Bienvenidos a todos a la esquina de Statistics Road y Business Decision Boulevard. Un saludo a mi copresentador, Juan Rivera. Juan y yo organizamos esto en equipo, pero él decidió dejarme hacer la presentación. Les presento brevemente el Instituto Pyzdek, con sede en Tucson, Arizona.
Contamos con personal asignado en diferentes lugares del mundo y enseñamos estadística de ingeniería y Lean Six Sigma a muchos clientes de diversas industrias. Este es un punto importante, ya que hoy compartiremos nuestra experiencia con clientes de diferentes industrias y esperamos que la gente aprenda un poco. Finalmente, somos socios de JMP. Nos complace mucho serlo y seguiremos adelante.
Para poner esto en perspectiva, esta presentación es una continuación. En 2020, JMP Discovery en Tucson realizó una presentación titulada "En la esquina de Lean Street y Statistics Road". Esta es una especie de continuación. La grabación está disponible en jmp.com, por si alguien quiere verla. Además, un par de años después, en 2022, Juan y yo dimos una presentación en la Conferencia ASQ Lean Six Sigma, "A prueba de errores para experimentos de diseño". De nuevo, aprendemos de nuestros clientes y ayudamos a otros a aprender de sus errores.
¿El objetivo de la presentación? Bueno, sí, llevamos bastante tiempo estudiando esto. Es un estudio multianual. Lo que intentamos es responder a esta pregunta: ¿por qué los métodos estadísticos fallan y acaban con mala reputación? Lo vemos nosotros mismos.
Cuando trabajo a tiempo completo, el jefe se enoja porque hice algo en la planta. ¿Cómo aprendemos de esos errores y tomamos medidas preventivas? Esa es la idea que intentamos lograr hoy.
Formato muy sencillo. Tengo cinco hallazgos principales para compartir con todos. Cada uno tiene un caso práctico. Solo hablaremos de lo que hizo el cliente, las consecuencias que sufrió y cómo pudimos ayudarlo a resolver los problemas y evitar que la situación se descontrolara nuevamente.
Aquí está el hallazgo n.º 1. Resumir. Se trata del negocio, no de las estadísticas. Un tema común que vimos. La raíz del problema, que podemos resumir como lo que tenemos aquí, es la falta de visión global.
Aquí está el caso práctico. El primero. Esta empresa fabrica cintas que se utilizan en cables de energía para bloquear el agua. Esas cintas se ven en la parte superior (la fotografía de arriba es genial). En presencia de agua, todo se hincha, y la empresa usa el agua para bloquearla. ¡Qué cosa tan genial! Contiene un polímero superabsorbente mezclado con telas no tejidas, aglutinantes y similares.
El objetivo era optimizar un producto para su rendimiento en agua salada. En agua dulce, estas cintas se expanden muy bien, pero no tanto en agua salada. Tenían este reto técnico: alguien quería enterrar cables eléctricos en una zona con agua subterránea, salobre.
Tenían factores controlables. Podían controlar el peso del sustrato no tejido. Tenían cierto control sobre el tamaño de las partículas del superabsorbente. Está disponible en diferentes tamaños. Usaban diferentes agentes adhesivos para unir todo, la cantidad de agente adhesivo que usaban, y también tenían que añadir un inhibidor de corrosión para que el agua penetrara. El inhibidor de corrosión previene la erosión.
Un diseño bastante simple y directo, un producto muy importante porque si entra agua en un cable, se desata el caos. Su respuesta fue minimizar la entrada de agua salada de cierta salinidad en un cable, según este boceto. Sujetar los dientes, exponer las cintas de bloqueo de agua, aplicar presión con un tanque de agua elevado y observar hasta dónde llega el agua en el cable. Claro que no querían que entrara demasiado.
Lo que hicieron fue un experimento de diseño. ¡Genial! Si observas el perfilador de predicción, tienes el peso del sustrato, el tamaño de partícula, la cantidad de adhesivo, la cantidad de inhibidor y el tipo de adhesivo, es decir, el tipo de pegamento que usaron para unir todo.
Realizaron un experimento, alcanzaron la máxima conveniencia y eligieron el Agente Adhesivo 2 porque conseguía menos penetración de agua. Modificaron el diseño de la cinta y pasaron al siguiente proyecto. Un caso práctico rutinario, y mucha gente hace algo así.
Sin embargo, un par de meses después, recibieron tres impactos inesperados. En primer lugar, el tamaño de las partículas del superabsorbente fluctuaba, sin que ellos lo notaran. Una variación en el peso del sustrato no tejido, por causas especiales, causó algunos problemas.
