「At the Corner of Statistics Road and Business Decision Boulevard」へようこそ。共同プレゼンターのJuan Riveraに一言お願いします。Juanと私はチームでこのセッションを企画したのですが、彼が私にプレゼンテーションを任せてくれることになりました。アリゾナ州ツーソンに拠点を置くPyzdek Instituteについて、ごく簡単に概要を説明したいと思います。
世界各地にスタッフが常駐し、多くのお客様、様々な業界のお客様にエンジニアリング統計やリーンシックスシグマの指導を行っています。これは実は重要なポイントです。今日は、様々な業界のお客様との経験を共有し、少しでも皆様の理解を深めていただく機会になればと思っています。最後に、私たちはJMPのパートナーです。JMPのパートナーであることを大変嬉しく思います。それでは、続きです。
簡単に説明すると、このプレゼンテーションは実は2020年にツーソンで開催されたJMP Discoveryで「リーンストリートと統計道路の角で」というプレゼンテーションを行った後継です。これは少し続編的なものです。録画はjmp.comでご覧いただけますので、ぜひご覧ください。また、それから数年後の2022年には、Juanと私はASQ Lean Six Sigma Conferenceで「設計実験におけるエラー防止」というプレゼンテーションを行いました。これもまた、お客様から学び、その失敗から他の人々が学べるよう支援する試みです。
プレゼンテーションの目標は？ええ、ええ、私たちはかなり長い間このことに取り組んできました。これは数年にわたる調査です。私たちが目指しているのは、なぜ統計手法が軌道から外れ、悪い評判につながってしまうのかという疑問に答えることです。私たち自身もそれを実感しています。
フルタイムで働いていると、工場の現場で何かミスをして上司に怒られてしまうことがあります。そういったミスからどのように学び、再発防止策を講じるか。それが、今日私たちが目指している目標です。
非常にシンプルなフォーマットです。皆様に共有したい主要な調査結果が5つあります。それぞれにケーススタディがあります。お客様が何をしたか、その結果どのような影響を受けたか、そして私たちがどのように問題を解決し、再発を防いだかについてお話しします。
これが発見事項1です。まとめましょう。重要なのはビジネスであり、統計ではありません。私たちが見た共通のテーマです。問題の根本原因は、全体像を見失っていることにあると要約できます。
これがケーススタディです。最初のケーススタディです。この会社は、電力ケーブルの防水用途に使用されるテープを製造しています。一番上の写真、これがすごいんです。水があるとあらゆるものが膨張し、水を使って水を遮断するんです。本当にすごい製品です。高吸水性ポリマーを不織布やバインダーなどに配合しています。
目標は、製品を海水環境下での性能に最適化することでした。淡水ではこれらのテープは非常によく膨張しますが、海水ではそれほど膨張しません。彼らは、地下水、それも汽水が流れる地域に電力ケーブルを埋設したいという技術的な課題に直面していました。
制御可能な要素がありました。不織布基材の重量を制御できました。高吸収体の粒子サイズもある程度制御できました。高吸収体は様々なサイズで入手可能です。全ての材料を接着するための接着剤の種類や量も異なり、さらに水が浸透するように腐食防止剤を添加する必要もありました。腐食防止剤は浸食を防ぐものです。
非常にシンプルで分かりやすい設計ですが、非常に重要な製品です。ケーブルに水が入り込むと、大変な事態になるからです。このスケッチによると、彼らの解決策は、一定の塩分濃度の海水のケーブルへの浸入を最小限に抑えることでした。歯を掴み、防水テープを露出させ、高架水槽で圧力をかけ、水がケーブルのどこまで入り込むかを確認します。もちろん、水があまり深く入り込むことは望んでいません。
彼らが行ったのは、設計実験でした。素晴らしいですね。予測プロファイラーを見れば、基質の重量、粒子サイズ、結合量、阻害剤の量、そして結合の種類、つまり全てを接着するために使用した接着剤の種類が分かります。
彼らは実験を行い、望ましさを最大化することに成功し、水の浸透が少ないという理由で接着剤2を選択しました。テープのデザインを修正し、次のプロジェクトに進みました。これはよくあるケーススタディで、多くの人がこのようなことを行っています。
