RSS
 

Archive for the ‘Probleemide lahendamise tööriistad’ Category

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:

 

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: