Esta presentación se centra en la integración del software JMP con la metodología Six Sigma DMAIC. Esta potente combinación optimiza diversos aspectos de las herramientas Six Sigma, facilitando a los equipos la implementación eficiente de mejoras basadas en datos.
JMP proporciona herramientas avanzadas de análisis estadístico y visualización que optimizan las fases de DMAIC. Entre los componentes clave de JMP que se destacarán se incluyen el análisis de sistemas de medición para evaluar la precisión de las mediciones, la estadística descriptiva para resumir las características de los datos, los diagramas de Pareto para identificar los factores más significativos y el análisis de regresión para comprender las relaciones entre variables. Además, incluye el Constructor de Gráficos, que permite una visualización intuitiva de datos, la función de diseño óptimo de experimentos (DOE), que facilita la planificación de experimentos eficientes, y los diagramas de control, esenciales para supervisar la estabilidad del proceso a lo largo del tiempo. Con estas herramientas, los profesionales pueden identificar rápidamente variables clave, analizar tendencias de datos y visualizar resultados, acelerando la toma de decisiones.
La presentación también demuestra cómo JMP simplifica la recopilación y el análisis de datos, permitiendo a los equipos centrarse en información valiosa. Se presentan ejemplos reales donde JMP se ha utilizado con éxito en proyectos Six Sigma, destacando su impacto en los resultados.
Buenas tardes. Soy Marjoleine Wevers de Robert Bosch. Hoy explicaré la aplicación de JMP en la metodología Seis Sigma con ejemplos prácticos junto con Elodie Delclaux.
Formo parte del Grupo Bosch. El Grupo Bosch es un grupo conocido por todos. Todos conocen los lavavajillas, los taladros y las baterías, pero no todos saben que Bosch también ofrece sistemas de recambio para movilidad y limpiaparabrisas. Formo parte del sector de los limpiaparabrisas. Trabajo en Tienen, Bélgica, y fabricamos escobillas limpiaparabrisas. Tenemos cuatro plantas de producción de escobillas en todo el mundo. En Tienen, somos la única planta de producción de perfiles de goma. Fabricamos perfiles de goma para todo el mundo, con una producción de unos 120 millones de perfiles de goma al año.
Formo parte de Mini Factory Rubber, que en realidad… Se llama Mini Factory porque es una fábrica independiente y tenemos cuatro departamentos. Empezamos con el desarrollo de productos, donde se fabrican los compuestos y los perfiles. Luego está el desarrollo de procesos químicos, donde participo, donde mejoramos los procesos o creamos nuevos. Después, tenemos dos flujos de valor: dos unidades de producción en el proceso por lotes: fabrican el compuesto y, en la siguiente fase, los perfiles de caucho. El último departamento es nuestro laboratorio químico.
Al aplicar JMP en la metodología Seis Sigma, en el desarrollo de procesos, utilizamos tanto la metodología Seis Sigma como la metodología A3 mejorada. La metodología Seis Sigma se emplea cuando se necesita enfocarse en el análisis estadístico de la causa raíz de problemas complejos, mientras que el método A3 mejorado se emplea cuando se necesita enfocarse en la visualización.
La metodología Six Sigma consta de cinco pasos diferentes. El primero es la definición. Este es un paso muy importante, aunque a menudo se olvida. Es fundamental definir el problema y el objetivo de forma muy específica, ya que cada persona suele tener una idea diferente de lo que se debe lograr.
En la fase de medición, recopilamos datos relevantes sobre el proceso y el problema, y en la fase de análisis, identificamos la relación causa-efecto entre las entradas y las salidas. En la fase de mejora, determinamos los valores óptimos para las entradas del proceso. Finalmente, en la fase de control, establecemos los estándares para mantener las mejoras a largo plazo. Esta fase suele olvidarse, pero si no se realiza correctamente, el proceso volverá a descontrolarse.
También tienes tu caja de herramientas, y aquí puedes ver la caja de herramientas DMAIC. Cada fase tiene herramientas y técnicas específicas asociadas, y este es un resumen de las herramientas comunes. No entraré en detalles, solo para saber qué puedes hacer con la metodología Seis Sigma. Elodie tomará el relevo.
