5.- Quinta Semana - Seis Sigma
Short Description
Download 5.- Quinta Semana - Seis Sigma...
Description
SEIS SIGMA
6
2
AGENDA 1.
In tr tr od od uc uc ci ci ón ón al al S Se ei s Si Si gm gm a
2.
Pr oy oy ec ec to to s Se Sei s Si Si g m a
3.
Met od od ol ol og og ía ía Se Sei s Si gm gm a
4.
Fas e I: De Def in in irir y Med irir
5.
Fas e II: A An n al i zar
6.
Fase III: Impl Imple ementa mentarr mejo mejora rass
7.
Fas e IV: Co Co n t ro ro l ar
1.
Intro ntroduc ducci ción ón al S Se eis Sigma igma 1.1 ¿Qué es Seis Sigma? 1.2 Calidad Seis Sigma 1.3 Historias de éxito de Seis Sigma 1.4 Principios de Seis Sigma 1.5 Seis Sigma e ISO 9001
33
44
1.1
¿Qué es Seis Sigma ?
¿Qué es Seis Sigma? Es un sist sistem emaa empr empres esar aria iall para para logr lograr ar y mant manten ener er el éxito éxito por m ed edi o de l a ori en ent ac ac ió ión al c lilient e, e, l a gesti ón ón p or or pro proceso cesos, s, así así como como la util utiliz izaación ción de los los hech hechos os y de los los datos.
Como Métrica
Mide d e el dese desempe mpeño ño de un proc proces esoo en cuantoa cuantoa su nive nivell de prod produc ucto toss o servicio servicioss fuera fuera de especifi especificación cación
Como Filosofía
Mejoramie Mejoramiento nto continuo continuo de procesos procesos y producto productoss
Como Meta
Tener ener proce proceso soss de clase clase mund mundia ial,l, no prod produc ucir ir serv servic icio ioss o prod produc ucto toss defectu defectuoso ososs (3.4 pmo)
“Un método de gestión que permite a las empresas mejorar drásticamente sus resultados, median antte el diseñ eñoo y supervi vissión diaria de sus actividades, minimizan anddo el desp speerdicio y los recursos y, po porr ta tant nto, o, aumentando la sa sati tisf sfac acci ción ón de su suss cl clie ient ntes es””
6
Mikel Harry y Richard Schroeder “Six Sigma” 6
55
¿Qué es Seis Sigma?
6
¿Qué es Seis Sigma?
Concep eptto es esttadí díst stiico que ca caliliffica un pro rocces esoo en tér érm minos de def efeectos. Un nivel de caliliddad Sei eiss Sigma sign gniifica pre ressen enci ciaa sólo de 3.4 defectos por millllón mi ón de op oport ortun unid idad ades es..
REDUCCIÓN DE LA VARIACIÓN REDUCIR DEFECTOS
REDUCIR COSTOS
INCREMENTAR BENEFICIO EMPRESARIAL
Estrateg Estrat egia ia de inn innova ovaci ción ón pa para ra me mejo jorar rar sign si gnif ific icat ativ ivam amen ente te la sa sati tisf sfac acci ción ón de los clientes y el valor agregado a los inve in vers rsio ioni nist stas as me medi dian ante te la reducción de la var ariiac aciión en todos los proceso soss de un neg egoc ocio io..
INCREMENTAR SATISFACCION DEL CLIENTE 7
INCREMENTAR INGRESOS
8
T.Q.M. T.Q .M. – Seis Sigm Sigmaa
Otras definiciones La Visión La Metodología
E. Deming “La calidad se puede definir como co mo re redu ducc cció iónn de la va vari riac ació ión” n”
La Filosofía
6
La Referencia
La Meta
P. Crosby “La norma de realización de la cal aliidad es CERO DEFEC ECTO TOSS, no nivel ni veles es ac acept eptab able less de ca calilida dad”. d”.
La Métrica La Estadística
Feigenbaum “Cali “C alida dadd es sa sati tisf sfac acci ción ón de dell cl clie ient nte” e” 9
10
1.2
Calidad Seis Sigma
T.Q.M. T.Q .M. – Sei Seiss Sigma Sigma Juran LI
Planeación de Control de la calidad la calidad (durante las operaciones) d a d i l a c o n a l e d s o t s o C
23 min.
Distribución
LS
LI
LS
32 min.
23 min.
32 min.
Problemas Esporádicos Zona original de control de calidad
Problemas Crónicos
Lecciones aprendidas
Alta probabilidad error
Problemas Nueva zona de Crónicos control de calidad Mejora de la calidad
Tiempo(minutos)
Alta probabilidad de error
Baja probabilidad de error
Baja probabilidad de error
Ejemp Ejemplo lo:: El tiem tiempo po que que un cliente cliente esta esta disp dispue uesto sto espe espera rarr por por una una pizz pizzaa esta esta entre ntre 23y 32minuto 32minutoss
Tiempo 11
12 12
1.2
Calidad Seis Sigma
3.4 defectos por millón de oportunidades
305 537 defectos por millón de oportunidades
3 SIGMA
6 SIGMA
Malas Recetas médicas
54.000 / año
3 / año
Bebes que se caen
40.500 / año
3 / año
Tomar agua contaminada
2 h. / mes
27 min. / semana 6” / 100 años
Corte de señal de TV Mala Oper. médica
697 700 defectos por millón de oportunidades
1” / 16 años
Devolución Sacos de Azúcar
1.350 / semana
1 / 20 años
44.000 / año
5 / año
13 13
¿Qué significa 99% de Calidad? PARA PA RADI DIGM GMA A DE DELL
Corte de servicio eléctrico, por cada 7 horas cada mes.
14 14
¿Qué significa 99% de Calidad?
%
1000 galones
Peligro de agua potable contaminada al menos 15 minutos cada día.
Número de etapas
990.0 galones
CALIDAD FINAL = 0.99 n
1% 980.1 galones
Calidad transferida al cliente
1% 1%
99% de calidad ha dejado de ser suficiente, satisfactorio satisfactorio y mucho menos aceptable por el cliente
29.7 galones desperdiciados 15
970.3 galones
97.03% 16
Niveles de Calidad 6s
Calidad Seis Sigma : 99.9997% 1000 galones
Nivel Sigma
Número de etapas 999.997 galones
0.0003%
CALIDAD FINAL = 0.999997
Calidad transferida al cliente
999.994 galones
0.0003% 0.0003% 0.009 galones desperdiciados
999.991 galones
n
Alcanzar la Calidad Seis Sigma es una para el 99.9991% necesidad negocio
Nivel de Calidad
1
690 000
30.9%
2 3
308 537 66 807
69.2% 93.3%
4 5 6
6 210 233 SE APROXIMA 3.4 AL IDEAL CERO
99.4% 99.98% 99.9997%
DEFECTOS
17
18
1.3
Esfuerzo Seis Sigma
Defectos por millón de oportunidades
Histor ias de éxito d e Seis Sigma
Cuando las fuerzas de Mercado y la Competencia Reduce Precios Hacer Nada
Utilidad
Pérdida Costo total
Costo mala calidad Costo hacer las Costo cosas hacer bien las cosas bien Estado inicial
Costo mala calidad
Esfuerzo Seis Sigma Utilidad COPQ
s o s s o e s r e g r n g I n I
s o s e r g n I
Costo hacer las cosas bien
Costo hacer las cosas bien
Opción 1 Opción 2
19 19
20 20
Historia
Historia
Ing. Mikel Harry 1985 Propone estudiar la variación, siguiendo los principios del Dr. Deming. CEO Bob Galvin Enero 1987 “Lograr 3.4 defectos por millón para el año 1992”. Se inicia en la división de Comunicaciones, dirigida por George Fisher. 1992 Se alcanza un promedio de 150 defectos por millón.
Jack Welch General Electric
1995 Se da inicio al Seis Sigma. 1999 Beneficios acumulados de más de 2 millardos de dólares en beneficios
21
1.4
22
1.4
Principios de Seis Sigma
Primer principio
Autentica orientación al cliente, satisfacer al clientees la prioridad número uno.
Segundo principio
Todo debe y puede ser mejorado alineado con los objetivos de la organizació n.
Principios de Seis Sigma
Tercero principio
Las decisiones deben basarse en hechos, datos estadísticos, pues lo único constante en los procesos es la variación. Se debe evitar el “...Yo creoque...” o “...Yo pienso que...”
Objetivos
23 23
24 24
1.4
1.4
Principios de Seis Sigma Al mejorar se debe mirar el proc eso completo (Pensamiento Sistemático), pues optimizar un subproceso nos puede llevar a suboptimizar el proceso global.
Cuarto principio
C L I E N T E
Procesos de l a Organización
Proceso A
Proceso B
Proceso C
Principios de Seis Sigma
Quinto principio
C L I E N T E
Las causas de los problemas deben ser eliminadas en su raíz para prevenir que vuelvan a aparecer y así poder hacerbien las cosas desde la prim era vez.
Causa 1 Síntoma 1
Causa 2 Síntoma 2
PROBLEMA Causa n
Sub proceso a
Sub proceso b
Síntoma n
Sub proceso c
25 25
1.4
1.4
Principios de Seis Sigma
Sexto principio
26 26
C ad a v ez qu e un p roc es o es m ej or ad o debe garantizarse que los resultados se mantengan en el tiempo.
