componenti di progettazione, introduzione di nuovi prodotti e produzione, e possiamo identificare i punti di controllo, o revisioni di fase, in cui un team interfunzionale determinerebbe se determinati componenti sono presenti a ciascun livello in ogni fase, che si tratti di progettazione, introduzione di nuovi prodotti o produzione.
Ciascuno dei nostri obiettivi e risultati attesi può essere definito chiaramente in base al livello di maturità del nostro progetto o processo. Un concetto fondamentale, che il mio co-relatore ama ripetere, è: pensare in grande, iniziare in piccolo, agire. Parte di questo "inizio in piccolo" consiste nel definire nel dettaglio ciò di cui abbiamo bisogno per poter agire di conseguenza.
Ecco un'altra diapositiva sulla fase di definizione relativa a questo progetto, e qui l'idea è, in pratica, come traduciamo queste quattro voci, VOC, VOB, VOT, VOP, in attributi critici per la qualità? Bene, alcuni degli strumenti che possiamo utilizzare sono la valutazione dei punti di forza, di debolezza e delle opportunità, che si trova nell'angolo in basso a destra. Oppure possiamo utilizzare la metodologia SIPOC, di cui potete vedere un esempio nell'angolo in basso a sinistra: fornitore, input, processo, output, cliente.
L'esempio in basso a sinistra, il contesto fornito, riguarda la costruzione di un modello DOE. L'aspetto processuale del SIPOC include la messa a punto del modello stesso. L'esempio dell'analisi SWOT. È un esempio diverso, ma possiamo pensarci... È un esempio diverso in questo contesto rispetto al progetto, ma possiamo pensarci nel senso di output della scorecard che useremo per valutare la coerenza dell'analisi del diagramma di flusso tra gli analisti. Possiamo usarlo in un framework SWOT.
Riprendendo il discorso e tornando al nostro progetto, se consideriamo la fase di definizione, oggi ci concentriamo maggiormente sulla fase 1, ovvero sulla dimostrazione della metodologia per un'analisi PPK rigorosa.
Passiamo ora alla fase di misurazione. Anche in questo caso, l'elemento chiave è lo sviluppo di una scorecard, in modo da poter sistematizzare il diagramma di flusso delle capacità di processo e contribuire a garantire la coerenza tra i singoli individui, utilizzandola per ridurre i pregiudizi attraverso la valutazione delle proprie prestazioni, delle prestazioni di ciascun individuo e delle prestazioni dei colleghi. Dobbiamo tenere presente che non disponiamo necessariamente di uno standard oggettivo. Pensateci: se doveste assegnare un punteggio di 1, in termini di capacità di esecuzione, cosa significherebbe tale punteggio? O 3, 5 o 10.
Non stiamo parlando solo di garantire la coerenza tra i valutatori, ma anche la riproducibilità tra i valutatori stessi. Un altro modo per comprendere questo concetto in termini pratici è pensare che qualcuno potrebbe essere incline ad autovalutarsi positivamente perché percepisce di aderire a uno standard meglio di altri. Oppure, un esperto in un particolare ambito, come ad esempio la capacità di processo, potrebbe valutare gli altri in modo più severo rispetto a un altro valutatore, perché possiede una maggiore competenza in materia che gli consente di analizzare e vagliare con maggiore precisione il lavoro altrui. Dobbiamo sviluppare uno standard. Questo è un elemento chiave nella valutazione tramite scorecard.
Una parte di questo diagramma di flusso decisionale, su cui ci concentreremo più nel dettaglio, riguarda la valutazione di ciò che definiamo "modalità di violazione della normalità". In questo caso, esaminiamo i dati e affermiamo che ci aspettiamo che, in generale, siano distribuiti normalmente, ma quali sono i meccanismi per cui potrebbero non seguire tale distribuzione ipotizzata? Quali sono i potenziali segnali che possiamo individuare nei dati e che potrebbero indicare la presenza di qualche anomalia?
Le sei modalità principali che abbiamo identificato sono: potenziale problema di valori anomali nei dati, problema di asimmetria, problema bimodale, problema di curtosi, problema di risoluzione della misurazione e problema di dimensione del campione.
