RSS
 

7 probleemi, mille lahendamisel on histogramm on hädavajalik

21 Mar

Probleemi lahendamineAru saamaks, miks varieeruvuse hindamine on nii oluline, vaatame kiirelt milliste probleemidega tegeledes oleks mõtet histogrammi koostamise peale mõelda.

Esimene. Personali individuaalne tootlikkus. Kui stabiilne su müügimeeskonna töö on olnud? Mitu tükki su tootmistöötajad keskmiselt päevas teevad?  Tihtipeale ei ütle päeva, nädala, kuu keskmised sulle väga palju. Märksa olulisem on, mispärast ühel perioodil on head tulemused ja teisel perioodil viletsamad.

Esimene küsimus, millele pead vastama on, kui suur on üldse hajuvus? Seejärel saad hakata lähemalt uurima, mispärast see hajuvus ehk variatsioon üldse tekib. On see seotud nädalapäevadega? On see seotud kellaaegadega? Varieeruvus jääb alati sisse – on olemas häid ja halbu päevi. Samas on sul võimalik seda hajuvust oluliselt vähendada.

Teine. Toote  dimensioonid. Kõige klassikalisemad näited hõlmavad just toote dimensioone. Kui on vaja teha pulk, mille pikkus on 1 meeter, siis lõpptulemus peab ka 1 meetri pikkune olema.

Kliendile (lõppklient või ka järgmine protsessi samm) võib suur varieeruvus põhjustada palju probleeme – 1 meeter ja 2 sentimeetrit pikk pulk ei pruugi näiteks ettenähtud kohta ära mahtuda, 95 sentimeetrine pulk aga ei pruugi olla piisavalt pikk.

Kasutades histogrammi saad paljastada kui hästi-halvasti vastad kliendinõuetele ning ka orienteeruvad kulud, mis tulenevad praagi tootmisest.

Kolmas. Protsessiaegade hindamine. Suur varieeruvus protsessi toimumise aegades on selge vihje, et see ei ole korralikult ohjatud. Juhul, kui varieeruvus on väga suur, siis sinu lubadus kliendile toote valmimise aja kohta on küllaltki ebausaldusväärne. Usaldusväärsus aga tähendab äri väga palju.

Histogrammi abil saad sa hinnata tõenäosust, mis aja jooksul su toode valmis saab. See võib aga olla kriitilise tähtsusega.

Neljas. Ooteaegade hindamine. Näide ka teenindussektorist – kui kaua peavad su kliendid ootama enne kui neid teenindatakse? Kui tihti sa ise oled poest välja kõndinud ja ostu tegemata jätnud sellepärast, et ei viitsi enam oodata? Nüüd mõtle, kui palju aasta jooksul kliente uksest oma rahaga välja kõnnib.

Viies. Kas sa oled valmis pilootprojektist edasi minema täismahtudele? Olles saanud uue tellimuse, on ülioluline pilootprojekti faasis hinnata protsessi võimekust. Kui palju sa päevas suudad teha? Kui palju läheb praaki? Oled sa tegelikult valmis täismahus tootmist või teenuse osutamist osutama? Jällegi – sa ei saa anda kliendile lubadust enne, kui oled teadlik milleks sa ise suutlik oled. Histogramm on selleks üks parimatest tööriistadest.

Kuues. Miks inimesed töölt ära lähevad. Personalivoolavus on ettevõte jätkusuutlikuse võtmenäitaja. Samas ainult personalivoolavuse indeksi kasutamisest ei pruugi olukorra hindamiseks piisata. Kui sa vaatad aga lahkujate staaži sinu juures, siis see võib anda märksa paremat infot, kas voolavus on sinu jaoks probleem või mitte.

Kui keskmine staaž sinu juures on vahemikus 5-10 aastat, siis võiks panustada töö rikastamise programmide tutvustamise peale. Vahest pole see võimalik, siis pead lihtsalt sellega oma personaliplaneerimise protsessis arvestama.

Kui lahkujate keskmine staaž on 3-4 kuud, siis peaks üle vaatama lubadused, mida personalivaliku protsessis kandidaadile antakse või siis vaatama üle sisseelamiskoolituse protsessi.

