1 - Lean Kursus
Lean Six Sigma Lektion 2 Measure 1 AGENDA Spaced learning Quick Guide Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 2 DMAIC-Modellen Measure Define Identificere og udvælg projekt Definere projekt mål og leverancer Lav projektgruppen Analyze Definere data der skal indsamles Opsaml data Validere data Improve Identificer årsager (X´er) C1 C2 C3 Identificere løsning på problemet Implementere løsninger Control Kontrollere X’er Overvåg Y´er Kontroller løsningen Effect C4 C5 C6 Værktøjer Værktøjer Projektkontrakt/ A3 SIPOC Mapping Voice of the Customers/QFD y Værktøjer Udregn middelværdi og standardafvigelse Lav kapabilitetsstudier LSL Analyser X’er Bestem hovedårsager FMEA Poka Yoke Værktøjer Værktøjer KPI styring Statistisk Proces kontrol (SPC) Process Confirmation BrainStorming Standardiseret Arbejde (SOP) USL 10.2 Upper Control Limit 10.0 15 20 25 30 35 9.8 3 Lower Control Limit 9.6 1 5 10 15 20 Measure Definere data der skal indsamles Opsaml data Kontrol Kapabilitets check MEASURE (Formål) • Afklare hvilke data der skal bruges i projektet • Opsamle data • Evaluere data • Både kvalitativt og kvantitativt Værktøjer Udregn middelværdi og standardafvigelse Lav kapabilitetsstudier 7 basale Problemløsningsværktøjer LSL USL 15 4 20 25 30 35 Værktøjer • SPC kort • Middelværdi & Standardafvigelse • Kapabilitet studier (Cp/Cpk) • Histogram AGENDA Spaced learning Quick Guide Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 5 Vi træner, så stoffet sidder fast 6 DMAIC Teachback Tag et stykke papir og skriv project modellen ned inkl. spørgsmålene Hvad er problemet? Hvordan fastholder vi løsningen? Hvordan løser vi problemet? Hvor stort er problemet? Hvad er årsagen til problemet? Lad os træne det! Find en partner I underviser hinanden skiftevis (ud fra hukommelsen) Den som bliver undervist, markerer, på sit papir, navnet på det trin som evt. drillede: Ex. Analyze Så bytter i I google forms: Skriv forbogstav på det/de trin der evt. drillede. Ex. A,D for analyze En hurtig Define opgave Hvad er problemet? 1. 2. 3. 4. 5. 9 Procedure: Åben mappen: Cases\projekter\Få styr på ordre levering - Define Åben og læs projekt opgaven Sæt analyser i og brug PPT: Skabeloner\DMAIC skabelon powerpoint - Define Gem ppt. med fil navn: Projekt - Få styr på ordre levering Upload ppt. AGENDA Spaced learning Quick Guide Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 10 Find guide under mappen artikler Navn: Six sigma Quick Guide - Compass AGENDA Spaced learning Quick Guide Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 12 Datatyper En stor del af Six Sigma handler om data-analyse Data og data indsamling er derfor kritisk! Vi skal bruge data til følgende; • Definere nuværende performance • Initiere løbende overvågning • Starte en systematisk undersøgelse • Overvåge en proces • Verificere en proces • Validere en løsning 13 Fakta -> der findes 2 typer data; 1) Diskret data (adskilt/heltal) • God/dårlig • Antal fejl • Proces/maskine nr. • Operatør • Skift 2) Kontinuert data • Penge • Tid • Temperatur • Dimensioner • Tryk • Sagsbehandlingstid Kilde: Statistik i Økonomisk perspektiv TIP Spørg: Giver det mening at sætte decimal foran? 14 Kend din data type Diskret eller kontinuert? 15 Kilde: Statistik i Økonomisk perspektiv Rigtig første gang Lagerstørrelse Pakkestørrelse Antal operatører Antal produktvarianter Længde af skift Procestid Gennemløbstid Oppetid Ventetid Kassationsprocent Varer i arbejde Antal medarbejder på processen Antal skift Arbejdstid Antal opkald Energiforbrug Fejl Antal sager Investeringsbeløb Hanne S Administration Spørg: Giver det mening at sætte decimal foran? ”Vi har mange opgaver vi skal analysere på. Gider i gennemgå min liste og sende den tilbage når den er kategoriseret” 1. 