Principios de Seis Sigma
Sétimo principio
El recurso humano es fundamental de la empresa.
el
capital
Todos los miembros de la empresa deben ser líderes, maestros y modelos en la práctica de los prin cipios. 27 27
28 28
1.5
Seis Sig ma e ISO 9001
Seis Sigma como Sistema de Gestión de Calidad
Equivalentes
Sistema de Gestión de Calidad según la Norma ISO 9001
2.
CLICO DE DEMING
2.1 Requisitos para un Proyecto Seis Sigma 2.2 Criterios de selección 2.3 Equipo Seis Sigma 2.4 Selección del Equipo
Mejora continua
Mejora continua
Seis Sigma como proyecto de mejora
Proyectos Seis Sigma
Sistema de Gestión de Calidad según la Norma ISO 9001
Complemento
29 29
2.1
Requisitos para un pro yecto SS
Alineado con la estrategia d el n eg oc io . Ti en e u na metaclara.
Existen datos históricos, o puedenser obtenidos.
Mid e el rendimiento del p roc eso, m ed ici on es financieras para el n eg oc io e im pac to en el cliente.
P ued e s er h ech a p or u n equipode Trabajo.
Cumple con las expectativas de tiempo establecidas por la gerencia.
30 30
2.2
Criterios de selección
ESFUERZO FOCALIZADO
Beneficia Negocio
Apoyo de Administración
Cuantificable
Alineado con la Visión del Negocio
31 31
32 32
2.3
2.3
Equipo Seis Sigma
Equipo Seis Sigma
CHAMPIONS: Conformado generalmente por la alta gerencia. Son quienes seleccionan los proyectos y supervisa su funcionamiento. Participan enla elección de BBy GB.
MASTER BLACK BELT: S on l os r espons abl es del entr enam ient o de BB . S on especialistas en la Metodología y certifican BB. Lid eran proyectos de mucha complejidad organizacional. Remueven las barreras que impiden avances de proyectos.
Controler Onwer
33 33
2.3
34 34
2.3
Equipo Seis Sigma
Equipo Seis Sigma
BLACK BELT: Son los especialis tas en la apli cación metodología. Lideran proyectos Seis Sigma. Su rol es guiar al Equipo durante las fases del Proyecto. Sinergizan los conocimientos y esfuerzos de l os m iembros d el equi po. Dan s op ort e a l os GB . La interacción con el dueño del proceso continua después de terminado el proyecto.
OWNER: Son los líderes de las áreas en las que se van a desarrollar proyectos Seis Sigma. Es el socio estratégico del BB, para alcanzar la meta. Es el r esp onsabl e d e manten er y su per ar l os est ánd ar es alcanzados después de finalizados los proyectos.
GREEN BELT: S on m iem br os d el eq ui po d e p roy ec to q ue c on oc en l as herramientas básicas de la metodología. Son interdisciplinarios y multifuncionales. Están preparados para participar o liderar proyectos Seis Sigma.
CONTROLLER: Es el responsable de dar el visto bueno cada vez que haya algún tipo de evaluación financiera y cuantifica los beneficios obtenidos.
35 35
36 36
2.3
2.4
Equipo Seis Sigma
Selecció n de equip o Seis Sigma
TEST: Inventario de Utilización de Energías Se utiliza para indicar que atributos emplea una persona en su relación con los demás bajo dos tipos de condiciones: Cuando todomarchabien y cuandose enfrentacon un conflicto.
37 37
38 38
3.1
3.
DMAMC (o DMAIC)
Metodología Seis Sigma
1.- Definir el Problema, definir objetivos
3.1 DMAMC 3.2 DMAMC y el PHVA 3.3 Diagrama Metodológico
2.-Definir y Describir el proceso 3.-Evaluar Sistemade medición 4.- Evaluar Capacidad del proceso 5.-Determinar las causas del problema 6.- Determinar variables significativas 7.- Optimizar y robustecer 8.- Validar Mejora 9- Controlar y dar seguim iento al proceso 10.- Mejorar continuamente 39 39
40 40
3.2
Ruta Metodológ ica C I A Análisis del proceso
M
Planear
Control y aseguramiento del desempeño alcanzado
1.- Definir el Problema, definir objetivos 2.- Definir y Describ ir el proceso 3.- Evaluar Sistemade medición
Implementación de mejoras o transformación del proceso
4.- Evaluar Capacidad del proceso
Hacer
Medición del desempeño del proceso
D
DMAMC y el PHVA
5.- Determinar las causas del problema 6.- Determinar variables significativas
Definición del proyecto
7.- Optimizar y robustecer
Verificar Managemt
Equipo Six Sigma + Dueño Proceso con el apoyo del Sponsor
Dueño de
Team
y la guía del Master Black Belt / Black Belt
Proceso
Act uar
8.- Validar Mejora 9- Controlar y dar seguim iento al proceso
10.- Mejorar continuamente
41 41
3.3
42 42
Diagrama Metodológico Definir el Problema, definir objetivos
Determinar las causas del problema
Definir y Describir el proceso
Determinar variables significativas
¿Medici ón Capaz y estable SI ? ¿Proce so Estable ?
NO
Mejorar
4.
Optimizar y robustecer
4.1 Definir el problema 4.2 Definir y describir el proceso 4.3 Evaluar el sistema de medición 4.4 Evaluar Capacidad del proceso
Validar Mejora NO
Fase I: Definir y Medir
Eliminar causas especiales Controlar proceso
SI
¿Proce so Capaz?
NO
Mejorar continuamente Si
43 43
44 44
4.1
4.1
Definir Problema Ideas
Información Incompleta
Definir Problema CTQ (Cri ti cal to Qu ali ty). S on l os atribut os a factores críticos para la calidad de un producto o servicio que influyen en la decisión de compra por parte del cliente.
Creencias
CTQ
Situación problemática inespecífica
Identificación de los clientes, CTQ, VOC Diagrama de Pareto Histogramas, etc.
VOC
PROBLEMA DEFINIDO Objetivos definidos Alcance del proyecto definido
VOC (Voice of Client). Es la voz del clie nte que se obtiene por dos medios: Sistemas proactivos: Quejas del consumidor, llamadas telefónicas, devoluciones de productos, etc. Sistemas Reactivos: Observación del cliente, encuestas, entrevistas, etc.
45 45
4.1
Definir Problema
46 46
Pensamiento Estadístico
IDENTIFICAR CLIENTES Y CTQ 1. Definir Clientes Internos y Externos 2. D efi ni r el t ipo d e c li ent e y el c an al de c om uni cac ión p ar a obtener la VOC 3. Identificar preguntas claves para cada uno de ello s 4. Elaborar un plan de contacto con el cliente (quien, como, cuando, donde, etc) 5. Identificar los CTQ
Todo trabajo es un proceso Los procesos varían
Cambio del proceso Analizar variación del proceso
Aprender del proceso
Control del proceso
Pasos para implantar el pensamiento estadístico 47 47
Reducir la variación
Mejora de la calidad Satisfacción de: • Clientes • Empleados • Accionistas • Sociedad
48
CTQ
CTQ Proceso
Proceso
Cliente
CTQ
CTQ
Critical To Quality (Característica “crítica para la Calidad”)
Cliente
Característica de los resultados del proceso (bienes o servicios) que satisfacen un requerimiento crítico del cliente o un requerimiento del proceso del cliente
Deben representar lo que realmente es importante para el cliente
Tiempo de atención Confiabilidad Área de trabajo segura Productos sin daños Pagos a tiempo Nº de defectos
49
Defecto
Cualquier caso o evento en que el producto o proceso fracasan en la satisfacciónde la necesidaddel cliente.
El defecto es el incumplimiento de un requerimiento específico.
Una característica medible del proceso o su salida, que no cumple con los límites aceptables por el cliente.
La alta incidencia de defectos en un proceso, puede incrementar el número de unidades defectuosas, creando desperdicios y reprocesos.
50
Defectuoso
51
Una unidad que contiene defectos.
Una unidad ES o NO ES defectuosa, no interesa cuantos defectos tenga. 52
Oportunidades de Defecto
Oportunidades de Defecto
Toda situación que puede ocasionar que un producto o servicio no cumpla los requerimientos del cliente o su performance estándar, es decir que genere un defecto. OPER. 1
OPER. 2
Primero: Desarrollar una lista preliminar de tipos de defectos.
Llamadas locales: 7 dígitos por número
Llamadas internacionales: 10 dígitos por número
Determinación:
Más oportunidades de producir un defecto
Segundo: Determinar cuáles son los defectos reales, críticos para el cliente. Tercero: Comprobar el número de oportunidades propuesto frente a otros estándares.
Procesos más complejos, tendrán más oportunidades de defectos 53
Oportunidades de Defecto
54
Métricas
Consideraciones: Centrarse en áreas problemáticas “estándar”. Agrupar todos los defectos relativos a una oportunidad. Asegurarse que el defecto es importante para el cliente. Coherencia. Establecer normas para definir oportunidades. Cambiar el número de oportunidades sólo cuando sea necesario.
