Six Sigma DMAIC

Six Sigma DMAIC – DMAIC-mallin soveltaminen epästabiiliin ja stabiiliin prosessiin

Kuinka tehostaa parannusprojekteja – stabiloida prosessia ja pienentää vaihtelua

Aluksi 

Noin sata vuotta sitten 16.5.1924 Tri Walter A. Shewhart loi merkittävän teorian, jonka avulla prosessin tila voidaan jakaa kahteen luokkaan: stabiiliin eli ennustettavaan ja epästabiiliin eli ei ennustettavaan. Hän kirjoitti: 

”Ilmiön sanotaan olevan ohjauksessa, kun menneen kokemuksen perusteella voimme kuvata ainakin rajat, kuinka prosessi tulee käyttäytymään tulevaisuudessa.”

Jos havainnot eivät mahdu näiden rajojen sisälle, silloin prosessi ei ole ohjauksessa ja tälle on löydettävissä jokin erityinen syy. Syylle voidaan määrittää subjektiverbi objektimuodossa vaihtelun lähde ja kohdistaa toimenpiteet tähän. 

Jos taas ollaan ennustettavassa tilassa ja vaihtelu on liian suurta tai prosessi ei ole tavoitteessa, voidaan prosessi parantaa mallintamalla. Ulostulo on muodostunut usean tekijän yhteisvaikutuksesta, ja siksi tälle ei löydy yksittäistä syytä, joka voidaan kuvata subjektiverbi objektimuodossa. Syiden vaikutus voidaan pilkkoa kokeellisesti ja tunnistaa syy-seuraussuhteet ja tämän jälkeen pienentää vaihtelua ja/tai asettaa prosessi tavoitteeseen.

Molemmissa tapauksissa vaihtelun pienentäminen on mahdollista ja tuottaa parempaa tulosta.

DMAIC

Määrittele, mittaa, analysoi, paranna, ohjaa (Define, Measure, Analysis, Improve, Control) – näin kuuluu monissa yrityksissä parannusprojektien toteuttamiseen käytetty mantra. 

Kirjoissa näitä vaiheita tulkitaan hieman eri tavoin. Kokonaiskuva on edelleen DMAIC:n mukainen. Alkujaan DMAIC on prosessi, joka ohjaa prosessin suorituskyvyn parantamista ja sen mallintamista. Tri Mikel J. Harry esitteli prosessin ja siltä odotettavat tulokset Quality Progress lehdessä 3/1998 artikkelissa ”Six Sigma: A Breakthrough Strategy For Profitability”.

Artikkelissa – Korrelaatio, kausaliteetti ja deduktiivinen malli – käsitellään analyyttistä ongelmanratkaisua ja artikkelissa – black box -malli  – kausaalimallin luomista. Kausaalinen mallinnus eli koesuunnnittelu (DoE) on oleellinen osa keinoista, joilla Six Sigmassa prosessin tavoitteet saavutetaan.

Artikkelissa esitellään professori Donald J. Wheelerin esittämä tapa käyttää DMAIC-vaiheistusta uudella tavalla. Wheeler sitoo DMAIC:n ja SPC:n prosessin stabiilisuuden parantamiseksi. Tavoitteena on epästabiilia prosessin vaihtelua aiheuttaneiden syiden tunnistaminen ja näihin toteutettujen toimenpiteiden avulla prosessin vaihtelun pienentäminen. 

DMAIC-prosessilla sidotaan kehityskohteen tunnistaminen sekä opitaan tunnistamaan ja hallitsemaan prosessissa poikkeavia vaihtelun lähteitä, erityissyitä. SPC:n ja perusongelmanratkaisutaitojen avulla yksinkertaistetaan ja nopeutetaan DMAIC-mallin käyttöä ja se on toimivaksi todistettu lähestyminen.

On yleisesti tunnustettu, että parannusta vaativat prosessit ovat sellaisia, mitkä eivät toimi tavoitteessa miniminvaihtelulla. Jotta toimittaisiin tavoitteessa minimivaihtelulla, on tiedettävä, milloin tehdä muutoksia ja milloin pidättäytyä niistä. 

Tarvittavan muutoksen tekemättä jättäminen lisää prosessitulosten vaihtelua, ja tarpeettomien muutosten tekeminen lisää myös prosessitulosten vaihtelua. Jotta toimittaisi mahdollisimman vähäisin vaihteluin, on toimittava ennustettavasti.

