오늘 함께해 주셔서 감사합니다. 이번 발표의 제목은 '공정 능력 결정 흐름도'입니다. 저는 패트릭 줄리아노이고, 이번 발표의 공동 저자는 찰스 첸 박사입니다.
좋습니다. 이번 발표는 시스템적인 관점에서 진행될 예정입니다. JMP를 많이 활용하겠지만, 분석 내용의 대부분, 아니 거의 모든 분석 결과는 문서화되어 있으며, 검토를 위해 디스커버리 프로젝트 페이지에 게시될 것입니다. 이 프로젝트의 궁극적인 목표는 첨단 제조 환경에서 공정 역량을 처음부터 끝까지 평가할 수 있는 의사결정 흐름도를 만드는 것입니다.
전반적으로 우리는 매우 체계적이고 데이터 중심적인 접근 방식을 취하고 있으며, 통계량을 정규 근사 및 추정하는 효과적인 방법을 중점적으로 다루고, 근본 원인 분석을 의미 있고 효과적으로 수행하여 실질적인 개선을 도모하고자 합니다. 본 프로젝트에서는 고전적인 엔지니어링 접근 방식이자 식스 시그마 기법인 DMAIC 프로젝트 방법론을 채택하고자 합니다. 이 방법론은 매우 체계적이고 데이터 중심적이며, 효과적인 흐름도를 통해 적절한 JMP 플랫폼을 선택하고 적절한 정규 근사 통계량을 사용하여 공정 능력을 정확하게 추정하는 방법을 보여주고자 합니다.
마지막으로, 프로세스를 체계화한 후에는 JMF의 워크플로 빌더를 활용하여 워크플로를 표준화하고 모든 단계를 효과적으로 기록하여 누구나 처음부터 분석을 재현할 수 있도록 할 것입니다. 이 프레젠테이션 전반에 걸쳐 명확히 하자면, PCFC는 프로세스 역량 흐름도이며, JMP 워크플로 또는 워크플로 빌더라고 부르는 JMP 관련 흐름이나 워크플로와는 분명히 구분되어야 합니다.
이 슬라이드는 이 프로젝트의 영감이 무엇이었는지에 대해 이야기하고 있습니다. 사실, 아래 빨간색으로 표시된 JCT-13 프로젝트는 제 공동 저자가 구상한 JMP 대학 산하의 훨씬 더 광범위한 프로젝트의 일부입니다. 이 발표의 핵심은 방법론을 이끌고 추진하며 개선하는 리더가 있다는 맥락에서 이루어지도록 하는 것입니다.
JMP 대학의 개념에 부합하는 각 프로젝트는 이 특정 프로젝트와 연관되어 상호 작용하게 됩니다. 이 프레젠테이션 전반에 걸쳐 제조 환경에서 공정 능력 측정과 중복되거나 이를 보완하는 근본 원인 분석 및 데이터 기반 의사 결정의 다른 요소들이 함께 다뤄질 것입니다.
JMP 유니버시티의 개념은 크게 세 단계로 구성됩니다. 첫 번째 단계는 핵심 팀 리더들과 협력하여 범위, 로드맵, 성과표를 정의하는 것입니다. 두 번째 단계는 핵심 팀 프로젝트를 시연하는 것으로, 이 프로젝트는 핵심 팀 프로젝트 중 하나인 프로세스 역량 흐름도입니다. 세 번째 단계는 디스커버리 서밋이나 기타 사내 행사에서 프로젝트를 발표하는 것입니다. 마지막으로, 이 프로젝트를 기반으로 특정 제조 현장의 다른 구성원들에게 해당 현장의 제조 또는 프로젝트 시나리오에 맞게 구현하는 방법을 교육함으로써 규모를 확장하는 것입니다.
DMAIC 전통에 따라 문제 정의와 문제 목표를 매우 구체적으로 정의합니다. 자세한 설명은 생략하겠습니다. 나중에 다시 살펴보셔도 좋습니다. 다시 한번 말씀드리지만, 핵심 목표는 이러한 순서도를 작성하고 엔지니어 또는 분석가가 순서도를 얼마나 잘 따르는지 평가하는 점수 시스템을 구현하는 것입니다. 이것이 가장 중요한 목표이며, 방법론을 개발하는 데 있어 최우선 과제입니다.