% de Unidades defectuosas Nº de Unidades defectuosas Nº de Unidades
Defectos por Unidad (dpu) Nº de defectos Nº de Unidades
55
56
Defectos por Millón de Oportunidades (dpmo)
Métricas
Defectos por Oportunidad (dpo) Nº de defectos Nº de Unidades * Nº de oportunidades
dpu Nº de oportunidades
El dpmo es una métrica para cuantificar el número total de defectos producidos en un millón entre el total de oportunidades de defectos. dpmo = dpm = dpo * 1´000,000 OD
OD = oportunidades de defectos El propósito del dpmo es poder comparar el rendimiento de un proceso , servicio o producto complejo con uno más simple.
Defectos por Millón (dpm) dpu * 1´000,000 57
Metodologías Seis Sigma
58
DMAMC – Panorama Total
DMAMC
Control
Define y/o valida la oportunidad de mejora en el negocio ¿El proceso existe actualmente?
DfSS - DMADV NO
Mide los requerimientos del mercado
KPIV1
Explora alternativas de diseño
KPIV2
SI
Mide el desempeño actual
KPIV3
Analiza la causa raiz del desempeño actual ¿El proceso es capaz cumplir las especificaciones del cliente?
Desarrolla diseño detallado
Monitoreo
Proceso a ser mejorado
$ Crítico
K P O V
Costos de Calidad
KPIV4 NO
Implementa nuevo diseño
KPIV5
SI
Mejora el desempeño
L I E
KPOV: Key Process Output Variable KPIV: Key Process Input Variable
Controla el desempeño 59
L S E
60
DMAMC
Etapa 1: Definición
DMAMC
Etapa 1: Definición Objetivo Identificar las oportunidades de mejora.
LA CLAVE PARA QUE LA MEJORA TENGA ÉXITO
Mapa de procesos
•Reclamaciones •Costes de mala calidad •Plan estratégico •Problemas PROYECTOS SEIS SIGMA
61
DMAMC
Etapa 1: Definición s e s r a o d d a e r e v t o n r E P
PROCESO
s s e t a d n i l e a i l C S
CTQ’s: Características críticas para la calidad
MATRIZ DE CARACTERIZACION Ejemplo
Definir características criticas para la calidad Misión del proyecto Proceso afectado
62
Las CTQ's son los elementos básicos que se usarán en la dirección de la medición del proceso mejora y control. 63
4.1
4.1
Definir Problema
Definir Problema
100 e t n e i l c l e d n ó i c c a f s i t
(8, 83%)
Muy Importante y poca satisfacción
Diagrama de Pareto
75
a s n I
0
Importancia para el cliente Valoración (Escala: 1-10)
CTQ
10
Factor de queja
Principio de Pareto Quejas
% relativo
Tiempo de entrega inaceptable
764
83
56
6.1
Tiempo de entrega
8
Sabor de la Pizza
7
Tipo de masa incorrecta
Canti dad de Ingredientes
7
Canti dad de i ngredi entes reducidos
50
5.4
Ingredientes correctos
10
Ingredientes incorrectos
30
3.3
Cortesía del repartidor
5
Descortesía del repartidor
20
2.2
Gr afic a d e b arr as qu e r epr es enta en forma ordenada el grado de importancia de las causas de un determinado problema, considerando la frecuencia con la queocurren las causas.
O regla 80-20. Es el comportamiento que sigue la grafica de PARETO: “El 80% de los problemas se encuentra en el 20% de las causas”.
65 65
4.1
66 66
4.1
Definir Problema
Definir Problema
Ejemplo Fastpizza’s
Ejemplo Fastpizza’s 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Mañana
67 67
Fines de Semana
Feriados
Noche
68 68
4.1
4.2
Definir Problema
Definir y describir el proceso
Ejemplo Fastpizza’s CTQs FMEA, Mapa de Procesos
X (KPIV)
Hoja de Vida del Proyecto
Cp, Cpk Prueba de Hipótesis
X (KPIV) significativas
ALCANCE
OBJETIVO
AHORRO
Quejas de los clientes por tiempo de entrega inaceptable.
Regresión DOE
X (KPIV) que afectan al proceso
Disminuir en 50% las quejas por tiempo de entrega en el Turno de la mañana. -Disminución de las llamadas en el Call Center -Disminución de las perdidas de clientes
Correlación
SPC
X (KPIV) que afectan al proceso
5 Ss
Controladas
S/.165,000
Simulación
Poka Yoke
Y (KPOV)
US$51,080
X Y
Key Process Input Varia bles (KPIV)
variable clave del proceso
Key Process Ouptput Variables (KPOV)
Problema
69 69
4.2
70 70
4.2
Definir y describir el proceso
Definir y describir el proceso
Identificar : Actividades del proceso, Entradas -Proveedores, Salidas Clientes
Mapa de procesos de la organización
INICIO
N1
C1
E1 E2
X3
C2
Mapa de un conjunto de procesos
S1 S2 FIN E3 E4
Mapa del Proceso de Análisis para el proyecto
C3 N2
E5
C, N y E son Entradas al proceso 71 71
S son Salidas
72 72
4.2
4.2
Definir y describir el proceso
Definir y describir el proceso Variables de Ruido o no controlables (N)
Formato d e Matriz SIPOC Proceso :
N1
Objetivo :
N2
C1
Proveedores
Entradas
Actividades
¿Quiénes son los queproveeran los recursos necesarios?
Recursos necesarios para el proceso
Salidas
Clientes ¿Quiénestápidiendola salidadel
Entregables del proceso
proceso?
Brevedescripción del paso del proceso Requisitos
Variables Controlables
S1 , S2
C2
Input
Y = f ( X1,X2,....Xn)
Requisitos
Process
Output
Client
Parámetros de Control / Medición / Seguimiento
Responsables
Documentos
ENTRADA CONTROLABLE
Aquell a que puede ser controlada
ENTRADA RUID OSA
Es impredecible s, alte ra el proceso.No es controlable por el momento.
E
ENTRADA EXPERIMENTAL
Aquella que puede ser estu dia da bajo diversos parámetros para ver su comporta miento enel proceso.
S
SALIDA
Según donde impactan sesuelenclasificar en: CTQ: Criti caspara lacalidad CTD: Critic aspara laEntrega CTC: Critic as para elCosto.
Se puede controlar fácilmente
Experimental (E)
Variable sobre la que se tiene capacidad de acción pero no se conoce su valor optimo.
Ruido (N)
Variable que se sabe afecta a las KPOV pero que por ahora no se puede controlar
“X” (KPIV) “ Y” (KPOV) 74 74
Definir y describir el proceso INICIO
NA
Acción VA
Controlable (C)
E4
N
Accion es a segu ir Características
E3
C
4.2
Definir y describir el proceso
Tipo
E2
Variables experimentales (E)
73 73
4.2
Características de calidad (Y)
PROCESO
E1
Suployer
Entiende las “X” (KPIV) y controlarás las “Y” (KPOV)
N3
VA
VA
Estandarizar el control
VA
VA
Verificar si impactan sobre el indicador (fase 2).
FIN
Establecer Nivel optimo (fase 3)
NA
VA
------------------------
75 75
VA
Operación con Valor agregado
Valor agregado son las características dadas a aquella operaciones indispensables por las cuales el cliente esta dispuesto a pagar
NA
Operación de no Valor agregado
No generan valor (pero si generan costos) 76 76
4.2
4.2
Definir y describir el proceso Eliminar l a fabrica oculta
Definir y describir el proceso INICIO
INFO INFO
FIN
INFO
INFO
Etapas donde se registran datos del proceso
77 77
4.2
78 78
4.2
Definir y describir el proceso
Definir y describir el proceso
Formato de M atriz AMFE Función del proceso (paso)
Métodos de falla potenciales (defectos de proceso)
Efectos de falla potenciales (KPOVs)
S E V
Causas potenciales de falla (KPIVs)
Matriz AMFE O C C
Controles de proceso actuales
D E T
NPR = SEV * OCC * DET
N P R
1
Donde:
2
Se hace una Simple 3 descripción Del proceso
Severidad
Ocurrencia
Detección
NPR :
4 5 6 7
Forma como el proceso podría no cumplir con las especificaciones
Efecto que puede tener el defecto en el cliente
Razón por la cual ocurre la falla
SEV :
Controles que detectan o previenen la falla si es que ocurre
OCC :
8 9 10
DET :
NPR = SEV * OCC * DET Nivel de prioridad de riesgo 79 79
Número de probabilidad de riesgo o de prioridad de riesgo. EI NPR es la multiplicación de la severi dad de la falla, la ocurrencia de esta y su posible detección. Este será mejor en tanto sea menor. Severidad. Es el impacto de mayor o menor intensidad en que la falla de un proceso puede repercutir en el cliente (interno o externo) y s u comportamiento respecto a nuestros servicios. Ocurrencia Frecuencia en la que puede ocurrir una falla. Detección Posibilidad de identificar la falla en algún momento durante el proceso.