Nel contesto del caso di studio utilizzato per illustrare il flusso di lavoro, abbiamo effettivamente analizzato due casi, il numero 1 e il numero 3. Nel caso numero 1, abbiamo utilizzato una composizione di dati simulati, in cui i nostri outlier rappresentavano, in misura diversa, il 5% ciascuno di quelli che potremmo definire rispettivamente una distanza regolare, marginale ed estrema dalla mediana. Abbiamo poi esaminato un caso bimodale in cui l'80% dei dati, sempre simulati (non specifici dell'azienda o proprietari), rientrava in una distribuzione in cui l'80% dei dati si distribuiva in un'unica modalità e il restante 20% in una modalità separata.
Ecco quella che chiamiamo una tabella delle modalità di violazione della normalità. Puoi pensarla come un'analisi del nostro particolare set di dati, in cui identifichiamo statisticamente qual è il problema, proprio come descritto nella diapositiva precedente: queste sei potenziali modalità di violazione, asimmetria dei valori anomali, asimmetria di carattere diverso, distribuzione asimmetrica, asimmetria a destra rispetto ad asimmetria in entrambe le direzioni, distribuzione bimodale, coda pesante o leggera, che si riferisce alla curtosi, alla risoluzione della misurazione e alla dimensione del campione.
La prima cosa che faremmo nella filosofia JMP è esaminare lo strumento di visualizzazione appropriato, vedere come gestire la misurazione del centro di questa distribuzione che presenta una violazione, come gestire la misurazione della dispersione, cosa ci aspetteremmo in termini di diagnosi della forma in termini di statistiche di asimmetria e curtosi, quale adattamento applicheremmo in JMP e infine come approssimeremmo la normalità in termini di media e deviazione standard se dovessimo utilizzare un'approssimazione normale.
In ognuno di questi casi, abbiamo riflettuto attentamente su come dovrebbe essere una statistica di approssimazione normale valida e sul perché. Abbiamo effettuato delle simulazioni per aiutarci a comprendere e confermare il comportamento di queste statistiche nei diversi contesti di violazione.
La chiave sta nella modalità di violazione e nella sua visualizzazione. Le prime due colonne confermano se si è verificata una violazione e ne mostrano nuovamente l'aspetto. Nelle ultime tre colonne, non ci limitiamo a identificare il problema, ma, attraverso questa analisi, contribuiamo anche a trovare la migliore stima di PBK per la specifica modalità di violazione della normalità. Successivamente, si procederà con l'analisi delle cause profonde e il miglioramento del processo, in modo da poter rimuovere o eliminare la modalità di violazione. Questa, a mio avviso, è la diapositiva chiave che sta alla base di questo progetto.
Quello che vedrete nella community è un documento Word, una sorta di quaderno, che illustra passo passo questa analisi nel contesto dei due casi di studio a cui ho accennato in precedenza. È un bel po' di roba. Cosa stiamo guardando, soprattutto per chi non ha mai visto niente del genere? Cerco di spiegarlo in modo chiaro. Il primo gruppo, che chiameremo A, è quello di cui stiamo parlando.
Questa è la prima fase. In realtà, come potete vedere, siate coerenti con il gruppo terminologico. Si tratta essenzialmente di definire i criteri di successo relativi al PPK, eseguire il test di normalità e determinare quali statistiche dovrebbero essere utilizzate per diagnosticare la distribuzione, eseguire un test di bontà dell'adattamento per trovare la distribuzione più adatta, eseguire il bootstrapping, che possiamo fare in certi contesti, ai quali accennerò più avanti, esaminare la tabella delle modalità di violazione della normalità del processo che vi ho appena mostrato e usarla come nostra rubrica, e quindi usarla per guidare il miglioramento del processo al fine di ridurre o eliminare le modalità di violazione della normalità che osserviamo. Questo è il primo gruppo, A.