Hola, soy Elodie. Soy ingeniera de sistemas en JMP y les compartiré nuestra plataforma de complementos. Como mencionó Marjoleine, existe una metodología de procedimiento muy conocida en Six Sigma: definir, medir, analizar, mejorar y controlar. Tenemos un complemento en JMP que pueden agregar al software si les interesa. ¿Dónde podemos encontrar complementos?
El año pasado lanzamos una plataforma de desarrollo. Esta es la plataforma de desarrollo de JMP. Tenemos una barra de búsqueda donde podemos encontrar lo que necesitamos. Tenemos un complemento Six Sigma, llamado Modern Six Sigma Add-in. Puedes descargarlo desde allí e instalarlo directamente en JMP. Se ve así: es un nuevo menú que se añade al software, como se muestra aquí, con los cinco pasos. Tienes la herramienta dentro, además de seminarios web y ayuda si quieres practicar con ella. Luego le daré la palabra a Marjoleine.
Acabo de mencionar la primera fase, que se definió. La segunda fase es la de medición. Esta fase es donde cuantificamos el rendimiento actual del proceso y recopilamos datos relevantes. ¿Por qué es importante? Porque a menudo tenemos la intuición de que existe un problema, pero no siempre estamos completamente seguros de que realmente exista.
Aquí tengo los recuadros verdes. Estos recuadros forman parte de la metodología Six Sigma, que se puede implementar en JMP. Hay dos cosas que se pueden hacer. Primero, un análisis del sistema de medición, donde se puede evaluar la exactitud y precisión de los sistemas de medición. La segunda parte de la fase de medición es la estadística descriptiva, donde se deben resumir los datos utilizando la media, la mediana, la moda, lo que sea necesario para la aplicación.
Ahora daré un pequeño ejemplo de una prueba de equivalencia de la media entre una medición antigua y una nueva de aproximadamente TOST, con el método de dos pruebas unilaterales. Aquí pueden ver los datos. Teníamos 329 muestras que medimos de dos maneras diferentes: una aplicación antigua y una nueva, y queríamos comprobar si existía una gran diferencia entre ambos métodos.
Para ello, se analiza y luego se ajusta Y por X, y luego se puede realizar la prueba de equivalencia. Se debe indicar qué diferencia de la media es prácticamente importante. En este caso, fueron 5 milímetros. Si realizamos la prueba TOST, normalmente, si es equivalente, se debe estar en el área azul del diagrama de bosque.
En este caso, no estábamos en la zona azul, sino en la zona roja, debido a que la diferencia real en la media era de 10 milímetros. Por lo tanto, debíamos concluir que los datos de nuestro antiguo sistema de medición de aplicaciones anuales no eran los mismos y que debíamos implementar medidas adicionales.
Además, las estadísticas descriptivas, la descripción del proceso actual y la confirmación del planteamiento del problema. Puedo mostrarles una. Esta fue una serie cero que elaboramos. La hicimos en días diferentes, y queríamos saber si la medición era realmente mayor que la que habíamos obtenido previamente durante la investigación.
Si observo la distribución, podemos ver que teníamos un valor medio de unos 97 milímetros, mientras que en las sesiones anteriores teníamos 50 milímetros. De hecho, nuestra intuición era correcta: teníamos un problema.
La tercera fase, la de análisis, consiste en identificar las causas raíz de los defectos o problemas de rendimiento. Lo primero que siempre hacemos es identificar las causas raíz. Para ello, utilizamos el diagrama de Ishikawa, el de los 5 Por Qué o un diagrama de espina de pescado, pero esa siempre es la base.
En la segunda fase, crearemos un diagrama de Pareto para identificar los tres factores más significativos del conjunto de datos. Con estos tres factores, realizaremos un análisis más profundo. A continuación, Elodie explicará el diagrama de Pareto.
Hablaré sobre el diagrama de Pareto. El objetivo de un diagrama de Pareto es analizar la frecuencia o las causas del problema para comprender cuáles son las más frecuentes. Podemos hacerlo gracias al complemento. Generalmente, el diagrama de Pareto se incluye en la fase de análisis. En nuestro complemento, se encuentra en la fase de medición. De hecho, en el menú de Modern Six Sigma, en la fase de medición, tenemos el diagrama de Pareto. Si desea crear un diagrama de Pareto, puede hacerlo desde ese menú.