80 80
DMAMC
DMAMC
Etapa 2: Medición
Etapa 2: Medición
Objetivo Medir el nivel de desempeño del proceso y oportunidad alcanzable. Alcance del proyecto LÍMITES: Dónde empieza/termina
Identificar los KPOV’s CTQ’s
Y’s
Qué actividades incluye/excluye
Función A
Misión del proyecto Proceso afectado
s e s r a o d d a e r e t v n o E r P
Función C
Actividad 2
Actividad 3
“CAJA DE HERRAMIENTAS”
Actividad 5
Actividad 4 Actividad 6
s s e a t d n i l e i a l C S
Variables del proceso Rendimiento del proceso Capacidad del proceso Nivel s del proceso
Las Y’s son las salidas del proceso que reflejan las características críticas para la calidad (CTQ’s ). Los KPOV’s son las Y’s claves del proceso. Los KPOV’s miden el desempeño del proceso a ser mejorado.
Actividad 8
FLUJO: Cómo funciona DOCUMENTACIÓN: Procedimientos / Instrucciones
Resultados de las Y’s
Actividad 7
CTQ’s: Características críticas para la calidad
4.3
Función B
Actividad 1
81
82
4.3
Evaluar Sistema de Medició n
Evaluar Sistema de Medici ón Precisión y Exactitud
“Un Sistema de medición es la colección de operaciones, procedimientos, instrumentos de medic ión, software y personal definido para asignar un numero a la característica que esta siendo medida” (MeasurementSystemsAnalysis1995)
Preciso, no exacto
Exacto, no preciso
Ni preciso, Ni exacto
Preciso y Exacto
La evaluación del sistemade medición consiste en determinar l a c ap ac id ad y es tabi li dad d e l os s is tem as p or m edi o d e estudios de: • Estabilidad • Repetibilidad • Reproducibilidad • Linealidad • Exactitud 83 83
84 84
4.3
4.3
Evaluar Sistema de Medició n
Exactitud
Es la di ferencia entre el prom edi o de l as mediciones hechas por un operario y el valor real obtenido conel master (patrón). “Una buena Exactitud se logra con un buen programa de calibración”
Linealidad
Estabilidad
S e d efi ne c om o l a di fer enc ia en l a e xac ti tud (sesgo) entre el master y el promedio observado sobre todo el rango de operación del instrumento
Evaluar Sistema de Medici ón
Repetibilidad
Reproducibilidad
Es la cantidad de variación en exactitud sobre cierto periodo. Sin evalu ar la estabilidad no es posible asegurar evaluaciones confiables sobre las demás propiedades estadísticas
Es la variació n en las mediciones hechas por un m ism o op er ad or en u na m is ma pi ez a y con el mismo instrumento de medición. Se defi ne c om o l a v ari ac ió n al re ded or de l a media.
Variación entre las medias de las mediciones hechas por varios operarios con las mismas piezas y con el mismo instrumento de medición.
85 85
4.4
86 86
4.4
Evaluar Capacidad del pro ceso
Evaluar Capacidad del pro ceso Anál isi s d e Normal idad Prueba de Normalidad Probability Plot for Grupos LSXY Estimates-Complete Data SmallestExtremeValue 99.9
90
99
50 t n e c r e P
CorrelationCoefficient Smallest Extreme Value 0.957 Normal 0.985 Logistic 0.975
Normal
99.9
90 t n e c r e P
10
50 10
1
1 0.1
-20
0
0.1
20
Grupos
0
10
20
30
Grupos
Logistic
Capacidad
Habilidad basada en rendimiento demostrado, de un proceso, en satisfacer los requerimientos del cliente.
99.9
Capacidad Medida
99
Capacidad del proc eso cuantif icada, de datos que son resultado de mediciones de trabajo realiz ado por el proceso. 87 87
Variación de los datos
t n e c r e P
90 50 10 1 0.1 0
20
40
Grupos
Si los datos son normales, se podrá hacer el análisis de la Capacidad del Proceso. 88 88
4.4
4.4
Evaluar Capacidad del pro ceso
Evaluar Capacidad del pro ceso CENTRAMIENTO (Cpk)
P ar a an ali zar si un indic ador es cap az d e c um pli r c on l as especificaciones, se suele utilizar el índice de capacidad
No sol o int eresa ver si el indicador puede cumplir con las especificaciones, nos interesa saber si este centrado respecto a las mismas.
Diremos que un indicador es capaz de cumplir con las especificaciones cuando su dispersión es menor que la distancia entre especificaciones. LSE -LIE
Cp = Cp 1<
Cp = 1
Cp = 2
Para anali zar esto, existe el índice de centramiento denominado Cpk que midela menor distancia del promedio de los datos a las especificaciones comparada contra el ancho de mediadistribución.
< 1
INCAPAZ
Cpk = Min
Cp < 1.33 APENAS CAPAZ
1.33 < Cp < 2 Cp > 2
Promedio de los datos
Especificación
6s LSE - X
,
3s
X - LIE 3s
CAPAZ MUY CAPAZ 89 89
Variación LIE
LSE
Necesidad de estudiar los procesos Conocimiento de la relación Causa - Efecto
3
90 90
3
Variación Al cliente no le interesa el promedio INSATISFACCION
Centrar la media (de acuerdo al requerimiento del cliente) y reducir la amplitud. 91
Expectativa del cliente: plazo de entrega 8 días después del pedido Perspectiva interna
Plazo de entrega del proceso existente (días) 20 15 30 10 5 x = 16 días
Después de las mejoras convencionales (días) 17 2 5 12 4 x = 8 días
Celebración interna. Mejora de 16 a 8 (50%)
Perspectiva del cliente Intervalo de 15 días
Días de atraso (+9)
Días de anticipación (-6) 2 5 8 12
Fecha pretendida por el cliente
17
92
Capacidad de Proceso
Capacidad de Proceso Cp: índice de Capacidad
Reducida variación alrededor de la media y proceso centrado en el objetivo Voz del Proceso
Voz del Cliente
Real del Proceso.
Cp = LSE - LIE 6*s Donde:
Objetivo Capacidad del Proceso =
Cpk: índice de Capacidad
Potencial del Proceso .
Voz del Cliente Voz del Proceso
LSE LIE s x
Cpk = min LSE - x , x - LIE 3*s 3*s
= Límite superior de especificación = Límite inferior de especificación = desviación estándar teórica de la población = centro del proceso
Valores más altos de Cp y Cpk, ES MEJOR. 93
94
Capacidad de Proceso
Capacidad de Proceso
LIE = 125
Relación entre nivel sigma, Cp y Cpk NIVEL
Cp
Cpk
1
0.33
-0.17
2 3
0.67 1.00
0.17 0.50
4 5
1.33
0.83
1.67
1.17
6
2.00
1.50
LSE = 135
6
LIE 1.5
z = x-x
6
1.5
LSE
6
3.4 Dpmo
z = 135 - x
6 4.5 X
4.5 -6s-5s-4s-3s-2s -1s 0 1s 2s 3s 4s 5s 6s
95
% = 100% - 99.99966% % = 0.00034% Transformando a por millón 0.00034 / 100 * 1000000 3.4 dpmo
z = 4.5
%?
TABLA Z PORCENTAJE BAJO LA CURVA NORMAL Z
0
z
0.01
0.02
0.03
4.30 99.99915
99.99918
99.9 9922
99.99925
99.9 9929
99.99932
4.40 99.99946
99.99948
99.9 9951
99.99953
99.9 9955
0.04
99.99957
0.05
4.50 99.99966
99.99968
99.9 9969
99.99970
99.9 9972
99.99973
4.60 99.99979
99.99980
99.9 9981
99.99982
99.9 9983
99.99983
4.70 99.99987
99.99988
99.9 9988
99.99989
99.9 9989
99.99990
96
4.4
4.4
Evaluar Capacidad del pro ceso
Evaluar Capacidad del pro ceso
Primer Ejemplo pr oblema Variación y Centrado
Segundo Ejemplo pro blema Variación y Centrado Process Capability of % de Saturación LSL Target USL LS L
Process Data 0
T arge t U SL Sample Mean Sample N StDev(Within)
Within Overall
0. 1 0.2 0.0626415 106 0.107208
StDev(Overall)
Potential (Within) Capability Cp CPL CPU
0.31 0 . 19 0 . 43
Cpk 0 . 19 CCpk 0.31
0.107447
Overall C apability
-0.15 Observed Performance PPM < LS L PPM > USL PPM Total
Cpk Superior < Cpk inferior, u tiende hacia el LSE Cpk Inferior < Cpk Superior, u Tiende hacia el LIE
0.00 103773.58 103773.58
0.00
0.15
0.30
0.45
Exp. Within Performance
Exp. Overall Performance
PPM < LSL PPM > USL PPM Total
PPM < LSL PPM > USL PPM Total
279509.11 100055.21 379564.32
Pp
0 .3 1
PPL PPU Ppk Cpm
0 . 19 0 . 43 0.19 0 . 29
0.60
279947.66 100557.92 380505.59
97 97
98 98
DMAMC
Etapa 3: Análisis 5.
