5.- Quinta Semana - Seis Sigma

1

2

SEIS SIGMA

6s

33

AGENDA

1. Introducción al Seis Sigma

2. Proyectos Seis Sigma

3. Metodología Seis Sigma

4. Fase I: Definir y Medir

5. Fase II: Analizar

6. Fase III: Implementar mejoras

7. Fase IV: Controlar

44

1. Introducción al Seis Sigma1.1 ¿Qué es Seis Sigma?1.2 Calidad Seis Sigma1.3 Historias de éxito de Seis Sigma1.4 Principios de Seis Sigma1.5 Seis Sigma e ISO 9001

2

55

¿Qué es Seis Sigma ?

Es un sistema empresarial para lograr y mantener el éxitopor medio de la orientación al cliente, la gestión porprocesos, así como la utilización de los hechos y de losdatos.

1.1

Mide el desempeño de un procesoen cuanto a su nivel de productos oservicios fuera de especificación

Como Métrica

Como Filosofía

Como Meta

Mejoramiento continuo de procesosy productos

Tener procesos de clase mundial,no producir servicios o productosdefectuosos (3.4 pmo)

6

¿Qué es Seis Sigma?

6s“Un método de gestión quepermite a las empresas mejorardrásticamente sus resultados,mediante el diseño y supervisióndiaria de sus actividades,minimizando el desperdicio y losrecursos y, por tanto, aumentandola satisfacción de sus clientes”

Mikel Harry y Richard Schroeder “Six Sigma”

7

¿Qué es Seis Sigma?Concepto estadístico que califica unproceso en términos de defectos. Unnivel de calidad Seis Sigma significapresencia sólo de 3.4 defectos pormillón de oportunidades.

6s Estrategia de innovación para mejorarsignificativamente la satisfacción delos clientes y el valor agregado a losinversionistas mediante la reducciónde la variación en todos los procesosde un negocio.

8

REDUCCIÓN DE LA

VARIACIÓN

REDUCIRDEFECTOS

REDUCIRCOSTOS

INCREMENTARSATISFACCIONDEL CLIENTE

INCREMENTARINGRESOS

INCREMENTAR BENEFICIO

EMPRESARIAL

¿Qué es Seis Sigma?

3

9

Otras definiciones

La Visión La Filosofía

La MetaLa Metodología

La MétricaLa Referencia

La Estadística

6s

10

T.Q.M. – Seis Sigma

“La calidad se puede definircomo reducción de la variación”

E. Deming

“La norma de realización de lacalidad es CERO DEFECTOS, noniveles aceptables de calidad”.

P. Crosby

“Calidad es satisfacción del cliente”Feigenbaum

11

T.Q.M. – Seis SigmaJuranPlaneación de

la calidadControl dela calidad (durante las operaciones)

Zona original de control de calidad

Nueva zona de control de calidad

Lecciones aprendidas

Cost

os d

e la n

o ca

lidad

TiempoMejora de la calidad

Problemas Crónicos

Problemas Esporádicos

Problemas Crónicos

1212

Calidad Seis Sigma 1.2

Ejemplo: El tiempo que un cliente esta dispuestoesperar por una pizza esta entre 23 y 32 minutos

Tiempo (minutos)

LI

23 min.

LS

32 min.

LI

23 min.

LS

32 min.Distribución

Alta probabilidad

error

Alta probabilidad

de error

Baja probabilidad

de error

Baja probabilidad

de error

4

1313

3.4 defectos por millón

de oportunidades

305 537 defectos por millón

de oportunidades

697 700 defectos por millón

de oportunidades

1414

Calidad Seis Sigma 1.2

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 1” / 16 años

Corte de señal de TV 27 min. / semana 6” / 100 años

Mala Oper. médica 1.350 / semana 1 / 20 años

Devolución Sacos de Azúcar 44.000 / año 5 / año

15

Corte de servicio eléctrico, por cada 7 horas cada mes.

Peligro de agua potable contaminada al menos 15 minutos cada día.

99% de calidad ha dejado de ser suficiente, satisfactorio y mucho menos aceptable por el cliente

¿Qué significa 99% de Calidad?

PARADIGMA DEL%

16

¿Qué significa 99% de Calidad?

1%

1%

1%

1000 galones

990.0 galones

980.1 galones

970.3 galones

29.7 galones desperdiciados

97.03%

Calidad transferida al cliente

CALIDAD FINAL = 0.99n

Número de etapas

5

17

Calidad Seis Sigma : 99.9997%

0.0003%999.997 galones

999.994 galones

99.9991%

Calidad transferida al cliente

CALIDAD FINAL = 0.999997n

Número de etapas

0.0003%

0.0003%

0.009 galones desperdiciados

1000 galones

999.991 galones

Alcanzar la Calidad Seis Sigma es una necesidad para el

negocio

18

Niveles de Calidad 6sNivel Sigma

Defectos por millón de oportunidades

1s 690 000

2s 308 537

3s 66 807

4s 6 210

5s 233

6s 3.4

Nivel de Calidad

30.9%

69.2%

93.3%

99.4%

99.98%

99.9997%SE APROXIMAAL IDEAL CERO

DEFECTOS

1919

Esfuerzo Seis Sigma

Ingr

esos

HacerNada

Ingr

esos

Ingr

esos

Pérdida

Ingr

esos

COPQ

Costo hacer

las cosas bien

Costo hacer

las cosas bien

Costo total

Utilidad

Costo mala

calidad

Costo hacer

las cosas bien

Costo mala

calidad

Costo hacer

las cosas bien

Utilidad

Esfuerzo Seis Sigma

Estado inicial

Cuando las fuerzas de Mercado y la Competencia

Reduce Precios

Opción 1

Opción 2

2020

Historias de éxito de Seis Sigma1.3

6

21

Historia

Propone estudiar la variación, siguiendolos principios del Dr. Deming.

Ing. Mikel Harry1985

“Lograr 3.4 defectos por millón para el año1992”. Se inicia en la división deComunicaciones, dirigida por George Fisher.

CEO Bob GalvinEnero 1987

Se alcanza un promedio de 150 defectos pormillón.

1992

22

Historia

General Electric Se da inicio al Seis Sigma.

Jack Welch

Beneficios acumulados de más de2 millardos de dólares enbeneficios

1999

1995

2323

Autentica orientación al cliente, satisfacer alcliente es la prioridad número uno.

Principios de Seis Sigma1.4

Primer principio

Todo debe y puede ser mejorado alineadocon los objetivos de la organización.

Segundo principio

Objetivos

2424

Las decisiones deben basarse en hechos,datos estadísticos, pues lo únicoconstante en los procesos es la variación.Se debe evitar el “...Yo creo que...” o “...Yopienso que...”


Terceroprincipio

7

2525

Al mejorar se debe mirar el procesocompleto (Pensamiento Sistemático),pues optimizar un subproceso nos puedellevar a suboptimizar el proceso global.


Cuartoprincipio

CLIENTE

CLIENTE

Proceso A Proceso CProceso B

Sub proceso a

Sub proceso c

Sub proceso b

Procesos de la Organización

2626

Las causas de los problemas deben sereliminadas en su raíz para prevenir quevuelvan a aparecer y así poder hacer bienlas cosas desde la primera vez.


Quintoprincipio

Causa 1

PROBLEMA

Síntoma 1

Síntoma 2

Síntoma n

Causa 2

Causa n

2727

Cada vez que un proceso es mejoradodebe garantizarse que los resultados semantengan en el tiempo.


Sextoprincipio

2828

El recurso humano es el capitalfundamental de la empresa.


Sétimoprincipio

Todos los miembros de la empresa deben ser líderes, maestrosy modelos en la práctica de los principios.

8

2929

Seis Sigma e ISO 90011.5

Seis Sigma como Sistema de Gestión de Calidad

Sistema de Gestión de Calidad según la Norma ISO 9001Equivalentes

Seis Sigma como proyecto de mejora

Sistema de Gestión de Calidad según la

Norma ISO 9001Complemento

Mejora continua Mejora continua

CLICO DE DEMING

3030

2. Proyectos Seis Sigma2.1 Requisitos para un Proyecto Seis Sigma2.2 Criterios de selección2.3 Equipo Seis Sigma2.4 Selección del Equipo

3131

Alineado con la estrategiadel negocio. Tiene unameta clara.

Existen datos históricos, opueden ser obtenidos.

Mide el rendimiento delproceso, medicionesfinancieras para elnegocio e impacto en elcliente.

