Publikace

Tento první díl vyučuje základy řešení problémů toku a základní principy metody Lean Management. Kniha je určena studentům a lektorům Lean Six Sigma, stejně jako manažerům, kteří si přejí posunout se od pouhého osvojování vzorců k rozvoji svých postupů na pevném teoretickém základě. Při zachování historických kořenů, ducha a zavedené terminologie Lean Six Sigma se kniha snaží identifikovat, sjednotit a formalizovat její klíčové základní principy.

Tento druhý díl podrobně popisuje implementaci přístupu ve firmách a generický metodologický protokol DMAIC. Na základě originální definice statistických problémů vyučuje základy řešení "rozlišitelných" statistických problémů a základní principy Six Sigma. Kniha je určena studentům a učitelům Lean Six Sigma, stejně jako odborníkům na operativní zlepšování, kteří se chtějí posunout od pouhého osvojování vzorců a rozvíjet své postupy na základě pevného teoretického rámce.

Tento třetí díl učí, jak analyzovat a eliminovat problémy, jejichž příčiny zůstávají v jednotlivých případech nerozpoznatelné. Na základě originální analogie s optikou vysvětluje, jak kalibrovat analytické zdroje pro dosažení požadovaného zlepšení. Ukazuje, jak pomocí testování hypotéz identifikovat užitečné páky zlepšení, realisticky posoudit dosažitelné přínosy a určit, zda navržená řešení mohou splnit cíl. Kniha je určena pro praktiky v oblasti Six Sigma a uživatele statistických analýz, kteří chtějí plně využít rozhodovací potenciál malých datových souborů.

Abstrakt:

%GRR a Počet odlišných kategorií (NDC) se široce používají jako ukazatele způsobilosti systému měření. Obvykle akceptovanému vzorci pro výpočet NDC je však přiřazen koeficient, jehož původ vedl ke koexistenci dvou různých a zavádějících interpretací NDC. Doporučujeme tento koeficient odstranit, abychom se drželi definice rozlišení systému měření nebo ekvivalentního konceptu odstupu signálu od šumu. Navrhujeme také přizpůsobení prahových hodnot přijatelnosti pro %GRR a NDC.

Abstrakt:

V rámci fáze Measure projektu Six Sigma (DMAIC) je klíčové určit velikost vzorku odpovídající požadované statistické přesnosti odhadu způsobilosti procesu (zde definované jako očekávaný podíl vadných jednotek). Odborníci na Six Sigma jsou obvykle vyučováni používat buď empirické pravidlo (čímž vynechávají požadavek na přesnost), nebo vzorec pro velikost vzorku umožňující specifikovat požadovanou přesnost. Zatímco pro binární data je takový vzorec k dispozici, při práci s daty o počtu vad se obvykle vyučuje vzorec pro odhad průměrného počtu vad na jednotku, a nikoli pro podíl vadných jednotek (tj. míru vadnosti). Tento článek vypracovává vzorec a odvozené tabulky pro výpočet velikosti vzorku potřebné k dosažení požadované statistické přesnosti míry vadnosti při práci s metrikou počítání vad. Zpětně vypočítává přesnost získanou pro danou velikost vzorku. Výsledky jsou pak porovnány s výsledky pro binární data a naznačuje se, že výpočet velikosti vzorku pro binární data stojí za zvážení jako přijatelná a snáze použitelná alternativa. Poukázáno je také na náročnost dosažení slušné přesnosti kvůli požadavkům na velikost vzorku při provozu s nízkými mírami vadnosti.

Abstrakt:

V rámci fáze Measure projektu Six Sigma (DMAIC) je klíčové určit velikost vzorku odpovídající požadované statistické přesnosti odhadu způsobilosti procesu (zde definované jako očekávaný podíl vadných jednotek). Odborníci na Six Sigma jsou obvykle vyučováni používat buď empirické pravidlo (čímž vynechávají požadavek na přesnost), nebo vzorec pro velikost vzorku umožňující specifikovat požadovanou přesnost. Zatímco pro binární data je takový vzorec k dispozici, při práci se spojitými daty se vyučovaný vzorec obvykle týká odhadu průměru, a nikoli míry vadnosti. Další alternativní přístupy spočívají ve výpočtu velikosti vzorku na základě přesnosti ukazatelů způsobilosti procesu určených pro výrobní průmysl. Tyto technické ukazatele však často nejsou relevantní pro většinu uživatelů a manažerů, kteří nepracují v konkrétním výrobním prostředí. Tento článek vypracovává řešení pro výpočet velikosti vzorku potřebné k dosažení požadované statistické přesnosti míry vadnosti při práci se spojitou metrikou v případech s jedním i dvěma limitačními parametry. Zpětně vypočítává přesnost získanou pro danou velikost vzorku. Poukázáno je také na náročnost hodnocení vysokých úrovní výkonnosti Sigma kvůli požadované velikosti vzorku.