Una volta fatto ciò, passiamo al gruppo B o C. Il gruppo B rappresenta la situazione in cui, in base all'analisi PPK, non raggiungiamo l'obiettivo, ovvero il nostro punto medio di processo, o il punto in cui il nostro processo opera in termini di punto medio o centro, si discosta dall'obiettivo. Abbiamo una specifica bilaterale e, a metà strada tra il limite inferiore e quello superiore della specifica, abbiamo un punto medio. Se in media ci discostiamo da questo punto medio di oltre il 20%, allora dobbiamo esaminare questo problema, che definiamo "mancato raggiungimento dell'obiettivo".
Per affrontare questo problema, seguiremmo questo flusso di lavoro. Allo stesso modo, quando parliamo del gruppo C, ci riferiamo a un problema di dispersione. Ciò significa che forse siamo in linea con l'obiettivo, ma abbiamo troppa variabilità. Se abbiamo troppa variabilità, come la diagnostichiamo? Come la affrontiamo, la valutiamo e infine cerchiamo di promuovere un miglioramento del processo? Gruppi A, B e C, quindi questo è il diagramma di flusso.
Gruppo A, questo è solo un approfondimento sul gruppo A. Penso che abbiamo già parlato abbastanza del gruppo A e ho accennato ai casi di studio, che troverete nella pagina del nostro progetto.
Iniziamo con una valutazione PPK dopo aver esaminato il gruppo A e scegliamo un metodo di approssimazione normale appropriato per stimare il PPK. Quindi, se, supponendo che ci sia un problema, che in definitiva è lo scopo principale, valutiamo se possiamo risolvere e affrontare un problema di target mancante o un problema di dispersione.
Questo è il gruppo B in dettaglio. Analizzando la situazione, quello che faremmo è eseguire un test della media di un campione rispetto al target in JMP sulla piattaforma di distribuzione. Se non superassimo tale test, se il nostro p-value fosse inferiore al criterio di 0,05 o a qualsiasi altro criterio alfa scelto, allora eseguiremmo un test di equivalenza rispetto a una soglia.
Se non superassimo il test di equivalenza rispetto alla soglia pratica che abbiamo determinato, dovremmo apportare ulteriori miglioramenti al processo fino a quando non soddisfiamo i criteri di equivalenza rispetto alla soglia che abbiamo stabilito.
Questo si inserisce nell'analisi del gruppo C, in modo molto simile al precedente. In questo caso, se avessimo un problema di dispersione, se la dispersione del nostro processo fosse statisticamente inferiore a 1,33, eseguiremmo un test di varianza uguale a un campione rispetto a un intervallo di specifica diviso per 8. Se non soddisfacessimo tale requisito, eseguiremmo un test di equivalenza della deviazione standard. Supponendo di non soddisfare nemmeno questo requisito, passeremmo alla modalità di miglioramento della dispersione del processo, in cui cercheremmo di apportare miglioramenti pratici sul campo prima di tornare a questo diagramma di flusso decisionale per una nuova valutazione.
Come si può notare, la fase di miglioramento del processo è una componente chiave, e l'analisi delle cause profonde, con la conoscenza del dominio e un'attenta valutazione rispetto alle modalità di violazione della normalità, è fondamentale. Ciò è in linea con questa solida metodologia di processo.
Ecco un esempio di quella scorecard a cui ho accennato prima, che è fondamentale per la coerenza degli analisti nel seguire il diagramma di flusso. Ogni fase del diagramma di flusso è etichettata. Quando si raggruppano le fasi A, B e C, come abbiamo fatto prima, la prima colonna indica essenzialmente la fase del diagramma di flusso e il suo nome, il "cosa", l'obiettivo della fase, il "perché", e infine gli strumenti suggeriti per eseguire quella fase, ovvero il "come", sono descritti in dettaglio.
Questo è un altro modo, forse più dettagliato, per riformulare il diagramma di flusso e garantire al contempo una valutazione equa dell'esecuzione. L'idea è di prendere questi indici, da A a C, ed etichettare il diagramma di flusso con le relative voci specifiche per aumentare la coerenza nell'esecuzione del diagramma stesso.