しかし、数ヶ月後、彼らは三度の青天の霹靂に見舞われました。まず、高吸収体の粒子径がばらついていたのに、彼らはそれに気づいていませんでした。さらに、基材となる不織布の重量に何らかの特殊な原因があり、それが問題を引き起こしたのです。
さらに悪いことに、安全管理者は、特定の部品、特定のポンポンが欧州市場ではもはや受け入れられないという通知を受けました。安全管理者は、海水性能を最適化するために製品設計を最適化するために選択したばかりのボンディングエージェント2の使用を直ちに禁止するよう指示しました。なんと。
結果は出ました。パニックに陥り、接着剤2から接着剤1に切り替えざるを得なくなりました。材料の入荷検査が始まり、人々は互いに非難し合い、大混乱に陥りました。重要なのは、統計手法と実験計画法が評判を落としたことです。あの実験計画法は機能しなかった。なぜだろう？
補足として、他の事例をいくつかご紹介します。最適化された望ましさの活用によって、予期せぬ結果がいくつか生じました。企業がDOE（実験計画法）を実施し、望ましさを最適化した結果、エネルギーコストが大幅に増加したり、作業エリアがオペレーターにとって危険なほど高温になったり、機械の故障によるメンテナンスコストが増加したりしたケースを目にしました。時には、顧客、つまり製品を販売する相手が、機械の騒音だけでなく、様々なことに驚いてしまうこともあります。
最初に思いついた予防策は、繰り返しになりますが、このお客様を支援しようと、これまでの経験から得た知見を活かしたものでした。最初の予防策として、望ましさの最大化を非常に慎重に行うことをお勧めします。実際に、この方法で問題を抱えたお客様を見てきました。
実際、回答数が多く、財務面、技術面、商業面など、様々な要素の間で複雑なトレードオフが絡む場合にのみ、この手法を使用することをお勧めします。少し注意していただければ幸いです。
二つ目の予防策は、実験計画法が離散的な作業であることを認識することです。実験計画法は、プロセスの改善、プロセスの理解、プロセスの最適化のために考案された最も優れた手法の一つですが、離散的な作業です。
粒子サイズなどに関して、サプライヤーから提供されたSPC管理図を使用していれば、多くの苦労を避けられたはずです。DOEとSPCは非常に優れた組み合わせであり、可能な限り組み合わせて使用すべきだと私たちは考えています。
3つ目の予防策は、ワークフローポリシーについて考えることです。この会社では、エンジニアたちは実験など、あらゆる面で適切な対応をしていました。しかし、いくつか見落としがありました。サプライチェーンの担当者などと話し合うべきでした。私たちが推奨するのは、いくつかのポリシー、つまり企業ポリシーを策定することです。これから実験を行います。やり方はこうです。私たちはこのアイデアを思いつきました。段階的に進めていきましょう。
各フェーズでは、それぞれ異なる人材を関与させる必要があるでしょう。例えば、ある企業は「3つのフェーズで進めます。まず作業を行い、次に収集したデータを評価し、その後でビジネス上の意思決定を行います」と決めました。そして最終的に、エラー防止手順を含む視覚的な標準を作成しました。
彼らは少人数のグループから始めました。実験の設計やデータ収集などを行う人材を派遣しました。その時点では、大勢の人を巻き込む必要はありません。サプライチェーンなども巻き込む必要はありません。
次に第2段階に進みます。ここでは、サプライチェーン、安全担当者、オペレーター、監督者など、追加の人材を投入してデータを評価します。この段階では、徹底的に協力する必要があります。私たちは収集したデータをこのように評価します。一定の手順を踏みます。良い結果が出れば、あることを行います。良くなければ、別のことを行います。これらはすべて、何らかの方針を定めるためです。
そして最終段階では、海面水位などを含め、関係者全員を巻き込み、最終決定を下します。もし最初からそうしていれば、おそらくあの苦労は避けられたでしょう。
4つ目の予防策として、一部の企業は「みんなにDOEを教えよう」と言います。おそらくこれは最良のアイデアではないでしょう。DOEはそれぞれ独立した科目ですが、統計的思考の一部として教えるべきです。どうすれば、人々が単に実験計画を実行するだけでなく、あらゆるものを見て統計的に考えるようになるのでしょうか。
原材料の性能を確認し、プロセスの中心化研究を確認し、機器に問題がないか確認します。プロセスに原因を特定できる変動はないか、そして信頼性分析など、これらのスキルをすべて指導しましょう。これが私たちが推奨する4つ目の予防策です。