2. 3. 4. 5. Procedure: Åben mappen: Cases\Measure\diskret el kontinuert Åben datasæt: Diskret el. kontinuert Kategoriser datasæt Gem med fil navn: Datatype Upload analyse AGENDA Spaced learning Quick Guide Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 17 Er der ikke data, så skaber vi det… Gør indsamling så nem som muligt for organisationen. Men folk skal være med i data indsamlingen. Fordi lige om lidt, vil vi forbedre processerne på baggrund af data og det er nemmere når folk selv har skabt de data. Accept er afgørende for at gennemføre forandringer QxA=E Quality Accept Effect Alle input interfaces er gode steder at starte Green Belt projekter. Specielt mellem 2 afdelinger som har en stabil proces. Der kan typisk hurtigt frigøres tid, ved at forbedre kvaliteten der. Til gavn for begge afdelinger. 20 Data indsamlings metode: Clips og 2 glas Giver data om kvalitets niveau i en proces. Er en god starter til at komme i gang med data indsamling. Kan bruges i miljøer som er stressede og har lidt tid. Kan også bruges i service/administration 1. sag 1. fejl Glas, clips 1 clips pr. måling 1 clips ved en fejl. Jeg demonstrerer, så skal i undervise hinanden. 21 Lad os træne det! Jens P. Produktion ”Vi tager billeder af vores batteri produktion inden den pakkes. Nogen batterier vender nedad. Det er en fejl. Gider i måle hvor stort problemet er og visualisere det.” 1. sag 1. fejl Output: Hvor stort er problemet? 1. 2. 3. 4. 5. 6. Procedure: Find sammen 2 og 2. I skal nu coache hinanden i data indsamling. Den ene coacher ,den anden måler. Lav analysen og byt. Åben mappen: Cases\Measure\dataindsamling - Clips og 2 glas Åben datasæt: Batteri vendt forkert Gennemfør måling Svar på spørgsmål Gem med fil navn: Data indsamling - Clips Upload analyse Data indsamlings øvelser. Studenterregnskab Data indsamling både produktion og service/administration Giver data om kvalitets niveau i en proces og hvilke problemer der er størst. Jeg viser, så skal i træne. Output: Hvor stort er problemet? Output: Hvilke dage er der problemer? 23 Hanne S Administration ”Hver dag sender vores computer en mail til kunderne. Vi har set at den nogen gange staver ordet ”Tastselv” forkert. Gider i visualisere kvaliteten i % og visualisere hvilke dage det sker.” Procedure: Output: Hvor stort er problemet? Output: Problem variation 1. Åben mappen: Cases\Measure\dataindsamling - studenter regnskab 2. Åben datasæt: Studenter regnskab data 3. Åben også fil: Studenter regnskab 4. Gennemfør måling 5. Visualiser kvalitet i % og visualiser variationen af kvalitet over dagene. 6. Gem med fil navn: Dataindsamling - Studenter regnskab 7. Upload analyse AGENDA Spaced learning Quick Guide Typisk flow i measure Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 25 Basal statistik Hvad er vi interesseret i? Data beskrivelse Tal Grafisk Center Spredning Center Spredning Median Range Dotplot Middelværdi (mean) Standardafvigelsen Histogram Disse er essentielt for alt dataanalyse 26 Kilde: Statistik i Økonomisk perspektiv Basal Statistik Middelværdi (Mean) • Siger noget om middeltendensen i et datasæt • Bruges når målingerne er normalt fordelt, ellers brug median • Ekstreme værdier har stor indflydelse 27 Kilde: Statistik i Økonomisk perspektiv Basal Statistik Median • Medianen er den midterste værdi i et sorteret datasæt • Hvis lige antal målinger tages gennemsnittet af de 2 midterste • Et mål for en middeltendensen i et datasæt • Ekstreme værdier minimal indflydelse Opsæt alle målingerne i stigende rækkefølge og vælg det midterste. 