El Foco del Seis Sigma
Fase II: Analizar
Y=
5.1 Determinar las causas del problema 5.2 Variables Discretas y Continuas 5.3 Prueba hipótesis 5.4 Procedimiento de prueb a hipótesis 5.5 Ejemplos
Y
99 99
f(X)
X 1 . . . XN Independiente Dependiente Entrada - Proceso Salida Efecto Causa Síntoma Problema Monitoreable Controlable Mejorar las Y’s a través de mejorar las X’s 100
DMAMC
Etapa 3: Análisis
Etapa 3: Análisis
Objetivo Identificar los KPIVs para cambiar o controlar que disminuyan los índices de defectos en los KPOVs. Identificar variables de entrada (X´s) Función A
Función B
Función C
Actividad 2
Actividad 3
Actividad 5
Actividad 4 Actividad 6
Las X’s, son los factores, causas, condiciones que afectan los KPOV’s. Identificar
RESULTADOS DE LOS KPOV’s (Problema práctico)
X’s
Actividad 1
s e r s o a d d e a e r t v n o r E P
DMAMC
s s e a t d n l i e i a l C S
Actividad 8
KPOV’s
KPIV’s: FACTORES DOMINANTES
“CAJA DE HERRAMIENTAS”
Actividad 7
“CAJA DE HERRAMIENTAS”
Y = f(X’s) Problema estadístico
Al controlar o cambiar los KPIV’s (X’s claves), produciremos efecto en los KPOV’s.
101
102
DMAMC
Etapa 3: Análisis CTQs
Despliegue CTQ
X (KPIV)
Definir Característica crítica
FMEA, Mapa de Procesos Cp, Cpk Prueba de Hipótesis
X (KPIV) significativas
Correlación Regresión
Y
Y
Y
KPOV Y
Y
De las variables de salida (Y’s) del proceso, identificar los KPOV’s que responden al CTQ.
X (KPIV) que afectan al proceso X (KPIV) que afectan al proceso
Controladas
Identificar las variables
X
X
KPIV X
X
KPIV X (X’s) que afectan el
KPOV e identificar los pocos vitales (KPIV’s) 103
DOE
Simulación SPC 5 Ss
Poka Yoke
Y (KPOV) X
Key Process Input Varia bles (KPIV)
variable claves del proceso
Y
Key Process Ouptpu t Variables (KPOV)
variables clave de salida del proceso para el cliente 104 104
5.1
5.1
Determinar las causas
Determinar las causas Matriz Causa-Efecto
Diagrama de Causa-Efecto (Ishikawa)
Se ha visto que la KPIV, puede impactar en las KPOV:
Con la finalidad de determinar las posibles causas generalmente que afectan a nuestro poble wma(Y o KPOV),usaremosel Diagrama Causa– Efecto, o Ishik awa. Criterio de agrupación 1
causa
Criterio de agrupación 2
causa causa
Criterio de agrupación 3
causa causa
causa causa
causa
Listarpor tormentade ideaslas causas generales que afectan al indicador.
causa
causa
causa PROBLEMA
causa causa
causa causa
causa
causa
causa
Criterio de Criterio de agrupación 6 agrupación 5
Criterio de agrupación 4
Por 6M Mano O Materi al Maquinaria Método Medición Medioamb.
Nota: Silas causasvienen de losKPIV, se deben señalarsi sonE,C,N
5.1
105 105
ENTRADAS DEL PROCESO INICIO
N1
CAPACIDAD DEL PROCESO
Número de Contratos
Conocimientos norma de créditos
Numero deAnalistas
Tiempo de entrega de Contratos
Tiempo de Calificación
% de créditos rechazados
Costo Evaluación.
Para mejorar el proceso, se debe identificar cuáles son las X que más afectan a lasY para determinarcuálesdebenser atacadas.
106 106
5.2
Determinar las causas
Posteriormente se validaran cuales causas son definitivamente las que son las responsables del Problema
Y
Ejemplos:
Agr upa r l as c aus as e n 4 o 6 grupos. Sesuele usar: Por 4M Mano O. Mat eri al Maquinaria Método
causa
causa
afecta
X
CONSTRUCCION
Variables Discretas y Conti nuas
FEMEA
C 1
X 1
X2
X 3
C 2 Y 1
FIN
X 3 X 4
Datos Discretos
tienen un número fijo de valores Ejemplos: estado civil, sanguíneo, número de niños
Datos Continuos
tienen un número infinito de valores Ejemplos: estatura, peso, temperatura
Y 2
C3 N2
X5
tipo
ISHIKAWA
PRUEBA DE HIPOTESIS
VARIABLES SIGNIFICATIVAS 107 107
108 108
5.3
5.3
Prueba Hipót esis
Prueba Hipót esis Errores posibles al evaluar una hipótesis
PRUEBA DE HIPOTESIS
Verdad de H0 V
F
(no hay diferencia)
Para conocer si un factor ( X: KPIV ) influyesobre nuestro i ndi cad or ( Y: K PO V ) del p roc es o; s e s uel e v ar iar est e factor de manera de ver si su variación afecta al indicador.
Aceptar H0 (no hay diferencia)
La manera de ver esta vari ación es a través de l as pruebas de hipótesis que nos permitiránconcluir si el factor en estudio afecta significativamente al indicador.
Aceptar Ha (si hay diferencia)
Decisión correcta 1 - (nivel de significan cía)
(si hay diferencia)
Error tipo 2
β
Decisión correcta
Error tipo 1
1 –
α
P (E rr or Ti po ) = : Pro ba bi li da d de encontrar una d if ere nc ia c uá nd o estano existe. = 0.01,0.05 P(Error Tipo2) = : Probabilid ad de no encontrar una d if ere nc ia c ua nd o estasiexiste.
(poder la prueba) F
V
Verdad de Ha
109 109
5.3
5.3
Prueba Hipót esis
Si p – v al > 0 .05 ( )
Prueba Hipót esis Prueba Anova
RECORDANDO Ho : El f a ct or n o g en er ó di fe re nc ias A nt es V s D esp ué s Ha : El f a ct or s i g en er ó di fe re nci as A nt es V s D es pu és
110 110
( X n o af ec ta Y ) ( X si a f ect a Y )
ONE SAMPLE t – TAMAÑO DE MUESTRA (Si la Población es Normal) Prueba
NOse rechazaH 0
t (One Sample t)
Estadísticot = X- s / n
VOCABULARIO
Hipótesis Nula
H0: = 0
Hipótesis Alterna Conclusión Robusta: Rechazar H0. Ello pues el valor de se ha fijado en la prueba (usualm ente en 0.05) Conclusión Débil: Aceptar H0 sin conocer el valor de . En estos casos se suele decir “No puede rechazarse H0” Potencia de una pruebaestadística: Esla probabili dadde rechazarcorrectamente unaH0 Potencia = 1 - 111 111
Ha: 0;
t > t , n-1
0 ;
| t | > t /2 , n-1
Minitab Stat-Basic Statisc-1sam ple t
112 112
5.3
5.3
Prueba Hipót esis Sourc e TIPO LOTE Err or Total S =3712
Prueba Hipót esis
DF SS MS F P 2 177886860 88943430 6.46 0.002 118 1625812015 13778068 120 1803698874 R-Sq = 9.86% R-Sq(adj) = 8.33%
Correlación y Regresión
Indi vi dual 95%CI s For Mean Based on Pooled StDev Level N Mean StDev --- -- --- +-- --- -- --+---- --- -- +-- --- -- --+ADULTO 52 6158 3863 (-- -- *-- -- ) J OVEN 17 9055 4226 (- -- -- -- - *- -- -- -- -) VIEJO 52 5331 3369 (-- -- *--- -) 6000 8000 10000 12000
INTRODUCCIÓN: Al interio r de un proceso, usualmente existe una relación entre 2 variables. Siuna Y (KPOV)se correlacionacon unaX; podremos decirqueX es una KPIV.
Boxplot of HUEVOS INCUBADOS by TIPO LOTE 16000 14000 S 12000 O D A 10000 B U C N I 8000 S O V 6000 E U H
Deestamanera diremosque existe unaecuación que liga a ambasY = f (x). Esta ecuación se denomina“Modelo matemático”. Esta ecuación secalcula usandotécnicasde regresión. Usualmente la correlación para determinar la fuerza que lig a a 2 variables sin necesid ad de alterar el proceso como se hizo en las Pruebas de hipótesiso comoharáen losDOE (Fase 3).
4000 2000 0 ADULTO
JOVEN TIPOLOTE
VIEJO
113 113
5.3
114 114
5.3
Prueba Hipót esis
Prueba Hipót esis
Correlación
Correlación
Esla Fuerzade Asociaciónentre 2 Variables. Semide conel Coeficiente de Pearson (r) -1 r 1
Precauciones: Dado que no estamos modificando el proceso ( variando x) y midiendo su efecto ( en Y) : encontrar que “hay correlación” no s iem pr e s ig ni fi ca qu e al v ar iar X , v ari ará Y (Ca us a – Efecto) Solo debemos usar correlación cuando hay una persuasión razonable queX podría afectar Y
-1 r < 0
r=0
Correlación Negativa
No hay Correlación
0 0.05
Factor no afecta Acepto H0
Variar el factor de manera de tener 2 Situaciones : “Antes” “Después”
X Discreta
Rechazo H0
No
Factor si afecta
Fin
1
119 119
Para distribucion normal de Y Prueba T1 Prueba T2 Prueba Anova
Chi cuadrado
Para distribucion no normal de Y Prueba W Prueba xxxx Prueba kk 120 120
5.5 Ejemplos: EMPRESA COURIER X
X1= Zona Geografica Zona 1
Zona 2 . . . . . Zona 10
Y cantidad pedido devueltos semanal 20 30 . . . 10
48 datos (48 semanas)
“ EL RAPIDO”
5.5 Ejemplos: EMPRESA COURIER X
¿Qué tipo de prueba?
