RSS
 

Posts Tagged ‘tööriist’

Voodiagrammi joonistamine

15 Jun

Ma olen viimasel ajal nikerdanud erinevate video tegemiste mänguasjadega. Vähemalt eelmine nädalavahetus tundus see projekt mulle küllaltki lihtsana. Nagu alati selliste asjadega – mitte miski pole nii lihtne kui ta alaguses tundub.

Natuke võttis hääle värisema, natuke ei oska tehnoloogiat kasutada ning kui 1000% aus olla, siis videote toimetamisest ei tea ma ka mitte midagi. Igatahes suurepärane võimalus midagi uut õppida.


Voodiagrammi koostamine from Kaarel Krinal on Vimeo.

Veel mõningaid suvalisi tähelepanekuid voodiagrammi joonistamisest:

  • Erineva ajalise tsükliga protsessid kirjelda eraldi, ära ürita neid ühele pildile panna. Näiteks tootmise tsüklit kirjeldavale voodiagrammile ei peaks panema näiteks masinate käivitamise-hoolduse tegevusi. Neid saab panna ühele pildile aga sul tekib palju kasutuid otsusekohti, mis risustavad pilti ning muudavad selle raskesti loetavaks.
  • Tee esimene versioon “post-it” kleepsude ja hariliku pliitsiga. Märksa kergem asju ringi tõsta kui arvutis – harilikuga joonistatud nooled saad ära kustutada ning post-it kleepse saad ümber tõsta. Pealegi on kaardistamist kõige mõtekam teha protsessi toimumise kohas ning siis on clipboard mugavam kui läpakas.
  • Voodiagramm on paremini kasutatav konkreetse probleemi lahendamiseks. Kui on ikka plaanis tervet organisatsiooni (või vähemalt olulisemat osa) kaardistada, siis tekib peamine probleem erinevate protsesside seostamisel.
  • Verifitseeri. Ära toetu ainult ühele allikale, mingi väike vimka jääb niimoodi alati sisse. Tee üks süvaintervjuu, kus näiteks mõnda protsessi operaatorit küsitledes teed esimese joonise. Seejärel mine ja vaata kuidas asi päris elus toimib. Võta teine operaator ja stiilis “vaata, kas ma sain õigesti aru” räägi talle mis su diagrammil toimub.
  • Lepi piisava täpsusega. Täpsus sõltub voodiagrammi tegemise eesmärgist. 100% täpseks ei saa sa seda kunagi – voodiagramm on tegelikuse lihtsustatud mudel ja sellisena tuleb teda ka võtta. Tegelikkus on keerulisem.
  • Ole kasin. 80% juhtudest piisab 2 sümboli kasutamisest – algus/lõpp ja protsessi etapid. Mida rohkem sümboleid kasutad, seda vähem intuitiivne su diagramm on. Mõtle hoolega enne kui asja keeruliseks ajad – see võib vajalik olla, kuid lihtsusel on omad eelised.
  • Kui tahad, ole loominguline, kuid jää arusaadavaks. Kui sa ei taha, ära kasuta ametlikke sümboleid. Pane jänkud, põrsad ja rebased kui sulle niimoodi rohkem meeldib. Tee lihtsalt väike legend juurde, mida jänku teeb ja mida põrsas tähendab.

 

Ahjaa. Mul on paremat mikrofoni vaja.

Sarnased postitused:

 

Likvideeri probleemid enne kui nad mingit kahju põhjustavad

13 Apr

Kui mitu korda ma pean sama probleemi lahendama?

Porivaiba paranduse seadmel oli 3 olulist parameetrit, mis mõjutasid paranduse kvaliteeti. Olles läbi käinud parandatud vaibad avastasime, et parandused ei jää kinni ja need tuleb uuesti üle teha. Peale väikest veaotsingut tuli välja, et me ei kasutanud õiget temperatuuri kummi vulkaniseerimisel. Lihtne korrektuur ja asi toimis.

Kuni ühel hetkel enam ei toiminud. Jälle. Uuesti kiire veaotsing, sedakorda juba tuttavat rada pidi. Raja lõppus lahendus ka sama – suurenda temperatuuri.

Triviaalne probleem, triviaalne lahendus, raha selle pisikese detaili taga 450 000 – 700 000 EEK’i, enamus tulenev ümbertegemiste kõrgest määrast.