28 Kilde: Statistik i Økonomisk perspektiv Basal Statistik Standardafvigelsen () Estimat for spredningen () af data omkring middelværdien (mean) •Summen af afvigelsernes kvadrat fra gennemsnittet, divideret med datamængden (Stikprøve) Eks. 1) Lønniveau i virksomhed hvor er høj indikerer at der er stor forskel på lønniveauet – hvis SD var lille tjente alle tæt på det samme. 2) Lille standardafvigelse i produktion af legoklodser viser at klodserne er meget ens 29 Kilde: Statistik i Økonomisk perspektiv AGENDA Spaced learning Quick Guide Typisk flow i measure Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 30 Identificering af data’s fordeling Normalfordeling • Den mest normale fordeling af data • Målinger af naturlige fænomener har tendens til at følge en normalfordeling – Højde, længde af fødder, dimensioner, volumen af en proces Se video 31 Vi undersøger nogle typer data om de er normal fordelt. Dvs. om vi data grundlaget er bredt nok. (Har vi hele variationen med i data?) 32 Identificering af data’s fordeling Normalfordeling er udtryk ved to parameter; • Gennemsnit • Standardafvigelse 33 Er data normalfordelt? 3 forskellige metoder • Erfaring • Histogram • Probability plot (Sandsynlighedsplot) & Anderson Darling test 34 Erfaring • Samme målinger gentagne gange -> så bliver resultatet normalfordelt • Formode at der er tale om normalfordelt data -> igangsætte analysen uden videre • Kan være relativt risiko fyldt 35 Fakta: Observationer om verden omkring os. Eksempel : "Det er lyst udenfor." Hypotese: En foreslået forklaring på et fænomen lavet som et udgangspunkt for yderligere undersøgelser. Eksempel : "Det er lyst udenfor fordi solen er nok ude." Teori: Et godt underbygget forklaring erhvervet gennem den videnskabelige metode og gentagne gange testet og bekræftet gennem observation og eksperimenter . Eksempel : "Når solen er ude , er der en tendens til at være lyst udenfor." Lov: En erklæring på grundlag af gentagne eksperimentelle observationer, der beskriver nogle naturfænomen . Bevis for, at der sker noget, og hvordan det sker, men ikke hvorfor det sker Eksempel : Newtons lov om universel tyngdekraft. Test for Normality (om data er normal fordelt.) Vi bruger Anderson Darling da det er den mest robuste Det vi undersøger er følgende; Nul hypotesen Alternativ hypotese H0: Data er normalfordelt H1: Data er ikke normalfordelt En sådan undersøgelse vil returnere en P-værdi 37 Tip om at huske P-Værdi Brug huske reglen ”James Bond’s Lillebror” = 0,05 P-værdien er en sandsynlighedsværdi der indikerer om vores H0 hypotese kan forkastes eller ej. Man siger som udgangspunkt at hvis P-værdien er større end 0,05 er vores data normalfordelt og at vi accepterer dermed H0 38 Normal fordelings test (Normality test) Vælg data og gå ind i QIMacro Vælg menu ”Statistical tools” og normality test Se om P værdi er mere end 0,05 så er data sandsynligvis normal fordelt = du kan gå videre i din analyse. Hvis værdien er mindre skal du tilbage og måske If the P-Value is low the null must go 39 Lad os træne det! Jens P. Produktion ”Jeg har hørt i kan måle om mine data er normal fordelt. Gider i måle på nogle data og fortælle mig om data er normal fordelt.” Se om P værdi er mere end 0,05 så er data sandsynligvis normal fordelt = du kan gå videre i din analyse. Hvis værdien er mindre skal du tilbage og måske 1. 2. 3. 4. If the P-Value is low the null must go 5. 