ケーススタディ1のセクション概要です。回答データを収集した後、統計の世界からビジネスの世界へとあなたを転送する方法について学びます。これが私たちの推奨です。スポック氏がJMPグラフビルダーを初めて見た時の写真があります。まるで私のようです。「わあ、これは世界一素晴らしい！」と。冗談はさておき、先ほど説明したような問題を回避するために、これが私たちの推奨する方法です。
発見その2です。まとめると、仕様を満たすことが最終目的ではありません。多くのお客様が仕様の達成を追い求め、仕様ばかりに気を取られて困っているのを目にします。私の言葉で言えば、根本的な原因は、Taguchiの理解不足にあります。これについては後ほど詳しく説明します。
この引用文をここで取り上げたいと思ったのは、非常に雄弁に語っていると思うからです。経営陣から現場に至るまで、誰もがドナルド・ウィーラーの著書『統計的工程管理の理解』に出てくる「品質パラドックス」について考えるべきです。つまり、このパラドックスに至ったのです。経営陣が仕様への適合を目標としている限り、その目標を達成することはできません。経営陣の行動が仕様を満たすことが満足のいくものであるというシグナルを発すれば、製品は必ず不合格になるでしょう。
素晴らしい言葉ですね。私たちの観察、そしてお客様から学んだことは、ドナルド・ウィーラー氏が述べたこの品質パラドックスを裏付けています。ケーススタディをご紹介します。私はCNC工程でポリカーボネート部品の機械加工を担当していました。ある会社がかなり複雑な部品の大量注文を受けたのですが、彼らはいつもの機械工のような対応でした。部品は正しい形状、正しい厚さ、角度、表面仕上げなど、すべてにおいて正確でなければならない、といった具合です。
彼らはこの注文を受けた時、「工程はきちんと管理できている。仕様も決まっている」と言い、古い工程能力分析の結果を掘り起こしました。皆さん、見てください。昔、CPKが1.357だった時のものです。これは30サンプルに基づいています。彼らは、工程が安定していて予測可能であることを確認するために、SPC事前調査を実施すべきだったとは、全く気づいていませんでした。
彼らはCPKの信頼区間を見ていなかった。これは常に驚くべきことだ。その後、彼らは時間の経過に伴うプロセスの進行状況も見ていなかった。繰り返しになるが、これは離散的なプロジェクトだ。工程能力分析は離散的なものであり、彼らはそのままプロジェクトを進めた。
彼らは発見したデータに基づいて、すべて順調だと結論付けました。ええ、仕様を満たす能力はあります。CPKが1.3を超えれば、ある程度の成功の保証になることがわかりました。当然のことです。人々はいつもそのことについて話します。
彼らは注文を受け、部品を作り、製品をチップ化し、出荷し、次の注文に取り掛かることができました。理解はできます。しかし、そこには根底にある真実があります。まず第一に、従来のPCA調査のために収集された部品は便宜上収集されたものであり、プロセス全体を適切に表すものではありませんでした。
さて、プラスチック加工の世界では、金属加工の世界ほどクールウェアを心配する必要はありません。時間とともに変化する現象が存在します。また、彼らはCPK指数の下限信頼区間が0.89であることに気づいていませんでした。繰り返しますが、工程能力は離散的なものであり、時間スケールはありません。
1年前に学んだことは、注文を受けた時点でのプロセスがどのようなものだったかについて、実際にはほとんど何も教えてくれませんでした。彼らは、自分たちのプロセスが統計的に管理されていないことに気づいていませんでした。それがPCAの前提条件の一つです。もしプロセスが管理されていれば、これらの指標はあまり意味を持ちません。
もう一つは、彼らが使用していた仕様が恣意的だったことです。それは許容範囲から導き出されたものであり、顧客を満足させる能力を実際には反映していませんでした。これは、お客様との取引経験から判断すると、非常によくあることです。
数週間後、顧客は部品の一部を組み立てることができなくなりました。彼らは機械のプラスチック部品を扱っていましたが、組み立て部品として正しく組み立てることができませんでした。寸法などをめぐって争いが始まりました。部品を製造するサプライヤーは、測定の正確性や工程管理の証拠を全く持っていませんでした。彼らは「お客様、当社のCPK指数は1.357です」と言いました。顧客、つまり買い手は「他に何かありますか？それは私には関係ありません。他に何かありますか？」と言います。彼らは困った状況に陥りました。その結果は？高率か不良品か。