Seitsmes. Kliendinõudluse ennustamine. Lean tootmise-teenindamise üks raiskamistest on tasakaalustamatus. Sealhulgas on tasakaalustamatuse üheks suureks allikaks ebaühtlased tellimused kliendi poolt. Suur variatiivsus kliendinõudluses aga omab väga suurt mõju sinu kuludele – paindlikkust ja stabiilsust samaaegselt protsessis saavutada on kõrgem pilotaaž juhtide jaoks.

Vaatame korraks näidet ka. Oletame, et keskmine tööhulk on 10 000 suvalist ühikut ning see kõigub vahemikus 5 000 – 20 000 suvalist ühikut. Kas sa peaksid hakkama saama 10 000 ühiku, 20 000 ühikuga või millegagi seal vahepeal? Su kulud on mõtetult suured, kui saad stabiilselt hakkama 20 000 ühikuga aga tegelikult on kliendinõudlus 40% ajast 5 000 ühiku peal. Variatsioon põhjustab sulle mõtetuid kulusid.

Sa saad histogrammi abil paremini aru kliendinõudluse variatsioonist ning sa saad oma analüüsiga edasi minna ja otsida võimalusi selle vähendamiseks. Jällegi – kui sa selles õnnestud, võib see su ärile tähendada sadu tuhandeid eurosid päris rahas.

Kokkuvõtteks

Ülaltoodud on väga väike väljavõte probleemidest, mille lahendamisel ma ise olen kasutanud histogrammi. Reaalselt on selle kasutusvõimalused probleemi analüüsi ja tulemuste kontrolli faasis soovituslikud peaaegu alati, kui võtad ette protsesside parendamise. See võimaldab sul saada märksa enam informatsiooni protsessi kohta kui lihtsalt 1-2 indeksiga mängimine.

Kus sina oled kasutanud histogrammi? Mine kliki kommentaaride peal ja jaga oma kogemusi.

Sarnased postitused:

 

Kuidas teada saada, kui hästi sa tegelikult oma kliente teenindad?

19 Mar

Numbritest segadusesKas sa oled kunagi tundnud, et pole midagi eksitavamat kui hunnik numbreid? On mingi seletamatu tunne, et mingi tark tüüp ülikooli matemaatika teaduskonnast saaks neist sotti aga sulle ei ütle need midagi? Kuskil seal sees on mingi muster, mingi peidus olev probleem ja selle saaks kätte, kui ainult oskaks. Saaks teada, miks sul on nii palju  kliendikaebusi, mis seda põhjustab? Need numbrid ju peavad midagi ütlema!

Kuskohast siis otsima hakata?

Tavalised kahtlusalused, mida uuritakse ja puuritakse on “summa” ja “keskmine“. Tihtipeale vaadatakse eelmise perioodi numbreid, vahest ka pikemalt selja taha. Vahest on mingi trendi moodi asi paistmas, kuid tihtipeale on tegemist mingi suvalise juraga, mis ei räägi mitte midagi. Otsuseid on aga vaja teha ning nõndamoodi tehaksegi paljusid otsuseid mingi suvalise jura põhjal.

Vaatame näidet

Jätame summad hetkel kõrvale ja vaatame korraks mispärast ei tasuks alati keskmistest numbritest lähtuda.

Oletame näiteks, et mingid 2 suvalist ettevõttet on kliendile lubanud, et tarnivad oma kauba kohale alati 100 päeva jooksul tellimuse esitamisest. Klient ei taha kaupa liiga vara saada – tal pole tohutut laopinda kuhu asju panna. Ilmselgetel põhjustel ei taha ta saada kaupa ka liiga hilja. Mingi paindlikkus kliendil siiski on ning ta ootab tarneid täpsusega +/- 2 päeva.

Esimene tarnija

Paneme esimese tarnija tarnetäpsuseid histogrammi:

Histogramm, hajuvus
Kui sa pole histogrammi kunagi lugenud, siis asi käib nii. Alustuseks ignoreeri kogu seda numbrite kribu-krabu. Teiseks, ignoreeri mu suutmatust x-teljele saada täisarvudes väärtusi.