6. Procedure: Åben mappen: Cases\Measure\Normal fordeling Åben datasæt: P Value Udfør en Normality test Svar på spørgsmålet og anbefal næste skridt udfra værdien Gem med fil navn: Normality test Upload analyse If the P-Value is low the null must go Ikke al data er normalfordelt Årsager til at data ikke er normalfordelt 1. Der er et skift midt i datasættet 2. Blandende populationer 3. ”Outliners” 4. For meget data 5. Det er faktisk ikke en normalfordeling 42 Normalfordeling 1. Skift midt i datasættet Skift • • • 43 Data´et bør tjekkes ved brug af et kontrolkort for at se om der er en årsag til skiftet over tid Et skifte kan indikere at processen er ustabil Vi bør vælge en periode uden skift før vi udføre en Normality Test Normalfordeling 2. Blandende Populationer • Et ”twin peak” eller flere toppet histogram kan indikere at der er blanding af populationer • Det kan feks. skyldes flere forme, flere kaviteter, forskellige medarbejder, forskellige fejlkilder, procesforskelle • Vi bør separerer populationerne før vi tjekke for normalfordeling 44 Normalfordeling 3. Outliers • Outliers kan gøre at en normality test fejler • Outliers bør undersøges og ekskluderes før man udføre en normality test • Outliers bør kun ekskluderes hvis der er en logisk grund til dem • Outliers kan indikere at vi ikke opdager fejl 45 Normalfordeling 4. For meget data • Ironisk kan for meget data også resultere i en fejlet Normality Test • Anderson Darling testen er følsom herfor • Ingen distrubution er 100% normalfordelt og ved tilstrækkeligt meget data kan alle datasæt bevisligt være ikke-normalfordelt • Når vi udføre en Normality Test ønsker vi at svare på ”Om vores data i tilstrækkelig stor grad ligner en normalfordeling?” • Ved at tage 50-100 tilfældige stikprøver bør man være i stand til at undgå dette problem 46 Normalfordeling 5. Fordelingen er ikke en normalfordeling • Mange forskellige slags data er ikke en normalfordeling • Det er vigtigt at kunne skelne mellem ikkenormalfordelinger og unaturligt data • Hvis det er unaturligt data er der som regel en årsag (årsags variation) • Vi bør stille os spørgsmålet ”Bør data´er være normalfordelt eller ej?” 47 Normalfordeling Udvælgelse af data for en Normality Test • Data bør være fra samme kilde • Udtages over en kortere tidsperiode • Målt på den mest præcise måde vores målesystem kan klare • Stikprøverne bør udtages før inspektion • Udtag mellem 50-100 stikprøver 48 Data fordeling Service/admin. Typisk - ikke normal fordelt 49 Produktion Typisk normal fordelt Organisationen: Frank H. Jens Peter Vare levering Produktion Ellen D. Frank H. Vare modtagelse Kundeservice Claus K. Birthe F. IT Adm. Dir John Hammond Jørgen J. ”Ang. Normal fordelinger. Hvilke opgaver i min organisation kan jeg regne med er normal fordelt? Gider i analysere datasætte og sende det tilbage, tak” Kantine Hanne S. Administration Reception 1. 2. 3. 4. 5. Procedure: Åben mappen: Cases\Measure\Normal Fordeling Analyser Organisations normal fordeling Kategoriser datasæt Gem med fil navn: Normalfordelt eller ej Upload analyse Standardafvigelse Normalfordeling og Standardafvigelse; • Viser hvor dataet er placeret ift. middelværdien hvis dataet er normalfordelt 51 Histogram Kategorisering af data i forskellige grupper • Viser gns., standardafvigelse og antal observationer (N) + viser en normalfordelt kurve (blå streg) • Kun grafisk analyse 52 Histogram Hvad kan man se af et histogram? 53 Holder data’et sig inden for tolerancerne Hvilke fordelinger der der tale om? Er data’et skævvredet? Er data’et centreret omkring en bestemt værdi? Histogram Jeg viser, så træner i Åben mappe cases\measure\Histogram - Cp og CPK Åben fil: Stempel - Cp og CPK Vælg data og i QiMacros: Vælg menu ”histograms and Capability” Og Histogram with Cp Cpk Vælg: Subgroup size; 1 USL – tryk cancel LSL: tryk cancel Number of bars – Tryk OK Lad os træne det! 54 Jens P. Produktion ”Jeg har hørt i ved noget om Standard afvigelse og histogrammer. Jeg vil gerne finde den produktions linie som producerer med mindst variation. Jeg har 3 linier på min fabrik. Gider i måle og grafisk vise hvilken linie der producerer med mindst variation” 1. 2. 3. 4. 5. 