Abbiamo parlato di ripetibilità e riproducibilità. Uno degli strumenti chiave che useremo a questo scopo, e che in generale utilizziamo nell'industria, è l'analisi Gauge R&R. In questo caso, però, dato che stiamo conducendo una revisione tra pari e utilizziamo una metodologia di punteggio, non useremo un sistema di valutazione continuo. Abbiamo bisogno di qualcosa di discreto o per attributi.
Infatti, poiché stiamo utilizzando una scala, che sia una scala a 5 livelli o a 10 livelli, in questo caso una scala ipotizzata a 5 livelli, dobbiamo trattare il tipo di dati come ordinale in JMP e, a tale scopo, probabilmente effettueremmo un'analisi Gauge R&R ordinale utilizzando l'analisi della tabella di contingenza in JMP, fit, contingency personality e fit Y by X.
Questo è un esempio di come potrebbe apparire. A proposito, esistono altri strumenti per la R&R di Gauge ordinali. Il coefficiente di concordanza di Kendall è uno di questi. Un altro è il test di significatività del coefficiente di concordanza di Kendall. Anche il Kappa di Fleis può essere utilizzato per la R&R di Gauge ordinali, sebbene sia tipicamente impiegato per la R&R di Gauge per attributi. Questo è un aspetto che la piattaforma di JMP per la creazione di grafici di Gauge per attributi di variabilità sfrutta e utilizza.
Qui viene descritto più dettagliatamente l'analisi delle cause principali e le procedure sistematiche che adotteremmo in relazione alla fase analizzata. Abbiamo discusso a lungo dell'utilizzo del gruppo A per convalidare potenziali X in base alle modalità di violazione della normalità e per comprendere le modalità di errore di processo dissociate attraverso l'analisi della distribuzione e l'utilizzo degli strumenti di visualizzazione dinamica di JMP nel contesto della distribuzione.
Abbiamo già accennato a questo aspetto, ma qui ci addentriamo maggiormente nell'analisi delle cause profonde, identificando le X più importanti che spiegano le modalità di violazione della normalità. Come potete vedere, stiamo introducendo i tre gruppi, A, B e C, e rinominando le modalità di violazione e le relative metriche. Naturalmente, in generale, l'analisi delle cause profonde e la conoscenza specialistica sono fondamentali per poter valutare e mitigare queste metriche di violazione nel nostro paradigma di risoluzione dei problemi JMP.
Questa diapositiva serve solo a fornire un ulteriore esempio di come rivedere l'ambito del progetto e i criteri di successo e di come ciò si concretizzi. Questo è un contesto diverso. Si tratta del calcolo degli intervalli di tolleranza statistica, ma il meccanismo di documentazione e sistematizzazione del processo decisionale sarebbe simile. Ancora una volta, con un meccanismo simile a quello della metodologia di calcolo PPK, in cui utilizziamo i dati esistenti e negoziamo seguendo la metodologia dei gruppi B e C, e/o torniamo indietro, miglioriamo il processo, rimuoviamo i punti dati errati identificando la causa principale ed eliminandone la presenza nel processo, per poi ripetere l'analisi.
Questo è un esempio molto analitico e prescrittivo di come potremmo rivedere i limiti di specifica e di come apparirebbero le statistiche con la metodologia attuale e con quella nuova, concentrandoci, in questo caso specifico, sul rapporto P/T del Gauge R&R in un contesto di Gauge R&R variabile. Ripeto, non nel contesto di questo diagramma di flusso, ma in un contesto di misurazione continua. Ecco una tabella di occorrenza e rilevabilità DFMEA. Questo è un altro strumento di analisi chiave che possiamo utilizzare. Volevamo mostrarlo come esempio.
Quindi, qui entriamo nella fase di miglioramento, di livello superiore, e ci imbattiamo in temi simili in cui rimuoviamo le variazioni particolari dovute a cause principali note. In questo caso, possiamo simulare tale situazione filtrando i punti dati nei nostri dati simulati e possiamo costruire la nostra metodologia a partire da questi dati simulati, che è, di fatto, ciò che abbiamo fatto nel nostro caso di studio.