두 번째는 스코어카드 템플릿인데, 이는 이 순서도를 일관되게 실행하고 JMP 워크플로 빌더에서 엔드 투 엔드 워크플로를 개발하기 위한 방법론입니다.
문제를 정의하고 확장하며 해결해 나가는 과정에서 강조하고 싶은 주제 중 하나는 효과적인 리더십입니다. 효과적인 리더십은 부서 간 협업을 통한 의사결정과 이해관계자들과 함께 팀을 구축하는 것을 포함합니다. 합의에 기반한 의사결정을 위해서는 흐름도나 프로세스 맵을 활용하는 것이 핵심 도구입니다. 이를 통해 모든 구성원이 의사결정을 지지하고 동의할 수 있습니다.
우리는 여기에 제시된 추가적인 측면들을 고려하여 흐름도에 집중합니다. 궁극적으로 이를 통해 의사결정 프레임워크를 현장의 더 많은 사람들에게 배포하여 일관성 있게 확장할 수 있도록 합니다.
정의 단계에는 무엇이 반영될까요? 이 단계는 매우 중요하기 때문에, DMAIC 전통에서 핵심적인 요소인 문제 정의에 중점을 둡니다. 저희는 이를 JMP 바디 다이어그램이라는 것을 통해 설명합니다.
크게 세 가지 영역으로 나눌 수 있습니다. 눈, 두뇌, 손으로 비유할 수 있죠. 저희는 이를 JMP 눈, JMP 두뇌, JMP 손이라고 부르는데, 각각 장기적인 비전, 데이터 기반의 비판적 사고, 그리고 실질적인 실습을 의미합니다. 장기적인 비전을 달성하기 위해서는 먼저 문제를 명확하게 정의하고, 목표를 비판적으로 평가하며, JMP 도구를 숙달하여 개념을 검증하고 타당성을 입증해야 합니다. 이것이 첫 번째 주제인 머리, 눈, 손에 해당합니다.
이 접근 방식은 두 번째 주제인 JMP의 코, 귀, 입, 다리와 밀접하게 관련되어 있으며, 이해관계자들이 명확하고 객관적으로 검토할 수 있도록 JMP에서 데이터를 효과적으로 제시하는 것을 강조합니다.
물론 데이터를 제시할 때 유연성은 핵심입니다. 이것이 바로 이 JMP 구조도에서 세 번째로 중요한 주제입니다. JMP 의사결정 팔, 즉 의사결정 및 협상 권한에는 유연성과 유연성을 갖추되 확고한 자세를 유지하는 능력이 필요합니다. 발은 데이터 기반이며 JMP 분석으로 뒷받침되는 의사결정을 확고히 지지하는 능력을 의미합니다.
이를 위해서는 품질 환경에서 건전한 위험 기반 의사결정을 지원하기 위해 추가 분석이나 동일한 분석 또는 동일한 데이터에 대한 새로운 표현 방식을 적용하고 활용할 준비가 되어 있어야 합니다. 이 모든 것은 자기계발과 주변 프로세스 및 사람들을 개선하고자 하는 깊은 열망에서 비롯됩니다. 이것이 바로 JMP의 핵심이자 DNA이며, 열정이자 신념입니다.
여기서 무슨 이야기를 하고 있는 걸까요? 정의 단계에 대해 좀 더 자세히 살펴보겠습니다. 앞선 슬라이드에서 언급하지 않았던 부분이 있는데, 바로 인재의 목소리, 프로세스의 목소리, 비즈니스의 목소리, 그리고 고객의 목소리입니다. 모든 주요 이해관계자를 이러한 고수준 구성 요소 형식으로 생각해 보는 것이 유용합니다. 이를 위해 고가치 문제 분석, 고가치 기회 분석(HVP/HVO)이라는 것을 활용할 수 있습니다.
기업들은 흔히 이러한 방식으로 성숙도 수준을 평가하는 것부터 시작하며, 이를 통해 전반적인 지속적 개선을 위한 지침을 도출하고, 품질 성숙도 프로세스에 반영하여 품질 관리 시스템 프레임워크 내에서 효과적인 품질 관리를 구현할 수 있습니다. 이는 측정 시스템 분석, 통계적 공정 관리, 공정 능력 평가와 같은 분석 도구를 통합하는 전체론적 접근 방식의 또 다른 방법론이며, 본 발표와 분석 방법론의 핵심 내용입니다.
