RSS
 

Kuidas aru saada, mismoodi nähtused on omavahel seotud?

26 Feb

Probleemide lahendamisel on oluline teada kuidas erinevad tegevused, nähtused on omavahel seotud. Mis juhtub, kui ma keeran selle kraani kinni? Mis juhtub, kui me protsessis ei kasuta survena 4 bari vaid 5 bari? Kui palju pikeneb protsessiaeg, kui ma kasutan 80 kraadise vee asemel 60 kraadist vett?

Aeg-ajalt tekib ajurünnaku käigus hüpoteese, kus väidetakse eksisteerivat mingi seos. See võib nii olla, võib ka mitte. Seost saab kontrollida hajuvusdiagrammiga, mis on üks seitsmest lihtsast kvaliteedijuhtimise tööriistast.

Seda saab kasutada, kui mõlema parameetri andmed on numbriliselt väljendatavad ning nad on pidevad. See tähendab nad ei ole loend, ei ole binaarsed a’la “Jah/ei” ning üks andmeridadest ei ole andmetesilt (operaator1, operaator2….). Sa ei saa seda kasutada näiteks selgitamaks, kas rohelistel toodetel on rohkem defekte kui punastel – selle jaoks on stratifitseerimine ja Pareto diagrammid.

Mõõtmine

Seose tugevuse mõõtmiseks peaksid sul olema kindlal ajahetkel fikseeritud 2 faktorit – mis iganes suurus x ja suurus y. Ma väga ei keskenduks siinkohal korrelatsioonifaktori käsitsi arvutamisele – mõistlikum on minna lihtsama vastupanu teed ja kasutada Exceli funktsioone.

Üldjuhul peaks valimi suurus olema vähemalt 25-50 andmepunkti ning teadupärast saab olla korrelatsioonikordaja vahemikus -1…0…1. Seose olemasolu võib aimata kui korrelatsiooni kordaja on vahemikkudes -1….-0,65 ja 0,65…1. Kui korrellatsioonikordaja jääb nende vahele, siis võiks öelda, et seost nagu ei ole. Päris tõsikindlalt seda siiski väita ei saa.

Vaatame ühte päriselulist näidet:

X-teljel on siis kuu keskmine temperatuur ning Y-teljel hoone kütmiseks ärakulutatud kütusekogus kuus. Korrelatsioonikordaja on -0,73, mis ütleb, et seos on olemas. Mis peamine – see on ka loogiline – temperatuuri langedes kasvavad küttekulud.

Vahemärkusena – selliseid ilusaid õpikunäiteid, kus punktiparv on ilusasti 45-kraadise nurga all üht või teistpidi püsti, pole mina veel suutnud päris elus näha. Märksa tõenäolisem on ülaltoodud pilt.

Küsimused, mida pead endalt küsima hajuvusdiagrammi tõlgendamisel:

  • Kuidas ja mis hetkel sa oma andmed saad? Kuigi ülaltoodud näites on korrelatsioon küllaltki tugev, siis kütusekulu on võetud mahutisse valamise hetkest, mitte reaalselt põletamise hetkest. Kuivõrd mahuti oli aga 3000 liitrit, siis see solgib andmeid päris kõvasti, sest ei peegelda väga täpselt reaalselt selles kuus katlamajas põletatud kütuse hulka.
  • Mida andmed sisaldavad? Tegelikult põletati kütust ka olmevee soojendamiseks. Kui suur selle osa on? Stratifitseerimine on oluline tööriist ka hajuvusdiagrammi koostamisel.
  • Kui stabiilne on süsteem olnud? Antud näite puhul oli kõik väga stabiilne. Kogu perioodi vältel juhtis maja kütmist automaatika, mille töörežiimi ei muudetud. Mingeid eritöid soojustuse parendamiseks ei tehtud. Reaalses elus ajalooliste andmete töötlemisel on sul siiski väga harva selline stabiilsus olemas. Pigem on tõenäoline, et vähemalt korra aastas on toimunud mingi šokk, mingi suurem muudatus. Eriti tõenäoline on see siis, kui protsess on oluline ning omab suurt mõju ettevõtte kasumlikkusele.
  • Kas tulemus on loogiline? Mõnikord käib tulemus risti-vastu sellele, mis on loogiline. Vahest see ongi niimoodi aga võimalik on, et seose puudumist seletavad eelnevad kolm küsimust.
  • Mis tegelikult põhjustab mida? TTÜ väidab, et nende ülikoolist tulevad tipud. TTÜ uhke vilistlasena oletame, et see väide on tõene. Mis aga seda põhjustab? On see turundus, mis meelitab endale Vabariigi parimad abituriendid? On see vastuvõtmise protseduur, mis jätab nõrgemad ukse taha? Või on see erakordselt kõrge õpetamise ja teaduse tegemise tase? Korrelatsioonianalüüs ei vasta küsimusele “miks?”, selle pead sa ise välja mõtlema.
  • Millal miski midagi põhjustab? Lähme näitega korraks kvaliteedijuhtimisest kaugemale. Kui su müügimeeskond teeb keskmiselt ühes kuus igapäevaselt 50 esmakohtumist päevas ning see number suureneb või väheneb, siis millal see hakkab mõjutama müügikäivet? Millal see hakkab mõjutama kulusid iga tehtud lepingu kohta? On ilmselge, et selle müügikäive muutub viiteajaga. Mul on olnud situatsioone, kus ühe andmerea kahenädalase nihutamisega kasvas korrelatsioonikordaja 0,45 -> 0,68. Ehk siis seose puudumiselt, mingi seose olemasoluni.