Naturalmente, abbiamo definito una strategia per la gestione di ciascuna modalità di violazione, che abbiamo codificato nella tabella a cui ho accennato nel gruppo A. Quindi, nella fase di miglioramento, possiamo anche implementare iniziative di miglioramento continuo. Anche in questo caso, lo facciamo in modo prescrittivo, definendo risultati attesi, attività, responsabili, esperti in materia e date di completamento.
Ecco un esempio di alcuni degli strumenti che potremmo utilizzare nel contesto della validazione della verifica della progettazione e del processo per la fase migliorata, alcuni degli strumenti JMP che potremmo utilizzare.
Ed è qui che entriamo nella fase di trasferimento delle conoscenze, la fase di controllo, in cui prendiamo il diagramma di flusso, formiamo sulla statistica, sull'analisi delle variazioni dovute a cause speciali, sull'analisi JMP e sulla metodologia di creazione del flusso di lavoro correlata. Documentiamo tutta la formazione e formiamo i leader affinché siano in grado di seguire il diagramma di flusso in modo coerente.
Capisco. Un altro elemento chiave in questa fase è un piano di controllo, che rappresenta un ulteriore modo per misurare l'efficacia con cui stiamo seguendo la metodologia di analisi e per riconoscere le persone che si distinguono in relazione a tale piano, quantificando il successo e riconoscendolo tra coloro che hanno implementato il framework di analisi. Questa diapositiva mette in evidenza il concetto di sviluppo di questo pacchetto per la creazione di flussi di lavoro. È un'idea piuttosto pratica, in realtà.
In sostanza, abbiamo sviluppato questo diagramma di flusso. Seguendo questo diagramma, salviamo ogni parte dell'analisi come script di salvataggio della tabella dati in JMP, nella tabella dati. Quindi apriamo un nuovo flusso di lavoro. Apriamo la tabella, apriamo ciascuno degli script salvati dalla tabella dopo aver premuto "Registra" all'avvio del flusso di lavoro, e poi interrompiamo il flusso di lavoro. Questo è un modo semplice per noi di registrare il flusso di lavoro in JMP in un'unica soluzione e in modo coerente.
Qui, l'analisi va oltre la valutazione PPK. Ci concentriamo sulla capacità e la stabilità del processo Gauge R&R, nonché sulla quantificazione del Gauge R&R. Questo aspetto è complementare all'esercizio PPK ed è oggetto di un progetto separato con una metodologia e un quadro di implementazione simili.
In conclusione, vogliamo sottolineare il valore, spiegare l'importanza e fornire il contesto e i meccanismi relativi per prendere una decisione consensuale utilizzando un diagramma di flusso delle capacità di processo. Un esempio potrebbe essere correlato a Gauge R&R, ma abbiamo incluso... Oppure Gauge R&R potrebbe essere complementare a un esempio. Ma abbiamo incluso un esempio senza considerare il contesto di Gauge R&R come casi di studio nell'ambito di questo progetto, come ho descritto in precedenza e come sarà incluso nel nostro pacchetto di progetto sulla community.
Per quanto riguarda il lavoro futuro, vogliamo aggiungere un'analisi Gauge R&R nella nostra prossima sezione del diagramma di flusso delle capacità di processo. Nello spirito del miglioramento continuo, vogliamo perfezionare ulteriormente il diagramma di flusso perché sappiamo per certo che la capacità di misurazione influisce sulla variabilità del processo. In seguito, potremo anche collegare questo problema K-shift al concetto di progettazione robusta e agli strumenti di progettazione robusta.
Io e il coautore dobbiamo riflettere ulteriormente su come collegare i diversi team principali nel contesto del framework JMP University, che ho descritto all'inizio della presentazione, al fine di creare opportunità congiunte per migliorare e perfezionare ulteriormente questa metodologia di risoluzione dei problemi.
Grazie mille per il tempo che ci avete dedicato e, in caso di domande, non esitate a contattarci. Grazie ancora.
