Julkaisut

Tämä ensimmäinen osa opettaa virtausongelmien ratkaisemisen perusteet sekä Lean Management -toiminnan perusperiaatteet. Kirja on suunnattu Lean Six Sigma -opiskelijoille ja -kouluttajille sekä johdolle, joka haluaa päästä kaavojen opettelua pidemmälle ja kehittää toimintaansa vankalta teoreettiselta pohjalta. Kirja kunnioittaa Lean Six Sigma -menetelmän historiallisia juuria, henkeä ja vakiintunutta terminologiaa ja pyrki samalla tunnistamaan, yhdistämään ja formalisoimaan sen perustavanlaatuiset periaatteet.

Tämä toinen osa esittelee lähestymistavan toteuttamisen yrityksissä sekä yleisen DMAIC-metodologisen protokollan. Tilastollisten ongelmien alkuperäiseen määritelmään perustuen se opettaa "havaittavien" tilastollisten ongelmien ratkaisemisen perusteet ja Six Sigma -menetelmän perusperiaatteet. Kirja on suunnattu Lean Six Sigma -opiskelijoille ja -opettajille sekä toiminnan kehittämisen ammattilaisille, jotka haluavat päästä kaavojen opettelua pidemmälle ja kehittää toimintaansa vankan teoreettisen viitekehyksen pohjalta.

Tämä kolmas osa opettaa, miten analysoida ja vähentää ongelmia, joiden syitä ei voida erottaa yksittäistapauksissa. Tukeutuen omaperäiseen vertauskuvaan optiikan kanssa se selittää, miten analyyttiset resurssit kalibroidaan tavoiteltuun parannukseen. Se näyttää, miten hypoteesitestejä käytetään hyödyllisten parannusvipujen tunnistamiseen, realistisesti saavutettavissa olevien hyötyjen arvioimiseen ja sen määrittämiseen, voivatko ehdotetut ratkaisut täyttää tavoitteen. Kirja on tarkoitettu Six Sigma -harjoittajille ja tilastoanalyysin käyttäjille, jotka haluavat hyödyntää täysimääräisesti pienten datajoukkojen päätöksentekopotentiaalia.

Tiivistelmä:

%GRR ja erillisten luokkien määrä (NDC) ovat laajalti käytettyjä mittausjärjestelmän suorituskyvyn indikaattoreita. Yleisesti hyväksyttyyn NDC:n laskentakaavaan liittyy kuitenkin kerroin, jonka alkuperä on johtanut kahteen erilaiseen ja harhaanjohtavaan NDC-tulkintaan. Suosittelemme tämän kertoimen poistamista, jotta voidaan pitäytyä mittausjärjestelmän erottelukyvyn määritelmässä tai vastaavassa signaali-kohinasuhde-käsitteessä. Ehdotamme myös %GRR- ja NDC-hyväksyntärajan uudelleenlinjausta.

Tiivistelmä:

Osana Six Sigma (DMAIC) -projektin Measure-vaihetta on keskeistä määrittää asianmukainen otoskoko ottaen huomioon prosessin suorituskyvyn arviointiin tarvittava tilastollinen tarkkuus (määritelty tässä virheellisten yksiköiden odotetuksi osuudeksi). Six Sigma -ammattilaisia opetetaan yleensä käyttämään joko nyrkkisääntöä (sivuuttaen siten tarkkuusvaatimuksen) tai otoskokokaavaa, jonka avulla voidaan määrittää vaadittu tarkkuus. Vaikka tällainen kaava tarjotaan binääridatalle, virhelaskentadataa käsiteltäessä yleensä opetettava kaava koskee virheiden keskimääräisen määrän arvioimista yksikköä kohti eikä virheellisten yksiköiden osuutta (ts. virheosuutta). Tässä artikkelissa kehitetään kaava ja johdetut taulukot sellaisen otoskoon laskemiseksi, joka tarvitaan vaaditun tilastollisen tarkkuuden saavuttamiseksi virheosuudelle käytettäessä virheiden laskentaan perustuvaa mittaria. Käänteisesti lasketaan tietylle otoskoolle saatu tarkkuus. Tuloksia verrataan sitten binääridatan tuloksiin ja esitetään, että binääridatan otoskoon laskentaa kannattaa pitää hyväksyttävänä ja helppokäyttöisempänä vaihtoehtona. Artikkelissa tuodaan esiin myös haaste saavuttaa kunnollinen tarkkuus otoskoko vaatimusten vuoksi silloin, kun toimitaan alhaisilla virheosuuksilla.

Tiivistelmä:

Osana Six Sigma (DMAIC) -projektin Measure-vaihetta on keskeistä määrittää asianmukainen otoskoko ottaen huomioon prosessin suorituskyvyn arviointiin tarvittava tilastollinen tarkkuus (määritelty tässä virheellisten yksiköiden odotetuksi osuudeksi). Six Sigma -ammattilaisia opetetaan yleensä käyttämään joko nyrkkisääntöä (sivuuttaen siten tarkkuusvaatimuksen) tai otoskokokaavaa, jonka avulla voidaan määrittää vaadittu tarkkuus. Vaikka tällainen kaava tarjotaan binääridatalle, jatkuvaa dataa käsiteltäessä tavallisesti opetettava kaava koskee keskiarvon eikä virheosuuden arvioimista. Muissa vaihtoehtoisissa lähestymistavoissa otoskoko lasketaan valmistusteollisuudelle suunniteltujen prosessin suorituskykyindeksien tarkkuuden perusteella. Nämä tekniset indeksit eivät kuitenkaan usein ole olennaisia useimmille käyttäjille ja päättäjille, jotka eivät työskentele tietyissä tuotantoympäristöissä. Tässä artikkelissa kehitetään ratkaisuja otoskoon laskemiseen vaaditun tilastollisen tarkkuuden saavuttamiseksi virheosuudelle käytettäessä jatkuvaa mittaria sekä yhden että kahden toleranssirajan tapauksessa. Käänteisesti lasketaan tietylle otoskoolle saatu tarkkuus. Artikkelissa tuodaan esiin myös haaste arvioida korkeita Sigma-suorituskykytasoja vaaditun otoskoon vuoksi.