6. Procedure: Åben mappen: Cases\Measure\histogram standard afvigelse Lav histogram på de 3 datasæt: Linie 1+2+3 Sæt de 3 histogrammer i et Excel ark Svar på spørgsmålet. Gem med fil navn: histogram standard afvigelse Upload analyse AGENDA Spaced learning Quick Guide Typisk flow i measure Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 56 Vi kan kun forbedre når processen er stabil. Er stabil ens med god kvalitet? Proces kontrol Proceskontrol referer til evaluering af processen stabilitet over tid UCL LCL 0 5 10 15 Tid 58 20 25 SPC & Kontrolkort Measure fasen • Bruges bl.a under Controlcharts – Er processen i kontrol? Analyse fasen • Brug af Real-time kontrolkort af en proces output kan bruges til at fjerne Årsagsvariation Control fasen • Bruges til at kontrollere en proces’ output løbende for at sikre at processen er i kontrol 59 SPC & Kontrolkort Hvad kan kontrolkort fortælle os? Er processen stabil? Skal vi igangsætte handlinger? Er der årsagsvariation? Hvad er gns. Proces output? Hvad er variationen? 60 SPC & Kontrolkort 61 SPC & Kontrolkort Kontrolgrænser er altid: Gennemsnit ± 3 Standardafvigelse Hvor gennemsnit og standardafvigelse er udregnet ud fra hvad data vi kigger på -4 -3 -2 -1 0 +1 +2 +3 +4 99.7% 62 SPC & Kontrolkort Ustabil proces Total variation Uforudsigelig proces “Årsagsvariation” kan være tilstede Mål 63 SPC & Kontrolkort Stabil Proces Forudsigelig proces Total variation Kun tilfældig variation til stede Mål 64 SPC & Kontrolkort Øvre kontrolgrænse Nedre kontrolgrænse • Kontrolgrænser er statistiske grænser der fortæller os om processen er stabil eller ej • Baseret på normalfordelingen er 99.7% af datamålingerne inden for kontrolgrænserne hvis processen er stabil • Chancerne for at der er falske målepunkter udenfor kontrolgrænserne som er 0,3% eller 1 ud af 370 65 Guide over der markeres med rødt: Nelson regler ifm. Control chart: 66 Quickguide omkring valg af Control kort Se hele guide: Mappe/artikler Fil: SPC-Quickguide Introduktion til Control Chart Wizard QiMacro hjælper os med at vælge det rigtige control kort. Åben mappe Cases\Measure\SPC - Proces stabilitet Åben fil: SPC demo Vælg data og i QiMacros: Vælg menu ” Control chart wizard” 1) Vælg ja eller nej alt efter data er fremkommet via måling eller tælling (kontinuert, diskret) Lad os træne det! 68 Ellen D. Kundeservice ”Jeg har hørt at i kan hjælpe med at måle om en proces er stabil dvs. i kontrol. Vi hjælper kunderne over e-mail og måler på svartider. Gider i analysere et datasæt over svartider og fortælle mig om processen er stabil og hvad min gns. svartid er.” 1. 2. 3. 4. 5. 6. Procedure: Åben mappen: Cases\Measure\SPC - proces stabilitet Åben datasæt: Svartider i min. Analyser med et Control Chart Wizard Svar på spørgsmålene Gem med fil navn: SPC - proces stabilitet Upload analyse AGENDA Spaced learning Quick Guide Typisk flow i measure Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 70 Proces Kapabilitet referer til evaluering af hvor godt processen lever op til specifikationerne 71 LSL USL Kapabilitetsanalyse ”Er vi i stand til at udføre opgaven korrekt?” – Processens evne til at fungere inden for de påkrævede tolerancer – Kapabilitet henviser til; – – – – LSL 15 20 – Proceskapabilitet matcher tolerancekrav med processens evne USL 25 30 Om man har klare krav Passende udvælgelse af mennesker/maskiner Tilstrækkelig oplæring Fyldestgørende målinger USL LSL 35 15 20 25 30 35 Bicheno & Catherwood, 2006 72 Betegnelser • USL (Upper specification level) – Øvre grænse for kundens tolerancer • LSL (Lower specification level) – Nedre grænse for kundens tolerancer • σ (Sigma) – Standardafvigelsen • Cp (Procespotentiale) – Processens potentiale ift. tolerancerne (Præcision) • Cpk (Procesresultat) – Processens output ift. USL og LSL (Nøjagtighed) Bicheno & Catherwood, 2006 73 Cp Eksempler LSL USL Cp= 