 

Kokkuvõtteks

Hajuvusdiagramm võib olla väga võimas tööriist mõistmaks, mis sul üldse ettevõttes toimub. See ei ole siiski päris ohutu – sa pead siiski arvestama kõikvõimalike eksimustega. Korrelatsiooni olemasolu võib tähendada seose olemasolu, võib ka mitte. Veidral kombel ei tähenda ka korrelatsiooni puudumine seose puudumist. Võib-olla sa pole lihtsalt õigeid andmeid õigesti kasutanud. Mis iganes. Kasuta igatahes aga ole ettevaatlik, et jalga ei tulistaks.

Sarnased postitused:

 

Stratifitseerimine – kuidas eraldada ebaoluline olulisest

20 Feb

Stratifitseerimine on üks seitsmest “tööriistast”, mida üks kvaliteedijuht peaks oskama kasutada. Natuke lähemalt rääkides pole tegemist väga käegakatsutava asjaga nagu seda on näiteks Ishikawa või Pareto diagramm. Pigem on see kontseptsioon, millega peaksid arvestama andmete kogumisest kuni nende analüüsimiseni.

Stratifitseerimine – ikkagi, mis see siis on?

Stratiftseerimine on andmete kihistamine, nende ümbergrupeerimine. Seda on vaja teha selleks, et jõuda probleemipõhjustele jälile. Nimelt on probleem selles, et probleem ei pruugi väga selgelt välja tulla andmeid tervikuna vaadates. Asja olemusele jälile jõudmiseks pead sa neid eristama ning otsima mustreid. Kui ma Pareto diagrammist rääkides mainisin n.ö. paralleelastme diagramme, siis see tegevus on sisuliselt stratifitseerimine.

Kui tuua näiteks Exceli tabel, kuhu on märgitud kõik su probleemid näiteks toodete, avastamiskohtade, defekti asukoha vmt järgi, siis stratifitseerimisel sa asud otsima mustreid. Kui mustreid ei tule välja toodete kaupa, siis äkki tulevad nad välja defekti asukoha järgi? Kui selle järgi ei tule välja, siis äkki tulevad protsessi etapi kaupa?

Tüüpilisemad faktorid, mille põhjal stratifitseerida on:

  • Seadmed, tööriistad
  • Erinevad vahetused, erinevad osakonnad
  • Kasutatavad materjalid
  • Protsessi erinevad etapid
  • Erinevad tarnijad
  • Erinevad tooted

See nimekiri ei ole loomulikult lõplik – küll aga annavad mingisuguse pildi sellest, mis nad võivad olla.

Stratifitseerimine andmete kogumisel

On umbes tuhat korda kergem mõtelda stratifitseerimisfaktoritele enne andmete kogumist kui siis, kui on vaja andmetest mingit sotti saada. Pärast on lihtsalt ropp töö neid faktoreid väga täpselt määratleda ning mõningatel juhtudel pole see isegi enam võimalik. Pole midagi mõtetumat kui hunnik andmeid, mis sulle mitte midagi ei ütle. Seega mõtle juba enne andmete kogumist, mida sa tegelikult teada tahad.

Üks võimalus konkreetsete stratifitseerimisfaktorite määratlemiseks on ajurünnak. Tee lihtsalt oma meeskonnaga Ishikawa diagramm ning sul on faktorid käes. Seejärel saad sa juba vaadata, mis andmed sul olemas on ning mis vajab täiendavat kogumist. Siit edasi on juba väga lihtne asuda koostama andmekogumisvorme.

