Benvenuti a tutti all'angolo tra Statistics Road e Business Decision Boulevard. Un breve saluto al mio co-relatore, Juan Rivera. Juan e io abbiamo organizzato questo evento in team, ma ha deciso di lasciarmi fare la presentazione. Solo una rapidissima panoramica del Pyzdek Institute, con sede a Tucson, in Arizona.
Abbiamo personale in diverse parti del mondo e insegniamo statistica ingegneristica, Lean Six Sigma, a molti clienti, in molti settori. Questo è un punto importante, perché oggi condivideremo alcune esperienze che abbiamo maturato con alcuni dei nostri clienti provenienti da diversi settori e, si spera, aiuteremo le persone a imparare qualcosa. Infine, siamo partner JMP. Siamo molto lieti di esserlo, e andiamo avanti.
Giusto per mettere le cose in prospettiva, questa presentazione è in realtà un seguito. Nel 2020, JMP Discovery a Tucson aveva tenuto una presentazione intitolata "At the Corner of Lean Street and Statistics Road". Questa è una sorta di continuazione. La registrazione è disponibile su jmp.com, se qualcuno volesse vederla. Inoltre, qualche anno dopo, nel 2022, Juan e io abbiamo tenuto una presentazione alla conferenza ASQ Lean Six Sigma, "Error-proofing for Design Experiments". Ancora una volta, imparare dai nostri clienti, cercando di aiutare gli altri a imparare dai loro errori.
L'obiettivo della presentazione? Beh, sì, lo stiamo studiando da un bel po'. È uno studio pluriennale. Quello che stiamo cercando di fare è rispondere a questa domanda: perché i metodi statistici vanno fuori strada e finiscono per avere una cattiva reputazione? Lo vediamo noi stessi.
Quando lavoro a tempo pieno, il capo si arrabbia perché ho sbagliato qualcosa in fabbrica. Come possiamo imparare da quegli errori e adottare misure preventive? È proprio questo l'obiettivo che stiamo cercando di raggiungere oggi.
Formato molto semplice. Ho cinque risultati principali da condividere con tutti. Ognuno di essi è corredato da un caso di studio. Parleremo solo di cosa ha fatto il cliente, delle conseguenze che ha subito e di come siamo riusciti ad aiutarlo a risolvere i problemi e a evitare che le cose degenerassero di nuovo.
Eccoci qui, alla scoperta n. 1. Riassumere. È tutta una questione di business, non di statistiche. Un tema ricorrente che abbiamo riscontrato. La causa principale del problema, possiamo riassumerla così: l'incapacità di vedere il quadro generale.
Ecco il caso di studio. Primo caso di studio. Quest'azienda produce nastri adesivi utilizzati nei cavi elettrici per bloccare l'acqua. Quello in alto, la foto in alto, è davvero interessante. In presenza di acqua, tutto si gonfia e il prodotto usa l'acqua per bloccarla. Davvero interessante. Contiene un polimero super assorbente miscelato con tessuti non tessuti, leganti e simili.
L'obiettivo era ottimizzare un prodotto per le prestazioni in acqua salata. In acqua dolce, questi nastri si gonfiano molto bene, mentre in acqua salata non altrettanto. Questa sfida tecnica era rappresentata da un'azienda che voleva interrare dei cavi elettrici in un'area con presenza di acqua di falda, in particolare acqua salmastra.
Avevano fattori controllabili. Potevano controllare il peso del substrato non tessuto. Avevano un certo controllo sulla dimensione delle particelle del superassorbente. È disponibile in diverse dimensioni. Avevano diversi leganti per unire il tutto, la quantità di legante da utilizzare e dovevano anche aggiungere un inibitore di corrosione per far penetrare l'acqua. L'inibitore di corrosione previene l'erosione.
Un design piuttosto semplice e lineare, un prodotto davvero importante perché se l'acqua entra nel cavo, si scatena l'inferno. La loro risposta è stata quella di ridurre al minimo l'ingresso di una certa salinità dell'acqua salata nel cavo, secondo questo schizzo. Stringere i denti, esporre i nastri di bloccaggio dell'acqua, applicare una certa pressione utilizzando un serbatoio d'acqua elevato e vedere quanto in profondità l'acqua penetra nel cavo. Naturalmente, non vogliono che vada troppo lontano.
Quello che hanno fatto è stato condurre un esperimento di progettazione. Fantastico. Se si guarda il profiler di previsione, si hanno il peso del substrato, la dimensione delle particelle, la quantità di legante, la quantità di inibitore e il tipo di legante, il tipo di colla che hanno usato per incollare tutto insieme.
Hanno condotto un esperimento, hanno raggiunto la massima desiderabilità e hanno scelto il Bonding Agent 2 perché otteneva una minore penetrazione dell'acqua. Hanno modificato il design del nastro e sono passati al progetto successivo. Un caso di studio di routine, e molte persone fanno cose del genere.