Les presentaré un ejemplo. Tengo una tabla de datos con diferentes tipos de defectos. Tengo 10 tipos de defectos y el número de conteos para cada uno. En ese caso, mi diagrama de Pareto podría ser así. Tengo los porcentajes acumulados de mis causas. Termina en el 100%, todos los problemas, y están ordenados por frecuencia de mayor a menor.
Por ejemplo, podemos ver que los tres tipos principales de problemas son el puenteo del metal, el rayado del metal y el defecto del metal. Son las principales causas de los problemas. Los hemos identificado y ahora podemos trabajar en ellos en los demás pasos. Le daré la palabra a Marjoleine.
Otra parte de la fase de análisis es el análisis de regresión, donde analizamos la relación entre las diferentes variables, y también la prueba de hipótesis, donde comprobamos los supuestos y teorías mediante métodos estadísticos. También tengo un ejemplo de este.
En primer lugar, tenemos los mismos datos de la última vez, las mediciones de la serie cero, y presentíamos que había una variación diaria en la medición. Lo primero que hicimos fue ir al Constructor de Gráficos y comparar nuestra medición con la fecha. En un histograma, puede elegir los que desee en el Constructor de Gráficos del panel de control, pero aquí hemos tomado los diagramas de caja.
Como ya se ve claramente en los diagramas de caja, existe una diferencia entre las distintas fechas. Para mayor seguridad, realizamos una prueba de hipótesis. Para la prueba de hipótesis, realizamos un análisis unidireccional con ANOVA, que también se aplica al ajuste Y por X. Luego, se pueden seleccionar aquí medias/ANOVA y, a continuación, métodos de análisis de medias.
Si observan los datos, pueden ver los rombos, y estos no se superponen. Este es el principal indicio de que existe una varianza diaria. También podemos observarlo en los valores de la media: los intervalos de confianza inferior y superior del 95% de los diferentes conjuntos no se superponen, lo que también indica claramente que existe una varianza diaria. También pueden observarlo en el análisis de medias del gráfico ANOVA, donde se observa que no tienen el mismo comportamiento.
La cuarta fase es la de mejora, donde desarrollamos e implementamos soluciones para abordar las causas raíz y mejorar el proceso. Claro que, primero, se comienza con una lluvia de ideas para generar ideas. Esto no es posible en JMP, pero la segunda parte consistirá en el diseño de experimentos. A menudo utilizamos el diseño personalizado de experimentos y planificamos y realizamos experimentos para identificar los factores que influyen en los resultados.
Usamos con frecuencia el diseño personalizado, y esta es la razón por la que queremos hacerlo, ya que con un diseño personalizado también se pueden usar factores difíciles de modificar. Para nosotros, en producción, esto es muy importante. En cuanto tenemos la información sobre el DOE, procedemos a la implementación de prueba de una parte de la solución propuesta a escala reducida para comprobar si nuestro modelo funciona correctamente. Aquí tengo una explicación sobre un estudio de composición que realizamos con el DOE.
Antes de 2018, lo hacíamos con un método de un factor a la vez. Nos llevaba 20 semanas, 360 compuestos, un coste muy elevado y, con frecuencia, un fracaso. Después de 2018, empezamos con un diseño óptimo, un diseño I-óptimo, con un modelo de superficie de respuesta. Podemos hacerlo en dos semanas. Nos cuesta 36 compuestos, y nuestro modelo puede predecir el compuesto óptimo. Ahorramos un 10 % de mano de obra y tiempo de entrega en comparación con un enfoque OFAT, y disponemos de más información que antes.
Voy a este modelo. Aquí pueden ver que tenemos un modelo con 10 factores de salida. Estos factores de salida son, en realidad, propiedades físicas que pueden determinar el comportamiento funcional de este limpiador. Tenemos los cinco factores de entrada, o cinco factores de entrada que son, en realidad, los componentes de nuestro compuesto. También pueden ver un factor de bloqueo, que se relaciona con el hecho de que solo podemos realizar nueve pruebas al día.
El modelo que usamos. Como mencioné, usamos un diseño I-óptimo y un modelo de superficie de respuesta. En este caso, la cantidad mínima de pruebas necesarias es, según JMP, 27. Siempre decimos que necesitamos cuatro más que 27, pero en este caso, de todas formas tenemos cuatro días de prueba, así que 36 es una posibilidad. Tomaremos los 36 así por defecto.