이 슬라이드는 품질 성숙도 프레임워크를 계획할 때 어떤 모습일지 보여주는 예시입니다. 프로세스 품질 성숙도를 설정할 수 있습니다. 오른쪽에는 설계, 신제품 출시, 제조 구성 요소를 명시하고, 단계별 검토(또는 단계별 게이트 검토)를 통해 여러 부서로 구성된 팀이 각 단계(설계, 신제품 출시, 제조 등)에서 특정 구성 요소가 충족되었는지 여부를 판단할 수 있습니다.
우리의 목표와 결과물은 설계 또는 프로세스의 성숙도 수준에 따라 명확하게 설정될 수 있습니다. 제 공동 발표자가 늘 강조하는 것처럼, 크게 생각하고, 작게 시작하고, 실행하라. 이 작은 시작의 핵심은 실행에 옮길 수 있도록 필요한 사항을 구체적으로 명시하는 것입니다.
이 프로젝트와 관련된 정의 단계에 대한 또 다른 슬라이드를 소개합니다. 여기서 핵심은 VOC, VOB, VOT, VOP라는 네 가지 의견을 어떻게 품질에 중요한 속성으로 구체화할 것인가입니다. 이를 위해 오른쪽 하단에 있는 강점-약점-기회 평가를 활용할 수 있습니다. 또는 왼쪽 하단에 예시로 나와 있는 SIPOC 방법론(공급업체, 투입물, 공정, 산출물, 고객)을 사용할 수도 있습니다.
왼쪽 아래 예시는 실제로 DOE 모델 구축과 관련된 맥락입니다. SIPOC의 프로세스 측면에는 모델 자체를 개선하는 과정이 포함됩니다. SWOT 분석 예시는 이 프로젝트와는 다른 맥락이지만, 분석가들 간의 흐름도 분석 일관성을 평가하는 데 사용할 스코어카드의 결과물을 SWOT 분석 프레임워크에 적용하는 관점에서 생각해 볼 수 있습니다.
이를 우리 프로젝트로 다시 가져와서 생각해 보면, 정의 단계에서 우리는 오늘 1단계에 더욱 집중하고 있으며, 엄격한 PPK 분석 방법론을 실제로 시연하는 데 주력하고 있습니다.
이제 측정 단계로 넘어갑니다. 이 측정 단계의 핵심은 성과표를 개발하는 것입니다. 성과표를 통해 프로세스 역량 흐름도를 체계화하고, 개인 간의 일관성을 확보하여 편견을 줄일 수 있습니다. 성과표를 사용하면 자신의 성과, 다른 구성원의 성과, 그리고 동료의 성과를 평가할 수 있습니다. 여기서 반드시 객관적인 기준이 있는 것은 아니라는 점을 명심해야 합니다. 예를 들어, 어떤 일을 수행하는 능력을 1점으로 평가한다면, 그 점수는 무엇을 의미할까요? 3점, 5점, 10점은 또 어떤 의미일까요?
우리는 단순히 평가자들 간의 일관성을 확보하는 것뿐만 아니라, 평가자들 간의 재현성을 확보하는 것에 대해 이야기하고 있습니다. 좀 더 구체적으로 생각해 보면, 어떤 평가자는 자신이 다른 사람들보다 기준을 더 잘 준수하고 있다고 생각하여 스스로에게 더 높은 점수를 주는 경향이 있을 수 있습니다. 또는 특정 분야, 예를 들어 공정 능력 분야의 전문가는 해당 분야에 대한 전문 지식을 바탕으로 다른 평가자의 평가를 더 엄격하게 분석하고 검토할 수 있기 때문에 더 가혹하게 평가할 수도 있습니다. 따라서 우리는 기준을 개발해야 합니다. 이것이 바로 성과 평가표의 핵심 요소입니다.