Puede ser hecha por unequipo de Trabajo.

Cumple con lasexpectativas de tiempoestablecidas por lagerencia.

Beneficia Negocio

Apoyo de Administración

Cuantificable

Alineado con la Visión del

Negocio

Requisitos para un proyecto SS2.1

ESFUERZO FOCALIZADO

3232

Criterios de selección2.2

9

3333

Equipo Seis Sigma2.3

Controler

Onwer

3434

CHAMPIONS:Conformado generalmente por la alta gerencia. Son quienesseleccionan los proyectos y supervisa su funcionamiento.Participan en la elección de BB y GB.

2.3 Equipo Seis Sigma

MASTER BLACK BELT:Son los responsables del entrenamiento de BB. Sonespecialistas en la Metodología y certifican BB. Lideranproyectos de mucha complejidad organizacional. Remuevenlas barreras que impiden avances de proyectos.

3535

BLACK BELT:Son los especialistas en la aplicación metodología. Lideranproyectos Seis Sigma. Su rol es guiar al Equipo durante lasfases del Proyecto. Sinergizan los conocimientos y esfuerzosde los miembros del equipo. Dan soporte a los GB. Lainteracción con el dueño del proceso continua después determinado el proyecto.


GREEN BELT:Son miembros del equipo de proyecto que conocen lasherramientas básicas de la metodología. Soninterdisciplinarios y multifuncionales. Están preparados paraparticipar o liderar proyectos Seis Sigma.

3636

OWNER:Son los líderes de las áreas en las que se van a desarrollarproyectos Seis Sigma.Es el socio estratégico del BB, para alcanzar la meta. Es elresponsable de mantener y superar los estándaresalcanzados después de finalizados los proyectos.


CONTROLLER:Es el responsable de dar el visto bueno cada vez que hayaalgún tipo de evaluación financiera y cuantifica los beneficiosobtenidos.

10

3737


3838

2.4 Selección de equipo Seis Sigma

TEST: Inventario de Utilización de Energías

Se utiliza para indicar que atributos emplea una persona en surelación con los demás bajo dos tipos de condiciones: Cuandotodo marcha bien y cuando se enfrenta con un conflicto.

3939

3. Metodología Seis Sigma3.1 DMAMC3.2 DMAMC y el PHVA3.3 Diagrama Metodológico

4040

1.- Definir el Problema, definir objetivos

2.- Definir y Describir el proceso3.- Evaluar Sistema de medición4.- Evaluar Capacidad del proceso

5.- Determinar las causas del problema6.- Determinar variables significativas

7.- Optimizar y robustecer8.- Validar Mejora

9- Controlar y dar seguimiento al proceso10.- Mejorar continuamente

3.1 DMAMC (o DMAIC)

11

4141

D

M

AI

C

Definicióndel

proyecto

Medición del desempeño del proceso

Análisis del

proceso

Implementación de mejoras o

transformación del proceso

Control y aseguramiento del desempeño alcanzado

Managemt

Team

Equipo Six Sigma + Dueño Proceso con el apoyo del Sponsor

y la guía del Master Black Belt / Black Belt

Dueño de

Proceso

Ruta Metodológica

4242

3.2 DMAMC y el PHVA

1.- Definir el Problema, definir objetivos

2.- Definir y Describir el proceso

5.- Determinar las causas del problema

8.- Validar Mejora

9- Controlar y dar seguimiento al proceso

4.- Evaluar Capacidad del proceso

3.- Evaluar Sistema de medición

7.- Optimizar y robustecer

10.- Mejorar continuamente

Planear

Hacer

Verificar

Actuar

6.- Determinar variables significativas

4343

Diagrama Metodológico3.3

Definir el Problema, definir objetivos

Definir y Describir el proceso

Determinar variables significativas

Validar Mejora

Controlar proceso

¿Proceso

Estable?

¿Medición

Capaz y

estable?

Optimizar y robustecer

Mejorar continuamente

¿Proceso

Capaz?

MejorarNO

SI

SI

Eliminar causas

especiales

NO

NO

Si

Determinar las causas del problema

4444

4. Fase I: Definir y Medir4.1 Definir el problema4.2 Definir y describir el proceso4.3 Evaluar el sistema de medición4.4 Evaluar Capacidad del proceso

12

4545

Definir Problema4.1

Ideas InformaciónIncompleta Creencias

Situación problemática inespecífica

Identificación de los clientes, CTQ, VOCDiagrama de Pareto

Histogramas, etc.

PROBLEMA DEFINIDOObjetivos definidos

Alcance del proyecto definido

4646

Definir Problema4.1

CTQ

VOC

CTQ (Critical to Quality). Son los atributos afactores críticos para la calidad de un producto oservicio que influyen en la decisión de compra porparte del cliente.

VOC (Voice of Client). Es la voz del cliente que seobtiene por dos medios:Sistemas proactivos: Quejas del consumidor,llamadas telefónicas, devoluciones de productos,etc.Sistemas Reactivos: Observación del cliente,encuestas, entrevistas, etc.

4747

Definir Problema4.1

IDENTIFICAR CLIENTES Y CTQ

1. Definir Clientes Internos y Externos2. Definir el tipo de cliente y el canal de comunicación para

obtener la VOC3. Identificar preguntas claves para cada uno de ellos4. Elaborar un plan de contacto con el cliente (quien, como,

cuando, donde, etc)5. Identificar los CTQ

48

Cambiodel

proceso

Controldel

proceso

Losprocesosvarían

Todo trabajoes un

proceso

Analizarvariación

delproceso

Aprenderdel

proceso

Reducirla

variación

Mejorade la

calidad

Satisfacción de:• Clientes

• Empleados• Accionistas

• SociedadPasos para implantar el pensamiento estadístico

Pensamiento Estadístico

13

49

CTQ

CTQ

ClienteProceso

Característica de los resultados del proceso (bienes o servicios) que satisfacen un requerimiento crítico del cliente o un requerimiento del proceso del cliente

Critical To Quality (Característica “crítica

para la Calidad”)

50

CTQ

CTQ

ClienteProceso

Tiempo de atención Confiabilidad Área de trabajo segura Productos sin daños Pagos a tiempo Nº de defectos

Deben representar lo que realmente es importante para el cliente

51

Defecto Cualquier caso o evento en que el producto o proceso

fracasan en la satisfacción de la necesidad del cliente.

El defecto es el incumplimiento de un requerimientoespecífico.

Una característica medible del proceso o su salida, queno cumple con los límites aceptables por el cliente.

La alta incidencia de defectos en un proceso, puedeincrementar el número de unidades defectuosas, creandodesperdicios y reprocesos.

52

Defectuoso

Una unidad que contiene defectos.

Una unidad ES o NO ES defectuosa, no interesa cuantos defectos tenga.

14

53

Toda situación que puede ocasionar que un producto oservicio no cumpla los requerimientos del cliente o superformance estándar, es decir que genere un defecto.

Procesos más complejos, tendrán más oportunidades de defectos

OPER.1

OPER.2

Llamadas locales:7 dígitos por número

Llamadas internacionales:10 dígitos por número

Másoportunidadesde producirun defecto

Oportunidades de Defecto

54

Oportunidades de Defecto

Determinación:

Primero: Desarrollar una lista preliminar de tiposde defectos.

Segundo: Determinar cuáles son los defectosreales, críticos para el cliente.

Tercero: Comprobar el número de oportunidadespropuesto frente a otros estándares.

55

Oportunidades de Defecto 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.

56

Métricas

% de Unidades defectuosas

Nº de Unidades defectuosasNº de Unidades

Defectos por Unidad (dpu)

Nº de defectosNº de Unidades

15

57

Métricas Defectos por Oportunidad (dpo)

Defectos por Millón (dpm)

Nº de defectosNº de Unidades * Nº de oportunidades

dpuNº de oportunidades

dpu * 1´000,000

58

OD = oportunidades de defectos

Defectos por Millón de Oportunidades (dpmo)

El dpmo es una métrica para cuantificar el número totalde defectos producidos en un millón entre el total deoportunidades de defectos.

dpmo = dpmOD

= dpo * 1´000,000

El propósito del dpmo es poder comparar el rendimientode un proceso , servicio o producto complejo con unomás simple.

59

Define y/o valida la oportunidadde mejora en el negocio

Analiza la causa raiz deldesempeño actual

Mide el desempeño actual

Mejora el desempeño

¿El proceso existeactualmente?

¿El proceso es capazcumplir las especificaciones

del cliente?