Si hacemos el análisis, este es el modelo analizado que usamos. Permítanme modificarlo un poco. Aquí tienen el resumen del efecto. Pueden ver que todos los valores p están bastante por debajo de 0,05. Este es un resultado. Si observamos el resultado, pueden ver que el gráfico predicho es muy pequeño. Es una línea recta, como esperábamos, pero también pueden ver que las barras rojas son muy pequeñas.
También podemos observar que, en el resumen del ajuste, siempre observamos el R cuadrado ajustado. Para nosotros, un modelo con un valor superior a 0,90 es un buen modelo. En este caso, tenemos un modelo con un valor de 0,99, lo que significa que el 99 % de la variabilidad puede explicarse por él. Si analizamos este modelo con 10 salidas y 5 entradas, es fundamental que el perfilador de predicción incluya las funciones de deseabilidad para maximizar la deseabilidad y determinar el compuesto óptimo.
Para nosotros, es importante saber qué decide el ordenador, pero siempre revisaremos manualmente para ver cuáles son las interacciones, etc. En este caso, por ejemplo, sabemos que la entrada 1 y la entrada 2 interactúan, y al mover el perfilador, podemos ver claramente la influencia de los diferentes factores. También se observa en los resultados que existen intervalos de confianza muy pequeños para ciertos resultados con un R-cuadrado muy ajustado. También tenemos otros resultados con mayor variabilidad.
Luego, pasamos a la última fase, la fase de control. En esta fase, debemos asegurarnos de que las mejoras se mantengan en el tiempo y de que el proceso se mantenga estable y controlado. Un plan de control es lo primero que debemos verificar: si es correcto, ajustarlo si es necesario y documentar los métodos.
La segunda cosa que siempre hacemos es el control estadístico de procesos, donde utilizamos gráficos de control para supervisar la estabilidad del proceso. En Bosch, utilizamos un programa especial para ello. Por lo tanto, Elodie también explicará algo sobre el control de procesos en JMP.
Les explicaré cómo crear gráficos de control en el complemento. Como mencionamos, la fase de control es muy importante en la última fase de esta metodología Six Sigma. En el menú, encontrarán la opción "Control de la última fase". Hay muchas opciones para crear gráficos de control. Pueden usar el generador de gráficos de control, una herramienta muy personalizable que permite crear prácticamente cualquier tipo de gráfico. Si desean un tipo específico de gráfico, pueden seleccionar una de las otras opciones. Les presentaré un ejemplo con datos y crearemos un gráfico de control.
Aquí, los datos son un poco curiosos y ficticios. Se trata de pepinillos. Estamos midiendo su acidez. Las mediciones se han tomado en diferentes fechas y lotes, y el objetivo es saber si la producción es estable.
Aquí está el gráfico de control del generador de gráficos de control. Está dividido en dos subpartes. La primera, el ácido. Es el punto medido. Todos están graficados. En rojo, las líneas rojas, muestran los límites de control. Si un punto está fuera de los límites de control, como este, indica que el proceso podría no ser estable, por lo que es necesario verificar la situación.
También puede recibir otras alertas sobre estabilidad, posibles cambios en la media o un posible problema inminente. Intente evitarlo con antelación gracias a otras alertas. Desde JMP, puede personalizar sus propias alertas o usar las existentes. Hay muchos tipos de alertas disponibles.
Aquí tenemos dos que están iluminados. Están encendidos, si me permite decirlo. Este, por ejemplo, es el número 5. Puede ver el significado al pasar el cursor sobre el punto. Significa que dos de los tres últimos puntos están más allá de dos sigma después de la media. Eso podría indicar un problema. Puede recibir una alerta y luego verificar si hay un problema y evitar un posible problema.
Igualmente, este es otro tipo de alerta que indica que podría haber un cambio en el proceso, por lo que quizás no sea estable, o al menos se puede comprobar. Hay otra subsección que también es un gráfico de control basado en el rango de movimiento. Se puede ver si hay un rango demasiado grande o sospechoso, por así decirlo, entre dos puntos.
También es una forma de comprobar la variabilidad de su proceso para garantizar su estabilidad, ya que completamos todos los pasos en un solo objetivo y ahora queremos que nuestro proceso sea estable y se mantenga estable. Con esto termina nuestra presentación, así que si tienen alguna pregunta, no duden en contactarnos.