Sata vuotta sitten tri Walter A. Shewhart antoi meille toiminnallisen määritelmän siitä, miten mikä tahansa prosessi saadaan toimimaan ennustettavasti ja tavoitteellisesti. Shewhartin lähestymistapa vastaa kaikkiin DMAIC-mallin yleisellä tasolla herättämiin kysymyksiin.

Määrittelyvaihe

Parannusprojekteja käytetään laatuun tai tuottavuuteen liittyvien ongelmien ratkaisemiseen. Taloudelliset näkökohdat määrittelevät projektin tavoitteen. Mutta mistä aloittaa? 

Jos prosessissa on useita vaiheita, mihin tulisi keskittyä? Looginen vastaus on aloittaa vaiheesta, joka tarjoaa suurimman parannuspotentiaalin. Lisäksi, koska vaiheen A vaihtelu lisää aina vaiheiden B, C, D jne. vaihtelua, on hyvä aloittaa mahdollisimman kaukaa alusta.

Kuinka määrität tietyn vaiheen parannuspotentiaalin? Vertaamalla kahta lukua globaalia keskihajontaa ja prosessikäyttäytymiskäyrien eli ohjaskortin laskennassa käytettävää keskihajontaa samasta datasta.

Kuva 1 esittää ohjauskortin (X-mR/ I-mR -kortti) 64 datalle. Histogrammilla on kuvattu jakauman leveyttä, mistä on laskettu globaali keskihajonta 254,2 yksikköä. Histogrammi ja globaali keskihajonta kuvaavat prosessin aiempaa suorituskykyä. 

Ei voida olettaa, että prosessi tuottaisi tulevaisuudessa parempaa, ellei tehdä muutoksia. Tämä kuvaa siis nykytilaa.

Kuvan 1 ohjausrajojen laskemiseen käytettyä alaryhmän sisäistä hajontaa merkitään Sigma(X) ja se lasketaan seuraavasti:

Kuvassa 1 on X -mR-kaavio (I-mR), joten Sigma(X):stä tulee 156,0/1,128 = 138,2

Tämä keskihajonnan arvio kuvaa sitä, mitä tämä prosessi pystyy tuottamaan, kun sitä käytetään täydellä potentiaalillaan.

Sigma(X):n suhde globaaliin keskihajontatilastoon vertaa prosessin potentiaalia prosessin suorituskykyyn. 

Tässä tapauksessa tämä suhde on 0,544. Näiden tietojen perusteella tällä prosessilla on siis potentiaalia toimia tuloshistogrammilla, joka on alle 54 % esitetyn histogrammin leveydestä.

Tämä yksinkertainen suhdeluku antaa arvion siitä, kuinka paljon prosessia voidaan parantaa yksinkertaisesti käyttämällä sitä täydellä potentiaalillaan. 

Alkuperäisessä Mikel J. Harryn esittelemässä DMAIC-prosessissa verrataan olemassa olevaa prosessin sigmaa toleranssiin. Tavoitteena on, että prosessin hajonta on pienempi kuin 1/12 toleranssivälistä eli 6 sigmaa keskiarvosta, jolloin virheitä on alle 3,4 ppm. 

Kun tilastotiedot tulevat ennustamattomasta prosessista, kuten tässä tapauksessa, tämä suhdeluku on varovainen arvio. Käytännössä potentiaalia voin olla vielä enemmän. 

Laskemalla tämän suhteen eri prosessivaiheille ja sen kriittisille ominaispiirteille, voidaan valita prosessivaihe, jonka parissa aletaan työskennellä, koska se tarjoaa suurimman mahdollisen tuoton työlle. 

Prosessin ohjauskortit voivat auttaa tunnistamaan, mistä aloittaa parannusprojekti.

Mittausvaihe

Mittausvaiheessa yksi tärkeä asia on määrittää, onko mittausprosessi riittävän kyvykäs projektiin. On olemassa kaksi syytä, miksi täytyy varmistaa mittaussysteemin kyky tuottaa riittävän virheettömiä mittatuloksia. Prosessin parantaminen ja poikkeavan tuotteen lajittelu. Kummallakin tehtävillä on erilaiset vaatimukset mittausprosessille.

Kuinka hyviä mittausten on siis oltava prosessin parantamiseksi? 