繰り返しになりますが、このプレゼンテーションのポイントは、常に統計手法が打撃を受けるということです。物事がうまくいかなくなり、意思決定が行われますが、統計手法は健全です。CPK指数の計算は非常に単純です。その健全さは異論の余地がありませんが、打撃を受けるのは手法です。生産、管理、営業担当者の評判、そしてそれらすべてが統計のもう一つの欠陥なのです。
どうすればいいでしょうか？ この問題を抱えているのですね。最初の予防策は、タグチ損失関数を理解することです。ピズデック研究所によると、タグチ損失関数は誰もが習得すべき最も重要な概念の一つです。簡単に言うと、真ん中の目標、まさに目標に適っていれば、損失を最小限に抑えられるということです。
目標から外れ、分布の中心から外れ始めるとすぐに、誰かが損失を出し始めます。まさにこれが、これらの人々がおそらくすべきだったことを要約しています。
JMPでは、田口損失関数を視覚化できます。企業には、例えば次のようなことをお勧めしています。例えば、ある製品を例に挙げてみましょう。この例では、次元と目標値があり、適切な財務損失が得られるまで調整する必要がある定数があり、いくつかの計算を行い、グラフビルダーを使ってグラフのような表を作成できます。これは基本的に散布図のようなもので、「部品が18ミリメートルの場合、利益はすべて当社に還元されます」と人々に示します。このように分かりやすく、誰もが理解できる言葉で表現します。
ちなみに、これを「田口損失関数」と呼ぶのは避けてください。上層部の人たちとそんな話をするのは避けたいでしょう。これは概念です。重要なことです。そうすれば、「もし部品が17.93なら、仕様範囲内です」と言えるようになります。仕様の下限は17.9ですが、田口損失関数によれば、部品1個あたり108ドルの損失になります。
皆、それを理解しています。皆、それを見ています。ここでのポイントは、仕様を満たすことばかり考えるのをやめてもらうことです。「仕様内か、仕様外か」と、目標からどれだけ離れているかを考えてもらうのです。
多くの賢明な人々が長年そう言ってきましたが、そのメッセージは必ずしもすべての人に伝わっているわけではありません。繰り返しますが、この問題についてはこれ以上詳しく説明しません。もう一つの予防策は、何らかのポリシーを定めることです。プロセス能力を評価する場合、何をすべきでしょうか？まず、プロセスが適切に管理されていることを確認する必要があります。もし管理されていない場合は、問題を特定して修正します。
次に、自問自答します。「これらの仕様は本当に意味があるのだろうか？ どこかの図面から引用しただけのもの、図面上の小さな表のようなものだろうか？」 そして、この思考プロセス全体を見直します。私たちの推奨は、プロセス行動カードを数多く盛り込むことです。
もう一度、ありのままを話しましょう。もう一つの予防策です。これは絵です。皆さんも見たことがあるでしょう。あなたには下限スペックがあり、上限スペックがあり、目標があります。ウィーラーはこれを「良性無視の領域」と呼んでいます。彼は非常に慎重に言葉を選んでいると思います。私は「偽りの完璧さの領域」と呼んでいます。スペックから外れると、混沌と破滅の下位ゾーンと、混沌と破滅の上位ゾーンが存在します。
考えてみると、それが仕様を満たす世界です。あなたは、喜びのダンスを踊っているか、問題を解決しようと必死に走り回っているかのどちらかの状態にあります。こうした思考プロセス、この考え方が、人々を困らせる原因になっていることが分かっています。
企業にとって他に考慮すべき点として、JMPには「ゲージ性能曲線生成ツール」とかいうアドインがあります。これは素晴らしい機能です。目標達成を目指す理由が明確に示されるので、非常に便利です。実際、上限または下限の規格に近づき始めると、測定ノイズが顧客満足度を左右する要因になるからです。
例えば、下限仕様に近づくとすぐに測定ノイズが発生します。仕様範囲内の部品を仕様外と判断したり、その逆を行ったりする可能性があります。このJMPアドインは素晴らしいので、お客様にもぜひご利用いただき、習得し、そこから学ぶことをお勧めします。
ケーススタディ2のセクションを要約すると、ばらつきの削減が目標です。しかし、工程能力分析や工程能力指標は、仕様を満たすことに注力し、リソースを集中させてしまうため、クライアントが問題に直面するケースが見られます。