Tuttavia, un paio di mesi dopo, sono stati colpiti da tre fulmini a ciel sereno. Innanzitutto, la dimensione delle particelle del superassorbente variava in modo imprevedibile, senza che loro se ne accorgessero. C'era una causa specifica: la variazione di peso del substrato in tessuto non tessuto causava alcuni problemi.
A peggiorare le cose, il responsabile della sicurezza è stato informato che alcuni elementi, alcuni pompon, non erano più accettabili sul mercato europeo. Il responsabile della sicurezza ha emesso l'ordine di vietare immediatamente l'uso del Bonding Agent 2, una soluzione appena scelta per ottimizzare la progettazione del prodotto per le prestazioni in acqua salata. Wow.
Ci sono state delle conseguenze. Un passaggio di panico. Sono dovuto passare dal Bonding Agent 2 al Bonding Agent 1. Hanno avviato un test sui materiali in arrivo. Le persone si incolpavano a vicenda. Si è scatenato il finimondo. Il punto è questo: sono i metodi statistici e la progettazione dell'esperimento a subire il colpo di reputazione. Ehi, quel DOE non ha funzionato. Perché?
Solo per condividere altri casi di studio, abbiamo scoperto altre conseguenze indesiderate derivanti dall'utilizzo della desiderabilità ottimizzata. Abbiamo visto aziende che hanno implementato un DOE, ottimizzato la desiderabilità, ma che si sono ritrovate con un forte aumento dei costi energetici, oppure hanno reso l'area di lavoro pericolosamente calda per gli operatori, con un aumento dei costi di manutenzione dovuti a guasti delle macchine. A volte il cliente, la persona a cui vendono il prodotto, viene colto di sorpresa, non solo dai rumori dei macchinari, e così via.
La prima misura preventiva che abbiamo elaborato, e ancora una volta, stavamo cercando di aiutare questo cliente e di mettere a frutto la nostra esperienza. Prima misura preventiva, raccomandiamo di utilizzare la desiderabilità massimizzata con molta attenzione. Abbiamo visto persone finire nei guai con questa strategia.
In effetti, consigliamo di utilizzarlo solo se si hanno un gran numero di risposte, e molti compromessi complessi tra risposte finanziarie, tecniche, commerciali e così via. Consiglio un minimo di cautela.
La seconda misura preventiva è riconoscere che la progettazione degli esperimenti è un esercizio discreto. La progettazione degli esperimenti è uno dei metodi più efficaci inventati per migliorare, comprendere e ottimizzare i processi, ma è un esercizio discreto.
Se avessero utilizzato le carte di controllo SPC, fornite dal loro fornitore per quanto riguarda la granulometria e tutto il resto, si sarebbero risparmiati un sacco di problemi. Crediamo che DOE e SPC formino un'ottima squadra e che debbano essere abbinati ogniqualvolta possibile.
La terza misura preventiva è quella di riflettere sulla politica del flusso di lavoro. Quest'azienda aveva degli ingegneri che facevano tutto correttamente, conducevano l'esperimento e tutto il resto. Ma ci sono stati alcuni errori. Avrebbero dovuto parlare con i responsabili della supply chain e così via. Quello che consigliamo è di definire delle politiche, politiche aziendali. State per condurre un esperimento. Ecco come si fa. Abbiamo avuto questa idea, suddividiamola in fasi.
Perché in ogni fase, probabilmente, si desidera coinvolgere persone diverse. Ad esempio, un'azienda ha affermato: "Useremo queste tre fasi. Lavoreremo, faremo un po' di lavoro, valuteremo i dati raccolti e poi prenderemo alcune decisioni aziendali". Alla fine hanno creato alcuni standard visivi, inclusi i passaggi per la correzione degli errori.
Hanno iniziato con un piccolo gruppo di persone. Hanno messo le persone lì a progettare un esperimento, a raccogliere i dati, e così via. Non volevano che fosse coinvolto un grande gruppo di persone in quel momento. Non volevano che la catena di approvvigionamento fosse coinvolta in quel momento, e così via.
Si passa poi alla seconda fase. È qui che si inizia a coinvolgere personale aggiuntivo, addetti alla supply chain, addetti alla sicurezza, operatori, supervisori e altri per valutare i dati. A questo punto, si vuole davvero collaborare in modo più che sufficiente. È così che valutiamo i dati appena raccolti. Eseguiamo determinati passaggi. Se sono buoni, facciamo una cosa. Se non sono buoni, ne facciamo un'altra, il tutto per definire una politica.
Poi, nella fase finale, è qui che si coinvolgono tutti, compresi i responsabili dei livelli del mare e simili, e si coinvolgono tutti gli stakeholder per prendere la decisione finale. Se lo avessero fatto in origine, probabilmente si sarebbero risparmiati tutto quel dolore.
Quarta misura preventiva che raccomandiamo: alcune aziende dicono: "Ehi, insegneremo a tutti il DOE". Probabilmente non è l'idea migliore. Ogni DOE è una materia a sé stante, ma insegnatela come parte del pensiero statistico. Come possiamo far sì che le persone pensino statisticamente, non solo eseguano esperimenti di progettazione, ma considerino tutto?