Kasu sinu jaoks

Stratifitseerimine võib näidata sulle mustreid seal, kus neid esmapilgul ei tundu olevat. On küllaltki tavaline, et küllaltki “rahuliku” pealispinna all toimetab üks probleem ja põhjustab sulle vaikselt nagu hambasööbik mingeid probleeme. Need probleemid ei pruugi olla väga teravad, seega sa ei lahenda neid. Nende lahendamata jätmine aga võib sulle pikas perspektiivis maksma minna miljoneid. Ja seda sa ju ei tahaks? Probleemide otsimine ja nende lahendamine on üks ütlemata kasumlik tegevus, seega palun tee seda.

Sarnased postitused:

 

Mis toimub? 5 nüanssi, millega PEAD arvestama tegevuste visualiseerimisel

11 Feb

voodiagrammMiks asjad juhtuvad? Kvaliteedijuhtimises öeldakse, et probleemid on 96% tõenäosusega protsessis. Mis loom see protsess on? Mispärast ta meile kogu seda jama põhjustab ning kuidas seda kontrolli alla saada? Protsesside kaardistamine ja parendamise kohta on materjali küll ja veel. On ka eestikeelset ning küllaltki kvaliteetset.

Julgen soovitada lisamaterjali:


Siin on olulisemad 5 nüanssi, millele ma tahaksin lihtsamate tegevuste visualiseerimisel tähelepanu juhtida:

  1. Ära visualiseeri, kui sulle see ei meeldi. Protsesside visualiseerimine on töövahend, mitte lõpp-eesmärk. Standardiseerimine on vajalik, kuid alati ei pruugi üks või teine visualiseerimise meetod sinule ja su meeskonnale meeldida. Kui leiad, et visualiseerimine sind ei aita, siis pane lihtsalt ülesanded-tegevused üksteise järel kirja. Ma olen näinud absoluutselt kohutavaid voodiagramme, millest isegi nende joonistajad enam päris täpselt aru ei saanud. Sellist jama ei ole vaja.
  2. Pööra erilist tähelepanu otsuse tegemise kohtadele. Otsuste standardiseerimine a’la “Juhul kui auk on kuni 1cm, on kõik ok. Muidu pane praagi hulka.” aitab su operatsioonides tohutult aega kokku hoida. On kohutav ajaraiskamine, kui üks töötaja marsib teise töötaja juurde konsulteerima stiilis “mis-sina-sellega-teeksid”. Konkreetne kriteerium aitab normaalse töövoo säilitamisele kõvasti kaasa.
  3. Protsessi visualiseerimisel lähtu kaardistamise eesmärgist. Miks sa seda teed? Kes seda lugema hakkavad? Kui su peamine eesmärk on näiteks protsessi analüüs, siis detailsuse aste peab olema määratult suurem kui siis, kui valmistad ette töötajatele koolitusmaterjali-kiiret viidet töökohale.  Samamoodi pead hoolikalt mõtlema, kas voodiagramm on parim tööriist ülesande lahendamiseks või on olemas sobilikumaid meetodeid.
  4. Järgi metoodikat. Ma kipun ise aeg-ajalt väga “loominguliselt” metoodikaid kasutama. Ennekõike on minu jaoks oluline eesmärk ja selles ma ka lähtun. Sa pead siiski arvestama, et kui sa jätad midagi tegemata, siis sa pead vähemalt aimama, mis selle tagajärjel juhtuda võib. Maakeeli – algajana aja näpuga metoodikas järge ja ära jäta midagi tegemata, sest sul pole õrna aimugi mis sellele järgneb.
  5. Tee koos meeskonnaga. Kasuta oma meeskonda – veel parem kasuta vajalikke tööriistu ning kaardista seal, kus protsess toimub. Inimesed, kes töötavad protsessis teavad kuidas tegelikult asjad käivad. Reaalsus on märksa parem lähtepunkt kui paberile pandud kaunis sõnad või pildid. Lisaboonusena saad sa kaardistamise käigus teada väga paljudest lahendamata küsimustest ning põhimõttelistest probleemidest.


Protsesside visualiseerimine on väga võimas vahend toimuvast arusaamisel ning analüüsil. Sa pead aga alati mõtlema miks sa seda teed ning mismoodi resultaati kasutama hakatakse. Igale spetsiifilisele probleemile on tõenäoliselt olemas kohandataud spetsiifiline diagramm. Otsi ja sa leiad.