5つのうち2つです。発見事項3。既にご存知の通り、あなたはまだご存知ではないかもしれません。まとめると、発見事項3です。ここで得られた結論は、データを最大限に活用できていないということです。これが、これらの問題の根本原因であることがわかりました。
これは別のプラスチック加工会社のケーススタディです。世界中に拠点を持ち、押出成形、射出成形、回転成形、ブロー成形など、あらゆるプラスチック製品を製造し、数百台の機械を所有する、非常に大規模な企業です。統計手法全般に関する彼らの問題は、業務量の多さにあります。
各工場ではそれぞれ異なるプロセスで独立した統計調査が行われていました。データの保管は実に整然としていませんでした。データファイルはローカルネットワークのハードドライブ、PCのハードドライブ、USBメモリ、クラウドドライブなど、あらゆる場所に保管されており、データはあらゆる場所に散在していました。
彼らは「よし、それでは、この問題に気づいた」と言いました。そして、自分たちが問題を抱えていることに気づきました。「これだけのデータが集まった。どうやって整理すればいいんだ？」彼らはいくつかの手作業による方法を試しました。特定の場所にデータをシミュレートしようとしたのです。
サプライヤーデータ、プロセスが送信されているかどうかの現状データ、測定システムの分析データなど、長々と続くリストがありました。彼らは膨大なデータを抱えていました。その根底にある真実は、手作業で管理するにはあまりにも多すぎました。「全員、ファイルをここに送ってください。ファイルはこのネットワークドライブかクラウドドライブか、どこかに保存しましょう」
彼らはデータ収集に多額の費用を費やしていたにもかかわらず、全てのデータから得られる価値を実際には最大化していませんでした。データから得られる価値を最大化していませんでした。データガバナンスも存在していませんでした。ある人が要因をある名前で呼び、別の人が別の名前で呼んでいる場合、何かを主張しようとすると、要因名の違いが問題を引き起こす可能性があります。共通の用語などがないのです。
数年後、全てのデータを手作業で管理しようと全力を尽くした結果、結果が現れました。作業が重複し、異なる工場で類似の製品が製造され、試験も重複して実施されるなど、問題が起こりました。監査にも問題がありました。当社は航空業界向けの業務を請け負っていたため、外部監査もいくつかありました。外部監査の際にデータを見つけるのに苦労し、多くの苦悩を抱えていました。
コンピュータの世界では、Temp 1 と Temp_1 は等しくないので、またもや検索が難しいです。物事をまとめるのに苦労しています。あのね、押出機のこの特定の温度について調べたことがあるかな？それとも、射出成形ラインのこの特定の要因について調べたことがあるかな？人によって用語も要因名も違うんです。
結果はどうなるでしょうか。まず第一に、このようなことをすると、人が辞めると知識が失われがちです。ある人はデータをハードドライブかネットワークドライブか何かに保存していて、もしかしたら人々はそれを見失ってしまうかもしれません。彼らが行ったニュース調査は、過去の研究の成果を全く活かさずに行ったものです。こうした有益なプロセスに関する洞察は、まるで雨に濡れた年月のように、時とともに失われていくのです。
一方、経営幹部レベルでは、最高経営責任者（CEO）をはじめとする幹部たちは、膨大な統計調査費用を背負い、あらゆる業務を遂行してきたにもかかわらず、投資に見合うだけの成果は得られなかったと痛感していました。期待に応えられなかったのです。統計手法は、再び高いレベルの評判の失墜を招いたのです。
どうすればいいでしょうか？まずは予防策です。考え方を変えましょう。データと、そのデータから得られる結果、そしてデータから構築するモデルを、機械や銀行預金のような資産のように扱いましょう。
考え方を変えましょう。データが散在していては、何の役にも立ちません。データガバナンス、保管、データ分析、履歴記録に関する企業ポリシーを確立し、先ほども申し上げましたが、これらの工場は世界中に点在し、異なるタイムゾーンや大陸などにも分散しています。
企業ポリシーを確立すれば、データから最大限の価値を引き出せるようになります。ABC Widgetsは571日間、データ損失インシデントなしで稼働しています。まさにこれこそが、取るべきアプローチです。一方、バイオテクノロジー業界など一部の業界では、KASAと呼ばれるデータガバナンスに関するものが存在します。これはデータガバナンスと監査の回避を目的としています。監査人が来たら、何かを要求されますが、あなたはそれをすぐに手に入れることができます。