Mide los requerimientos delmercado

Controla el desempeño

Explora alternativas de diseño

Desarrolla diseño detallado

Implementa nuevo diseño

DMAMC

DfSS - DMADV

SI

NO

NO

SI

Metodologías Seis Sigma

60

LIELSE

Proceso aser mejorado

KPOV

KPIV1

KPIV2

KPIV3

KPIV4

KPIV5

$Crítico

Costos de Calidad

Control

KPOV: Key Process Output VariableKPIV: Key Process Input Variable

Monitoreo

DMAMC – Panorama Total

16

61

LA CLAVE PARA QUE LA MEJORA TENGA ÉXITO

DMAMC

Etapa 1: Definición

62

ObjetivoIdentificar las oportunidades de mejora.

•Reclamaciones•Costes de mala

calidad•Plan estratégico•Problemas

Mapa de procesos

PROYECTOS SEIS SIGMA

DMAMC

Etapa 1: Definición

63

CTQ’s:Características críticas

para la calidad

Misión del proyectoProceso afectado

PROCESO

Prov

eedo

res

Entr

adas

Client

esSalid

as

Definir características criticas para la calidad

Las CTQ's son los elementos básicos que se usarán enla dirección de la medición del proceso mejora ycontrol.

DMAMC

Etapa 1: DefiniciónMATRIZ DE CARACTERIZACION

Ejemplo

17

6565

(8, 83%)

0

75

100

10Importancia para el cliente

CTQValoración

(Escala: 1-10)

Tiempo de entrega 8

Sabor de la Pizza 7

Cantidad de Ingredientes 7

Ingredientes correctos 10

Cortesía del repartidor 5

Factor de queja Quejas % relativo

Tiempo de entrega inaceptable 764 83

Tipo de masa incorrecta 56 6.1

Cantidad de ingredientes reducidos 50 5.4

Ingredientes incorrectos 30 3.3

Descortesía del repartidor 20 2.2

Definir Problema4.1

Insa

tisfa

cció

n de

l clie

nte

Muy Importante y poca satisfacción

6666

Definir Problema4.1

Grafica de barras que representa enforma ordenada el grado de importanciade las causas de un determinadoproblema, considerando la frecuencia conla que ocurren las causas.

Diagrama de Pareto

O regla 80-20. Es el comportamiento quesigue la grafica de PARETO: “El 80% delos problemas se encuentra en el 20% delas causas”.

Principio de Pareto

6767

Ejemplo Fastpizza’s

Definir Problema4.1

6868

Definir Problema4.1

0%10%20%30%40%50%60%70%80%90%

100%

Mañana Fines de Semana Feriados Noche


18

6969

Definir Problema4.1

Hoja de Vida del Proyecto

ALCANCE Quejas de los clientes por tiempo de entrega inaceptable.

OBJETIVO Disminuir en 50% las quejas por tiempo de entrega en el Turno de la mañana.

AHORRO

-Disminución de las llamadas en el Call Center S/.165,000

-Disminución de las perdidas de clientes US$51,080


7070

Definir y describir el proceso4.2

Y (KPOV)

X (KPIV)CTQs

FMEA, Mapa de Procesos

Cp, Cpk

Prueba de Hipótesis

Correlación

Regresión

DOE Simulación

SPC

5 Ss

Poka Yoke

X Key Process Input Variables (KPIV) variable clave del proceso

Y Key Process Ouptput Variables (KPOV) Problema

X (KPIV) significativas

X (KPIV) que afectan al proceso


Controladas

7171


Mapa de procesos dela organización

Mapa de un conjuntode procesos

Mapa del Proceso deAnálisis para elproyecto

7272

C, N y E son Entradas al proceso

S son Salidas

E1

INICIO N1 C1

C2

E2 X3

E3

N2

E4C3

E5

FIN

S1

S2


Identificar: Actividades del proceso, Entradas -Proveedores, Salidas -Clientes

19

7373

Proceso :

Objetivo :

Requisitos Requisitos

¿Quién está pidiendo la salida del proceso?

¿Quiénes son los que proveeran los

recursos necesarios?

Recursos necesarios para el proceso

Breve descripción del paso del procesoEntregables del proceso

ClientesProveedores Entradas Actividades Salidas

Responsables Parámetros de Control / Medición / Seguimiento

Documentos

Suployer Input Process Output Client


Formato de Matriz SIPOC

7474


C ENTRADA CONTROLABLE Aquella que puede ser controlada

N ENTRADA RUIDOSA Es impredecibles, altera el proceso.No es controlable por el momento.

E ENTRADA EXPERIMENTAL Aquella que puede ser estudiada bajo diversos parámetros para ver sucomportamiento en el proceso.

S SALIDA

Según donde impactan se suelen clasificar en :CTQ: Criticas para la calidadCTD: Criticas para la EntregaCTC: Criticas para el Costo.

Variables de Ruido o no controlables (N)

Variables experimentales (E)

PROCESO Características de calidad (Y)

Variables Controlables

N1 N2 N3

S1 , S2C1

C2

E1 E2 E3 E4

Y = f ( X1,X2,....Xn)

Entiende las “X” (KPIV) ycontrolarás las “Y” (KPOV)

“X”(KPIV)

“Y”(KPOV)

7575


Acciones a seguir

Tipo Características Acción

Controlable (C) Se puede controlar fácilmente Estandarizar el control

Experimental (E) Variable sobre la que se tiene capacidad de acción pero no se conoce su valor optimo.

Verificar si impactan sobre el indicador (fase 2).

Establecer Nivel optimo (fase 3)

Ruido (N)Variable que se sabe afecta a las KPOV pero que por ahora no se puede controlar ------------------------

7676

INICIO

FIN

VAVA

VA

VA

VA

VANA

NA

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)


20

7777


Eliminar la fabrica oculta

7878

INICIO

FIN

INFOINFO

INFO

INFO Etapas donde se registran datos del proceso


7979


Función del

proceso (paso)

Métodos de falla potenciales (defectos de

proceso)

Efectos de falla potenciales

(KPOVs)

Causas potenciales

de falla (KPIVs)

Controles de proceso actuales

SEV

OCC

DET

NPR

1

2

3

4

5

6

7

8

9

10

Se hace una Simple descripción

Del proceso

Forma como elproceso podríano cumplir con

las especificaciones

Efecto quepuede tenerel defecto

en el cliente

Razón por la cual ocurre la

falla

Controles que detectano previenenla falla si es que ocurre

Severidad Ocurrencia Detección

NPR = SEV * OCC * DETNivel de prioridad de riesgo

Formato de Matriz AMFE

8080

NPR = SEV * OCC * DET

Donde:

NPR : Número de probabilidad de riesgo o de prioridad de riesgo.EI NPR es la multiplicación de la severidad de la falla, la ocurrencia de esta y su posible detección. Este será mejor en tanto sea menor.

SEV : 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 su comportamiento respecto a nuestros servicios.

OCC : OcurrenciaFrecuencia en la que puede ocurrir una falla.

DET : DetecciónPosibilidad de identificar la falla en algún momento durante el proceso.


Matriz AMFE

21

81

ObjetivoMedir el nivel de desempeño del proceso y oportunidadalcanzable.

CTQ’s:Características críticas para la

calidad

Misión del proyectoProceso afectado

LÍMITES: Dónde empieza/termina Qué actividades incluye/excluye

FLUJO: Cómo funcionaDOCUMENTACIÓN: Procedimientos / Instrucciones

Función A Función B Función C

Actividad 1

Actividad 2

Actividad 7

Actividad 5

Actividad 3

Actividad 4

Actividad 6

Actividad 8

Prov

eedo

res

Entr

adas

Client

esSalid

as

Alcance del proyecto

DMAMC

Etapa 2: Medición

82

CTQ’s

Resultados de las Y’s Variables del proceso Rendimiento del proceso Capacidad del proceso Nivel s del proceso

“CAJA DEHERRAMIENTAS”

Y’s

Identificar los KPOV’s

Las Y’s son las salidas del proceso que reflejan lascaracterísticas 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.