Lubage mul tutvustada lahenduse järgmist sammu…

Kuidas teha nii, et korra lahendatud probleem ka lahendatuks jääks? Siinkohal tuleb appi kvaliteedijuhtimine viimane käsitletavatest seitsmest lihtsast tööriistast – ohjekaart. Absoluutselt geniaalne oma lihtsuses,  võid õpetada ka kõige lihtsamale inimesele oma firmast.

Millal kasutada?

Kuigi sa saad teda kasutada ka andmete analüüsi käigus, siis minul endal on teda pigem tulnud kasutada mingi kriitilise parameetri ohjamisel. ohjekaart annab sulle infot selle kohta, kas asi toimib normaalselt või on suundumas lubatud piiridest väljapoole. Mis see kriitiline parameeter peaks olema?

Mis iganes tegelikult – võib olla su operatsioonidega seotud, võib olla ka finantsnäitaja. Oluline on, et see peegeldaks mingit väga olulist parameetrit. Sa ei taha oma aega raisata mõtetute numbrite maalimisele.

Vaatame naljaviluks, kuidas need üldse välja näevad. Aegrida on lihtsake:

1 – 1 – 5 – 1 – 3 – 2 – 1 – 1 – 1 – 4 – 6 – 4 – 2 – 5 – 4

Selle ohjekaart näeb välja selline:

Kontrollkaart

X-teljel on siis mõõtmise hetked ja y-teljel mõõdetud väärtus. Kõik, kes kunagi lugenud Salu Juhani tegemistest, peaksid instinktiivselt aru saama, kuidas see töötab. Ok see oli natuke teine asi aga siiski.

Lisaks kõigele muule on siin joonisel ülemine ja alumine ohjejoon (UCL ja LCL joonisel) ning keskmise joon. UCL ja LCL on matemaatiliselt arvutatud, kliendinõuded ja piirangud on omaette teema. Igatahes need jooned on seal selleks, et välja tuua hälbeid protsessi käitumises.

Mõningad asjad, millele võiksid ohjekaarti uurides tähelepanu pöörata:

  • Trend. 6 järjestikust punkti, mis tõusevad või langevad – asi liigub varem või hiljem ohjei alt välja. Tee midagi kohe ja pahandused jäävad ära.
  • Protsess liigub oma keskväärtusest välja. Protsess tervikuna on liikumas, midagi fundamentaalsemat on juhtunud ja sinu protsess on üsna varsti väga suurel määral lubatud piiridest väljaspool.
  • Punktid väljapool UCL, LCL või siis ka kliendinõuete piire. Õnnetus on juba juhtunud, nüüd ruttu-ruttu juurpõhjuse otsimisele. Loodetavasti saad jälile enne, kui asjad hullemaks lähevad.

 

Nii lihtne ongi?

Aga loomulikult, mis siin ikka pikalt keerutada. Tegelikult on ohjekaartide tüüpe rohkem, mingi 6-7 sõltuvalt,mis andmeid sul parasjagu vaja analüüsida või mis probleemi sul on vaja lahendada. Kas sa pead neist kõike teadma? Teadmised on iseenesest kihvtid, kuid praktilist väärtust ei pruugi sellel väga suurt olla.

Jäta lihtsalt meelde, et sul on vaja vähemalt 25 mõõtmistulemust enne kui sa hakkad kaugeleulatuvaid järeldusi tegema. Teine oluline asi on – elimineeri eripõhjused (trend ja protsessi nihkumised keskmise ümber), seejärel saad hakata protsessi “timmima” kliendinõuetele vastavaks.

Ohjekaart võib säästa sulle tohutult palju raha.

Näiteks ei pea sa ostma enam niipalju peavalu tablette. Ei ole midagi ärritavamat kui probleem, mille lahendust sa tead aga mis kõige kiuste muudkui esile kerkib. Ma kujutan ette kreeka kangelast frustratsiooni näiteks hüdraga võitlemisel – kui kaua sa kavatsed seda ühte ja sama draakonit kloppida?

Kas sinu organisatsioonis on olemas kriitilisi parameetreid, mida peaks ohjeima?

Sarnased postitused:

 

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:

 

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: