Datafangst

I dag er det tilgang til uendelige mengder data; men hvilke data er interessante? Hvilke data er viktig for å nå målene våre?

Ved implementering av nye produksjonslinjer og datafangst; ikke tenk «nice to have». Bruk ressurser på å innhente kun de dataene du mener er viktig. Er du usikker på hvilke data du trenger lønner det seg å bruke ressurser på å avklare dette fremfor å inkludere all informasjon.  Her er noen spørsmål som kan være til hjelp;

• Hvilke mål har produksjonen?
• Hvilke data er nødvendige for å følge opp målene?
• Vil andre måltall være aktuelle i fremtiden? Hvilke? Hvorfor?

Datakvalitet

Det hjelper ikke med masse data dersom ikke datakvaliteten er god. Kvalitetssikring av at dataene stemmer overens med kilden er viktig. 

Dersom dataene ikke er kvalitetssikret er det lett å bli i tvil når dataene ikke stemmer med forventninger. Det medfører vegring mot å gjøre tiltak.

Data kan kvalitetssikres gjennom å overvåke produksjonen en gitt tid og registrere aktuelle hendelser manuelt, for så å kontrollere at datafangsten stemmer overens.

En utfordring ved kvalitetssikring av data er å avdekke problemer som oppstår av og til. Lean Tech har erfaring med kvalitetssikring av datafangst, bl.a hos en bedrift hvor det ble logget opptil en halv million data per time fra mange ulike maskiner. Det var flere ledd og leverandører involvert, og omfattende rotårsaksanalyse ble gjennomført for å avdekke årsaker til ustabil datainnsamling og manglende data. I slike tilfeller er det viktig å innhente så mye informasjon som mulig om situasjonen som forårsaket ustabiliteten.

Visualisering

"Et bilde er verdt tusen ord" sies det. Visualisering av data gjør det enklere å kommunisere, forstå, evaluere og planlegge.

Ved å visualisere data ved hjelp av excel eller mer avanserte statistiske programmer som eksempelvis JMP, Modde, Minitab og SigmaXL, er det lettere å se sammenhenger og trender mellom ulike datasett. Det fins mange ulike grafiske fremstiller som benyttes for ulike data og formål. Dette er tema i kurset Rotårsaksanalyse.

Scatter plot og korrelasjonsanalyser egner seg godt til å bestemme sammenhenger mellom 2 eller flere variabler. Hvordan er sammenhengen mellom prosesskontroller underveis i produksjonen og kvalitet på sluttproduktet? Klarer prosesskontrollene å fange opp avvik på et tidlig tidspunkt?

Visualiserering kan brukes til å kvalitetssikre data. Du ser raskt "uteliggere" i grafer og kan undersøke årsaker til disse. Er de reelle, eller er det feilregistrering?  

Har du datasettet du ønsker å analysere kan du kontakte Lean Tech. Lean Tech gir også opplæring i JMP, Minitab eller SigmaXL. Ta kontakt om du er interessert!