Sarnased postitused:

 

Miks kvaliteet on olulisem kui kulude kontroll?

06 Feb

QCD mudel ja mismoodi sinul sellest kasu on

Igale ettevõttele on kulude kontrollimine on oluline. Lõppude lõpuks on see üks väga tähtis osa valemist: kasum = tulud – kulud.

Terviklik kvaliteedijuhtimine lähtub aga QCD mudelist – quality, cost, delivery ehk kvaliteet, kulud, tarned. Iga juhi 3 kõige pühamat eesmärki – kui neis kategooriates saavutatakse edu, siis järgneb kõrge kliendi rahulolu ning ettevõtte üldine edu. Alati on aga esimene prioriteet kvaliteedil.

Äkki on kvaliteet ülehinnatud?

Aga mis siis, kui tegemist on mingite kvaliteedi puritaanide väljamõeldisega? No on mingid tüübid võtnud nõuks, et ajame kvaliteeti taga. Endal pole õrna aimu kuidas elu päris maailmas käib. Ei tea nad midagi kuidas ots-otsaga kokku tulla ega midagi.

Teeme kulud korda, küll jõuab selle kvaliteediga tegeleda? See tundub intuitiivselt vägagi õige lähenemine. Päris elus on tegelikult viletsal kvaliteedil alati varjatud kulud.

Vaata ja sa näed

Kõige nähtavamad on kvaliteediprobleemide maksumus autotööstuses. Kõik teavad ja mäletavad Toyota kinnikiiluvat gaasipedaali. See võrdlemisi väike probleem on Toyotale maksma läinud erinevatel hinnangutel 2-5 miljardit dollarit. Üle maailma kutsuti tagasi 9 miljonit autot, mitmed uued mudelid jäid õigeaegselt välja andmata, sest ootasid uut gaasipedaali, 37 inimest kaotasid elu. Pole naljakas.

Reedel tuli Reutersi vahendusel uudis, et Ford kutsub tagasi katkise uksekäepideme pärast 281 000 Ford F-150’t. Selle aasta kolme esimese kuuga on Ford kutsunud tagasi 900 000 autot. Kulude kohta ei oska veel keegi öelda, kuid võib arvata, et probleemi lahendamine disanifaasis oleks tulnud kümneid kordi odavam.


Oot-oot, meie pole Ford ega Toyota!

Loomulikult ei ole. See siiski ei tähenda nagu sinul toodetel või teenustel poleks varjatud kulusid. Omaette küsimus on, kes need kinni maksab ning millises vormis nad tegelikult esinevad. Kui palju maksab üks klient, kes läheb konkurendi juurde? Kui palju maksab omaenda praagi ümbertegemine? Kui palju maksab defektne detail su kliendi jaoks? Milline mõju on sinu kvaliteedil keskkonnale ja ohutusele?


Anna teada, kuidas teie firmas asjad on – mis on olulisem kulud või kvaliteet?

Sarnased postitused:

 

Kuidas panna oma parendustegevused steroididele? Pareto diagrammi võlud

03 Feb

karate löökKes meist ei tahaks suurt hulka probleeme korraga lahendada? Saada kiiret ja põhjalikku läbimurret seal, kus paljud on proovinud aga läbikukkunud? Kas poleks mitte mõnus, kui kliendid ei helista enam oma probleemidega ning sa ei pea käigult improviseerima mingeid lahendusi?  Asi on tehtav, sa pead lihtsalt teadma, millega sa tegeled.

Kuidas aga teada saada, millega sa tegelema peaksid? Üks võimalus probleemi määratlemiseks on Pareto diagrammi kasutamine. Kirjutasin Pareto diagrammist pikemalt, kui rääkisin kuskohast peale hakata kvaliteedijuhtimisega.

Oma olemuselt on see tööriist nagu snaipril on optiline sihik. Iseenesest ta ei tee midagi, kuid aitab su tegevustele anda suuna ning sellega kaasneb tappev mõju. Alternatiiv on tegeleda mustmiljoni asjaga. Keskenduda mitte millelegi, saavutada ei tea mida, protsessi lõpus olla peaaegu sama tark kui selle alguses. Tulemused on kõike muud kui garanteeritud. Aga seda sa ju ei taha.

Diagrammi koostamise juures on meeldiv see, et pole tegelikult mingeid raudseid reegleid. Tee nagu heaks arvad ja situatsioon nõuab. Võid küllaltki erinevast otsast alustada. Saad keskenduda sümptomitele ning neid analüüsida. Saad ka hoida aega kokku ja proovida kohe asuma põhjuseid üksteisest eraldama.