이 의사결정 흐름도에서 좀 더 자세히 살펴볼 부분은 정규성 위반 여부를 평가하는 것입니다. 데이터를 분석할 때 일반적으로 데이터가 정규 분포를 따를 것으로 예상하지만, 데이터가 예상된 분포를 따르지 않을 수 있는 메커니즘은 무엇일까요? 데이터에서 어떤 특수한 원인이 발생하고 있음을 나타내는 잠재적인 신호는 무엇일까요?
우리가 파악한 6가지 주요 문제점은 데이터의 이상치 문제, 왜곡 문제, 이중봉 분포 문제, 첨도 문제, 측정 해상도 문제, 그리고 표본 크기 문제입니다.
사례 연구를 통해 흐름도를 따라가면서 실제로 두 가지 사례, 즉 1번과 3번을 살펴보았습니다. 1번 사례에서는 시뮬레이션 데이터를 구성하여 이상치를 다양한 정도로 배치했습니다. 이상치는 중앙값에서 보통, 주변, 극단적인 거리에 각각 5%씩 분포시켰습니다. 또한, 이중 모드 분포 사례도 살펴보았습니다. 이 역시 시뮬레이션 데이터이며, 회사 고유의 데이터나 기밀 데이터는 아닙니다. 데이터의 80%는 단일 모드에, 나머지 20%는 다른 모드에 속하는 분포를 보였습니다.
다음은 정규성 위반 모드 표입니다. 이 표는 특정 데이터 세트를 분석하여 통계적으로 어떤 문제가 있는지 파악하는 데 사용됩니다. 이전 슬라이드에서 설명했듯이, 여섯 가지 잠재적 위반 모드가 있습니다. 이상치 왜곡, 다른 유형의 왜곡, 비대칭, 우측 왜곡 또는 양방향 왜곡, 이중 모드, 두꺼운 꼬리 또는 얇은 꼬리(첨도), 측정 해상도, 그리고 표본 크기입니다.
JMP 철학에서 가장 먼저 할 일은 적절한 시각화 도구를 살펴보고, 분포의 중심이 벗어나는 부분을 어떻게 측정할지, 분포의 산포를 어떻게 측정할지, 왜도와 첨도 통계량을 통해 분포의 형태를 어떻게 진단할지, JMP에서 어떤 적합 모델을 적용할지, 그리고 정규 근사를 사용할 경우 평균과 표준 편차 측면에서 정규성을 어떻게 근사할지 등을 살펴보는 것입니다.
각각의 경우에 대해, 우리는 유효한 정규 근사 통계량이 어떤 모습일지, 그리고 그 이유는 무엇인지에 대해 신중하게 고민했습니다. 또한 시뮬레이션을 통해 이러한 통계량이 다양한 위반 상황에서 어떻게 작용하는지 이해하고 확인했습니다.
핵심은 위반 모드 시각화입니다. 첫 두 열은 위반 여부와 그 양상을 보여줍니다. 마지막 세 열에서는 문제점을 파악하는 것뿐만 아니라, 이러한 분석을 통해 특정 정규성 위반 모드에 대한 최적의 PBK(Process Benefits Key) 추정치를 도출합니다. 이후 근본 원인 분석 및 프로세스 개선을 통해 위반 모드를 제거하거나 없앨 수 있도록 노력합니다. 제 생각에 이 슬라이드가 이 프로젝트의 핵심입니다.
커뮤니티에서 보실 수 있는 것은 제가 앞서 언급한 두 가지 사례 연구를 바탕으로 분석 과정을 단계별로 설명하는 노트 형식의 워드 문서입니다. 내용이 방대하죠. 특히 이런 자료를 처음 접하는 분들을 위해 설명드리겠습니다. 첫 번째 사례는 A 그룹입니다.
이것이 첫 번째 단계입니다. 보시다시피, 용어 그룹을 일관되게 사용하는 것이 중요합니다. 이 단계는 PPK를 중심으로 성공 기준을 설정하고, 정규성 검사를 수행하며, 분포를 진단하는 데 필요한 통계량을 결정하고, 적합도 검정을 통해 최적의 분포를 찾고, 특정 상황에서 사용할 수 있는 부트스트래핑을 수행하는 것입니다. 부트스트래핑에 대해서는 나중에 자세히 설명하겠습니다. 방금 보여드린 정규성 위반 모드 표를 기준으로 삼아, 궁극적으로 프로세스 개선을 통해 정규성 위반 모드를 줄이거나 제거하는 것이 목표입니다. 이것이 첫 번째 그룹인 A입니다.