Analizziamo le prestazioni delle materie prime, analizziamo gli studi di centratura del processo, assicuriamoci che i nostri strumenti siano a posto. Ci sono delle variazioni di causa attribuibili al mio processo? Insegno tutte queste competenze, l'analisi dell'affidabilità e così via? È la quarta misura preventiva che raccomandiamo.
Ecco un riepilogo del Caso di Studio 1. Dopo aver raccolto i dati di risposta, il nostro consiglio è di trasportarvi dal mondo della statistica a quello degli affari. C'è una foto del signor Spock la prima volta che ha visto JMP Graph Builder. È come me. Ehi, wow, è la cosa più bella del mondo. Scherzi a parte, questo è ciò che consigliamo per evitare problemi come quello descritto.
Ecco la scoperta n. 2. In sintesi, soddisfare le specifiche non è la soluzione finale. Vediamo molti clienti che inseguono le proprie specifiche e si mettono nei guai perché non fanno altro che concentrarsi su di esse. La causa principale è, per riassumere, per usare le mie parole, l'incapacità di comprendere Taguchi. Ne parleremo più in dettaglio.
Ho voluto citare questa citazione perché credo che sia molto, molto eloquente. Tutti, dal management fino al reparto produzione, dovrebbero riflettere sul paradosso della qualità espresso da Donald Wheeler nel suo libro "Understanding Statistical Process Control". Arriviamo quindi al paradosso. Finché il management avrà come obiettivo la conformità alle specifiche, non sarà in grado di raggiungerlo. Se le azioni del management segnalano che il rispetto delle specifiche è soddisfacente, il prodotto sarà inevitabilmente inadeguato.
Parole meravigliose. Le nostre osservazioni, ciò che impariamo dai nostri clienti, corroborano questo paradosso della qualità, come affermato da Donald Wheeler. Ecco un caso di studio. Avevo un processo CNC per la lavorazione di componenti in policarbonato. L'azienda ha ricevuto un ordine importante per un componente piuttosto complesso e ha ricevuto le solite risposte da macchinista. I componenti devono avere la geometria giusta, lo spessore giusto, l'angolazione corretta, le finiture superficiali corrette e così via.
Ciò che hanno fatto è stato quando hanno ricevuto l'ordine: "Bene, abbiamo questo controllo sul nostro processo. Abbiamo queste specifiche". Hanno riesumato i risultati di una vecchia analisi della capacità di processo. Ehi, guardate, ragazzi, quando avevamo un CPK di 1,357. Si basa su 30 campioni. Non sapevano che probabilmente avrebbero dovuto fare uno studio preliminare SPC per assicurarsi che il loro processo fosse stabile e prevedibile.
Non hanno considerato l'intervallo di confidenza del CPK. Questo può sempre sorprendere. In seguito, non hanno analizzato il processo nel tempo. Di nuovo, si ottiene questo progetto discreto. L'analisi della capacità di processo è discreta, e quindi hanno proceduto.
Sulla base dei dati raccolti, hanno concluso che tutto andava bene. Sì, guarda, abbiamo la capacità di soddisfare le specifiche. Abbiamo visto che un CPK superiore a 1,3 è una ragionevole garanzia di successo. Comprensibilmente. Se ne parla continuamente.
Hanno preso l'ordine, realizzato i componenti, tagliato il prodotto, lo hanno spedito, in modo da poter passare all'ordine successivo. Comprensibile. Tuttavia, c'è un fondo di verità. Innanzitutto, i componenti che hanno raccolto per il loro precedente studio PCA sono stati raccolti per comodità e non rappresentavano adeguatamente il processo complessivo.
Ora, nel mondo della lavorazione della plastica, non ci si deve preoccupare dell'usura a freddo come nel mondo della lavorazione dei metalli. Ci sono alcuni fattori che cambiano nel tempo. Inoltre, non si sono resi conto che l'intervallo di confidenza inferiore del loro indice CPK era pari a 0,89. Ancora una volta, la capacità di processo è discreta. Non esiste una scala temporale.
Ciò che hanno appreso un anno fa non diceva loro molto su come si presentava il processo al momento dell'ordine. Non sapevano che il loro processo non era sotto controllo statistico. Questo è uno dei prerequisiti per l'analisi delle componenti principali (PCA). Se il processo è sotto controllo, questi indici non significano molto.
Un altro aspetto da considerare sono le specifiche che utilizzavano: erano arbitrarie. Si basavano su un limite di tolleranza e non riflettevano realmente la capacità di soddisfare il cliente. Questo è un fenomeno molto comune, in base alla nostra esperienza con i clienti.