Kun analysoit tietojasi ANOVA:lla, ohjauskorteilla tai keskiarvoanalyysin avulla, olet automaattisesti suodattanut mittausvirheen vaikutukset pois. Tämän seurauksena nämä tekniikat toimivat epätäydellisen datan kanssa.

Niin kauan kuin ohjauskortissa on piste rajojen ulkopuolella, mittausjärjestelmä on riittävän hyvä. Näiden pisteiden avulla voit tunnistaa, milloin prosessi on muuttunut, joten tiedät milloin ja mistä etsiä määritettävissä olevia syitä (eryissyitä). Tämä tarkoittaa, että prosessin parantaminen ei vaadi täydellisiä mittauksia (HUOM! tämä on validi toteamus, kun parannusta tehdään käyttäen ohjauskorttia ja tavoitteena on prosessin stabilointi.) 

Kuvasta 1 tiedetään siis heti, että mittaukset ovat riittävän hyviä. Mittausjärjestelmä havaitsee prosessimuutokset, eikä meidän tarvitse käyttää aikaa ja vaivaa mittausjärjestelmän tutkimiseen. Sen sijaan ollaan valmiita siirtymään DMAIC:n seuraaviin vaiheisiin.

Kun DMAIC-mallia käytetään mallinnuksessa eli perinteisessä Six Sigma -analyysissä, on mittaussysteemin virheen tunnistaminen tärkeää ja vaatimukset tiukemmat. Tämä johtuu tavoiteasettelusta.

Toisaalta myös poikkeavien tuotteiden lajittelua ei voida tehdä luotettavasti, jos mittausjärjestelmä ei ole täydellinen. Heti kun mittausvirheitä on, edes pieniä, aletaan luokitella tuotteita väärin. Mittausvirheen kasvaessa myös virheellisen luokittelun määrä kasvaa. 

Tässä tapauksessa mittausprosessin arviointi voi kertoa, kuinka tehoton tarkastuksesi on. Mutta ellei se osoita, miten mittausprosessia voidaan parantaa, siitä on vain vähän hyötyä.

Lisäksi, koska mittausjärjestelmiin käytettävä raha on yleiskustannus, on yleensä parempi työskennellä tuotantoprosessin parantamiseksi siihen pisteeseen, jossa sinun ei enää tarvitse luottaa tarkastuksiin toimittaaksesi vaatimustenmukaisia ​​tuotteita. 

Sen sijaan, että teroittaisit palaneen paahtoleivän kaapimiseen käytettävää veistä, on parempi oppia estämään paahtoleivän palaminen.

Joten tässä ohjauskortti voi kertoa, milloin ei tarvitse käyttää aikaa mittausprosessin epäolennaisiin arviointeihin.

Analyysivaihe

Tässä vaiheessa on selvitettävä, miten prosessia voidaan käyttää tavoitteen mukaisesti ja mahdollisimman vähäisellä vaihtelulla. Ongelmana on kuitenkin se, miten tämä saavutetaan. 

Syy-seurauskaavioon voidaan listata kymmeniä tai satoja syitä, eivätkä kokeet yksinkertaisesti pysty käsittelemään niin suurta määrää muuttujia. 

Kuten kuvassa 2 on esitetty, syyt 1, 2 ja 3 ovat hallittuja prosessisyötteitä, kun taas syyt 4–23 jätetään vaihtelemaan tuotannon aikana. Tässä tapauksessa ohjatut syyt määrittävät prosessin keskiarvon ja ohjaamattomat syyt luovat prosessin vaihtelun.

Tämän prosessin vaihtelun pienentämiseksi sinun on tunnistettava syyt 12 ja 23 hallitseviksi vaikutuksiksi ja sitten tehtävä näistä kahdesta syystä osa hallittavien prosessimuuttujien joukkoa. 

Mutta löytääksesi syyt 12 ja 23 kokeellisella lähestymistavalla sinun on kvantifioitava syiden 4–23 erityisvaikutukset. Joten kokeellisen lähestymistavan ensimmäinen ongelma on suuri määrä tunnettuja syy-seuraussuhteita, joita on tutkittava.

Lisäksi kokeellinen lähestymistapa ei voi kertoa koko totuutta. Vaikka sinulla olisi aikaa kokeilla jokaista syy-seurauskaaviosi syytä, et silti voisi kokeilla kuvassa 3 esitettyjä tuntemattomia syy-seuraussuhteita.