X1= Discreta, tiene 10 valores (menos de 30)
Y cantidad pedido devueltos semanal
X2= Repartidores Repartidor 1
Y= continua
20 40 . . . 30
48 datos (48 semanas)
30 50 . . . 20
48 datos (48 semanas)
Por lo tanto se utiliza la Prueba de Anova para probar la significancia de X en Y. Nota: no se utiliza T1 ni T2 porque son más de 1 y 2 muestras respectivamente.
Repartidor 2 . . . . . . . . Repartidor 50
20 30 . . . 10
48 datos (48 semanas)
20 40 . . . 30
48 datos (48 semanas)
30 50 . . . 20
48 datos (48 semanas)
“ EL RAPIDO”
¿Qué tipo de prueba?
X2= inicialmente es discreta, pero por tener más de 30 valores se le considera continua. Y= continua Por lo tanto se utiliza la Prueba de Regresion.
125 125
5.5 Ejemplos: EMPRESA COURIER X
X3= ¿El repartidor usa Guia ? Si
No
Y cantidad pedido devueltos semanal
50 10 . . . 20 10 20 . . . 30
“ EL RAPIDO”
126 126
5.5 Ejemplos: FABRICA DE PASTAS “NA POLITANO” X
¿Qué tipo de prueba?
X3= Discreta
Y cantidad de pasta quemada
X1= Presion en el cabezal (Bar)
Y= Continua Por lo tanto se utiliza la Prueba T2 para probar la significancia de X en Y
100 datos Nota: no Anova porque solo son 2 muestras.
127 127
40 bar 65 bar 50 bar 30 bar . . . . . . 60 bar
¿Qué tipo de prueba?
X1= es continua Tiene mas de 30 datos 10 kg 15 kg 12 kg 8 kg . . . . . . 14kg
Y= continua Por lo tanto se utiiliza la Prueba de Regresion
128 128
5.5 Ejemplos: FABRICA DE PASTAS “ NAPOLITANO” X
Y cantidad de pasta quemada
X2= Temperatura de cocido (ºC)
105 datos
45 ºC 35 ºC 55 ºC 32 ºC . . . . . . 50 ºC
X
¿Qué tipo de prueba?
Y cantidad de pasta quemada
X3= Humedad relativa (%)
X2= es continua Tiene mas de 30 datos 15 kg 10 kg 20 kg 8 kg . . . . . . 25kg
5.5 Ejemplos: FABRICA DE PASTAS “NA POLITANO”
Y= continua Por lo tanto se utiiliza la Prueba de Regresion
103 datos
¿Qué tipo de prueba?
X3= es continua Tiene mas de 30 datos
60% 55% 70% 45% . . . . . . 72%
15 kg 10 kg 20 kg 8 kg . . . . . . 25kg
Y= continua Por lo tanto se utiiliza la Prueba de Regresion
129 129
130 130
DMAMC
Etapa 4: Mejora 6.
Fase III: Implementar (mejora) 6.1 Análisis de riesgo: Matriz FMEA. 6.2 DOE 6.3 Procedimiento DOE 6.4 Plan de Mejora
Objetivo Determinar que cambios son necesarios en los KPIVs y como efectuarlos, con el fin de reducir la tasa de defectos de los KPOVs. KPIV’s: VARIABLES DOMINANTES (Problema estadístico)
MODELO DEL PROCESO (Solución estadística)
“CAJA DE HERRAMIENTAS” SOLUCION A IMPLANTAR 131 131
PRUEBA DE SOLUCIONES (Solución práctica) 132
DMAMC
Etapa 4: Mejora
. PROCESO AMFE
Entender cuánto afectan los KPIV´s a los KPOV´s n ó i s i c e d a l
e d o g s e i r l e o d n e i c e r c e D
6.1 Análisis de riesgo : Matr iz AMFE
ENFOQUE VENTAJAS Análisis de Los datos disponibles datos históricos pueden producir indicios
DESVENTAJAS Los resultados pueden ser engañosos. Poco entendimiento
F A S E I
Poco entendimiento. No analiza interacción entre las X’s
Un factor a la Simple de usar vez
Discusión paradefinir NPR. P la n d e A cc i ón d e m e j or a d e l o s NPR.
F A S E II
producir un impacto Poco entendimiento Prueba y Error Pude rápido
Elabora FMEApreliminar.
Ejecución delPlan. Evaluaciónde Resultados. NO OK SI Emisióndel AMFE definitivo.
Mejor entendimiento del Requiere planificación Diseños Disciplina experimentales sistema 133
6.1 Análisis de riesgo: Matr iz AMFE
134 134
6.2
DOE
. Introducción al DOE Sevuelve usar la matriz AMFE mostrado anteriormente. En esta parte se establecen las posibles soluciones para aquellas activid ades que tienen un NPR alto.
Son las acciones orientadas a seguir para las causas con NPR alto, destinadas mejorar la detección de la causa o disminuir la frecuencia de ocurrencia de las fallas
Acciones Recomen dadas
Persona S O D N responsab Acciones E C E P le & Fecha Tomadas V C T R Objeto
Las acciones recomendadas que son llevadas A cabo.
Es una estrategia experimental estructurada que permite la e val uac ión d e m úl ti pl es v ar iab les d e pr oc es o en c uant o a s u capacidad para influir sobre las características de un producto o proceso.
El NPR después de haber tomado las acción (es). El cual se supone debe ser menor
• Determinar que factores son importantes. • Establecer la estabilidad del proceso.
El responsable de llevar acabo la acción (es)
• Encontrar el mejor conjunto de condiciones de operación.
135 135
136 136
6.2
DOE
6.2
DOE
Diseño Factorial Completo CTQs
X (KPIV)
FMEA, Mapa de Procesos Cp, Cpk Prueba de Hipótesis
X (KPIV) significativas
Correlación Regresión
X (KPIV) que afectan al proceso X (KPIV) que afectan al proceso
Controladas
DOE
El Factorial Completo estudiará cadacombinación posible en los ni vel es esc ogi dos. E st os dis eñ os p rov eerán una gr an i nf or mac ión qu e n os p er mi ti rá d et er mi nar el ef ec to de l os factores principales sobre la respuesta seleccionada.
Simulación
Cantidad de pruebas quese necesitan =
SPC 5 Ss
(niveles factor 1)x (niveles factor 2)x (niveles factor 3)x …. (niveles factor n)
Poka Yoke
Y (KPOV) Donde:
X
Key Process Input Varia bles (KPIV)
variable claves del proceso
Y
Key Process Ouptpu t Variables (KPOV)
variables clave de salida del proceso para el cliente
Factor = Son las variables (KPVI) X1, X2, X3… Xn Nivel = Es la cantidad de valores que toma cada factor 137 137
6.2
DOE
138 138
6.2
DOE
Diseño Factorial Completo con 2 niveles
Limitaciones para el Diseño Factorial Completo
Por Ejemplo 3 factores cada uno con 2 niveles:
•La limitaci ón del Factorial completo no es teórica sino practica. Los recursos (ej. Tiempo, costos) necesarios para correr un factorial completo pueden ser significantes.
Cantidad depruebas que senecesitan = 2 x 2 x 2 = 8
• Factorial completo puede ser usado en investigaciones donde el numero de variables es pequeño (2-4), pero no son recomendables cuando el numero de variables a investigar es mayor (5 o más).
Donde:
2
3
3 = Factor = K = varia bles (KPVI) X1, X2, X3 2 = Nivel = Es la cantidad de valores quetoma cada factor
•Factorial Completo son efectivo cuando son usados de la manera adecuada, en el momento propicio dentro del proceso de mejora del estudio.
2 139 139
K
140 140
6.2
DOE
6.2
DOE
Diseño Factoriales Fraccionados Son diseños donde se elig e adecuadamente una parte o fracción de los tratamientos de un factorial completo, con la intenció n de poder estudiar el efecto de los factores utilizandomenos corridas experimentales, debido a que es imposible en la practica correr todos los tratamientos. La teoría de los diseños factoriales fraccionados se basa en la jerarquización de los efectos: Son más importantes los efectos principales, seguidos por la interacciones dobles, luego las triples, las cuádruples , etc. Número de factores (K)
Número niveles (2)
2
K-p
Número de generadores del diseño
Acl arac iones para fraccionados:
el
Diseñ o
Facto riales
•Se pierde información, ya que habrá efectos que no se podrán estimarse y se tienen menos grados de libertad disponibles para la estimación del error. Los efectos que se pierden se espera que sean, en la medida de los posible, interacciones de alto orden, las cuales se pueden ignorar de antemano con bajo riesgo. •Se utilizasobre todo para probar un gran número de x potenciales c on un m ín im o de c orr id as y l og rar l a s el ec ci ón de l as p oc as X vitales. •Los experimentos altamente fraccionados son experimentos donde el número de corridas essoloun poco mayor que el número de factores y sirven para detectar solo efectos principales.
