Bærekraft
Utslipp | Energi | BAT
Effektivisering
Kost | Kvalitet | Kapasitet
Dataanalyser
Årsaker | Variasjon
Prosessutvikling
DOE | Variasjonsanalyse
Tjenester innenfor dataanalyser
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!
Hensikten med en årsaksanalyse er å bestemme rotårsakene til et problem, for å iverksette målrettede tiltak.
Lean Tech tilbyr kurs og rådgivning innen årsaksanalyser, hvor følgende verktøy benyttes:
- Tankekart eller A3 strukturer rotårsaksanalysen
- Statistisk prosesskontroll (SPC) avgjør om normal eller spesiell variasjon medfører problemet
- Prosesskartlegging identifisere mulige årsaker
- 5 Hvorfor & Fiskebein diagram identifiserer mulige årsaker
- Grafiske analyser kan bevise rotårsaker
- Hypotese testing kan bevise rotårsaker når grafiske analyser ikke er entydig
- Korrelasjonsanalyse og forsøksdesign bestemmer optimale faktor verdier
- SPC overvåker variasjon av kritiske variabler (beviste rotårsaker) og sikrer varige resultat
Disse verktøyene benyttes innen Lean Six Sigma og problemløsningsmetoden DMAIC: Define (forstå problem og sette mål) - Measure (kartlegge nåsituasjon) - Analyze (bevise rotårsaker) - Improve (løse rotårsaker) - Control (sikre varige løsninger)
For å vurdere alternative løsninger og velge den meste lønnsomme, er kost-nytte analyser til uvurderlig hjelp. Det kan være utfordrende å tallfeste effekten av de ulike alternativene. Dette krever evne til å se helheten og å være i stand til å tallfeste både effekter og kostander.
Lean Six Sigma bruker nøytral informasjon og fakta til å løse problemer og gjøre forbedringer. Forbedringene skal gi synlige effekter på bunnlinjen, og det er sterk fokus på å bevise rotårsaker og å vurdere flere alternative løsninger.
Lean Six Sigma bruker problemløsningsmetoden DMAIC: Define (forstå problem og sette mål) - Measure (kartlegge nåsituasjon) - Analyze (bevise rotårsaker) - Improve (løse rotårsaker) - Control (sikre varige løsninger). Improve fasen handler om å få frem alternative løsninger og prioritere basert på gitte kriterier.
Kost, effekt og tid er vanlige kriterier å benytte for å sammenligne løsninger og prioritere den beste. Det fins ulike prioriteringsmatriser og templater som kan brukes til dette. Disse gjennomgås i Lean Techs kurs.
Husk at en kost nytte analyse trenger ikke være 100% riktig; er det 90% riktig er det som regel nok til å ta et riktig valg!