DMAMC

Etapa 2: Medición

8383

Evaluar Sistema de Medición4.3

La evaluación del sistema de medición consiste en determinarla capacidad y estabilidad de los sistemas por medio deestudios de:

• Estabilidad• Repetibilidad• Reproducibilidad• Linealidad• Exactitud

“Un Sistema de medición es la colección de operaciones,procedimientos, instrumentos de medición, software ypersonal definido para asignar un numero a la característicaque esta siendo medida” (Measurement Systems Analysis 1995)

8484


Precisión y Exactitud

Preciso, no exacto

Exacto, no preciso

Ni preciso,Ni exacto

Preciso yExacto

22

8585


Exactitud

Es la diferencia entre el promedio de lasmediciones hechas por un operario y el valorreal obtenido con el master (patrón).“Una buena Exactitud se logra con un buenprograma de calibración”

Linealidad

Se define como la diferencia en la exactitud(sesgo) entre el master y el promedioobservado sobre todo el rango de operación delinstrumento

Estabilidad

Es la cantidad de variación en exactitud sobrecierto periodo. Sin evaluar la estabilidad no esposible asegurar evaluaciones confiables sobrelas demás propiedades estadísticas

8686

Repetibilidad

Es la variación en las mediciones hechas porun mismo operador en una misma pieza ycon el mismo instrumento de medición. Sedefine como la variación alrededor de lamedia.

Reproducibilidad

Variación entre las medias de las medicioneshechas por varios operarios con las mismaspiezas y con el mismo instrumento demedición.


8787

Evaluar Capacidad del proceso4.4

Capacidad

Habilidad basada enrendimiento demostrado,de un proceso, ensatisfacer losrequerimientos del cliente.

Capacidad Medida

Capacidad del procesocuantificada, de datos queson resultado demediciones de trabajorealizado por el proceso.

8888

Grupos

Perc

ent

200-20

99.9

90

50

10

1

0.1

Grupos

Perc

ent

3020100

99.9

99

90

50

10

1

0.1

Grupos

Perc

ent

40200

99.9

99

90

50

10

1

0.1

Correlation CoefficientSmallest Extreme Value

0.957Normal0.985Logistic0.975

Probability Plot for GruposLSXY Estimates-Complete Data

Smallest Extreme Value Normal

Logistic

Variación de los datos

Análisis de NormalidadPrueba de Normalidad

Si los datos son normales, se podrá hacer el análisis de la Capacidad del Proceso.


23

8989


Para analizar si un indicador es capaz de cumplir con lasespecificaciones, se suele utilizar el índice de capacidad

Diremos que un indicador es capaz de cumplir con lasespecificaciones cuando su dispersión es menor que la distanciaentre especificaciones.

Cp < 1 INCAPAZ

1 < Cp < 1.33 APENAS CAPAZ

1.33 < Cp < 2 CAPAZ

Cp > 2 MUY CAPAZCp = 2Cp = 1

Cp =LSE - LIE

6s

9090

CENTRAMIENTO (Cpk)

No solo interesa ver si el indicador puede cumplir con lasespecificaciones, nos interesa saber si este centrado respecto a lasmismas.

Para analizar esto, existe el índice de centramiento denominadoCpk que mide la menor distancia del promedio de los datos a lasespecificaciones comparada contra el ancho de media distribución.

LSE - X X - LIECpk = Min

Especificación Promedio de los datos

3s 3s,

3s 3s


91

Variación

INSATISFACCION

Conocimiento de la relación Causa - Efecto

Necesidad de estudiar los

procesos

LIE LSE

Centrar la media (de acuerdo al requerimiento del cliente)

y reducir la amplitud.

Al cliente no le interesa el

promedio

92

Expectativa del cliente: plazo de entrega 8 días despuésdel pedido

Perspectiva internaPlazo de entrega

del proceso existente

(días)201530105

x = 16 días

Después de las mejoras

convencionales(días)

1725124

x = 8 díasCelebración

interna. Mejora de 16 a 8 (50%)

Perspectiva del clienteIntervalo de 15 días

8 122 5 17

Fecha pretendida

por el cliente

Días de anticipación

(-6)

Días de atraso

(+9)

Variación

24

93

Reducida variación alrededor de la media y proceso centrado en el objetivo

Voz delProceso

Objetivo

Voz delCliente

Capacidad de Proceso

Capacidad del Proceso =Voz del ClienteVoz del Proceso

94

Cp: índice de Capacidad Potencial del Proceso.


LSE - LIE6 * s

Cp =

Valores más altos de Cp y Cpk, ES MEJOR.

LSE - x , x - LIE3 * s 3 * s

Cpk = min

Cpk: índice de Capacidad Real del Proceso.

s = desviación estándar teórica de la población

LSE = Límite superior de especificaciónLIE = Límite inferior de especificación

Donde:

x = centro del proceso

95

Relación entre nivel sigma, Cp y Cpk

NIVEL Cp

1s 0.33

2s 0.67

3s 1.00

4s 1.33

5s 1.67

6s 2.00

Cpk

-0.17

0.17

0.50

0.83

1.17

1.50


6s

0 2s1s 3s 4s 6s5s-5s-6s -4s-3s -1s-2s

LIE LSE

4.5s

1.5s6s

96

6s

LIE = 125 LSE = 135

4.5s

1.5s

% ?


6s

3.4 Dpmo

x - xsz =

z = 4.5

X

z = 135 - xs

Z 0 0.01 0.02 0.03 0.04 0.05

4.30 99.99915 99.99918 99.99922 99.99925 99.99929 99.999324.40 99.99946 99.99948 99.99951 99.99953 99.99955 99.99957

4.50 99.99966 99.99968 99.99969 99.99970 99.99972 99.999734.60 99.99979 99.99980 99.99981 99.99982 99.99983 99.99983

4.70 99.99987 99.99988 99.99988 99.99989 99.99989 99.99990

TABLA Z

PORCENTAJE BAJO LA CURVA NORMAL z% = 100% - 99.99966%% = 0.00034%

Transformando a por millón0.00034 / 100 * 1000000

3.4 dpmo

25

9797

Cpk Superior < Cpk inferior, u tiende hacia el LSECpk Inferior < Cpk Superior, u Tiende hacia el LIE

Primer Ejemplo problema Variación y Centrado


9898

0.600.450.300.150.00-0.15

LSL Target USLP rocess Data

Sample N 106S tDev(Within) 0.107208S tDev(O verall) 0.107447

LSL 0Target 0.1U SL 0.2Sample Mean 0.0626415

Potential (Within) C apability

C C pk 0.31

O verall C apability

Pp 0.31PPL 0.19PPU 0.43Ppk

C p

0.19C pm 0.29

0.31C PL 0.19C PU 0.43C pk 0.19

Observ ed P erformancePPM < LSL 0.00PPM > USL 103773.58PPM Total 103773.58

Exp. Within P erformancePPM < LSL 279509.11PPM > USL 100055.21PPM Total 379564.32

Exp. O verall PerformancePPM < LSL 279947.66PPM > USL 100557.92PPM Total 380505.59

WithinOverall

Process Capability of % de Saturación

Segundo Ejemplo problema Variación y Centrado


9999

5. Fase II: Analizar5.1 Determinar las causas del problema5.2 Variables Discretas y Continuas5.3 Prueba hipótesis5.4 Procedimiento de prueba hipótesis5.5 Ejemplos

100

f(X)Y=X1 . . . XN Independiente Entrada - Proceso Causa Problema Controlable

Y Dependiente Salida Efecto Síntoma Monitoreable

Mejorar las Y’s a través de mejorar las X’s

DMAMC

Etapa 3: AnálisisEl Foco del Seis Sigma

26

101

Función A Función B Función C

Actividad 1

Actividad 2

Actividad 7

Actividad 5

Actividad 3

Actividad 4

Actividad 6

Actividad 8

Prov

eedo

res

Entr

adas

Client

esSalid

as

Identificar los KPIVs para cambiar o controlar quedisminuyan los índices de defectos en los KPOVs.


KPOV’s

X’s

Identificar variables de entrada (X´s)

Objetivo

DMAMC

Etapa 3: Análisis

102

Las X’s, son los factores, causas, condiciones queafectan los KPOV’s.

Y = f(X’s)Problema estadístico

RESULTADOS DE LOS KPOV’s(Problema práctico)

KPIV’s: FACTORESDOMINANTES“CAJA DE

HERRAMIENTAS”

Al controlar o cambiar los KPIV’s (X’s claves),produciremos efecto en los KPOV’s.

Identificar

DMAMC

Etapa 3: Análisis

103

X XX

Y

CTQ

Y YYY

X X

Definir Característica crítica

KPOVDe las variables de salida (Y’s) del proceso, identificar los KPOV’s que responden al CTQ.