Nämä tuntemattomat syyt ovat tahattomia prosessisyötteitä, jotka liittyvät mihin tahansa tuotantotoimintaan. Ne vaihtelevat vuotavista letkuista huonosti kirjoitettuihin käyttöohjeisiin, toimittajien tekemistä muutoksista esimiesten tai käyttäjien manipulointiin, ja tyhmistä asioista, joita tapahtuu, prosessin suunnitteluvirheisiin – ne ovat odottamattomia, huomiotta jätettyjä, unohdettuja ja odottamattomia. 

Vaikka nämä syyt ovat tuntemattomia, ne ovat todellisia ja niillä on todellisia vaikutuksia. 

Aina kun syy 27 tai 42 muuttuu, se vie koko prosessin mukanaan. Joten kokeellisen lähestymistavan toinen ongelma prosessien parantamiseen on sen kyvyttömyys käsitellä tuntemattomia tekijöitä.

Mikä tahansa syy, tunnettu tai tuntematon, jolla on hallitseva vaikutus, joka ei ole osa kontrolloitujen prosessisyötteiden joukkoa, voi viedä prosessisi harhaan, jolloin se toimii pois tavoitteesta lisääntyneellä vaihtelulla. 

Kokeilu voi lopulta auttaa löytämään syyt 12 ja 23, mutta kokeilu ei voi löytää tuntemattomia muuttujia 27 ja 42, joilla on hallitsevia vaikutuksia. Mitä siis pitäisi tehdä? 

Sen sijaan, että yritetään määrittää kunkin tunnetun syyn vaikutusta erikseen, on luonnehdittava kaikkien syiden, sekä tunnettujen että tuntemattomien, vaikutukset yhdessä. Kun kaikilla hallitsemattomilla syillä on samansuuruiset vaikutukset, prosessitulosten vaihtelu johtuu suuresta määrästä syitä, eikä yksikään syy ole hallitseva. Tämä johtaa vaihtelumalliin, joka on vakaa ja muuttumaton ajan kuluessa.

Mutta kun läsnä on joitakin hallitsevia syitä, kuten 12, 23, 27 ja 42, prosessitulosten vaihtelu osoittaa häiriöitä, muutoksia ja siirtymiä ajan kuluessa, kun nämä hallitsevat syyt muuttuvat tasoiltaan. Tarkastelemalla prosessitulosten vaihtelua ajan kuluessa voidaan samanaikaisesti tutkia kaikkia tunnettuja ja tuntemattomia syitä havaitakseen onko olemassa todisteita hallitsevista (in control) syy-seuraussuhteista hallitsemattomien (out of contol) muuttujien välillä.

Tämä toteutetaan käyttämällä ohjauskortteja. Kun ohjauskortit näyttävät prosessin olevan pois ohjauksesta, voidaan yleensä tunnistaa syyt 12, 23, 27 ja 42 tutkimalla niitä ajankohtia, jolloin prosessi muuttuu.

DMAIC:n analyysivaihe on siis tehokkaampi suorittaa ohjauskorttien avulla kuin kokeellisen lähestymistavan avulla, jos prosessissa on havaittavissa epästabilisuutta.

Parannusvaihe

Parannusvaiheessa sovelletaan analyysivaiheessa saatua tietoa. Parannusvaihe on tässä tapauksessa analyysivaiheen toteutusaskel.

Kun on tunnistettu syy, jolla on hallitseva vaikutus, voidaan joko pitää se vakiona tai kompensoida sitä jollain tavalla. Tapahtuu siis kaksi asiaa: 

1. poistetaan prosessivirrasta hallitsevan vaihtelun tekijä ja/ tai
2. saadaan uusi muuttuja, jota käytetään prosessin keskiarvon säätämiseen. 

Näiden muutosten vaikutusta voidaan nähdä ja arvioida ohjauskortin avulla. Kuva 4 näyttää, mitä kuvassa 1 esitetylle prosessille tapahtui sen jälkeen, kun on löydetty tunnistetut olevat syyt ja ohjataan niiden vaikutuksia.

Löytämällä ja ohjaamalla vaikutuksia omaavia syitä pystytään toimimaan histogrammin kuvaamalla tasolla, joka on vain 53 % kuvan 1 histogrammin leveydestä. 

Koska muita poikkeuksellisen vaihtelun signaaleja ei ole, tämä prosessi toimii minimaalisella vaihtelulla tällä hetkellä. 