2 Cp= 2 Cp= 4 Cp= 1 74 Cpk Eksempler USL LSL Cpk = 0.5 Cpk = 0.5 Cpk = 1 Cpk = 1 Cpk = 1,5 Cpk= 2 75 Cpk = 1,5 Proces Kapabilitet Proceskontrol referer til evaluering af processen stabilitet over tid UCL LCL 0 5 10 15 20 Tid Proces Kapabilitet referer til evaluering af hvor godt processen lever op til specifikationerne 76 LSL USL 25 Proces Kapabilitet Proces er stabil og kapabel Ikke Kapabel Spec Limits 77 Kapabel Processen er stabil men ikke kapabel Proces Kapabilitet “Evnen til at levere et givent output indenfor et afgrænset statistisk område” ”Er vi i stand til at udføre opgaven korrekt?” – Processen evne til at fungere inden for de påkrævede tolerancer – Kapabilitet drejer sig om man har klare krav, passende udvælgelse af ressourcer/maskiner tilstrækkelig oplæring og gode målinger. 78 79 Betegnelser • USL (Upper specification level) – Øvre grænse for hvor meget produktet må afvige opad på skalaen • LSL (Lower specification level) – Nedre grænse for hvor meget produktet må afvige nedad på skalaen • σ (Sigma) – Standardafvigelsen – man arbejder ud fra et statistisk referenceinterval der ligge mellem 3σ og -3σ • Ĉp (Procespotentiale) – Viser noget om potentialet for processen ift. specifikationen (Præcision) • Ĉpk (Procesresultat) – Viser placering af processen output ift. USL og LSL (Nøjagtighed) 80 Udregning af formler Udregning af Cp – Viser om processen er i stand til at opfylde proces specifikationen (præcision) – Forudsætning: Outputtet er normalfordelt 81 Standardkrav for Cp over lang tid (måneder) Cp ≥ 1,33 Histogram Demo af histogram i Qimacro med CP og CPK værdier Subgroup 1 Åben mappe cases\measure\Histogram - Cp og CPK Åben fil: Stempel - Cp og CPK Vælg data og i QiMacros: Vælg menu ”histograms and Capability” og Histogram with Cp Cpk 82 USL 74,03 USL 74,03 LSL 73,96 LSL 73,96 Lad os træne det! Jens P. Produktion ”Gider i undersøge vores batteriers kapabilitet. Jeg har billeder af en række batterier. Gider i måle og melde tilbage hvilken produktions linie klarer sig bedst ift højde på batteriet. USL er 11 mm og LSL er 9 Subgroup 1 1 1. 2. 3. USL 11 11 4. 5. 6. LSL 9 9 Procedure: Mål på udleverede billeder af batterier. Registrer dine målinger i et Excel ark Lav 3 histogrammer med USL 11 mm og LSL 9 mm Svar på spørgsmålet. Gem med fil navn: Histogram – CP og CPK Upload analyse Kapabilitetsanalyse - procedure 1. Indsaml data 2. Bestem fordeling (Burde være Normal fordelt eller ej) 3. Hvis burde være Normal fordelt tjek P værdi 4. Bestem stabilitet (SPC) (Er processen i kontrol?) 5. Udregn Cp og Cpk værdier (Hvor godt kører processen?) 84 Kapabilitetsanalyse 1. Indsaml data • De fleste kapabilitetsanalyser bliver udført over kortere tidsperioder • Tommelfingerregel siger at ved Høj-volume produktion eller processer bør stikprøver udtages hver time • Ved Lav-volume produktion eller processer bør stikprøver med subgroup af 5 udtages ved hver 50´ende gentagelse • Praktiske omgivelser kan ændre ved dette med man bør tage stikprøver med subgroups løbende • Overvej at tage stikprøver over tidsperioder der dækker procesændringer, skiftehold, materiale skift og lignende 85 AGENDA Spaced learning Quick Guide Typisk flow i measure Datatyper Data indsamling Basal statistik Identificering af data’s fordeling Kontrol studie Kapabilitetsstudier 86 En hurtig Define-Measure opgave 1. Hvad er problemet? 2. Hvor stort er problemet? 3. 4. 5. 87 Procedure: Åben mappen: Cases\projekter\Få styr på kvaliteten – define - measure Åben og læs projekt opgave: Opgave beskrivelse - få styr på ordre levering. Sæt analyser i og brug PPT: Skabeloner\DMAIC skabelon powerpoint – Define Measure Gem ppt. med fil navn: Få styr på opgave kvalitet – define measure Upload ppt. Tak for i dag
© Copyright 2024