Pareto diagrammi koostamine vastavalt probleemide esinemissagedusele

Sümptomitele keskendudes saad sa joonistada rohkem 4-5 n.ö. paralleelset diagrammi või siis ka ülema ja alama astme diagramme. Natuke lähemalt.

  • Paralleelseid diagramme on mõtekas joonistada siis, kui sul puuduvad igasugused ideed, millest probleemid põhjustatud on. See on töörikas moodus, kuid sisuliselt 100% kindlad tulemused. Võta kõik oma probleemid ning hakka tegema diagramme iga tunnuse (sümptomi) kohta.
    Kuskohas defekt fikeeriti? Kuskohas tootel defekt asub? Kes avastas defekti? Milline toode see oli, millel defekt oli? Mis värvi see toode oli?
    Mida rohkem sa andmetega mässad, seda selgepiirilisemaks muutuvad su hüpoteesid. Olles teinud 4-5 diagrammi, on sul tihtipeale piisavalt materjali, et asuda tegutsema või asuda ühte valitud diagrammi edasi lahkama.
  • Alama astme diagramme on mõtekas siis joonistama hakata, kui probleemi põhjus pole ikka veel piisavalt selge või soovid lihtsalt oma suurimaid sümptomite gruppe edasi lahata. Juhul kui sa näiteks teed mänguautosid ja oled leidnud, et üks peamistest esinevatest probleemidest on vilets värvikvaliteet. Tekib küsimus, kas see probleem esineb ühtemoodi nii sinistel kui ka punastel autodel? Kas see probleem esineb ühtlaselt veoautodel ja sõiduautodel? Pane edasi kuni probleem on tõepoolest lõpuni läbi uuritud.
    Nüüd oled sa probleemi põhjusele jõudnud väga lähedale ja rohkem ma andmetega ei mängiks – lõppeks on sul ka elu ja aeg jookseb. Nüüd tuleb võtta oma ülitäpsed hüpoteesid ja minna vaatama, mis tegelikult toimub ning asuda tegutsema probleemide lahendamisele.

Selline lähenemine põhjuste väljaselgitamisse on oluliselt pikemaajalisem kui näiteks ajurünnaku läbiviimine. Selle eelis on see, et peale kogu seda andmetega mängimist jõuad sa põhjusele väga lähedale. Kui sa oled aga põhjusel väga lähedal, siis tõenäoliselt vaev, mis sa nägema pead selle kõrvaldamiseks on üksnes vormistamise küsimus.


Pareto diagrammi koostamine vastavalt probleemi põhjustele

Sul on võimalik vältida suuremat osa seda numbritega mässamist ja ääri-veeri probleemidele lähenemist. On olemas natuke lõbusam ja loomingulisem lähenemine.

  • Võta oma spetsialistide seltskond kokku ja ajurünnaku käigus nimetage kõik probleemid, mida teate või arvate teadvat. Lisaks vaadake sisemisi aruandeid, kliendikaebusi ning mida iganes, mis teile ideede kvantiteeti juurde tekitab.
  • Grupeerige sümtomid vastavalt ühistele põhjustele. Joonistage Ishikawa diagramme, küsige 5x miks või mis iganes muid juurpõhjuse selgitamise meetodeid te kasutada soovite.
  • Pange igale põhjusele skoor – tähtsus ärilistest eesmärkidest lähtuvalt. Kas suur esinemissagedus on oluline? Äkki on oluline põhjuste otsene maksumus firmale? Võib-olla suudate hinnata otseseid ja kaudseid kulusid? Alati on ju võimalik lasta grupil hääletada? Tegelikult mida iganes – otsustage ise ning joonistage seejärel oma Pareto diagramm ning asuge probleemiga tegelema.


Pareto printsiip on üks võimsamaid meetodeid otsustamaks, millega on vaja tegeleda ja millega mitte. Ma ei ole kunagi olnud suure hulga probleemide korraga lahendamise poolt. Ma olen seda proovinud ja leidnud, et 70% aurust läheb tühja. Midagi nagu juhtub ka, kuid enamus ajast on lihtsalt üks tühi töö ja vaimu närimine. Samas pole vähem motiveerivat asja kui tühi töö. Pareto diagramm aitab anda tööle sisu ning see teeb töö asjaosalistele märksa lõbusamaks.

Sarnased postitused:

 
Page 15 of 18« First...10...1314151617...Last »