Qualche settimana dopo, la conseguenza fu che i clienti non riuscirono ad assemblare alcuni componenti. Avevano queste parti in plastica per la macchina. Parte di un assieme, non riuscirono ad assemblarlo correttamente. La controversia iniziò su alcune dimensioni e così via. Il fornitore, la persona che realizzava i componenti, non aveva alcuna prova né dell'integrità delle misurazioni né del controllo di processo. Dissero: "Bene, caro signor Cliente, il nostro indice CPK è 1,357". Il cliente, l'acquirente, disse: "Cos'altro avete? Questo non significa nulla per me. Cos'altro avete?". Erano nei guai. Conseguenze? Percentuali elevate o rifiuti.
Ancora una volta, il punto di questa presentazione è che è sempre il metodo statistico a subire il colpo. Le cose vanno male, vengono prese decisioni e i metodi statistici sono validi. I calcoli di un indice CPK sono abbastanza semplici. Tutta questa validità non è in discussione, ma è il metodo a subire il colpo. La reputazione del personale addetto alla produzione, al management, alle vendite e a tutto il resto è un altro fallimento della statistica.
Cosa fai? Hai questo problema. La prima misura preventiva è capire Taguchi. La funzione di perdita di Taguchi, secondo il Pyzdek Institute, è uno dei concetti più importanti da padroneggiare. In parole povere, dice che se si è nel punto giusto, esattamente nel punto giusto, si riducono al minimo le perdite.
Non appena si inizia ad allontanarsi dal target, dal centro della propria distribuzione, qualcuno inizia a perdere soldi. Questo riassume bene ciò che queste persone avrebbero probabilmente dovuto fare.
In JMP, è possibile visualizzarla, con la funzione di perdita di Taguchi. Consigliamo alle aziende di fare qualcosa del genere. Prendiamo uno dei loro prodotti. In questo caso, abbiamo una dimensione, degli obiettivi, una costante che bisogna modificare fino a ottenere le perdite finanziarie desiderate, si fanno dei calcoli e si può creare una tabella che assomigli a un grafico utilizzando il Generatore di Grafici. È essenzialmente un diagramma a dispersione per mostrare alle persone come dire: "Guarda, se la nostra parte è di 18 millimetri, possiamo tenere tutti i soldi". In termini semplici come questi, termini che le persone possono capire.
A proposito, non dovresti chiamarla "Funzione di Perdita di Taguchi". Non dovresti parlarne con i piani alti. È un concetto. È importante. Poi potresti dire qualcosa del tipo: "Guarda, se un pezzo costa 17,93, è conforme alle specifiche". C'è un limite inferiore di specifiche di 17,9, ma stiamo perdendo 108 dollari a pezzo, secondo la Funzione di Perdita di Taguchi.
La gente lo capisce. La gente lo vede. Il punto qui è cercare di far sì che la gente smetta di pensare al raggiungimento delle specifiche. Sono nelle specifiche, sono fuori dalle specifiche, e inizi a pensare a quanto sei lontano dall'obiettivo.
Molte persone davvero intelligenti lo ripetono da molti, molti anni, ma il messaggio non è necessariamente recepito da tutti. Di nuovo, non mi dilungherò sull'argomento. L'altra misura preventiva è stabilire delle policy. Se si vuole implementare la capacità di processo, cosa si fa? Beh, ok, prima bisogna assicurarsi che il processo sia sotto controllo. In caso contrario, si individua e si risolve il problema.
Poi ti chiedi: queste specifiche sono davvero significative? Sono solo elementi presi da un disegno, una piccola tabella su un disegno? Poi si passa attraverso l'intero processo di pensiero. Il nostro consiglio è di includere molte schede di comportamento lungo il percorso.
Di nuovo, dillo come stanno le cose, un'altra misura preventiva. Questo è un disegno. Tutti l'hanno visto. Hai la tua specializzazione inferiore, hai la tua specializzazione superiore, hai il tuo bersaglio. Wheeler la chiama la Zona di Negligenza Benigna. Credo che l'abbia formulata con molta attenzione. Io la chiamo la Zona di Falsa Perfezione. Quando sei fuori dalla specializzazione, hai la zona inferiore di caos e rovina e la zona superiore di caos e rovina.
A pensarci bene, questo è il mondo delle riunioni specifiche. Ti trovi in uno di questi due stati, o stai ballando la tua danza della felicità, o stai correndo come un matto cercando di risolvere il problema. Abbiamo scoperto che questo processo di pensiero, questa mentalità, mette le persone nei guai.
Un altro aspetto da considerare per le aziende è che JMP offre un componente aggiuntivo chiamato Gage Performance Curve Generator o qualcosa del genere. Ottimo strumento. Fantastico perché mostra perché si vuole raggiungere l'obiettivo. Perché il fatto è che, non appena ci si avvicina alle specifiche superiori o inferiori, il rumore di misura diventa un fattore decisivo per la soddisfazione del cliente.
Ad esempio, non appena ci si avvicina alle specifiche più basse, si nota un certo rumore di misura. Si potrebbe pensare che componenti conformi alle specifiche siano fuori specifica e viceversa. Questo componente aggiuntivo JMP è fantastico e consigliamo ai nostri clienti di utilizzarlo, impararlo e trarne insegnamento.