그렇게 한 후에는 B군 또는 C군으로 넘어갑니다. B군은 PPK 분석 결과 목표치에 미달하는 상황, 즉 공정 중간값 또는 공정의 중심값이 목표치에서 벗어난 경우를 말합니다. 양측 사양을 사용할 때, 하한값과 상한값에서 같은 거리에 있는 중간값이 있습니다. 만약 평균적으로 이 중간값에서 20% 이상 벗어나 있다면, 이를 '목표치 미달 문제'라고 부르며 검토해야 합니다.
우리는 이 워크플로를 단계별로 따라가며 해당 문제를 해결할 것입니다. 마찬가지로, 그룹 C에 대해 이야기할 때는 확산 문제를 다룹니다. 즉, 목표에는 부합하지만 변동성이 너무 큰 경우를 말합니다. 변동성이 너무 크다면 어떻게 진단하고, 협상하고, 평가하고, 궁극적으로 프로세스 개선을 추진할까요? 그룹 A, B, C에 대한 워크플로는 다음과 같습니다.
그룹 A에 대해 자세히 살펴보겠습니다. 그룹 A에 대해서는 이미 여러 번 이야기했고, 프로젝트 페이지에서 확인할 수 있는 사례 연구에 대해서도 언급했습니다.
그룹 A를 거친 후 PPK 평가부터 시작하고, PPK를 추정하기 위해 적절한 정규 근사법을 선택합니다. 그런 다음, 궁극적으로 이 과정의 목적이 되는 문제가 있다고 가정하고, 목표 미달 문제나 확산 문제를 해결하고 대처할 수 있는지 평가합니다.
그룹 B에 대해 좀 더 자세히 설명드리겠습니다. 간단히 말씀드리자면, 먼저 배포 플랫폼의 JMP에서 목표값에 대한 단일 표본 평균 검정을 수행합니다. 만약 이 검정을 통과하지 못하거나, p값이 0.05 기준(또는 선택한 다른 유의수준)보다 낮으면, 특정 임계값에 대한 동등성 검정을 수행합니다.
만약 우리가 정한 실질적인 기준에 대한 동등성 테스트를 통과하지 못하면, 설정한 기준에 대한 동등성 테스트 기준을 충족할 때까지 추가적인 프로세스 개선을 해야 할 것입니다.
이 부분은 이전과 마찬가지로 그룹 C 분석에 포함됩니다. 만약 공정 편차 문제가 발생하여 통계적으로 공정 편차가 1.33 미만인 경우, 기준 범위(spec range)를 8로 나눈 값에 대해 단일 표본 등분산 검정을 수행합니다. 이 기준을 충족하지 못하면 표준 편차 등가성 검정을 실시합니다. 이마저도 충족하지 못하면 공정 편차 개선 모드로 전환하여, 의사결정 흐름도를 다시 검토하기 전에 현장에서 실질적인 공정 개선 방안을 모색합니다.
보시다시피 프로세스 개선 단계는 핵심 요소이며, 도메인 지식을 바탕으로 한 근본 원인 분석과 정상성 위반 모드에 대한 신중한 평가가 매우 중요합니다. 이는 견고한 프로세스 방법론과 일맥상통합니다.
앞서 언급했던 성과표의 예시를 보여드리겠습니다. 이는 분석가들이 순서도를 얼마나 잘 따르는지, 그리고 일관성을 유지하는 데 매우 중요합니다. 순서도의 각 단계에는 레이블이 지정되어 있습니다. 이전처럼 A, B, C 그룹으로 나누면 첫 번째 열에는 순서도 단계와 이름이 표시되고, 그다음 열에는 해당 단계를 수행하는 목적(무엇을 하는가), 이유(왜 하는가), 그리고 실행 방법(어떻게 하는가)이 자세히 기술됩니다.
이것은 순서도를 재구성하는 또 다른 방법이며, 순서도 실행에 대한 공정한 평가가 이루어지도록 하는 보다 상세한 방법일 수 있습니다. 핵심은 A부터 C까지의 지표를 사용하여 순서도의 특정 항목에 라벨을 붙여 순서도 실행의 일관성을 높이는 것입니다.