X-teljel on tarneajad päevades ning selle kohal oleva tulba kõrgus (Y-telje väärtus) näitab, kui mitu korda seda juhtus. Ehk siis vasakult lugema hakates: 95 päeva jooksul tarniti 6 korda, 100 päeva jooksul tarniti 15 korral ja 105 päeva jooksul tarniti 4 korral.

Mis on oluline: kuigi keskmiselt toimusid tarned 99,87 päevaga, mis iseenesest on nagu hea tulemus, siis tegelikult tarniti väljaspool kliendi etteantud nõudeid tervelt 41% juhtumitest. Pole nagu millegagi kiidelda.

Teine tarnija

Vaatame ka võrdluse mõttes teise tarnija histogrammi:

Histogramm, mis näitab 3 sigma hajuvust

Keskmine tarneaeg (99,79) on küünemusta võrra viletsam kui esimesel tarnijal, kuid kliendinõuete täitmise seisukohalt on asi kordades parem – õigeaegseid tarned moodustavad 94% kõigist tarnetest.

Miks siis on histogramm üks 7 klassikalisest kvaliteedijuhtimise tööriistast?

Nagu ülaltoodud näidetest selgub, on saadanas peidus variatsioonis ehk hajuvuses. Hajuvuse demonstreerimiseks aga kesk- ja absoluutväärtused palju kaasa ei aita.

Kaks sarnase keskmise tarneajaga ettevõtet on tegelikult oma soorituses väga erinevad – ühe kohta räägitakse tõenäoliselt, et nemad tarnivad “kuidas-juhtub”. Teise kohta võib öelda, et nad on märksa enam kindlamad, kuigi tegelikult pole ka neil parendamisruum otsa saanud.

Kokkuvõtteks

Kui sa tahad teada, mil määral sa tegelikult vastad kliendi ootustele ja nõuetele, siis histogramm on selleks parim tööriist. See annab sulle küllaltki palju informatsiooni kui hästi protsess ohjatud ehk kontrollitud on ning selle kuju võib pakkuda sulle ka ideesid, mis võiks valesti olla. Sellest aga edaspidi.

Sarnased postitused:

 

Varsti saab autosid tasuta

14 Mar

Tasuta, juhhei

Hurraa. Tasuta auto.

Või siis vähemalt odavamalt kui praegu. Toyota avastab ennast uuesti ja proovib oma meetodeid sedakorda autotehase ehitamisel. 

Tehas pandi püsti üle pika aja Jaapanis ning selle disainimisel lähtuti raiskamiste vähendamisest. “Inspiratsiooniks” tehase valmimisel fakt, et valmisauto hinnast kuni 60% moodustab investeering tehasesse ja selle seadmetesse. Ülejäänud 40% jaotub võrdselt personalikulude ja autovaruosade vahel.

Sisuliselt võttis Toyota kõik oma kogemused raiskamiste likvideerimisest ning asus tehast ehitama, mille esialgne maksumus oleks murdosa tüüpilisest autotehasest.

Erakordselt laiskadele ja inglise keele mitterääkijatele kiire kokkuvõte sellest, mida tehti teisiti:

  • Vähendatud on automatiseerituse astet ning suurendatud on oskustööjõu osakaalu. Kõvasti on vähendatud robotite osakaalu ning mitmeid töid, nagu keevitamist ja lihvimist teevad jälle inimesed. See on tegelikult protsess, mis on küllalkti pikka aega Toyotas toimunud. Kui natuke otsida artikleid Toyota tootmissüsteemist, siis erinevaid kaasuseid ja lugusid on kirjutatud-räägitud juba ~15 aasta jooksul, kuidas automatiseerimine on andnud loodetust vastupidiseid tulemusi.
  • Autokered ei ripu lae all, vaid on tõstetaval platvormil. See on võimaldanud teha madalamad hooned, mis omakorda on andnud radikaalse investeeringute kokkuhoiu 50%.
  • Ok, see on peaaegu, et naljakas – autod liiguvad konveieriliinil külg ees, mis on võimaldanud teha 35% lühema tehas. See on küll asi, mida peaks oma silmaga nägema, et aru saada, kuidas see töötab. Kui ma asjast õigesti aru saan, siis see on midagi jaburalt kavalat.
  • Autodel lastakse kolmas värvikiht kuivamata teisele värvikihile. Kokku hoitakse teise värvikihi kuivatamiseks mõeldud aeg ja energia. Küllaltki klassikaline Toyota käik – katsetati ja leiti, et teise värvikihi kuivatamine tegelikult ei ole väärtust lisav ning see jäeti lihtsalt ära.
  • Keskkonnajuhtimise seisukohalt on tegemist järgmise Toyota “väljakutsega” – tehas on oma keskkonnaalaste näitajatega kõvasti ees planeeritust. See on üks väga oluline kontseptsioon Toyota asjaajamises – pidev väljakutse iseendale ja oma töötajatele.
  • Tegemist on väga väikese, autotööstuse mõttes “taskusuuruse“, tehasega. See on paindlik, selle saab moodulitest kokku panna ja vajadusel viia järgmisse kohta. Toyota filosoofiast lähtuvalt – autosid tuleks teha seal, kus on nende ostjad.