141 141
6.2
DOE
142 142
6.3
Procedimiento DOE
Pasos para la experimentación Recomendaciones para el Diseño Factoriales fraccionados:
1.
Defenir el proble ma.
2.
Establecer el objetivo.
3.
Seleccionar las variables de respuesta.
•Los experimentos alt amente fraccionados se usan a menudo para cernido, para encontrar las variables que merecen mayor estudio
4.
Seleccionar las variables independientes y su niveles.
5.
Verificar a capacidad y estabilidad de los instrumentos-sistemas de medición. Entender el espacio de inferencia.
•Los experimentos másútiles tiene 8, 16 0 32 corridas.
6.
Seleccionar el Diseño Experimental: tipo de diseño a utilizar y número de replicas.
•Ust ed puede añ adi r ni vel es (us e 3, 4 o 5 ni vel es) par a un estudio más detallado de las variables importantes.
7.
Planear y correr el DOE. Realizar las pruebas aleatoriamente.
8.
Recolectar los datos.
•Los experimentos de 2 niveles pueden usarse con variables X discretas o continuas.
9.
Analizar los Datos.
10. Obtener las conclusiones estadisticas. 11. Replicar los resultados, si corresponde.
•Recuerde además queustedpuedecorrer la otra media fracción si los result ados del prim erexperimento no son claros.
12. Establecer soluciones practicas y comunicar. 143 143
13. Implementar soluciones.
144 144
Procedimiento DOE
6.3
6.3
Procedimiento DOE
Acci ón Selección d e factores
1.
Podemos utilizar las siguientes fuentes:
Plantear el problema a resolver y objetivo que se requiere alcanzar
Minitab El problema es aumentar/disminuir..... Y = Nombre del indicador Nivel Bajo
Nivel alto
(-)
(+)
X1 : Nombre del factor
• FMEA (Puesta al día después de la Fase de Análisis)
X2 : Nombre del factor
2.
• Lista de Calsificación de Entrada. Mapa de procesos.
Identificar los factores y sus niveles.
X3 : Nombre del factor
• 2 Level Factorial
• Factores de Estudio de Variación Multiple 3.
• Resultados de la Prueba de Hipótesis • Conocimiento de los expertos, experiencia de los operadores
Cree la hoja de toma de datos para el experimento Stat / DOE / FACTORIALS / CREATE FACTORIAL / DESIGNS
• Requerimientos de los clientes • Opinión de los proveedores
• Number Of. Factors DESGNIS
Full factorial Center points= # Replicates=
FACTORS
En la columna “Name” ponerle el
OPTIONS
. Do not fold
nombre del factor
• Literatura, tormenta de ideas.........
Randomize Runs
Store Design on Worksh
Summary table, alias table RESULTS
Defaultinteractions
145 145
Procedimiento DOE
6.3
Acción 4.
Determine el tamaño apropiado de la muestra.
5.
Realice el experimento siguiendo la hoja de datos obtenidas.
6.
Analice los datos obtenidos Sta t/ DOE / ACTORIALS Analyze Factorial Design
146 146
6.4
Plan de Mejora
Minitab RESPONSES
Poner el indicador
TERMS
Seleccionar todos los factores y pasarlos a “Selected Terma”
Los planes de Implementación Final de soluciones debe contener: •La solución (acción) recomendada.
GRAPHS
•La causa verificada y el efecto esperado de la solución.
Normal Paretto
•Definir al res pons able que llevara a la práctica la solución.
Alpha = 0.1 Residual for plots : Regular RESULTS
•Coefficients and ANOVAtable
STORAGE
Fits (Desmarcar)
Nota:
•Donde y cuando se realizara (fecha de inicio-fecha final).
Residuals (Desmarcar)
•Como se realizara (descripción operativa).
1. Si se ha usado 2 o mas replicas Minitab arroja p-valúes asociados a cada factor e interacciones; los cuales deben ser usados para probar hipótesis: H0: El efecto del factor no es importante sobre Y
Si p-val>0.05
Ha: El efecto del factor si es importante sobre Y
Acepto H0
•Recursos necesarios para la implementación. •Retorno esperado (beneficio). •El Plan de Gerenciamiento. 147 147
148 148
Plan de Mejor a
6.4
6.4
Formato Plan de Implementación de Soluciones. PROYECTO:
ID
FECHA:
1
MIEMBROS DEL EQUIPO: Nro
TIE MPO
ACCION RECOME NDADA
CAUSA
EFECTO QUIEN ESPERA RESPON OPERACI DONDE CUANDO DO SABLE ÓN
RECURSOSNECESARIOS ENTRENAM IENTO SOPORTE OTROS
S$
RETORNOESPERADO S$
SATISFACCIÓN
FECHA I NI CI O
PORCENT AJEDE
STATUS
F IN
COMO
OBSERVACIONES
AVANCE
OportunidaddeMejora
Plan de Mejora Accionesde Mejora
Tipode Mejora
Responsable
Desarrollode unaBasedeDatos Faltadeuncontrol delasaltasen dondeseregistralasaltas por dslam Co rt o pl azo Ve ro ni ca Avi la DSLAM quepr esentan saturación saturados
Faltadeun sistemaquecontrole Desarrollode laBD quecontrolela 2 lacapacidaddisponibledeTx por capacidaddisponible deTx por DSLAM's DSLAM's
LargoPla zo ErnestoSaravia
Fechade %de Compromiso Avance
1 5d e Ab ri l
Por definir
Observaciones
Problemasparaidentificar la correspondenciade losnúmeros 5 0% alosDSLAM por falta de etiquetasycreacióndenuevos perfiles Serequierelaparticipaciónde laSubgerenciadeTx y el Por definir conocimiento del Aplicativo Asig2000.
3
Faltadeprevisiónenel crecimiento Desarrollode unsistemaquerealice Media noPlazoVeronicaAvila detrafi copor cliente laprevisióndetrafico porDSLAM´s
Por definir
Por definir
4
Solicitar aGSI,eldesarrollodeuna Noseregistraslas fechasdeinicio rutinaquepermita queloscampos: yculminaciónde lasObrasenel InRealyFin.Realsehan obligatorios Aplicativo SAP-Modulo Gestiónde cuandosecambiael statusdel Proyectos proyecto
Cortopla zo Walter laMatta
Por definir
Serequiereestablecer un Por definir requerimient o, yel posible costeodeestanuevarutina
Elaboracióndeunprocedimientopara laampliacióndelosenlacesenlaRed Speedyqueabarcadesdela La r go Pl az o Er ne st o Sa ra vi a deteccióndesu sobrecargahastasu ampliación.
Po r d ef i ni r
1 5%
Serequierelaparticipaciónde lasGerenciadeDesarrolloy Planificación
1 5 de A br il
2 5%
Setienela informaciónhayque armar ladataapartir del presenteaño2005
Faltadeun procedimientopara 5 realizarlaampliacióndelos enlacesen losDSLAM'S
Desarrollode unaBasedeDatos que registralasf echasde denunciasde Faltadeunsistemaquecontrole lossobrecargashastasuampliación, 6 lasdenunciasdesobrecargahasta Co rt o Pl az o Ve ro ni ca A vi la conlafinalidadderealizar el suampliaciónenlaRed seguimientodelas ampliacionesen planta
Serequierelaparticipaciónde GSI
149 149
150 150
DMAMC
Etapa 5: Control 7.
Objetivo Verificar las mejoras e instalar un sistema de control que asegure las utilidades.
Fase IV: Controlar 7.1 Objetivo 7.2 Mantenimiento de Resultados. 7.3 Control estadístico de procesos 7.4 POKA YOKE 7.5 Las 5 S 7.6 Fabrica visual 7.7 Acciones Finales
TRASFERENCIA A OPERACIONES (Plan de implantación)
SOLUCIÓN A IMPLANTAR “CAJA DE HERRAMIENTAS ”
No PLAN DE CONTROL VALIDACIÓN 151 151
¿? Si 152
Objetivo
7.1 CTQs
X (KPIV)
FMEA, Mapa de Procesos Cp, Cpk
Concluida las mejoras en las Y, se debe controlar la variable en el tiempopara que no retorne a la situación anterior.
Prueba de Hipótesis
X (KPIV) significativas
Correlación Regresión
X (KPIV) que afectan al proceso X (KPIV) que afectan al proceso
Controladas
DOE
Y
Simulación
FASE POST PROYECTO
CONTROL MEJORAR
SPC 5 Ss Poka Yoke
Y (KPOV)
Fin de Proyecto
Antes d e la Mejora
X
Key Process Input Varia bles (KPIV)
variable claves del proceso
Y
Key Process Ouptpu t Variables (KPOV)
variables clave de salida del proceso para el cliente
Situación No Deseada
153 153
7.2 Mantenimiento resultados
154 154
7.2 Mantenimiento resultados PLAN DEL CONTROL DEL PROCESO
Se debe elaborar un plan de M antenimiento de Resultados:
Es el listado con las acciones generales que cada proceso debe seguir para garantizar, mantener el resultado del indicador. Ejemplo:
El plan debe contener: •El mapa de proceso actualizado, con indic adores críticos en la entrada y salida (Ya estuvieron definidos en la primera etapa).