우리는 반복성과 재현성에 대해 이야기했습니다. 이를 위해 사용할 핵심 도구 중 하나는, 그리고 일반적으로 산업계에서 사용하는 도구는, 게이지 R&R 분석입니다. 그런데 이번 경우에는 동료 평가를 하고 점수 체계를 사용하기 때문에 연속적인 등급 시스템은 사용할 수 없습니다. 이산적인 속성 점수 시스템이 필요합니다.
사실, 5단계 척도든 10단계 척도든 (이 경우에는 5단계 척도로 가정) 척도를 사용하기 때문에 JMP에서 데이터 유형을 순서형으로 처리해야 하며, 이를 위해 JMP의 적합도, 분할표 분석, Y-X 적합도 기능을 사용하여 순서형 게이지 R&R 분석을 수행해야 할 것입니다.
이것은 그 예시입니다. 참고로, 순서형 게이지 R&R을 위한 다른 도구들도 있습니다. 켄달의 일치 계수가 그중 하나이고, 켄달 일치 계수의 유의성 검정도 또 다른 방법입니다. 플라이스 카파 계수도 순서형 게이지 R&R에 사용할 수 있지만, 일반적으로 속성 게이지 R&R에 사용됩니다. JMP의 변동성 속성 게이지 차트 플랫폼은 이러한 플라이스 카파 계수를 활용합니다.
이 부분에서는 근본 원인 분석에 대해 더 자세히 설명하고, 분석 단계에서 체계적으로 수행할 작업들을 설명합니다. 정규성 위반 모드를 기반으로 잠재적 X를 검증하기 위해 A 그룹을 활용하는 것에 대해 많이 논의했고, 분포를 살펴보고 JMP의 동적 시각화 도구를 분포 맥락에서 활용하여 분리된 프로세스 실패 모드를 이해하는 방법에 대해서도 이야기했습니다.
이 부분은 앞서 간략히 다루었지만, 근본 원인 분석에 더 집중하여 정상성 위반 모드를 설명하는 가장 중요한 요인(X)을 식별합니다. 다시 한번, A, B, C 세 그룹을 도입하고 위반 모드와 그 지표를 재정의하는 과정을 보여드리겠습니다. 물론, JMP 문제 해결 패러다임에서 이러한 위반 지표를 평가하고 완화하기 위해서는 근본 원인 분석과 해당 분야 전문가의 지식이 필수적입니다.
이 슬라이드는 프로젝트 범위와 성공 기준을 재검토하는 것이 어떤 모습인지 보여주는 또 다른 예시입니다. 이는 다른 맥락에서 설명되지만, 통계적 허용 오차 구간을 계산하는 맥락에서 의사 결정 과정을 문서화하고 체계화하는 메커니즘은 유사합니다. 다시 말해, PPK 계산 방법론과 마찬가지로, 기존 데이터를 활용하여 B군과 C군의 방법론을 통해 협상하거나, 또는 프로세스를 개선하고, 근본 원인을 파악하여 잘못된 데이터 포인트를 제거한 후 다시 분석을 진행하는 방식입니다.
이는 분석적이고 구체적인 예시로, 규격 한계를 수정하는 방법과 현재 및 새로운 방법론 하에서 통계 결과가 어떻게 나타날지를 보여줍니다. 특히 이 예시에서는 가변 게이지 R&R 환경에서 게이지 R&R P 대 T 비율에 초점을 맞추었습니다. 다시 한번 강조하지만, 이는 이 순서도의 맥락이 아니라 연속 측정 환경에서의 상황입니다. 다음은 DFMEA 발생 및 탐지 가능성 표입니다. 이는 우리가 활용할 수 있는 또 다른 핵심 분석 도구입니다. 예시로 보여드리고자 했습니다.
이제 개선된 단계, 즉 고수준으로 들어가면서 알려진 근본 원인으로 인한 특정 변동을 제거하는 유사한 주제를 다룹니다. 이 경우 시뮬레이션 데이터에서 데이터 포인트를 걸러냄으로써 해당 상황을 시뮬레이션할 수 있으며, 시뮬레이션 데이터를 기반으로 방법론을 구축할 수 있습니다. 실제로 저희 사례 연구에서 그렇게 했습니다.