その他の予防策。JMPデータファイルを作成する場合は、注釈を付けましょう。新しいテーブル変数を使用して、プロジェクトの目標を記述します。概要レベルでの詳細はどのようなものですか？列の注釈を使用して、「5年後、この作業に参加していない人にとって、目的、方法、詳細、結果が明確になるでしょうか？」という質問に答えます。
ほとんどのJMPファイルの場合、答えは「いいえ」です。5年後に誰かがそれを見ても、何が行われたのか、どんな機器が使われたのか、どんな測定システムが使われたのか、誰が参加したのか、など全く分からないでしょう。
もう一つの予防策として、価値を高めるものと考えています。JMPクエリービルダーも活用してください。これらをすべて取り込み、可能な限りデータを統合し、あらゆる手段を講じて統合します。そして、知識関係管理システム（KRM）の活用を検討してください。いくつかありますが、その一つがCoBaseKRMです。皆さんの中には、すでに使ったことがある方もいらっしゃるかもしれません。
JMP向けに最適化されており、Excelデータも処理できます。当然のことながら、データガバナンスも必須です。検索可能で拡張性も備えています。データから貴重な情報を抽出したいと真剣に考えているなら、この大規模で単一の管理システムは最適な出発点です。複数の拠点を所有している場合や、業界で日常的に監査を実施する必要がある場合など、非常に役立ちます。
このセクションを要約してください。知識、データ、分析、統計モデル、因果関係に関する知識。これらは企業資産であるにもかかわらず、適切に扱われていません。これらの知識をすべて失えば、利益を失い、競争力は向上するどころか低下してしまいます。業界によっては、知識管理というこのすべてが非常に重要です。
これが5つのうちの3つ目です。発見事項4です。SPCはもはや最終製品だけに限ったものではありません。ここでも、他者から学んだこと、つまり今回の場合は、要因、つまり発見事項の全体的な根本原因を理解していないことが、問題となっている可能性があります。
もう一つのケーススタディは、金属コーティングプロセスです。あまり詳しくは言えませんが、非常に多くの要因が絡み合っています。お客様は21のプロセス要因を特定しました。いくつか回答がありました。彼らは金属を使った作業を行っていました。
彼らが行っていたのは、これもまたかなり一般的なやり方ですが、金属コーティングにとって重要な要素である反応について、統計的な工程管理図を作成していたことです。彼らは実際には要因の挙動に注目していませんでした。本質的には、プロセスを逆から見ていたのです。
IMRチャートに反応の兆候が見られれば、彼らは後戻りし、プロセスの弱い部分から始めます。これは…何と言うでしょうか？本末転倒だと私たちは考えています。根本的な真実は、彼らが本質的にプロセスを阻害する仕組みを作っていたということです。彼らは多くの管理ポイントを持っていますが、それらに目を向けるのではなく、結果だけを見ているのです。
根底にある真実もあります。他にも様々な要因、例えば、不要な要因や原材料の影響など、様々な要因が存在します。工場の現場では様々な人が様々な作業を行っており、本質的には体系的な混沌でした。デミングが漏斗実験で示した点が気に入っています。
しばらく経つと、彼らは高いスクラップ率、高コスト、納期遅延、顧客の怒り、そして常に格闘しなければならない工程へのオペレーターの辟易といった問題に悩まされるようになりました。原因と結果は依然として謎のままでした。
原因は、彼らが要因を見ていなかったことです。彼らは対応だけを見ていました。人々は「あのラインはSPCなのに、なぜこんなに問題が多いんだ？」と尋ね始めました。SPCの評判は失墜しました。問題は、彼らが要因を見ていなかったことです。要因を理解していなかったのです。
最初の予防策をご紹介します。ドナルド・ウィーラーの著書『Twenty Things You Need to Know』の第3章には、制御可能な原因、制御不可能な原因、隠れている可能性のある原因など、実に素晴らしい内容が書かれています。つまり、もし本当にこのような問題に悩んでいるなら、手に入るものはすべて制御し始めるということです。
例を挙げましょう。この配列を作成してください。JMPはこのような管理図の作成に非常に優れています。管理図を好きなだけ積み重ねることができます。この例では、因子X1、因子X2について23個の積み重ねられたIMR管理図を作成しました。13個の工程因子、4個の誤要因、周囲温度などです。工程に影響を与えると考えられる材料特性と、それに対する反応もいくつかあります。