Per riassumere la sezione Caso di Studio 2, l'obiettivo è la riduzione delle variazioni. Tuttavia, l'analisi della capacità di processo e gli indici di capacità di processo concentrano attenzione e risorse sul rispetto delle specifiche, e vediamo clienti finire nei guai.
Sono due su cinque. Scoperta n. 3. Potresti non sapere ciò che già sai. Per riassumere, Scoperta n. 3. Quello che abbiamo ottenuto qui è l'incapacità di monetizzare completamente i nostri dati. Questa è la causa principale di questi problemi che abbiamo scoperto.
Ecco un caso di studio, un'altra azienda di lavorazione della plastica. Hanno sedi in tutto il mondo, estrusione, stampaggio a iniezione, stampaggio rotazionale, stampaggio a soffiaggio, tutti i prodotti in plastica, centinaia di macchinari, un'azienda enorme. Il loro problema con i metodi statistici in generale è l'enorme quantità di cose che stavano facendo.
Avevano studi statistici indipendenti in ogni stabilimento, processi diversi. L'archiviazione dei dati non era molto organizzata. I file di dati erano conservati su hard disk di rete locale, hard disk di PC, chiavette USB, unità cloud, e così via. I dati erano sparsi ovunque.
Dissero: "Ok, bene, abbiamo capito il problema". Si resero conto di avere un problema. "Abbiamo tutti questi dati. Come li organizziamo?". Provarono alcuni metodi manuali. Cercarono di simulare i dati in determinati punti.
C'era questa lista lunghissima, dati sui fornitori, dati sullo stato attuale dei processi, dati sull'invio o meno, dati di analisi dei sistemi di misurazione, e così via. Ce n'erano, un sacco di dati. La verità di fondo era semplicemente troppo per qualsiasi approccio manuale. "Tutti mandate i vostri file qui. Teniamoli su questa unità di rete o su questo cloud o qualcosa del genere."
In realtà non massimizzavano il valore di tutti i dati, spendendo un sacco di soldi per raccoglierli. Non ne massimizzavano il valore. Non c'era nemmeno governance dei dati. Se una persona chiama un fattore con un nome e un'altra con un altro, e si cerca di affermare qualcosa, beh, queste differenze nei nomi dei fattori possono causare problemi. Nessuna terminologia comune e cose del genere.
Qualche anno dopo, dopo aver tentato di gestire manualmente tutti quei dati e aver dato il massimo, le conseguenze si sono fatte sentire. Le persone duplicavano gli sforzi, stabilimenti diversi producevano prodotti simili, eseguivano studi duplicati, eccetera. Hanno avuto alcuni problemi con gli audit. L'azienda lavorava per l'industria aeronautica, quindi c'erano degli audit esterni. Hanno avuto difficoltà a reperire i dati durante gli audit esterni e hanno dovuto affrontare molte difficoltà.
Di nuovo, ricerche difficili perché nel mondo dei computer, Temp 1 non è uguale a Temp_1. Ho qualche difficoltà ad assimilare le cose. Ehi, ho mai studiato questa particolare temperatura su un estrusore? O ho mai studiato questo particolare fattore su una linea di stampaggio a iniezione? Le persone usano terminologie diverse, nomi di fattori diversi.
Le conseguenze. Innanzitutto, quando si fanno cose del genere, si tende a perdere conoscenza quando le persone se ne vanno. Questo tizio ha dei dati su un disco rigido, o li ha salvati su un'unità di rete o qualcosa del genere, e forse le persone ne perdono traccia. Tutti gli studi di attualità che hanno condotto sono stati realizzati senza il beneficio di tutto il lavoro svolto in passato. Tutta questa utile conoscenza del processo si perde con il tempo, come anni nella pioggia.
Nel frattempo, ai vertici aziendali, l'amministratore delegato e gli altri dirigenti, assolutamente convinti dall'accumulo dei costi degli studi statistici per tutto questo lavoro, non hanno visto il ritorno su tutti gli investimenti. Non hanno soddisfatto le loro aspettative. I metodi statistici subiscono ancora una volta un duro colpo alla reputazione.
Cosa possiamo fare al riguardo? Innanzitutto, misure preventive. Cambiare mentalità. Creare dati, e i risultati derivanti dai dati, e i modelli che si stanno costruendo a partire dai dati, come un bene, come macchine o denaro in banca.
Cambiamento di mentalità. Questi dati non sono di grande utilità se sono sparsi in giro. Stabilisci policy aziendali per la governance dei dati, l'archiviazione, l'analisi dei dati, i registri storici, in modo che tutti questi impianti, e l'ho già detto prima, siano sparsi in tutto il mondo, in diversi fusi orari, in diversi continenti e così via.
Se stabilisci una policy aziendale, otterrai il massimo valore dai tuoi dati. ABC Widgets ha lavorato 571 giorni senza incidenti di perdita di dati. Questo è l'approccio che dovresti adottare. Nel frattempo, in alcuni settori, come quello biotecnologico, esiste questa cosa chiamata KASA, che si basa sulla governance dei dati e sul superamento degli audit. Quando i revisori arrivano, ti chiedono qualcosa, amico, ce l'hai a portata di mano.
Altre misure preventive. Se si intende creare un file di dati JMP, annotarlo. Utilizzare la nuova variabile "tables" per scrivere qual è l'obiettivo del progetto? Quali sono tutti i dettagli di alto livello? Utilizzare le note di colonna e rispondere alla domanda: lo scopo, i metodi, i dettagli e i risultati sarebbero chiari a qualcuno che non ha partecipato al lavoro tra cinque anni?
Per la maggior parte dei file JMP, la risposta è no. Qualcuno li guarderebbe tra cinque anni e non avrebbe la minima idea di cosa sia stato fatto, quali macchinari siano stati utilizzati, quali sistemi di misura siano stati utilizzati, chi abbia partecipato e così via.
Un'altra misura preventiva che riteniamo possa aggiungere valore è utilizzare JMP Query Builder. Integrate tutto questo, assimilate i dati il più possibile, tutto ciò che potete per assimilarli, e poi valutate l'utilizzo di un sistema chiamato Knowledge Relationship Management (KRM). Ce ne sono diversi in circolazione. Uno di questi è CoBaseKRM. Alcuni di voi potrebbero averci già esperienza.
È ottimizzato per JMP, gestisce dati Excel e richiede la governance dei dati per definizione. È ricercabile ed è scalabile. Se vuoi davvero estrarre tutte le pepite d'oro dai tuoi dati, questo sistema di gestione unico su larga scala è un buon punto di partenza. Hai più sedi. Se devi effettuare audit perché è la prassi nel tuo settore, ti sarà davvero d'aiuto.
Riassumiamo questa sezione. Conoscenza, dati, analisi, modelli statistici, conoscenza di causa ed effetto. È un asset aziendale, ma non viene trattato come tale. Se si perde tutta questa conoscenza, si perdono profitti, si diventa meno competitivi anziché più competitivi. In alcuni settori, tutta questa questione della gestione della conoscenza è davvero critica.
Questa è la terza di cinque. Risultato n. 4. L'SPC non riguarda più solo il prodotto finale. Quello che abbiamo qui, ancora una volta, quello che stiamo imparando dagli altri potrebbe presentare questi problemi, in questo caso, una mancata comprensione dei fattori, la causa principale delle nostre scoperte.
Un altro caso di studio: si tratta di un processo di rivestimento metallico. Non posso dire molto al riguardo, ma ci sono molti fattori, moltissimi fattori. Il cliente ha identificato 21 fattori di processo. Ci sono un paio di risposte. Stavano lavorando con il metallo.
Quello che facevano, e questa è, ancora una volta, una pratica abbastanza comune, era di utilizzare grafici di controllo statistico del processo per le risposte, ovvero gli elementi importanti per il rivestimento del metallo. Non stavano realmente analizzando il comportamento dei fattori. Stavano essenzialmente analizzando il processo a ritroso.
Se vedessero un segnale nel grafico IMR per una risposta, tornerebbero indietro e inizierebbero deboli nel processo. Questo significa mettere... Cosa significa? Il carro davanti ai buoi, a nostro avviso. La verità di fondo è che avevano essenzialmente istituzionalizzato l'ostacolo nel loro processo. Hanno tutti questi punti di controllo. Non li stanno guardando, stanno solo guardando il risultato.
C'è anche una verità di fondo. Ci sono tutte queste altre cose in giro, i fattori di disturbo, le influenze delle materie prime. C'erano persone diverse in fabbrica che facevano cose diverse, ed era essenzialmente un caos sistematico. Mi piace ciò che Deming ha dimostrato nel suo esperimento dell'imbuto.
Qualche tempo dopo, si ritrovarono a dover affrontare tassi di scarto costantemente elevati, costi più elevati, mancate consegne, clienti arrabbiati, operatori stanchi del processo con cui erano sempre alle prese. Causa ed effetto rimanevano un mistero.
Il motivo per cui ciò è accaduto è che non stavano considerando i fattori. Stavano solo considerando le risposte. La gente ha iniziato a chiedersi: "Ehi, abbiamo SPC su quella linea. Come mai abbiamo così tanti problemi?". SPC subisce un duro colpo alla reputazione. Il problema è che non stavano considerando i fattori. Incapacità di comprenderli.
Ecco la prima misura preventiva. Se date un'occhiata al libro di Donald Wheeler, "Venti cose che devi sapere", capitolo 3, c'è una discussione assolutamente fantastica sulle cause controllate, sulle cause incontrollate, su quali cause potrebbero essere nascoste e su tutto il resto, davvero fantastico. In sostanza, la conclusione è che se soffrite davvero di problemi come questo, iniziate a controllare tutto ciò su cui riuscite a mettere le mani.