Para colmo, el gerente de seguridad recibió una notificación de que ciertos elementos, como ciertos pompones, ya no eran aceptables en el mercado europeo. El gerente de seguridad ordenó prohibir de inmediato el uso del Agente Adhesivo 2, que acababan de elegir para optimizar el diseño del producto para su rendimiento en agua salada. ¡Increíble!
Hubo consecuencias. Cambio de pánico. Tuve que cambiar del Agente Adhesivo 2 al Agente Adhesivo 1. Comenzaron una prueba de material entrante. La gente se culpaba mutuamente. Se desató el caos. La cuestión es que fueron los métodos estadísticos y el diseño del experimento los que sufrieron el golpe a su reputación. Oye, ese DOE no funcionó. ¿Por qué?
Como apunte, para compartir otros casos prácticos, hemos descubierto otras consecuencias imprevistas al usar la deseabilidad optimizada. Hemos visto empresas que implementaron un DOE y optimizaron la deseabilidad, pero terminaron con un gran aumento en los costos de energía, o que calentaron peligrosamente el área de trabajo para los operadores, lo que incrementó los costos de mantenimiento por averías de máquinas. A veces, el cliente, la persona a la que le venden el producto, se sorprende, no solo por el ruido de la maquinaria, etc.
La primera medida preventiva que ideamos, y de nuevo, intentamos ayudar a este cliente aplicando lo que sabíamos de nuestra experiencia. Recomendamos usar la máxima deseabilidad con mucho cuidado. Hemos visto a gente meterse en problemas con ella.
De hecho, recomendamos usarlo solo si se tiene un gran número de respuestas y se deben considerar conjeturas complejas entre respuestas financieras, técnicas y comerciales, entre otras. Recomiendo tener cierta precaución.
La segunda medida preventiva es reconocer que el diseño de experimentos es un ejercicio discreto. El diseño de experimentos es uno de los mejores métodos inventados para mejorar, comprender y optimizar procesos, pero es un ejercicio discreto.
Si hubieran utilizado gráficos de control SPC, ya sea de su proveedor para el tamaño de partícula y demás, se habrían evitado muchos problemas. Creemos que el DOE y el SPC forman una gran combinación, y deberían combinarse siempre que sea posible.
La tercera medida preventiva es considerar la política de flujo de trabajo. Esta empresa contaba con ingenieros que hacían todo correctamente, incluyendo el experimento. Sin embargo, hubo algunos errores. Deberían haber consultado con el personal de la cadena de suministro, etc. Recomendamos establecer políticas corporativas. Se realizará un experimento. Así es como se hace. Se nos ocurrió esta idea; vamos a dividirla en fases.
Porque en cada fase, probablemente quieras involucrar a diferentes personas. Por ejemplo, una empresa dijo: "Usaremos estas tres fases. Trabajaremos, haremos algo de trabajo, evaluaremos los datos que recopilemos y luego tomaremos decisiones comerciales". Finalmente, crearon estándares visuales, incluyendo pasos para la detección de errores.
Empezaron con un grupo pequeño de personas. Se les pidió que diseñaran un experimento, recopilaran los datos, etc. No se quería que participara un grupo grande de personas en ese momento. No se quería que la cadena de suministro estuviera involucrada en ese momento, etc.
Luego pasan a la segunda fase. Aquí es donde se empieza a incorporar personal adicional: cadena de suministro, personal de seguridad, operadores, supervisores y otros para evaluar los datos. En este punto, es cuando realmente se busca una mayor colaboración. Así es como evaluamos los datos que acabamos de recopilar. Seguimos ciertos pasos. Si son correctos, hacemos una cosa. Si no son correctos, hacemos otra, todo para establecer una política.
Luego, en la fase final, se involucra a todos, incluyendo los responsables del nivel del mar y similares, y se involucra a todas las partes interesadas para tomar la decisión final. Si se hubiera hecho así desde el principio, probablemente se habrían evitado todo ese sufrimiento.
La cuarta medida preventiva que recomendamos es que algunas empresas dicen: "Enseñaremos a todos el método de evaluación de la calidad". Probablemente no sea la mejor idea. Cada método de evaluación de la calidad es una asignatura independiente, pero enséñenlo como parte del pensamiento estadístico. ¿Cómo logramos que la gente piense estadísticamente, que no solo realice experimentos de diseño, sino que lo analice todo?