 

Kas siis on tõesti tegemist uue ekspordi artikliga Toyotalt – mobiilne autotehas? Autotehas, mida praegu katsetatakse Jaapanis, et seda veelgi täiustada? Poleks iseenesest üldsegi üllatav, kui see olekski osa India ja Hiina turgude vallutamise plaanist.


Kas kunagi saab ka Eestis olema autotehas? Mis sa arvad?

Originaalartikkel: http://goo.gl/kFqFE

Sarnased postitused:

 
 

Kui kasulikud on su andmebaasid tegelikult?

09 Mar

andmebaasOn ainult aja küsimus, millal sa oma probleemide lahendamisel jõuad vajaduseni anda nähtustele numbriline kirjeldus. Peaaegu alati on koheselt järgmine küsimus – kuskohast andmeid saada? Põhimõtteliselt on 2 võimalust – tee andmekogumisvorm ja korja kõik andmed nullist. Alternatiiv on kaevuda olemasolevatesse andmebaasidesse ja katsuda sealt midagi välja tuhnida.

Miks sa EI PEAKS andmebaasidega pikalt mässama

Andmebaase ei loodud sinu praeguse probleemi lahendamiseks. Kes teab või mäletab, miks nad üldse kunagi loodi. Igatahes on väga tõenäoline, et selles sisalduv informatsioon ei aita sind eriti. Seega on selles sisalduvatel andmetel tavaliselt mitmed puudujäägid. Näiteks:

  • Erinevad ühikud. Sinul on tarvis näiteks normeeritud aega, andmebaas pakub sulle tehtud tükke. Sulle on tarvis liitreid, andmebaas annab sulle kilogramme. Või minuteid. Või tükke. Ma arvan, et sa saad juba aru.
    Iga teisendamine aga toob kaasa mingisuguse % ulatuses eksimuse, sest päris elus ei ole asjad nii lihtsad kui on 2. klassi matemaatika. Iga teisenduse tegemiseks on vaja midagi eeldada. Eeldamine aga… Iga suurim rukkisse panek algab sellega, et keegi mõtleb – “Okei, seda me päris täpselt ei tea, aga eeldame et….”
  • Kui suur osa andmetest tegelikult andmebaasis on? Peaaegu igal andmebaasil ilmneb varem või hiljem mingi tehniline äpardus, mis ei võimalda kõiki andmeid sisestada. Kui sul õnnestub seda vältida, siis teeb suvaline töökorralduse muutus sama töö ära. Igatahes varem või hiljem teeb keegi mingi Exceli faili või avab roheliste kaantega kaustiku ja kirjutab sinna peale “1996-1998”. See tuleb välja tavaliselt siis, kui oled teinud mingi erakordse avastuse ja käid seda usinalt näpp püsti jagamas. Siis koputatakse sulle delikaatselt õlale ja viiakse kurssi päris maailmas toimuvaga.
  • Mida üks või teine termin tegelikult tähendab? Väga harva kui kaks erinevat andmebaasi jõuavad samale tulemusele. Kui hakata lähemalt uurima, siis ilmneb mustmiljon pisiasja, mis ühes kohas on tehtud niimoodi ja teises kohas naamoodi. Suure tõenäosusega ei vasta kumbki ka üldtunnustatud õpiku definitsioonile.