Ecco un esempio. Crea questo array. JMP è molto efficace in questo. Puoi creare una pila di carte di controllo alta quanto vuoi. In questo caso, avevamo 23 carte IMR impilate per il fattore X1, il fattore X2. Per 13 fattori di processo, quattro fattori di disturbo, la temperatura ambiente e così via. Alcune proprietà dei materiali che si pensava avrebbero influenzato il processo, un paio di risposte.
L'intero sistema serve davvero... per analizzare lo stato del processo e capire cosa potrebbe succedere in futuro. Non si tratta di un'operazione retroattiva, ma di qualcosa che si vorrebbe fare ora per ora, giorno per giorno.
Osservate questa serie di grafici. Se lo fate e ottenete un comportamento, abbiamo visto, perché stiamo osservando le risposte, che quando questa risposta è stata presente, potremmo aver visto una variazione in un fattore di disturbo, o potremmo aver visto una variazione in una proprietà del materiale. Una tecnica molto potente. Basta guardare un'intera pila di grafici di controllo. Ci vuole un po' di pratica per prendere la mano con tutto questo e impostare correttamente i limiti di controllo, ma è possibile ed è una tecnica molto potente.
L'altra cosa è, ancora una volta, definire una politica e comprendere il concetto di SPC, in fin dei conti, per quanto riguarda i fattori. Bisogna considerare il controllo della temperatura e della pressione. Abbiamo parlato prima di questo caso di studio sui cavi elettrici interrati.
Qual è il comportamento del polimero super assorbente che entra nel mio processo? Perché, in sostanza, ne fa parte. Bisogna guardare a monte, anziché limitarsi a osservare le risposte, come nel classico esempio. Creare un flusso di lavoro, imparare dai propri errori, a prova di errore, documentare le policy.
Per riassumere questa sezione, i processi sono complessi. Ci sono fonti di variazione ovunque. Ci sono elementi che cercano di intromettersi nel processo e di creare abitudini. Se si esaminano i fattori utilizzando il controllo statistico di processo e si guarda di nuovo ovunque, si inizierà a comprendere il comportamento positivo tra il fattore e la risposta. Allo stesso tempo, fornisce anche alcune indicazioni se si desidera eseguire un esperimento.
Ecco una mappa L che ho preso dal sito web di JMP. Davvero interessante. Qui dicono di identificare subito fattori e risposte. È facile identificare le risposte. Sai cosa vuoi, il controllo geometrico o il rigonfiamento di un nastro dovuto all'acqua. La cosa difficile da fare, la domanda difficile a cui rispondere nel mondo del DOE è: quali fattori includere?
Questa domanda viene posta continuamente. Se hai analizzato attentamente una serie di fattori e hai iniziato a capire come si comportano e come potrebbero influenzare il tuo processo, avrai le informazioni, o almeno una guida, per scegliere i tuoi fattori con saggezza.
Ultimo ma non meno importante, punto n. 5. Un buon studio di R&R del misuratore non significa che il tuo strumento sia a posto. Si potrebbe anche dire che un buon studio EMP non significa che il tuo strumento sia a posto. Ho scoperto che questo è un problema abbastanza comune. La causa principale è che le persone tendono a non capire veramente cosa sia l'analisi dei sistemi di misura. C'è un libro AIAG sull'argomento piuttosto corposo, e non si occupa solo di R&R del misuratore.
Caso di studio di questo processo di fusione di leghe di alluminio. Stanno eseguendo un'omogeneizzazione della materia prima, estrudendo alcuni tubi o cilindri, ricottura e prestando attenzione alla durezza durante il processo. Studieremo la durezza Rockwell, una misurazione piuttosto ben sviluppata, e utilizzeremo questi test di durezza per prendere alcune decisioni importanti per il processo in corso, poiché si tratta di un processo in più fasi, e per il test finale.
Quello che hanno fatto, e lo hanno fatto quando il cliente si è lamentato, è stato uno studio Gage R&R. Hanno preso alcuni pezzi di alluminio con diverse durezze Rockwell note, e si possono acquistare questi standard. Hanno fatto uno studio Gage R&R. Fantastico. Interessante.
Hanno ottenuto risultati fantastici. Wow. Basta guardare le componenti della varianza. Tutta la variazione sembra derivare dai componenti e ben poca dall'indicatore stesso. Hanno concluso che lo strumento era quasi perfetto.
A loro insaputa, innanzitutto, lo strumento era stabile nel tempo, e avevano anche alcuni problemi di bias di cui non erano a conoscenza. Se si esaminano alcuni di questi dati, invece di limitarsi ai risultati finali, ma si analizzano i dati in un grafico di variabilità, si può notare che lo strumento stava riscontrando molte più difficoltà con i componenti B85 e B100. Analizzandoli per operatore, per componente, si nota la stessa cosa.
Come tutti sappiamo, i risultati di un Gage R&R dipendono fortemente dalla selezione dei componenti. Se otteniamo componenti che presentano differenze significative tra loro, il segnale è forte e qualsiasi rumore nel sistema di misura sarà relativamente basso.