Analice el rendimiento de las materias primas, revise los estudios de centrado de procesos y asegúrese de que nuestros instrumentos estén en buen estado. ¿Tengo alguna variación de causa atribuible en mi proceso? ¿Enseño todas estas habilidades, como el análisis de confiabilidad, etc.? Es la cuarta medida preventiva que recomendamos.
Aquí tienes un resumen de la sección del Caso Práctico 1. Tras recopilar los datos de respuesta, el estudio te lleva del mundo de la estadística al mundo de los negocios, nuestra recomendación. Hay una foto del Sr. Spock la primera vez que vio el Constructor de Gráficos JMP. Es como yo. ¡Guau, es lo mejor del mundo! Bromas aparte, eso es lo que recomendamos para evitar problemas como el descrito.
Aquí está el Hallazgo n.º 2. En resumen, cumplir con las especificaciones no es el objetivo final. Vemos a muchos clientes que persiguen sus especificaciones y se meten en problemas porque solo se centran en ellas. La causa principal es, en resumen, en mis palabras, no comprender a Taguchi. Hablaremos de esto con más detalle.
Solo quería mencionar esta cita porque creo que es muy elocuente. Todos, desde la gerencia hasta el taller, deberían reflexionar sobre la paradoja de la calidad, expresada por Donald Wheeler en su libro "Entendiendo el Control Estadístico de Procesos". Así, llegamos a la paradoja. Mientras la gerencia tenga como objetivo el cumplimiento de las especificaciones, no podrá alcanzarlo. Si las acciones de la gerencia indican que cumplir con las especificaciones es satisfactorio, el producto invariablemente fallará.
Excelentes palabras. Nuestras observaciones, lo que aprendemos de nuestros clientes, corroboran esta paradoja de la calidad, como afirmó Donald Wheeler. Les presento un caso práctico. Tenía un proceso CNC para el mecanizado de piezas de policarbonato. La empresa recibió un pedido grande de una pieza bastante compleja y tuvieron las respuestas habituales de los maquinistas: las piezas debían tener la geometría y el grosor correctos, el ángulo correcto, los acabados superficiales correctos, etc.
Lo que hicieron cuando recibieron el pedido fue decir: "Bueno, tenemos el control de nuestro proceso. Tenemos estas especificaciones". Recuperaron los resultados de un antiguo análisis de capacidad del proceso. Miren, hace mucho tiempo teníamos un CPK de 1.357. Se basa en 30 muestras. No sabían que probablemente deberían haber realizado un estudio previo de control estadístico de procesos (SPC) para asegurarse de que su proceso fuera estable y predecible.
No analizaron el intervalo de confianza del CPK. Esto siempre puede ser una sorpresa. Posteriormente, no analizaron el proceso a lo largo del tiempo. De nuevo, se trata de un proyecto discreto. El análisis de la capacidad del proceso es discreto, y luego procedieron.
Concluyeron, basándose en los datos que descubrieron, que todo estaba bien. Sí, miren, tenemos la capacidad de cumplir con las especificaciones. Vimos que un CPK superior a 1.3 es una garantía razonable de éxito. Es comprensible. Se habla de eso constantemente.
Tomaron el pedido, fabricaron las piezas, despiece el producto, lo entregaron para poder pasar al siguiente pedido. Es comprensible. Sin embargo, hay algo de verdad subyacente. En primer lugar, las piezas que recopilaron para su estudio de PCA heredado se recopilaron por conveniencia y realmente no representaban adecuadamente el proceso general.
Ahora bien, en el mundo del mecanizado de plásticos, no hay que preocuparse tanto por el desgaste por frío como en el de metales. Hay factores que cambian con el tiempo. Tampoco se dieron cuenta de que el intervalo de confianza inferior de su índice CPK era de 0,89. De nuevo, la capacidad del proceso es discreta. No hay plazos.
Lo que aprendieron hace un año no les reveló mucho sobre cómo era el proceso al recibir el pedido. No sabían que su proceso no estaba bajo control estadístico. Ese es uno de los requisitos previos del PCA. Si su proceso está bajo control, estos índices no significan mucho.
Otro factor es que las especificaciones que utilizaban eran arbitrarias. Provenían de un límite de tolerancia, y no reflejaban realmente la capacidad de satisfacer al cliente. Esto es muy común, según nuestra experiencia con los clientes.
Unas semanas después, los clientes no pudieron ensamblar algunas piezas. Tenían piezas de plástico de la máquina. Parte de un conjunto, pero no pudieron ensamblarlo correctamente. La disputa comenzó por algunas dimensiones, etc. El proveedor, quien fabricaba las piezas, no tenía ninguna prueba de la integridad de las mediciones ni del control del proceso. Dijeron: "Bueno, estimado cliente, nuestro índice CPK es de 1,357". El cliente, el comprador, respondió: "¿Qué más tiene? Eso no me dice nada. ¿Qué más tiene?". Estaban en problemas. ¿Consecuencias? Tasas altas o rechazos.