 

Miks sa siiski PEAKSID andmebaasidega mässama

Ebatäpsed, tundmatut probleemi lahendavad, tundmatu sihtgrupi vajadusi rahuldavad…. ometi sa neid ignoreerida  ei saa. Miks siis nii?

  • Pikaajaline info. Tihtipeale võtaks täiesti nullist kõige kogumine tohutu aja. Andmebaas samas on viimased 4-5 aastat mingis omas rütmis tiksunud ja sinna on kogunenud küllaltki pikaajaline info. Seega peab uurima, mida ja kuidas sul on võimalik sealt kätte saada. See võib sul kokku hoida väga palju aega ja raha. Kui palju raha? Täpselt niipalju, kui see probleem sulle iga päev põhjustab.
  • Trendi hindamiseks ei pea hetkeväärtused õiged olema. Oletame, et su mingisugune tootlikkuse indeks tuleb peale pikemat maadlemist andmebaasiga 79%. Mida see number tegelikult ütleb? Suurt mitte midagi – samahästi võib see olla 124%, samahästi võib see olla 49%. See tegelikult pole oluline, su arvutustes on nagunii mingi viga sees. Kui sa aga oled oma “eksimuses” järjekindel, siis sa saad hinnata trendi, dünaamikat. Milline oli see number eelmine aasta või aasta enne eelmist aastat? Mis muutunud on? Kuhu me liigume? Otsuste tegemisel on aga trendid märksa olulisemad kui mingid hetkeväärtused.
  • Mis probleemi su andmebaasid siis ikkagi lahendavad? Kui sa teed omale selgeks, millist infot su andmebaasid sisaldavad ja millist nad ei sisalda, saad sa neid muutma hakata. Sa saad sõnastada selged probleemid ja mõelda, kas neid on võimalik automaatselt mingites punktides salvestada ja kuidas neid hiljem sulle vajaminevalt töödelda saaks. Sa saad täna muuta oma tulevikuotsuste kvaliteeti.

Igas organisatsioonis on tema andmebaasid hindamatuks info otsimise allikaks. Seal sisalduva lihtsaimki analüüs võimaldab teha märksa kvaliteetsemaid ja ratsionaalsemaid otsuseid. Need võivad lahendada pikaajalisi vaidlusi ja lõpetada mõtetuid tülisid. Nende kasutamisel peab siiski säilitama ettevaatlikkuse.  Peab alati arvestama, milleks nad tegelikult loodi ja mismoodi nad oma aruanded kokku panevad.

Kas mul jäi mõni andmebaasi eksimuse liik välja? Kui oskad täiendada pane see kommentaaridesse kirja.

Sarnased postitused:

 

Kvaliteedijuhtimine kui usulahk

26 Feb

Veigo Kell kuulutas oma blogis Ahto Tihkani usuhulluks. Blogi artikkel ise asub siin: http://goo.gl/6s8FL. Päris põnev.

Selle väga lühikese sõnavõtu põhjal võib ainult üsna kaudselt aimata, mida Ahto Tihkan öelda tahtis. Ma pean siiski möönma, et see mis kirja pandi ja avaldati on oma kõlalt võib olla tõesti Vahitornilik. Samas on seal oma tõde sees. Ma isegi ei viitsi hakata ära arvama, mida täpselt Ahto Tihkan mõtles.

Ma kujutan ette, et ta mõtles arenguid ettevõtte sotsiaalse vastutuse arendamisel. Võimalik, et pidas silmas keskkonnajuhtimise süsteemide mõju. Ka võimalik, et ta mõtles kvaliteedijuhtimise üldise filosoofia mõju – kui seda korralikult teha ja mitte lihtsalt sertifikaadi saamiseks, siis on kindel, et töötajate rahulolu oma tööga kasvab. Või siis hinnast, mida tegelikult makstakse viletsa kvaliteedi eest. Kõik need on eraldi pikemad teemad, mis võeti lühidalt kokku ja nüüd tembeldati usuhulluseks.

Tegelikult väga vahet ei olegi. Lõppeks me kuulume kõik mingisse sekti – kes kvaliteedijuhtimise sekti, kes sellesse sekti mis kvaliteedijuhtimise sekti ei kuulu.

Sarnased postitused:

 
2 Comments

Posted in Muud

 
Page 14 of 18« First...1213141516...Last »