Un anno dopo, le conseguenze, i reclami persistevano, i resi erano frequenti, e tutte queste richieste di azioni correttive. Se c'è una cosa che mi fa rabbrividire, è una richiesta di azioni correttive. Lo chiamo un esercizio di "bruciare soldi per le pari opportunità".
Questa è la mia opinione sulle richieste di azioni correttive, perché tutti girano in tondo, la gente si arrabbia e tutto il resto, e poi scrivono: "Oh, dobbiamo riqualificare il nostro operatore e tutto il resto". Tutto questo non risolve davvero il problema. I dirigenti si arrabbiano. I metodi statistici possono subire un duro colpo alla reputazione.
Cosa facciamo? L'azione preventiva. Pensate all'analisi dei sistemi di misura. È un flusso di lavoro. Non è un semplice R&R (ripristino e verifica) degli strumenti. Ci sono un sacco di cose che dovete fare per capire il vostro strumento. Dovete iniziare con un controllo di coerenza.
Misura la stessa parte, la stessa persona, più e più volte. Se vedi segnali in quel grafico, fermati immediatamente. Hai un problema da risolvere. Devi studiare bias e linearità. Devi assicurarti che i tuoi strumenti siano calibrati.
EMP, Gage R&R è importante, ma è solo una parte del processo. Potete consultare le curve di prestazione del Gage di cui abbiamo parlato in precedenza. Esistono alcuni metodi, se avete dubbi sul vostro sistema di misura e pensate che possa influenzare le vostre decisioni di ispezione finale, potete utilizzare queste informazioni chiamate specifiche di produzione, una soluzione temporanea per compensare il rumore di misura e i vostri strumenti. In realtà, dovete analizzarli per lunghi periodi di tempo. Gage R&R è discreto. I grafici SVC no.
Riepilogo della sezione: c'è un equivoco sull'MSA. La gente pensa che sia Gage R&R. Ho partecipato ad audit in cui il revisore chiedeva: "Mostrami il tuo MSA", e la gente si affrettava a mostrare i risultati di Gage R&R. È un equivoco.
I sistemi di misurazione potrebbero essere continui. L'analisi dei sistemi di misurazione, gli studi sui sistemi di misurazione dovrebbero essere continui, non discreti. Non è un evento isolato, e solo allora si possono trarre conclusioni. Si definiscono alcune pratiche aziendali, le si rende visive e così via. Penso in termini di comportamento dei sistemi di misurazione su scala temporale.
Questo è tutto. Ecco il punto, riassumiamo i cinque casi di studio e qualche consiglio. Prima di tutto, imparate dalle difficoltà e dalle tribolazioni degli altri. Questo è ciò che stiamo cercando di fare perché abbiamo questi clienti, e stiamo cercando di aiutarli, e stiamo cercando di imparare da loro. Loro imparano da noi. Tutti imparano insieme. Fantastico. Impariamo gli uni dagli altri. In realtà, quest'idea è che i metodi statistici a volte possano avere problemi perché vengono eseguiti nel vuoto. È fatto con questa mentalità statistica.
A un certo punto, bisogna considerare l'impatto aziendale, i costi, la disponibilità delle materie prime, la catena di fornitura, la sicurezza, l'immagazzinamento, e così via. C'è un quadro molto più ampio in molti di questi sforzi di miglioramento continuo. Ancora una volta, pensate in termini di flusso di lavoro piuttosto che di pensiero discreto. Non andiamo a gestire un MSA. Non andiamo a gestire un DOE. Pensiamo a questo flusso di lavoro. Come possiamo utilizzare un'ampia gamma di metodi statistici per migliorare la nostra vita e rendere felici i nostri clienti?
Considerate i dati e i modelli che ne derivano come una risorsa aziendale molto, molto importante. Concentratevi sui fattori. Continuate a osservare le risposte. Quando ero ingegnere di produzione, osservavo i fattori. Non esiste un parametro per la resa. Non esiste un parametro per il controllo dimensionale. Non esiste un parametro per qualsiasi cosa che sia una risposta. Il parametro è sui fattori, quindi dovete capire quanto bene posso controllare i fattori e come influenzano la mia risposta.
Concentratevi sulla variazione, sulla riduzione, sull'andare via. Non fraintendetemi, rispettare le specifiche è importante. Lasciatemi dire chiaramente che rispettare le specifiche è importante, ma non è il fine ultimo. Bisogna andare oltre e concentrarsi. Proprio come ci disse Taguchi decenni fa: "Concentratevi sulla riduzione della variazione e sul raggiungimento degli obiettivi".
Crediamo che se farete tutto questo, otterrete miglioramenti costanti nei vostri processi. I vostri operatori saranno soddisfatti, i vostri fornitori saranno ancora più soddisfatti perché li aiuterete, loro aiuteranno voi e voi soddisferete i vostri clienti. Otterrete questi miglioramenti costanti nel tempo.
Con questo pensiero finale, vorremmo ringraziarvi. Juan e io, grazie per l'ascolto. Contattateci se desiderate discutere di uno di questi argomenti, saremo lieti di aiutarvi.