물론, 저희는 각 위반 유형을 처리하기 위한 전략을 수립했으며, 그룹 A에서 언급했던 표에 이를 명시해 두었습니다. 개선 단계에서는 지속적인 개선 활동을 실행할 수도 있습니다. 이 또한 산출물, 작업, 담당자, 전문가 지정, 완료일 등을 구체적으로 명시하여 진행합니다.
다음은 개선 단계의 설계 및 프로세스 검증 과정에서 사용할 수 있는 도구 중 일부 예시이며, JMP 도구의 몇 가지 예시입니다.
그다음은 지식 이전 및 관리 단계로, 흐름도를 활용하고 통계 분석, 특수 원인 변동 분석, JMP 분석 집중 훈련, 그리고 관련 워크플로 빌더 방법론 교육을 진행합니다. 모든 교육 과정을 문서화하고, 리더들이 흐름도를 일관되게 따를 수 있도록 역량을 개발합니다.
알겠습니다. 이 단계에서 또 다른 핵심 요소는 관리 계획입니다. 이는 분석 방법론을 얼마나 잘 따르고 있는지 측정하고, 관리 계획과 관련하여 뛰어난 성과를 보이는 사람들을 파악하고, 성공을 정량화하고, 분석 프레임워크를 적용받은 사람들 사이에서 그 성공을 인정하는 또 다른 방법입니다. 이 슬라이드는 워크플로 빌더 패키지 개발 개념을 잘 보여주고 있습니다. 실제로 매우 실용적인 개념입니다.
기본적으로 저희는 이 순서도를 개발했습니다. 이 순서도에 따라 분석 결과를 JMP의 데이터 테이블 저장 스크립트로 저장합니다. 그런 다음 새 워크플로를 엽니다. 워크플로 시작 시 녹화 버튼을 누른 후, 저장된 각 스크립트를 테이블에 불러와 실행하고 워크플로를 종료합니다. 이렇게 하면 워크플로 전체 과정을 JMP에 한 번에 일관되게 기록할 수 있습니다.
여기서는 PPK 평가를 넘어 더 확장된 내용을 다룹니다. 실제로 게이지 R&R 공정 능력 및 안정성, 그리고 게이지 R&R 및 게이지 정량화를 살펴보고 있습니다. 이는 PPK 분석을 보완하는 중요한 부분입니다. 유사한 방법론과 실행 체계를 사용하는 별도의 프로젝트에서 이 부분을 집중적으로 다룰 예정입니다.
결론적으로, 우리는 프로세스 역량 흐름도를 사용하여 합의 결정을 내리는 데 있어 그 가치를 강조하고, 중요성을 설명하며, 관련 맥락과 메커니즘을 제공하고자 합니다. 예를 들어, Gauge R&R과 관련된 사례를 들 수 있지만, 앞서 설명드린 바와 같이 이 프로젝트의 범위 내에서 Gauge R&R을 사례 연구로 고려하지 않고 예시를 제시했습니다. 이는 커뮤니티에 배포될 프로젝트 패키지에도 포함될 예정입니다.
향후 작업 계획으로는 차기 공정능력 흐름도에 측정 장비 R&R(Reduced Reduction and Reduction) 항목을 추가할 예정입니다. 지속적인 개선을 위해 흐름도를 더욱 정교하게 다듬고자 합니다. 측정능력이 공정 변동에 영향을 미친다는 것을 확실히 알고 있기 때문입니다. 나아가, 이 K-shift 문제를 강건 설계 개념 및 강건 설계 도구와 연관시켜 살펴볼 수도 있습니다.
저와 공동 저자는 발표 초반에 설명드렸던 JMP 대학 프레임워크 내에서 다양한 핵심 팀들을 연결하는 방안에 대해 더 심도 있게 고민해야 합니다. 이를 통해 문제 해결 방법론을 더욱 개선하고 정교화할 수 있는 공동의 기회를 창출할 수 있을 것입니다.
시간 내주셔서 대단히 감사합니다. 궁금한 점이 있으시면 언제든지 문의해 주세요. 다시 한번 감사드립니다.