このシステム全体は…プロセスの状態を確認し、今後何が起こるかを把握するためのものです。これは遡及的に使用するものではなく、時間ごと、日々の単位で実行したいものです。
この一連のチャートを見てください。こうして何らかの挙動が見られたら、応答を見ているので分かりますが、この応答がここにあった時、潜在因子の変化や材料特性の変化が見られたかもしれません。非常に強力な手法です。管理図の山全体を見てください。この全てを理解し、管理限界を適切に設定するには少し練習が必要ですが、可能です。そして、これは非常に強力な手法です。
もう一つは、繰り返しになりますが、ポリシーを策定し、SPCを最終的に理解することが重要です。温度制御や圧力制御も確認する必要があります。先ほど、地下電力ケーブルのケーススタディについてお話ししました。
プロセスに投入される高吸水性ポリマーの挙動は、本質的にはプロセスの一部なので、どのようなものになるのかを常に把握しておく必要があります。従来のように反応を見るだけでなく、上流工程にも目を向ける必要があります。ワークフローを作成し、失敗から学び、エラー防止策を講じ、ポリシーを文書化します。
このセクションをまとめると、プロセスは複雑です。変動源は至る所に存在し、プロセスに侵入して習慣を破壊しようとするものが存在します。統計的プロセス制御を用いて要因を分析し、改めてあらゆる側面から分析することで、要因と反応の間に見られる正の効果挙動を理解し始めることができます。また、実験を実行する際にも、ある程度の指針を与えてくれます。
JMPのウェブサイトから入手したLマップです。本当に素晴らしい機能です。「因子と応答を早期に特定する」と書かれています。応答を特定するのは簡単です。求めているものが、幾何学的制御なのか、テープの吸水膨張なのかは分かっています。DOEの世界で難しいのは、どの因子を含めるかということです。
よく聞かれる質問です。多くの要因をスクロールして、それらがどのように振る舞い、プロセスにどのような影響を与えるかを理解し始めれば、少なくとも要因を賢く選択するための洞察、つまり何らかの指針が得られるでしょう。
最後に、発見事項5です。ゲージR&R試験が良好だからといって、計測器が正常であるとは限りません。また、EMP試験が良好だからといって、計測器が正常であるとは限りません。これはかなりよくある問題です。根本的な原因は、人々が計測システム分析の本質を理解していないことにあります。AIAG（オーストラリア計測器検査協会）が発行する分厚い書籍があり、ゲージR&R試験だけを扱っているわけではありません。
アルミニウム合金鋳造工程のケーススタディです。原料の均質化、チューブやシリンダーの押し出し、焼鈍処理などが行われていますが、その過程で硬度が懸念されています。そこで、ロックウェル硬度という、かなり確立された測定法を研究し、この硬度試験を用いて、工程内試験（複数段階の工程があるため）と最終試験に関する重要な判断を下します。
顧客から苦情があった際に彼らが行ったのは、ゲージR&R試験でした。ロックウェル硬さの異なるアルミニウム片をいくつか入手し、標準品として購入できるものを入手しました。ゲージR&R試験を実施したのです。素晴らしいですね。これは興味深いですね。
彼らは素晴らしい結果を得ました。すごいですね。分散成分を見てください。すべての変動は部品に起因しており、ゲージ自体に起因するものはほとんどありません。彼らは、この機器はほぼ完璧であると結論付けました。
まず第一に、彼らは知らなかったのですが、装置は時間の経過とともに安定しており、彼らが気づいていなかったバイアスの問題を抱えていました。このデータの一部を見てみると、最終的な結果だけでなく、変動チャートのデータも見てみると、B85とB100の部品では装置がはるかに困難な状況に陥っていたことがわかります。オペレータ別、部品別で見ても、同じことがわかります。
ご存知の通り、ゲージR&Rの結果は部品の選択に大きく依存します。互いに大きく異なる部品を選べば、強い信号が得られ、測定システム内のノイズは比較的低くなります。
1年後、苦情は後を絶たず、返品も頻繁で、是正措置の要請も次々と出てきました。私が身震いするのは、是正措置の要請です。私はこれを、機会均等を求めた無駄な資金投入と呼んでいます。