De nuevo, el objetivo de esta presentación es que siempre es el método estadístico el que se ve afectado. Las cosas salen mal, se toman decisiones y los métodos estadísticos son sólidos. Los cálculos de un índice CPK son bastante sencillos. Toda esa solidez es indiscutible, pero es el método el que se ve afectado. La reputación del personal de producción, la gerencia, el personal de ventas, etc., es otro fracaso de la estadística.
¿Qué haces al respecto? Tienes este problema. La primera medida preventiva es comprender la Función de Pérdida de Taguchi. Según el Instituto Pyzdek, la Función de Pérdida de Taguchi es uno de los conceptos más importantes que cualquier persona debe dominar. En pocas palabras, dice que si estás en el punto medio, justo en el objetivo, minimizas tus pérdidas.
En cuanto empiezas a desviarte del objetivo, del centro de tu distribución, alguien empieza a perder dinero. Eso resume perfectamente lo que probablemente deberían haber hecho.
En JMP, se puede visualizar la Función de Pérdida de Taguchi. Recomendamos a las empresas que hagan algo similar. Tomemos uno de sus productos. En este caso, tenemos una dimensión, objetivos, una constante que se debe ajustar hasta obtener las pérdidas financieras correctas. Se realizan cálculos aritméticos y se puede crear una tabla con aspecto gráfico usando el Constructor de Gráficos. Es básicamente un diagrama de dispersión para que la gente diga: "Mira, si nuestra pieza mide 18 milímetros, nos quedamos con todo el dinero". En términos sencillos, fáciles de entender.
Por cierto, no conviene llamarla Función de Pérdida de Taguchi. No conviene hablar de eso con los directivos. Es un concepto. Eso es importante. Entonces se podría decir algo como: "Mira, si una pieza cuesta 17,93, cumple con las especificaciones". Hay un límite inferior de 17,9, pero estamos perdiendo $108 por pieza, según la Función de Pérdida de Taguchi.
La gente lo entiende. La gente lo ve. El objetivo es que la gente deje de pensar en cumplir con las especificaciones. Estoy dentro de las especificaciones, estoy fuera de ellas, y empiecen a pensar en lo lejos que están del objetivo.
Mucha gente inteligente lleva muchos años diciendo eso, pero ese mensaje no siempre llega a todos. Repito, no insistiré en el tema. La otra medida preventiva es establecer políticas. Si se va a implementar la capacidad del proceso, ¿qué se hace? Bueno, primero hay que asegurarse de que el proceso esté bajo control. Si no, se encuentra el problema y se soluciona.
Entonces te preguntas: ¿Son estas especificaciones realmente significativas? ¿Son solo cosas de algún dibujo, una pequeña tabla en un dibujo? Luego, repasas todo este proceso de reflexión. Nuestra recomendación es incluir muchas tarjetas de comportamiento del proceso a lo largo del proceso.
De nuevo, díganlo como es, otra medida preventiva. Esto es un dibujo. Todos lo han visto. Tienes tu especialización baja, tienes tu especialización alta, tienes tu objetivo. Wheeler la llama la Zona de Negligencia Benigna. Creo que lo expresó con mucho cuidado. Yo la llamo la Zona de Falsa Perfección. Cuando estás fuera de la especialización, tienes la zona baja de caos y perdición y la zona alta de caos y perdición.
Pensándolo bien, así es el mundo de las especificaciones de reuniones. Estás en uno de estos dos estados: estás feliz o corriendo como un loco intentando solucionar el problema. Descubrimos que este proceso de pensamiento, esta mentalidad, mete a la gente en problemas.
Otras cosas a considerar para las empresas: JMP cuenta con un complemento llamado Generador de Curvas de Rendimiento de Medidores o similar. Excelente. Fantástico porque muestra por qué se busca cumplir con los objetivos. Porque, de hecho, en cuanto uno se acerca a la especificación superior o inferior, el ruido de la medición se convierte en un factor decisivo para la satisfacción del cliente.
Por ejemplo, al acercarse a la especificación inferior, se produce ruido en la medición. Es posible que se consideren piezas que cumplen con las especificaciones como fuera de ellas, y viceversa. Este complemento de JMP es fantástico y recomendamos a nuestros clientes que lo usen, lo aprendan y aprendan de él.