KPIV KPIV

Identificar las variables (X’s) que afectan el KPOV e identificar los pocos vitales (KPIV’s)

DMAMC

Etapa 3: AnálisisDespliegue

104104

Y (KPOV)

X (KPIV)CTQs


Cp, Cpk


Correlación

Regresión

DOE Simulación

SPC

5 Ss

Poka Yoke

X Key Process Input Variables (KPIV) variable claves del proceso

Y Key Process Ouptput Variables (KPOV) variables clave de salida del proceso para el cliente




Controladas

27

105105

Determinar las causas5.1

Con la finalidad de determinar las posibles causas generalmente que afectan a nuestropoblewma (Y o KPOV), usaremos el Diagrama Causa – Efecto, o Ishikawa.

Listar por tormenta de ideas lascausas generales que afectanal indicador.

Agrupar las causas en 4 o 6grupos. Se suele usar:

Por 4M Por 6MMano O. Mano OMaterial MaterialMaquinaria MaquinariaMétodo Método

MediciónMedio amb.

CONSTRUCCION

causa

causa

causa

causacausa

causa

causa

causa

causa

causa

causa causa

causa

causa

causa

causa

causa

causa

Criterio de agrupación 3






causa

causa

PROBLEMA

Nota: Si las causas vienen de los KPIV, se deben señalar si son E,C,N

Diagrama de Causa-Efecto (Ishikawa)

106106

Posteriormente se validaran cualescausas son definitivamente las queson las responsables del Problema

Se ha visto que la KPIV, puede impactar en las KPOV:

Matriz Causa-Efecto

Número de Contratos

Conocimientos norma de créditos

Numero de Analistas

Tiempo de entrega de Contratos

Tiempo de Calificación

% de créditos rechazados

Costo Evaluación.

X Yafecta

Ejemplos:

Para mejorar el proceso, se debe identificar cuáles son las X que másafectan a las Y para determinar cuáles deben ser atacadas.


107107

ISHIKAWA

FEMEAENTRADAS DEL PROCESO

PRUEBA DE HIPOTESIS

VARIABLES SIGNIFICATIVAS

CAPACIDAD DEL PROCESO

X1

INICION1 C

1

C2

X2 X3

X3

N2

X4

C3

X5

FIN

Y1

Y2


108108

5.2 Variables Discretas y Continuas

tienen un número fijo de valoresEjemplos: estado civil, tiposanguíneo, número de niños

Datos Discretos

tienen un número infinito de valoresEjemplos: estatura, peso,temperatura

Datos Continuos

28

109109

Para conocer si un factor ( X: KPIV ) influye sobre nuestroindicador ( Y: KPOV ) del proceso; se suele variar estefactor de manera de ver si su variación afecta al indicador.

La manera de ver esta variación es a través de laspruebas de hipótesis que nos permitirán concluir si el factoren estudio afecta significativamente al indicador.

PRUEBA DE HIPOTESIS

Prueba Hipótesis5.3

110110

Errores posibles al evaluar una hipótesis

Verdad de H0

V

(no hay diferencia)

F

(si hay diferencia)

Decisión correcta 1 -

(nivel de significan cía)

Error tipo 1

α

Error tipo 2

β

Decisión correcta

1 –

(poder la prueba)

F V

Aceptar H0

(no hay diferencia)

Aceptar Ha (si hay diferencia)

P(Error Tipo) = :Probabilidad deencontrar unadiferencia cuándoesta no existe. = 0.01, 0.05P(Error Tipo2) = : Probabilidad de noencontrar unadiferencia cuandoesta si existe.

Verdad de Ha


111111

Ho : El factor no generó diferencias Antes Vs Después (X no afecta Y)Ha : El factor si generó diferencias Antes Vs Después (X si afecta Y)

RECORDANDO

Si p – val > 0.05 () NO se rechaza H0

VOCABULARIO

Conclusión Robusta:Rechazar H0. Ello pues el valor de se ha fijado en la prueba (usualmente en0.05)Conclusión Débil:Aceptar H0 sin conocer el valor de . En estos casos se suele decir “No puederechazarse H0”Potencia de una prueba estadística:Es la probabilidad de rechazar correctamente una H0

Potencia = 1 -


112112

Prueba Anova

ONE SAMPLE t – TAMAÑO DE MUESTRA (Si la Población es Normal)

Prueba t (One Sample t)

Estadístico t = X- s / n

Hipótesis Nula H0: = 0

Hipótesis Alterna

Ha: <0 ; t < t , n-1

> 0; t > t , n-1

0 ; | t | > t /2 , n-1

MinitabStat-Basic Statisc- 1sample t


29

113113


TIPO LOTE

HUE

VO

S IN

CUB

AD

OS

VIEJOJOVENADULTO

16000

14000

12000

10000

8000

6000

4000

2000

0

Boxplot of HUEVOS INCUBADOS by TIPO LOTE

Source DF SS MS F PTIPO LOTE 2 177886860 88943430 6.46 0.002Error 118 1625812015 13778068Total 120 1803698874S = 3712 R-Sq = 9.86% R-Sq(adj) = 8.33%

Individual 95% CIs For Mean Based onPooled StDev

Level N Mean StDev --------+---------+---------+---------+-ADULTO 52 6158 3863 (----*----)JOVEN 17 9055 4226 (--------*--------)VIEJO 52 5331 3369 (----*----)

6000 8000 10000 12000

114114

Correlación y Regresión

INTRODUCCIÓN:

Al interior de un proceso, usualmente existe una relación entre 2variables.Si una Y (KPOV) se correlaciona con una X; podremos decir que X esuna KPIV.

De esta manera diremos que existe una ecuación que liga a ambas Y= f (x). Esta ecuación se denomina “Modelo matemático”.Esta ecuación se calcula usando técnicas de regresión.

Usualmente la correlación para determinar la fuerza que liga a 2variables sin necesidad de alterar el proceso como se hizo en lasPruebas de hipótesis o como hará en los DOE (Fase 3).


115115

-1 r < 0

Correlación Negativa

r = 0

No hay Correlación

0 < r 1

Correlación Positiva

Correlación

Es la Fuerza de Asociación entre 2 Variables.Se mide con el Coeficiente de Pearson (r)

-1 r 1

Cuánto más cercano esté el coeficiente de Correlación de Pearson

a –1 o 1; mayor probabilidad de Correlación


116116

Precauciones:

Dado que no estamos modificando el proceso ( variando x) ymidiendo su efecto ( en Y) : encontrar que “hay correlación”no siempre significa que al variar X, variará Y (Causa –Efecto)

Solo debemos usar correlación cuando hay una persuasiónrazonable que X podría afectar Y

Correlación


30

117117

PROCESO Indicador (Y)

Variables Experimentales

Y1 , Y2

X1 X2 X3 X4

Y = f ( X1,X2,....Xn)

Con la regresión se determina el Modelo Matemático que relacione lasVariables X con Y.

Estas Xi, son laque se hanobtenidodespués de:Prueba deHipótesis.Correlación.

LOS MODELOS MATEMATICOS PUEDEN SERY = 0 + 1 X LINEALY = 0 + 1X + 2X2 CUADRÁTICOY = 0 + 1X + 2X2 + 3X3 CÚBICOY = 0 + 1X1 + 2X2+... +nXn) LINEAL

MÚLTIPLE

Regresión


118118

Procedimiento para la Prueba Hipótesis

1. Identificar de acuerdo al tipo de variable discreta o continua tanto para KPIVcomo KPOV el tipo de Prueba Estadística a utilizar.

2. Establecer la Hipótesis Nula Ho.

3. Especificar una hipótesis alternativa apropiada Ha.

4. Elegir un nivel de significación (Usualmente: 0.05).

5. Establecer un estadístico de prueba apropiado.

6. Establecer la región de rechazo del estadístico.

7. Calcular las cantidades muestrales necesarias, sustituirlas en la ecuación delestadístico de la prueba y calcular es valor.

8. Decidir si deberá rechazarse o no Ho.

9. Traducir la decisión en términos de proceso.

Acción

Procedimiento de pruebas5.4

119119

FLUJOGRAMA PRUEBA HIPÓTESIS

Inicio

Ubicar las variables importantes ( Fase 1 )

Seleccionar laprueba de hipótesis

a usar

Variar el factor de manera de tener 2

Situaciones :“Antes”

“Después”

Recopilar data

Aplicar la pruebade hipótesis

H0 no hay variación antes vs despuésHa si hay variación antes vs después

p –val > 0.05

1Factor si afecta

Fin

Si

NoRechazo H0

1

Factor no afecta

Acepto H0


120120

Y Continua Y Discreta

X Continua

Correlacion-Regresion Correlacion-Regresion

XDiscreta

Para distribucion normal de YPrueba T1Prueba T2Prueba Anova

Para distribucion no normal de YPrueba WPrueba xxxxPrueba kk

Chi cuadrado


Selección de la Prueba Hipótesis

31

121121

5.4

¿Es normal?