これが是正措置要請についての私の意見です。皆が堂々巡りをして怒り狂い、そして「オペレーターを再教育する」などと書き立てるのです。これでは結局、問題は解決しません。経営幹部は激怒し、統計的手法は評判に傷がつく可能性があります。
何をするのでしょうか？予防措置です。測定システム分析について考えてみてください。これはワークフローです。ゲージR&Rとは異なります。機器を理解するには、本当に必要なことがたくさんあります。まずは一貫性チェックから始めましょう。
同じ部品、同じ人、何度も何度も繰り返し測定してください。チャートに異常が見られたら、すぐに測定を中止してください。修正が必要な問題です。バイアスと直線性を調べる必要があります。計測機器が適切に校正されているか確認する必要があります。
EMP、ゲージR&Rは重要ですが、プロセスの一部に過ぎません。先ほどお話ししたゲージ性能曲線を参照できます。測定システムに疑問があり、最終検査の決定に影響を与えると思われる場合は、製造仕様と呼ばれるものを使用できます。これは、測定ノイズや機器を考慮または補正するための一時的な対策であり、実際には長期間にわたって確認する必要があります。ゲージR&Rは離散的ですが、SVCチャートはそうではありません。
セクションの要約です。MSAについて誤解している人がいます。ゲージR&Rだと思っている人がいます。監査に関わったことがあるのですが、監査人が「MSAを見せてください」と言うと、人々は慌ててゲージR&Rの結果を見せます。これは誤解です。
測定システムは連続的なものになり得ます。測定システム分析、測定システム研究は、離散的ではなく連続的であるべきです。一度きりの作業ではなく、そこから結論を導き出すことができます。企業慣行を設定し、それを視覚化するなど、様々な取り組みが必要です。私は、測定システムの時間スケールにおける挙動について考えています。
これで終わりです。5つのケーススタディとアドバイスをまとめると、まず第一に、他者の苦難から学ぶことです。これはまさに私たちが目指していることです。なぜなら、私たちには顧客がいて、彼らを支援しようと努め、彼らから学ぼうとしているからです。彼らは私たちから学びます。皆が共に学びます。素晴らしいことです。私たちは互いに学び合っています。統計的手法は、真空中で行われるため、時に問題を引き起こすことがあるという考え方に当てはまります。それは統計的な考え方に基づいて行われるからです。
ある時点で、ビジネスへの影響、コスト、原材料の入手可能性、サプライチェーン、安全性、倉庫管理など、あらゆる側面を検討する必要があります。こうした継続的な改善活動の多くは、はるかに大きな視点に基づいています。繰り返しますが、個別的な思考ではなく、ワークフローの観点から考えましょう。MSA（予測分析）やDOE（生産・品質・環境評価）を実行するのではなく、ワークフローについて考えてみましょう。幅広い統計手法をどのように活用すれば、私たちの生活を向上させ、お客様にご満足いただけるのでしょうか？
データと、そこから導き出されるモデルは、企業にとって非常に重要な資産だと考えてください。要因に焦点を当て、その対応策を常に見据えてください。製造エンジニアだった頃、私は要因に注目していました。歩留まりをコントロールするダイヤルはありません。寸法制御をコントロールするダイヤルもありません。対応策となるものは何であれ、ダイヤルはありません。ダイヤルは要因にあります。ですから、要因をどれだけうまくコントロールできるか、そしてそれが対応策にどのような影響を与えるかを理解する必要があります。
ばらつき、削減、そして諦めることに集中しましょう。誤解しないでください。仕様を満たすことは重要です。はっきり言いますが、仕様を満たすことは重要ですが、それが最終目的ではありません。それを超えて、さらに集中する必要があります。田口氏が数十年前に私たちに言ったように、「ばらつきを減らし、目標達成に集中する」のです。
これらすべてを実行すれば、プロセスの改善が積み重なっていくと私たちは信じています。オペレーターは満足し、サプライヤーもより幸せになります。なぜなら、サプライヤーはあなたを助けることでより幸せになり、サプライヤーもあなたを助けることでより幸せになり、そしてあなたは顧客を満足させるからです。こうした改善は、時間をかけて積み重ねられていくのです。
最後に、感謝の気持ちをお伝えしたいと思います。フアンと私、お聴きいただきありがとうございました。これらのテーマについて何かご相談がありましたら、お気軽にご連絡ください。喜んでお手伝いさせていただきます。