Tässä esimerkissä esitetty prosessin parannus voidaan osoittaa histogrammin ja ohjauskortin avulla. Prosessin ohjauskortit auttavat siis DMAIC:n parannusvaiheessa todentamaan parannustoimenpiteet.

Ohjausvaihe

Ohjausvaiheessa annetaan parannettu prosessi tuotantoon ja toivotetaan heille ”hyvää päivänjatkoa”. 

Ja entropia takaa, että seuraavan ”häämatkan” puoliintumisaika on keskimäärin kaksi viikkoa. Jos ohjauskortit eivät ole operatiivisessa käytössä ja jotkut tuntemattomista hallitsevia vaikutuksia omaavista syistä muuttuu, prosessin keskiarvo liukuu tai poikkeaa. Operaattorit pyrkivät kompensoimaan muutosta manipuloimalla tilannetta ohjaustekijöillä, jolloin prosessi jatkaa jälleen liukumista ja poikkeamista.

Tämä edellä mainittu entropian aiheuttama muutos estetään käyttämällä ohjauskortteja työkaluna vaihtelun tunnistamiseksi. Et koskaan voi ylläpitää prosessisi tavoitetta minimaalisella vaihtelulla pitkää aikaa, ilman ohjauskortin tarjoamaa tietoa erityissyiden havaitsemiseksi ja poistamiseksi.

Vaikka DMAIC usein vaatii tässä vaiheessa ohjauskortin, yleisesti kuvattu versio on pikemminkin ”milloin sitä säädetään” -kaavio kuin ”milloin se korjataan” -kaavio. 

Mutta ainoa tapa ”hallita” prosessiasi on jatkuvasti ”korjata sitä”, koska entropia johtaa uusiin, tuntemattomiin syihin ja hallitseviin vaikutuksiin.

Yhteenveto

Kun pyritään parantamaan prosessia stabiloimalla prosessi, tavoite on saada aikaan prosessi, joka toimii tavoitteen mukaisesti minimi varianssilla. 

Koska ainoa tapa toimia minimaalisella varianssilla on toimia ennustettavasti, tavoitteeseen tähtäävästä toiminnasta minimaalisella varianssilla tulee tavoiteltua ja ennustettavaa. Ja ennustettavan toiminnan ainoa määritelmä on prosessin ohjauskorteilla, Wheelerin mukaan prosessin käyttäytymiskäyrillä.

DMAIC tarjoaa käyttäjälle valikoiman tekniikoita käytettäväksi eri vaiheissa. Se on yhtenäinen lähestymistapa, joka käyttää yhtä tekniikkaa kaikkien vaiheiden tavoitteiden saavuttamiseksi. 

Six Sigma on alun perin stabiilin prosessin mallinnustekniikka, jolla prosessin suorituskykyä parannetaan, mutta tänä päivänä tätä prosessia sovelletaan myös epästabiiliin prosessiin ongelmien ratkaisuun ennen kuin varsinainen Six Sigma prosessi alkaa. On tärkeää, että työkalut yhdessä DMAIC-mallin kanssa luovat kokonaisuuden, jolla päämäärälähtöisesti haetaan parempaa. Tavoitellaan siis ensin stabiilia prosessia ja sen jälkeen stabiilille prosessille parempaa suorituskykyä.

Tässä esitelty tapa prosessin stabiloimiseksi ja tuloksen parantamiseksi pitää sisällään tekniikan, jolla on todistetutusti saatu tuloksia ja käytetty sukupolvien ajan. 

Tilastollisen prosessinohjauksen soveltaminen ei ole vain yksinkertaisempi kuin ”tarjouspakkaus”-lähestymistapa, vaan se on myös kattava, koska sen avulla voidaan tutkia sekä tunnettuja että tuntemattomia muuttujia, jotka vaikuttavat prosessiisi.

Lyhyesti sanottuna DMAIC-mallissa ei ole sellaista osaa, jota ei voitaisi sekä yksinkertaistaa että parantaa käyttämällä ohjauskortteja jokaisessa vaiheessa, mikäli DMAIC-mallia käytetään muuhun kuin mallinnukseen.

Läheet: 

1. Harry, M. J. 4/1998. Six Sigma: A Breakthrough Strategyfor Profitability. Quality Progress
2. Harry, M. J. 10/1998. Cowboy Quality. Quality Progress
3. Wheeler, D. J. 2021. A Better DMAIC. http://qualityprogress.com