Prueba F para Y agrupada según las X

SI

Agrupar prueba Normalidad para"Y"

¿Es normal?

NO

SI

¿P>α ?Transformar Datos

prueba Normalidad para"Y"

NONO

¿Es normal?

SI

NO


¿P>α ?

SI

NOPrueba KW

Prueba de Anova

Prueba de Normalidad para "Y"

SI

Y continua / X discretaCon más de 2 muestras

Procedimiento de Pruebas

122122

5.4

Y continua / X discretaCon 2 muestras

¿Es normal?


SI


¿Es normal?

NO

SI

¿P>α ?

Transformar Datos prueba Normalidad para"Y"

NONO

¿Es normal?

SI

NO


¿P>α ?

SI

NOPrueba KW

Prueba T2


SI


123123

5.4

Y continua / X discretaCon 1 muestra

¿Es normal?

SI


¿Es normal?

NO

SI

Transformar Datos prueba Normalidad para"Y"

NO

¿Es normal?

SI

NO


Prueba T 1

Prueba One Sample Sign


124124

5.4

Y continua o discreta / X Continua

Probar la correlacion de todos los x con y

¿r = 0?

¿es lineal o curva?

No Si

¿Y es continua

?

SiNo

¿Hay mas de una x?

No Si

curva

¿es lineal o curva?

lineal

curva

lineal

No hay correlacion

Prueba RegresionMultiple

Prueba Regresion Superficie de Respuesta

Prueba de Regresion curva lineal

Prueba de Regresion lineal

Prueba Regresion Logistica


32

125125

X Ycantidad pedido

devueltos semanal ¿Qué tipo de

prueba?

X1= Zona Geografica 2030...

10

2040...

30

3050 ...

20

X1= Discreta, tiene 10 valores (menos de 30)

Y= continua

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.

48 datos (48 semanas)



Zona 1

Zona 2

.

.

.

.

.Zona 10

Ejemplos: EMPRESA COURIER “EL RAPIDO” 5.5

126126

X2= Repartidores

Repartidor 1

Repartidor 2 ........

Repartidor 50

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.

X Ycantidad pedido


prueba?

2030...

10

2040...

30

3050 ...

20





127127

X3= ¿El repartidor usa Guia ?

Si

No

5010...

20

1020...

30

X3= Discreta

Y= Continua

Por lo tanto se utiliza la Prueba T2 para probar la significancia de X en Y

Nota: no Anova porque solo son 2 muestras.

X Ycantidad pedido


prueba?


128128

X1= Presion en el cabezal (Bar)

X Ycantidad de

pasta quemada¿Qué tipo de

prueba?

Ejemplos: FABRICA DE PASTAS “NAPOLITANO” 5.5

40 bar65 bar50 bar30 bar

.

.

.

.

.

. 60 bar

100 datos

10 kg15 kg12 kg

8 kg......

14kg

X1= es continua Tiene mas de 30 datos

Y= continua

Por lo tanto se utiiliza la Prueba de Regresion

33

129129


X2= Temperatura de cocido (ºC)

X Ycantidad de


prueba?

45 ºC35 ºC55 ºC32 ºC ......

50 ºC

105 datos

15 kg10 kg20 kg

8 kg......

25kg


Y= continua


130130


X3= Humedad relativa (%)

X Ycantidad de


prueba?

60%55%70%45% ......

72%

103 datos

15 kg10 kg20 kg

8 kg......

25kg


Y= continua


131131

6. Fase III: Implementar (mejora)6.1 Análisis de riesgo: Matriz FMEA.6.2 DOE6.3 Procedimiento DOE6.4 Plan de Mejora

132

Determinar que cambios son necesarios en los KPIVs ycomo efectuarlos, con el fin de reducir la tasa dedefectos de los KPOVs.

KPIV’s: VARIABLES DOMINANTES

(Problema estadístico)

MODELO DEL PROCESO(Solución estadística)

PRUEBA DE SOLUCIONES

(Solución práctica)SOLUCION A IMPLANTAR


Objetivo

DMAMC

Etapa 4: Mejora

34

133

Análisis dedatos históricos

Prueba y Error

Un factor a lavez

Diseñosexperimentales

Los datos disponibles pueden producir indicios

Dec

reci

endo

el r

iesg

o de

la d

ecis

ión

Pude producir un impacto rápido

Simple de usar

Mejor entendimiento del sistema

Los resultados pueden ser engañosos. Poco entendimiento

Poco entendimiento

Requiere planificaciónDisciplina

Poco entendimiento.No analiza interacción entre las X’s

ENFOQUE VENTAJAS DESVENTAJAS

Entender cuánto afectan los KPIV´s a los KPOV´s

Etapa 4: MejoraDMAMC

134134

PROCESO AMFE

Elabora FMEA preliminar.

Discusión para definir NPR.

Plan de Acción de mejora de losNPR.

Ejecución del Plan.

Evaluación de Resultados.

Emisión del AMFE definitivo.

OKNO

SI

FASE I

FASE II

Análisis de riesgo: Matriz AMFE.

6.1

135135

Se vuelve usar la matriz AMFEmostrado anteriormente.

En esta parte se establecen lasposibles soluciones para aquellasactividades que tienen un NPRalto.

Acciones Recomendadas

Persona responsable & Fecha Objeto

Acciones Tomadas

SEV

OCC

DET

NPR

Las acciones recomendadas

que son llevadasA cabo.

El responsable de llevar acabola acción (es)

El NPR despuésde haber tomadolas acción (es). Elcual se suponedebe ser menorSon las acciones

orientadas a seguir para las causas con NPR alto, destinadasmejorar la detección

de la causa o disminuirla frecuencia de

ocurrencia de las fallas

Análisis de riesgo: Matriz AMFE.

6.1

136136

Es una estrategia experimental estructurada que permite laevaluación de múltiples variables de proceso en cuanto a sucapacidad para influir sobre las características de un producto oproceso.

• Determinar que factores son importantes.

• Establecer la estabilidad del proceso.

• Encontrar el mejor conjunto de condiciones de operación.

DOE6.2

Introducción al DOE

35

137137

Y (KPOV)

X (KPIV)CTQs


Cp, Cpk


Correlación

Regresión

DOE Simulación

SPC

5 Ss

Poka Yoke






Controladas

DOE6.2

138138

DOE6.2

Diseño Factorial Completo

El Factorial Completo estudiará cada combinación posible en losniveles escogidos. Estos diseños proveerán una graninformación que nos permitirá determinar el efecto de losfactores principales sobre la respuesta seleccionada.

Cantidad de pruebas que se necesitan =

(niveles factor 1) x (niveles factor 2) x (niveles factor 3) x ….(niveles factor n)

Donde:Factor = Son las variables (KPVI) X1, X2, X3 … XnNivel = Es la cantidad de valores que toma cada factor

139139

Limitaciones para el Diseño Factorial Completo

•La limitación del Factorial completo no es teórica sino practica. Los recursos (ej. Tiempo, costos) necesarios para correr un factorial completo pueden ser significantes.

• 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).

•Factorial Completo son efectivo cuando son usados de la manera adecuada, en el momento propicio dentro del proceso de mejora del estudio.

DOE6.2

140140

DOE6.2

Diseño Factorial Completo con 2 niveles

Por Ejemplo 3 factores cada uno con 2 niveles:

Cantidad de pruebas que se necesitan = 2 x 2 x 2 = 8

Donde:3 = Factor = K = variables (KPVI) X1, X2, X32 = Nivel = Es la cantidad de valores que toma cada factor

32

K2

36

141141

DOE6.2

Diseño Factoriales Fraccionados

Son diseños donde se elige adecuadamente una parte o fracciónde los tratamientos de un factorial completo, con la intención depoder estudiar el efecto de los factores utilizando menos corridasexperimentales, debido a que es imposible en la practica corrertodos los tratamientos.

La teoría de los diseños factoriales fraccionados se basa en lajerarquización de los efectos: Son más importantes los efectosprincipales, seguidos por la interacciones dobles, luego lastriples, las cuádruples , etc.