Para resumir la sección, Caso Práctico 2, el objetivo es reducir la variación. Sin embargo, el análisis de la capacidad del proceso y los índices de capacidad del proceso centran la atención y los recursos en el cumplimiento de las especificaciones, y observamos que los clientes se ven en problemas.
Eso son dos de cinco. Hallazgo n.º 3. Puede que no sepas lo que ya sabes. En resumen, Hallazgo n.º 3. Lo que encontramos aquí es la imposibilidad de monetizar completamente nuestros datos. Esa es la causa raíz de estos problemas.
Aquí hay un caso práctico: otra empresa de procesamiento de plástico. Tiene sedes en todo el mundo: extrusión, moldeo por inyección, rotomoldeo, moldeo por soplado, todo tipo de productos plásticos, cientos de máquinas; una empresa enorme. Su problema con los métodos estadísticos, en general, reside en la gran cantidad de tareas que realizaban.
Realizaban estudios estadísticos independientes en cada planta y con distintos procesos. El almacenamiento de datos no estaba muy organizado. Tenían archivos guardados en discos duros de red local, discos duros de PC, memorias USB, unidades en la nube, etc. Los datos estaban dispersos por todas partes.
Dijeron: «Bueno, nos dimos cuenta de este problema». Se dieron cuenta de que tenían un problema. «Tenemos todos estos datos. ¿Cómo los organizamos?». Probaron métodos manuales. Intentaron simular datos en ciertos lugares.
Había una lista interminable de datos de proveedores, datos del estado actual sobre si sus procesos se enviaban o no, datos de análisis de sistemas de medición, etc. Tenían muchísimos datos. La realidad subyacente era demasiado para cualquier enfoque manual. "Envíen sus archivos aquí. Guardemos los archivos en esta unidad de red, en esta unidad en la nube o algo similar".
Realmente no estaban maximizando el valor de todos los datos, gastando mucho dinero en recopilarlos. No maximizaban su valor. Tampoco existía gobernanza de datos. Si una persona llama a un factor por un nombre y otra por otro, y se intentan hacer afirmaciones, esas diferencias en los nombres de los factores pueden causar problemas. No existe una terminología común ni nada por el estilo.
Unos años más tarde, tras intentar gestionar todos esos datos manualmente y esforzarse al máximo, aparecieron las consecuencias. Se duplicaban esfuerzos: distintas plantas fabricaban productos similares, se realizaban estudios duplicados, etc. Tuvieron algunos problemas con las auditorías. La empresa trabajaba para la industria aeronáutica, por lo que se realizaron auditorías externas. Tuvieron dificultades para encontrar datos durante las auditorías externas y muchos problemas.
De nuevo, búsquedas difíciles porque en el mundo de las computadoras, Temp 1 no es igual a Temp_1. Me cuesta asimilar las cosas. Oye, ¿alguna vez he estudiado esta temperatura en una extrusora? ¿O este factor en una línea de moldeo por inyección? La gente usa terminología diferente, nombres de factores diferentes.
Las consecuencias. En primer lugar, cuando se hacen cosas así, se tiende a perder información cuando la gente se va. Este tipo tiene datos en un disco duro, en una unidad de red o algo así, y puede que la gente los pierda de vista. Cualquier estudio periodístico que realizaron se hizo sin aprovechar todo el trabajo previo. Toda esta información útil sobre el proceso se pierde con el tiempo, como años bajo la lluvia.
Mientras tanto, en la alta dirección, el director ejecutivo y sus demás altos ejecutivos, totalmente convencidos del coste acumulado de los estudios estadísticos que implican todo este trabajo, no vieron el retorno de la inversión. No cumplieron sus expectativas. Los métodos estadísticos sufren un duro golpe a su reputación una vez más.
¿Qué hacemos al respecto? Primero, una medida preventiva. Cambia tu mentalidad. Crea datos y los resultados de tus datos, así como los modelos que construyes a partir de ellos, como si fueran un activo, como máquinas o dinero en el banco.
Cambio de mentalidad. Estos datos no son útiles si están dispersos. Establezca políticas corporativas para la gobernanza, el almacenamiento y el análisis de datos, así como para los registros históricos, de modo que todas estas plantas —como ya mencioné— estén dispersas por todo el mundo, en diferentes zonas horarias, continentes, etc.
Si establece una política corporativa, obtendrá el máximo valor de sus datos. ABC Widgets ha trabajado 571 días sin incidentes de pérdida de datos. Ese es el enfoque que debe adoptar. Mientras tanto, en algunas industrias, como la biotecnológica, existe una ley de datos (DA) llamada KASA, que se centra en la gobernanza de datos y en la verificación de las auditorías. Cuando los auditores vienen, piden algo, y lo tienen al alcance de la mano.