PLAN DE CONTROL Proceso:_______ Responsable:_____ Acción
•El tipo de control para cada indicador y las acciones de reacción ante el descontrol.
Fecha:____
Responsable Periodicidad
1Analizar indicador Supervisor 1
Diario
2.Gage R& R Normas y
Supervisor 2
Mensual
procedimientos
Gerente
4.Revisión
Todos
Quincenal Anual
Jefe
Mensual
FMEA 5.Charla de Six Sigma en 5 minutos
155 155
156 156
7.2 Mantenimiento resultados
7.3 Control Estadístico de Procesos Control Estadístico de Procesos (CEP)
TIPO DE CONTROL PARA CADA INDICADOR
•Muestrael desempeño del Proceso. •Proveede un Lenguaje Común paradiscutirel Proceso. •Permitirádiferenciar Causas Comunesde Especiales.
Existen dif erentes maneras de hacer el Control para los indicadores. Entre los más importantes, se menciona:
Los componentes del CEP,son:
•Cartas de Control.
•Control Estadístico de Procesos.
•Causas Especiales y Comunes.
•Sistema a Prueba de Errores (Poka Yoke). ZO NA P RUE BA DE CONTROL (MAL)
•Filosofía de 5 Ss y Gerenciamiento Visual.
LSC: LímiteSuperiordeControl ZONA EN CONTROL (BIEN) LIC: LímiteInferio r deControl 157 157
7.3 Control Estadístico de Procesos
158 158
7.3 Control Estadístico de Procesos Cartas De Control
Cartas De Control CARTA P
CARTA C
Controla la proporción de piezas no conformes. No controla la cantidad de no conformidades encontradas en la pieza.
p
d
q 1 p
n
LIC p
n
p
n1
n2
p 3
nk
p 2
pk k
c
p q
c1 c2
LSC p
p 3
ck
k
n
c1 c2
k
p1
Controla el numero de no conformidades por unidad y sólo es apl ic ada cu and o el núm er o d e el em entos de las muestr as recolectadas es constante.
ck
p q
LIC p LSC p
c 3 c c 3 c
n Es la cantidad de no conformidades encontradasen cada muestra. 159 159
160 160
7.3 Control Estadístico de Procesos
7.3 Control Estadístico de Procesos
Cartas De Control CARTA X-R Se utiliza cuando se trabaja con valores individuales del proceso. La amplitud(R), en este caso, es la calculada para cada par sucesivo de datos registrados en la carta entre el Xmax-Xmin.
X
X 1
X 2
Gráfica X-R
X k
k R X 1 X 2 , X 1 X 2 , X 1 X 2 , , X k 1 R Esla mediadelos R individualescalculados.
LSC R D4 R LIC R D3 R
c
X k
LSC X X E 2 R LIC X X E 2 R 161 161
7.4 POKA YOKE
162 162
7.4 POKA YOKE Errores
Mecanismos a Prueba De Errores : POKA YOKE Los defectos tienes su causa raíz en errores
Casi todos los defectos están causados por errores humanos. Sin embargo hay como mínimo 10
Defecto
clases de errores L a m an era t ra di ci on al d e evi ta r q ue l le gu en d efe ct os al c li ent e es inspeccionaral 100% todo o parte de losservicios brindados. Pero esto es muy costoso e ineficiente. Se debe construir Cali dad desde la fuente incorporada mecanismosque prevenganlos errores desdeel principio 163 163
Olvido 1 2 Desconocimiento 3 De identificación Inexperiencia 4 Voluntarios 5 Inadvertidos 6 Lentitud 7 8 Falta de estándares 9 Errores Sorpresa Intencionales 10 164 164
7.4 POKA YOKE Errores Humanos Causa de defectos
7.4 POKA YOKE o d i v l O
o t n e i
m i c o n o c s e D
o d a c i f i t n e d i o N
a i c n e i r e p x e n I
o i r a t n u l o V
o d i t r e v d a n I
d u t i t n e L
s e r a d n á t s e e d a t l a F
l a n o i c n e t n I
a s e r p r o S
Los errores Humanos usualmente lo son por inadvertencia.
“ Los errores inadvertidos i ncrementan el trabajo” Yokeru
Evitar
Poka
Errores Inadvertidos
Proceso Omitido Errores de Proceso
Conexión fuerte
Piezas omitidas
Conexión
Error de ajuste
Los mecanismos Poka-Yoke nos ayudan a evitar los defectos aunque inadvertidamente se cometan errores. Los Poka-Yoke ayudan a fabricar la calidad en el proceso.
Piezas equivocadas
Operación defectuosa Procesamiento de Pieza equivocada Montaje erróneo de piezas de máquina Equipo montado inapropiadamente Utiles y plantillas mal preparados
Un dispositivo Poka−yoke es cualquier mecanismo que ayuda a prevenir los errores antes de que sucedan, o los hace que sean m uy obv ios p ar a qu e el t rab aj ad or s e d e c uent a y l o c or ri ja a tiempo. 165 165
7.4 POKA YOKE
166 166
7.4 POKA YOKE Lista de Comprobación Equipo : Camión 785C Operación: Cambio dellantas delanteras Fecha: 15/12/03
El Diskette no puede ser colocado en posición invertida
El CD es expulsado si fue colocado en posición invertida
Lista de Chequeo
Guías (pines) de distintos tamaños
Personal R equer id o Técnico en Llantas Ayudante
Cantidad Conformidad 2 1
Herramientas
Cantidad Conformidad 1 2 2 2 1 2 3 2 2 1 2 2 Cantidad Conformidad 1 balde 1 kilo 2 2 2
∙ Equipo Manipulador de llantas TAYLOR (1 ∙ Barreta (1). ∙ Gata150TN( 1ó2 ). ∙ Gata Hidráulica-Neumática. ∙ Extractor de válvulas deaire. ∙ Válvulas de aire. ∙ Herramientas deimpacto ½” ∙ Extensión5”. ∙ Encastre ½” ∙ Válvulas de aire ∙ Destalonador ∙ Dado ¾”.
Material o insumos
Guías
∙ Grasa vegetal ∙ Trapo Industrial ∙ SelloO-Ring ∙ Tacos de Madera ∙ Llanta
Procedimientos estándares aseguir EMATL001: Cambio de lla ntas delanteras 1 y 2 Camiones 785C
167 167
168 168
7.5 Las 5 S
7.5 Las 5 S ¿Cómo se pueden definir las 5S?
SEIRI (Clasificar)
Retirar, desalojar lo innecesario.
SEISO (Organizar) SEITON (Limpiar)
“Cada cosa en su lugar y un lugar para cada cosa”.
SEIKETSU (Prevenir) SHITSUKE (Disciplinar)
Evitar que se vuelva a ensuciar, desordenar.
Limpieza es inspección.
“Siempre se pueden evitar ineficiencias, evitar desplazamientos, y eliminar desperdicios de tiempo y espacio”
Estandarizar, cumplir con los estándares, Formar buenos hábitos. 169 169
7.5 Las 5 S
170 170
7.5 Las 5 S
171 171
172 172
7.6 Fabrica visual
7.7 Acciones Finales
Se debe tener de manera visible un Panel que permita ver: •Evolución del Indicador. (Con Control Estadístico). •Acciones Correctivas tomadas ante Ocurrencia de Fallas. •Estado del Cumplimiento Procedimientos.
de
Estándares
y
•Plan de Control del Proceso.
Para la implementación de las Acciones Finales, deben estar previamente definidos: •El desarrollo y la documentación de prácticas estándares. •El entrenamiento del personal involucrado en las Actividades. Después de ello se podrá hacer los cierres de los proyectos. Se debe reconocer el esfuerzo y aporte de cadaparticipante por el trabajo y sus resultados asocia dos.
1
U C L=44.03 e g n
40
a 30 R g n 20 i v o M10
__ M R=13.48
0
LC L=0 1
9
17
25
33
41
49
57
65
73
81
Observation
173 173
Caja de Herramientas Costos de mala calidad Plan estratégico Temas críticos para el cliente Reclamos QFD Las 7 herramientas de la calidad Diagrama de causa-efecto Diagrama de dispersión Pareto Hoja de verificación Estratificación Histograma Gráfico de control Gráficos (lineal, barras) Distribuciones Tormenta de ideas
174 174
Agentes del Cambio
R&R Mapa de proceso Capacidad de proceso Función de pérdida de Taguchi Diseño de experimentos Diseño Robusto Prueba de hipótesis Análisis de regresión múltiple Análisis de regresión simple Análisis de varianza Box Plot Poka Yoke Kanbam Kaizen Diagrama de afinidad FMEA 175
176
View more...
Comments