K - p2 Número de generadores del diseño

Número de factores (K)

Número niveles (2)

142142

DOE6.2

Aclaraciones para el Diseño Factorialesfraccionados:

•Se pierde información, ya que habrá efectos que no se podránestimarse y se tienen menos grados de libertad disponibles para laestimación del error. Los efectos que se pierden se espera quesean, en la medida de los posible, interacciones de alto orden, lascuales se pueden ignorar de antemano con bajo riesgo.

•Se utiliza sobre todo para probar un gran número de x potencialescon un mínimo de corridas y lograr la selección de las pocas Xvitales.

•Los experimentos altamente fraccionados son experimentosdonde el número de corridas es solo un poco mayor que el númerode factores y sirven para detectar solo efectos principales.

143143

DOE6.2

Recomendaciones para el Diseño Factorialesfraccionados:

•Los experimentos altamente fraccionados se usan a menudopara cernido, para encontrar las variables que merecen mayorestudio

•Los experimentos más útiles tiene 8, 16 0 32 corridas.

•Usted puede añadir niveles (use 3, 4 o 5 niveles) para unestudio más detallado de las variables importantes.

•Los experimentos de 2 niveles pueden usarse con variables Xdiscretas o continuas.

•Recuerde además que usted puede correr la otra media fracciónsi los resultados del primer experimento no son claros.

144144

Procedimiento DOE6.3

1. Defenir el problema.

2. Establecer el objetivo.

3. Seleccionar las variables de respuesta.

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.

6. Seleccionar el Diseño Experimental: tipo de diseño a utilizar y número de replicas.

7. Planear y correr el DOE. Realizar las pruebas aleatoriamente.

8. Recolectar los datos.

9. Analizar los Datos.

10. Obtener las conclusiones estadisticas.

11. Replicar los resultados, si corresponde.

12. Establecer soluciones practicas y comunicar.

13. Implementar soluciones.

Pasos para la experimentación

37

145145

Selección de factores

Podemos utilizar las siguientes fuentes:

• FMEA (Puesta al día después de la Fase de Análisis)

• Lista de Calsificación de Entrada. Mapa de procesos.

• Factores de Estudio de Variación Multiple

• Resultados de la Prueba de Hipótesis

• Conocimiento de los expertos, experiencia de los operadores

• Requerimientos de los clientes

• Opinión de los proveedores

• Literatura, tormenta de ideas.........


146146

Acción

1. Plantear el problema a resolver y objetivo que se requiere alcanzar

2. Identificar los factores y sus niveles.

3. Cree la hoja de toma de datos para el experimento

Stat / DOE / FACTORIALS / CREATE FACTORIAL / DESIGNS

El problema es aumentar/disminuir..... Y = Nombre del indicador

Nivel Bajo

(-)

Nivel alto

(+)

X1 : Nombre del factor



Minitab

• 2 Level Factorial

• Number Of. Factors

DESGNIS Full factorial

Center points=

# Replicates=

FACTORS En la columna “Name” ponerle el

nombre del factor

OPTIONS . Do not fold

Randomize Runs

Store Design on Worksh

Summary table, alias table

Default interactionsRESULTS


147147

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

RESPONSES Poner el indicador

TERMS Seleccionar todos los factores y pasarlos a “Selected Terma”

GRAPHS

Normal

Paretto

Alpha = 0.1

Residual for plots : Regular

•Coefficients and ANOVA table

Fits (Desmarcar)

Residuals (Desmarcar)

RESULTS

STORAGE

Nota:

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

Ha: El efecto del factor si es importante sobre Y

Si p-val>0.05

Acepto H0

Acción Minitab


148148

Los planes de Implementación Final de soluciones debecontener:

•La solución (acción) recomendada.

•La causa verificada y el efecto esperado de la solución.

•Definir al responsable que llevara a la práctica lasolución.

•Donde y cuando se realizara (fecha de inicio-fechafinal).

•Como se realizara (descripción operativa).

•Recursos necesarios para la implementación.

•Retorno esperado (beneficio).

•El Plan de Gerenciamiento.

Plan de Mejora6.4

38

149149

Formato Plan de Implementación de Soluciones.

RESPONSABLE

OPERACIÓN INICIO FIN

FECHACOMO

PROYECTO: FECHA:

MIEMBROS DEL EQUIPO:

NroACCION

RECOMENDADA

CAUSAEFECTO ESPERA

DO

QUIENDONDE CUANDO

TIEMPO S$ENTRENAM

IENTO SOPORTE OTROS S$ SATISFACCIÓN

OBSERVACIONESPORCENTAJE DE

AVANCE

RECURSOS NECESARIOS RETORNO ESPERADO STATUS

Plan de Mejora6.4

150150

ID Acciones de Mejora Tipo de Mejora

Responsable Fecha de Compromiso

% de Avance

Observaciones

1Desarrollo de una Base de Datos donde se regist ra las altas por dslam saturados

Corto plazo Veronica Avila 15 de Abril 50%

Problemas para identif icar la correspondencia de los números a los DSLAM por falt a de et iquetas y creación de nuevos perf iles

2Desarrollo de la BD que controle la capacidad disponible de Tx por DSLAM's

Largo Plazo Ernesto Saravia Por def inir Por def inir

Se requiere la participación de la Subgerencia de Tx y el conocimiento del Aplicat ivo Asig2000.

3 Desarrollo de un sistema que realice la previsión de t rafico por DSLAM´s Mediano Plazo Veronica Avila Por def inir Por def inir Se requiere la participación de

GSI

4

Solicit ar a GSI, el desarrollo de una rut ina que permita que los campos : In Real y Fin. Real se han obligatorios cuando se cambia el status del proyecto

Corto plazo Walter la Mat ta Por def inir Por def inirSe requiere establecer un requerimiento, y el posible costeo de esta nueva rut ina

5

Elaboración de un procedimiento para la ampliación de los enlaces en la Red Speedy que abarca desde la detección de su sobrecarga hasta su ampliación.

Largo Plazo Ernesto Saravia Por def inir 15%Se requiere la participación de las Gerencia de Desarrollo y Planif icación

6

Desarrollo de una Base de Datos que regist ra las fechas de denuncias de los sobrecargas hasta su ampliación, con la f inalidad de realizar el seguimiento de las ampliaciones en planta

Corto Plazo Veronica Avila 15 de Abril 25%Se tiene la información hay que armar la data a part ir del presente año 2005

Falta de un procedimiento para realizar la ampliación de los enlaces en los DSLAM'S

Oportunidad de Mejora

Falta de un control de las altas en DSLAM que presentan saturación

Falta de un sistema que cont role las denuncias de sobrecarga hasta su ampliación en la Red

Falta de un sistema que cont role la capacidad disponible de Tx por DSLAM's

Falta de previsión en el crecimiento de trafico por cliente

No se registras las fechas de inicio y culminación de las Obras en el Aplicativo SAP-Modulo Gest ión de Proyectos

Plan de Mejora6.4

151151

7. Fase IV: Controlar7.1 Objetivo7.2 Mantenimiento de Resultados.7.3 Control estadístico de procesos7.4 POKA YOKE7.5 Las 5 S7.6 Fabrica visual7.7 Acciones Finales

152

Verificar las mejoras e instalar un sistema de control queasegure las utilidades.

SOLUCIÓN A IMPLANTAR

TRASFERENCIA A OPERACIONES

(Plan de implantación)

PLAN DE CONTROLVALIDACIÓN

¿?Si

No

“CAJA DEHERRAMIENTAS

”

Objetivo

Etapa 5: ControlDMAMC

39

153153

Y (KPOV)

X (KPIV)CTQs


Cp, Cpk


Correlación

Regresión

DOE Simulación

SPC

5 Ss

Poka Yoke






Controladas

154154

Concluida las mejoras en las Y, se debe controlar la variable en eltiempo para que no retorne a la situación anterior.

Fin deProyecto

CONTROL

Antes de la Mejora

MEJORAR

FASE POST PROYECTO

Situación No Deseada

Y

Objetivo7.1

155155

Se debe elaborar un plan de Mantenimiento deResultados:

El plan debe contener:

•El mapa de proceso actualizado, con indicadorescríticos en la entrada y salida (Ya estuvieron definidosen la primera etapa).

•El tipo de control para cada indicador y las accionesde reacción ante el descontrol.

Mantenimiento resultados7.2

156156

Es el listado con las acciones generales que cada proceso debeseguir para garantizar, mantener el resultado del indicador.