Otras medidas preventivas. Si va a crear un archivo de datos JMP, anótelo. Use la nueva variable "tables" para indicar cuál es el objetivo del proyecto y los detalles generales. Use notas de columna y responda a la pregunta: ¿el propósito, los métodos, los detalles y los resultados serían claros para alguien que no haya participado en el trabajo dentro de cinco años?
En la mayoría de los archivos JMP, la respuesta es no. Alguien los revisaría dentro de cinco años y no tendría ni idea de qué se estaba haciendo, qué maquinaria se utilizó, qué sistemas de medición se utilizaron, quiénes participaron, etc.
Otra medida preventiva que creemos que aporta valor es usar también el Constructor de Consultas JMP. Incorpore todo esto, asimile los datos al máximo, haga todo lo posible para asimilar los datos, y luego considere usar un sistema de Gestión de Relaciones con el Conocimiento (KRM). Existen varios. Uno de ellos es CoBaseKRM. Algunos de ustedes pueden tener experiencia con él.
Está optimizado para JMP, gestiona datos de Excel y, por definición, requiere gobernanza de datos. Permite búsquedas y es escalable. Si realmente quiere extraer toda la información valiosa de sus datos, este sistema de gestión único a gran escala es un buen punto de partida. Tiene varias ubicaciones. Si necesita realizar auditorías porque es la práctica habitual en su sector, le será de gran ayuda.
Resuma esta sección. Conocimiento, datos, análisis, modelos estadísticos, conocimiento de causa y efecto. Es un activo de la empresa, pero no se trata como tal. Si se pierde todo ese conocimiento, se pierden beneficios y se pierde competitividad en lugar de aumentarla. En algunas industrias, la gestión del conocimiento es crucial.
Ese es el tercero de cinco. Hallazgo n.° 4. El SPC ya no se limita al producto final. Lo que tenemos aquí, de nuevo, lo que estamos aprendiendo de otros, puede presentar estos problemas; en este caso, la falta de comprensión de los factores, la causa raíz general de nuestros hallazgos.
Otro caso práctico: se trata de un proceso de recubrimiento de metal. No puedo explicarlo con detalle, pero hay muchos factores, muchísimos. El cliente identificó 21 factores del proceso. Hay un par de respuestas. Estaban trabajando con metal.
Lo que hacían, y esto es, repito, una práctica bastante común, era contar con gráficos de control estadístico de procesos para las respuestas, los aspectos importantes para el recubrimiento del metal. No observaban realmente el comportamiento de los factores. Básicamente, analizaban su proceso desde atrás.
Si vieran una señal de respuesta en el gráfico de IMR, retrocederían, y empezarían con debilidad en el proceso. Eso es... ¿Qué dice? En nuestra opinión, poner el carro delante de los bueyes. La verdad subyacente es que, en esencia, institucionalizaron la obstaculización de su proceso. Tienen todos estos puntos de control. No los están analizando, solo se fijan en el resultado.
También hay una verdad subyacente. Hay un montón de otras cosas, los factores molestos, las influencias de las materias primas. Había diferentes personas en el taller haciendo cosas distintas, y era básicamente un caos sistemático. Me gusta lo que Deming demostró en su experimento del embudo.
Tiempo después, sufrían tasas de desperdicio persistentemente altas, costos más altos, entregas fallidas, clientes enfadados y operadores hartos del proceso con el que siempre luchaban. La causa y el efecto seguían siendo un misterio.
Esto se debe a que no estaban considerando los factores. Solo estaban considerando las respuestas. La gente empezó a preguntar: "Oye, tenemos SPC en esa línea. ¿Por qué tenemos tantos problemas?". SPC sufre un duro golpe a su reputación. El problema es que no estaban considerando los factores. No los comprendieron.
Aquí está la primera medida preventiva. Si consultan el libro de Donald Wheeler, "Veinte cosas que necesita saber", capítulo 3, encontrarán una discusión fantástica sobre las causas controladas, las causas no controladas, las causas que podrían estar ocultas y todo eso, realmente genial. En resumen, si realmente sufren problemas como este, controlen todo lo que puedan.
Aquí tienes un ejemplo. Crea esta matriz. JMP es muy bueno en esto. Puedes crear una pila de gráficos de control tan alta como quieras. En este caso, teníamos 23 gráficos IMR apilados para los factores X1 y X2. Para 13 factores de proceso, cuatro factores de interferencia, temperatura ambiente, etc. Algunas propiedades de los materiales que se pensaba que afectarían al proceso, un par de respuestas.
Todo este sistema sirve para que puedas observar el estado de tu proceso y determinar qué podría suceder en el futuro. No es para uso retroactivo, sino para que puedas implementarlo hora a hora, día a día.
Observa este conjunto de gráficos. Si haces eso y obtienes algún comportamiento, como vimos, al observar las respuestas, cuando esta respuesta estuvo aquí, podríamos haber visto un cambio en un factor de molestia o en una propiedad del material. Es una técnica muy eficaz. Basta con observar una pila completa de gráficos de control. Se necesita un poco de práctica para dominar todo esto y establecer los límites de control correctamente, pero es posible, y es una técnica muy eficaz.
El otro punto es, de nuevo, establecer políticas y comprender el SPC, ya que, en definitiva, se trata de los factores. Es importante analizar el control de temperatura y presión. Anteriormente, hablamos de este caso práctico con cables eléctricos subterráneos.
¿Cuál es el comportamiento del polímero superabsorbente que entra en mi proceso? Esencialmente, forma parte de él. Se observa la fase inicial, en lugar del ejemplo clásico de solo observar las respuestas. Se crea un flujo de trabajo, se aprende de los errores, se evitan errores y se documentan las políticas establecidas.
Para resumir esta sección, los procesos son complejos. Existen fuentes de variación por todas partes. Hay factores que intentan interferir en el proceso y generar un hábito. Si analiza los factores mediante el control estadístico de procesos y vuelve a analizarlos en todas partes, comenzará a comprender el efecto positivo entre el factor y la respuesta. Esto también le proporciona orientación si desea realizar un experimento.
Aquí hay un mapa L que saqué del sitio web de JMP. Es genial. Aquí dicen desde el principio que hay que identificar factores y respuestas. Es fácil identificar las respuestas. Sabes lo que buscas: control geométrico o la dilatación de una cinta. Lo difícil, la pregunta difícil de responder en el mundo de la DOE, es: ¿qué factores incluyo?
La gente se hace esa pregunta constantemente. Si has revisado muchos de tus factores y empiezas a comprender cómo se comportan y cómo podrían afectar tu proceso, tendrás la información, al menos algo de orientación, para elegirlos sabiamente.
Por último, pero no menos importante, el hallazgo n.º 5. Un buen estudio de R&R de Gage no significa que su instrumento esté bien. También se podría decir que un buen estudio de PEM no significa que su instrumento esté bien. Se ha descubierto que este es un problema bastante común. La causa principal es que las personas tienden a no comprender realmente qué es el análisis de sistemas de medición. Hay un libro extenso de AIAG sobre el tema, y no se trata solo de R&R de Gage.
Estudio de caso de este proceso de fundición de aleación de aluminio. Se realiza la homogeneización de la materia prima, la extrusión de tubos o cilindros, el recocido y se preocupan por la dureza durante el proceso. Estudiaremos la dureza Rockwell, una medida bastante desarrollada, y utilizaremos estas pruebas de dureza para tomar decisiones importantes durante el proceso, ya que se trata de un proceso de varias etapas, y para la prueba final.
Lo que hicieron, y lo hicieron cuando el cliente se quejó, fue un estudio de calibración y recalibración. Consiguieron piezas de aluminio con diferentes durezas Rockwell conocidas, y se pueden comprar estos estándares. Hicieron un estudio de calibración y recalibración. ¡Genial! Esto es interesante.
Obtuvieron unos resultados fantásticos. ¡Guau! Observa los componentes de la varianza. Toda la variación parece provenir de las piezas y muy poca del propio medidor. Concluyeron que el instrumento era casi perfecto.
Sin que ellos lo supieran, en primer lugar, el instrumento se mantuvo estable a lo largo del tiempo y tenían algunos problemas de sesgo que desconocían. Si se analizan algunos de estos datos, en lugar de solo los resultados finales, si se observan los datos en un gráfico de variabilidad, se puede ver que el instrumento tenía muchas más dificultades con las piezas B85 y B100. Analizándolo por operador y por pieza, se observa lo mismo.
Como todos sabemos, los resultados de una prueba de calibración y rectificación (R&R) dependen en gran medida de la selección de las piezas. Si se obtienen piezas con diferencias significativas entre sí, se obtiene una señal potente y el ruido en el sistema de medición será relativamente bajo.