Ejemplo:

PLAN DE CONTROL

Proceso:_______ Fecha:____ Responsable:_____

Acción Responsable Periodicidad

1Analizar indicador

2.Gage R & R

Normas y

procedimientos

4.Revisión

FMEA

5.Charla de Six

Sigma en 5 minutos

Supervisor 1

Supervisor 2

Gerente

Todos

Jefe

Diario

Mensual

Quincenal

Anual

Mensual

PLAN DEL CONTROL DEL PROCESO


40

157157

TIPO DE CONTROL PARA CADA INDICADOR

Existen diferentes maneras de hacer el Controlpara los indicadores. Entre los más importantes, semenciona:

•Control Estadístico de Procesos.

•Sistema a Prueba de Errores (Poka Yoke).

•Filosofía de 5 Ss y Gerenciamiento Visual.


158158

Control Estadístico de Procesos (CEP)

•Muestra el desempeño del Proceso.

•Provee de un Lenguaje Común para discutir el Proceso.

•Permitirádiferenciar Causas Comunes de Especiales.

Los componentes del CEP, son:

•Cartas de Control.

•Causas Especiales y Comunes.

LSC : Límite Superior de Control

LIC : Límite Inferior de Control

ZONA ENCONTROL (BIEN)

ZONA PRUEBADE CONTROL(MAL)

Control Estadístico de Procesos7.3

159159

Controla la proporción de piezas no conformes.No controla la cantidad de no conformidades encontradas en la pieza.

CARTA P

ndp

knnnn k

21

kpppp k

21

pq 1

nqppLIC p

3

nqppLSC p

3

Cartas De Control


160160

kcccc k

21 ccLICp 3

ccLSC p 3kccc 21

CARTA C

Controla el numero de no conformidades por unidad y sólo esaplicada cuando el número de elementos de las muestrasrecolectadas es constante.

Es la cantidad de no conformidadesencontradas en cada muestra.

Cartas De Control


41

161161

kXXXX k

21

kk XXXXXXXXR 1212121 ,,,,

R

RDLSCR 4RDLICR 3

REXLSCX 2REXLICX 2

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.

Es la media de los R individuales calculados.

c

Cartas De Control


162162

Gráfica X-R


163163

Los defectos tienes su causa raíz en errores

La manera tradicional de evitar que lleguen defectos al cliente esinspeccionar al 100% todo o parte de los servicios brindados. Pero esto esmuy costoso e ineficiente.

Se debe construir Calidad desde la fuente incorporada mecanismos queprevengan los errores desde el principio

Mecanismos a Prueba De Errores : POKA YOKE

POKA YOKE7.4

Defecto

164164

Olvido

Desconocimiento

De identificación

Inexperiencia

Voluntarios

Inadvertidos

Lentitud

Falta de estándares

Errores Sorpresa

Intencionales

123456789

10

Errores

POKA YOKE7.4

Casi todos los defectos están causados por

errores humanos. Sin embargo hay como mínimo 10 clases de errores

42

165165

Olv

ido

Des

cono

cim

ient

o

No

iden

tific

ado

Inex

perie

ncia

Vol

unta

rio

Inad

verti

do

Lent

itud

Falta

de

está

ndar

es

Sorp

resa

Inte

ncio

nal

Proceso Omitido

Errores de Proceso

Piezas omitidas

Piezas equivocadas

Error de ajuste

Operación defectuosaProcesamiento de Pieza equivocadaMontaje erróneo de piezas de máquinaEquipo montado inapropiadamenteUtiles y plantillas mal preparados

Errores Humanos

Causa de defectos

Conexión fuerte

Conexión

POKA YOKE7.4

166166

Los errores Humanos usualmente lo son por inadvertencia.

POKA YOKE7.4

“Los errores inadvertidos incrementan el trabajo”

Yokeru Evitar

Poka Errores Inadvertidos

Los mecanismos Poka-Yoke nos ayudan a evitar los defectosaunque inadvertidamente se cometan errores.Los Poka-Yoke ayudan a fabricar la calidad en el proceso.

Un dispositivo Poka−yoke es cualquier mecanismo que ayuda aprevenir los errores antes de que sucedan, o los hace que seanmuy obvios para que el trabajador se de cuenta y lo corrija atiempo.

167167

El Diskette no puede ser colocado en posición invertida

El CD es expulsado si fue colocado en posición invertida

POKA YOKE7.4

GuíasGuías (pines) de distintos tamaños

168168

Equipo: Camión 785COperación: Cambio de llantas delanterasFecha: 15/12/03

Personal Requerido Cantidad ConformidadTécnico en Llantas 2Ayudante 1

Herramientas Cantidad Conformidad ∙ Equipo Manipulador de llantas TAYLOR (1) 1∙ Barreta (1). 2∙ Gata 150 TN ( 1ó 2 ). 2∙ Gata Hidráulica-Neumática. 2∙ Extractor de válvulas de aire. 1∙ Válvulas de aire. 2∙ Herramientas de impacto ½” 3∙ Extensión 5”. 2∙ Encastre ½” 2∙ Válvulas de aire 1∙ Destalonador 2∙ Dado ¾”. 2Material o insumos Cantidad Conformidad∙ Grasa vegetal 1 balde∙ Trapo Industrial 1 kilo∙ Sello O-Ring 2∙ Tacos de Madera 2∙ Llanta 2Procedimientos estándares a seguir

Lista de Comprobación

EMATL001: Cambio de llantas delanteras 1 y 2Camiones 785C

POKA YOKE7.4

Lista de Chequeo

43

169169

SEIRI(Clasificar)

Retirar, desalojar lo innecesario.

SEISO(Organizar)

“Cada cosa en su lugar y un lugar para cada cosa”.

SEITON(Limpiar)

Limpieza es inspección.

SEIKETSU(Prevenir)

Evitar que se vuelva a ensuciar, desordenar.

SHITSUKE(Disciplinar)

Estandarizar, cumplir con los estándares, Formar buenos hábitos.

Las 5 S7.5

170170

¿Cómo se pueden definir las 5S?

Las 5 S7.5

“Siempre se pueden evitar ineficiencias, evitar desplazamientos, y eliminar desperdicios de tiempo y

espacio”

171171

Las 5 S7.5

172172

Las 5 S7.5

44

173173

O bs er v ation

O bs er v ation

Mo

vin

g R

an

ge

81736557494133251791

40

30

20

10

0

__M R= 13.48

U C L= 44.03

LC L=0

1

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 de Estándares yProcedimientos.

•Plan de Control del Proceso.

Fabrica visual7.6

174174

Para la implementación de las Acciones Finales, deben estarpreviamente definidos:•El desarrollo y la documentación de prácticas estándares.•El entrenamiento del personal involucrado en las Actividades.

Acciones Finales

Después de ello se podrá hacer los cierres de los proyectos.Se debe reconocer el esfuerzo y aporte de cada participante porel trabajo y sus resultados asociados.

7.7

175

Caja de HerramientasCostos de mala calidad

Mapa de proceso

Tormenta de ideas

Diagrama de causa-efecto

Diagrama de afinidadDistribuciones

ParetoHoja de verificación

Capacidad de proceso

R&R

Temas críticos para el clientePlan estratégico

Reclamos

Diagrama de dispersión

Gráficos (lineal, barras)

Las 7 herramientas de la calidad

EstratificaciónHistogramaGráfico de control

QFD

Prueba de hipótesis

Diseño de experimentosDiseño Robusto

Función de pérdida de Taguchi

Análisis de regresión múltiple

Box PlotPoka Yoke

KaizenKanbam

FMEA

Análisis de regresión simpleAnálisis de varianza

176

Agentes del Cambio

45

177

Factores de Éxito

Estrategia

LiderazgoPersonal

GerenciaTecnología

Metodología

6s

178

Bibliografía Greg Brue, “Seis Sigma para Directivos” McGraw-Hill, España,

2003

Peter S. Pande, Robert P. Neuman, Roland R. Cavanagh, “LasClaves de Seis Sigma”, McGraw-Hill, España, 2002.

Thomas Pyzdek, “The Six Sigma Handbook”, McGraw-Hill, USA,2003

Peter S. Pande, Robert P. Neuman, Roland R. Cavanagh, “The SixSigma way. Team fieldbook”, McGraw-Hill, 2002.

Thomas Pyzdek, “The complete guide to Six Sigma”, QAPublishing, USA, 1999

5.- Quinta Semana - Seis Sigma

Documents

Transcript of 5.- Quinta Semana - Seis Sigma