Un año después, las consecuencias, las quejas persistían, había devoluciones frecuentes, todas estas solicitudes de medidas correctivas. Si hay algo que me da escalofríos, es una solicitud de medidas correctivas. Lo llamo un ejercicio de quemar dinero con igualdad de oportunidades.
Esa es mi opinión sobre la solicitud de acciones correctivas, porque todo el mundo da vueltas y se enfada, y luego escriben: "Vamos a volver a capacitar a nuestro operador". Nada de eso soluciona el problema. Los altos ejecutivos se enfadan. Los métodos estadísticos pueden verse perjudicados en su reputación.
¿Qué hacemos? La acción preventiva. Piense en el análisis de sistemas de medición. Es un flujo de trabajo. No se trata de una revisión y actualización de instrumentos. Hay muchas cosas que realmente necesita hacer para comprender su instrumento. Debe comenzar con una verificación de consistencia.
Mide la misma pieza, a la misma persona, una y otra vez. Si ves señales en ese gráfico, detente de inmediato. Tienes un problema que debes solucionar. Debes estudiar el sesgo y la linealidad. Debes asegurarte de que tus instrumentos estén calibrados.
EMP, la R&R del instrumento es importante, pero es solo una parte del proceso. Puede consultar las curvas de rendimiento del instrumento que mencionamos anteriormente. Si tiene dudas sobre su sistema de medición y cree que afectará sus decisiones de inspección final, existen métodos que puede utilizar las llamadas especificaciones de fabricación, una solución temporal para acomodar, tener en cuenta o compensar el ruido de medición. En realidad, necesita revisar sus instrumentos durante largos períodos. La R&R del instrumento es discreta. Las gráficas SVC no lo son.
Resumen de la sección: Existe una idea errónea sobre el MSA. La gente cree que es Gage R&R. He participado en auditorías donde el auditor dice: "Muéstrenme su MSA", y la gente corre de un lado a otro, mostrando los resultados de Gage R&R. Es una idea errónea.
Los sistemas de medición podrían ser continuos. El análisis y los estudios de sistemas de medición deberían ser continuos, no discretos. No es un asunto aislado, y luego se pueden extraer conclusiones. Se establecen prácticas corporativas, se visualizan, etc. Pienso en el comportamiento a escala temporal de los sistemas de medición.
Eso es todo. En resumen, resumamos los cinco casos prácticos y algunos consejos. Primero, aprendamos de las dificultades de los demás. Esto es lo que intentamos hacer porque tenemos estos clientes, a quienes ayudamos y aprendemos de ellos. Ellos aprenden de nosotros. Todos aprendemos juntos. ¡Genial! Aprendemos unos de otros. Realmente, esta idea de que los métodos estadísticos a veces tienen problemas porque se aplican de forma aislada. Se implementa con esta mentalidad estadística.
En algún momento, hay que considerar el impacto en el negocio: costos, disponibilidad de materia prima, cadena de suministro, seguridad, almacenamiento, etc. Muchos de estos esfuerzos de mejora continua tienen un panorama mucho más amplio. De nuevo, piense en términos de flujo de trabajo, no en términos de análisis por separado. No ejecutemos un MSA ni un DOE. Reflexionemos sobre este flujo de trabajo. ¿Cómo utilizamos una amplia gama de métodos estadísticos para mejorar nuestras vidas y la satisfacción de nuestros clientes?
Considere los datos y los modelos que deriva de ellos como un activo corporativo fundamental. Céntrese en los factores. Observe constantemente las respuestas. En mi época como ingeniero de fabricación, analizaba los factores. No hay un parámetro para el rendimiento. No hay un parámetro para el control dimensional. No hay un parámetro para nada que sea una respuesta. El parámetro está en los factores, así que necesita comprender qué tan bien puedo controlarlos y cómo afectan mi respuesta.
Céntrate en la variación, la reducción y el abandono. No me malinterpretes, cumplir con las especificaciones es importante. Déjame decirlo claramente: cumplir con las especificaciones es importante, pero no es el objetivo final. Hay que ir más allá y centrarse. Como nos dijo Taguchi hace décadas: «Concéntrate en reducir la variación y en acertar con el objetivo».
Creemos que si hace todo esto, obtendrá mejoras acumulativas en su proceso. Sus operadores estarán satisfechos, sus proveedores estarán más satisfechos porque usted los ayuda, ellos lo ayudan a usted y usted satisface a sus clientes. Estas mejoras se acumulan con el tiempo.
Con esta última reflexión, queremos darles las gracias. Juan y yo, gracias por escuchar. Contáctennos si desean hablar sobre alguno de estos temas; estaremos encantados de ayudarles.
