Измерване на ефективността на фючърсните услуги - Thot Quality Management Kft Six sigma, Lean
Дисертацията е публикувана в редактиран вид от Magyar Quality
XVI. Том 2, февруари 2007 г.
Измерване на ефективността на фючърсните услугиДинамичният модел "SPAN"
Кайзен инженер, шест сигма черен колан
GE Hungary ZRt.Energy Division, Veresegyház
Един от най-често срещаните методи за подобряване на производителността днес е „постно производство“, с често срещаната английска фраза „постно производство“. Един от стълбовете на това е доставката навреме, точно навреме (JIT). За да бъде осъществим JIT, трябва да познаваме текущия процес, трябва да идентифицираме неговите слабости, за да отговорим на очакванията, като ги премахнем. Определянето на текущите резултати обаче не е толкова лесна задача.
Най-често използваната метрика в света днес се определя, както следва:
Изпълнение = брой очаквани дни - действителен брой дни на изпълнение .
По този начин всяко изпълнение ще има число, което може да бъде отрицателно, ако сме изпращали преди, може да бъде нула, ако е навреме, и може да бъде положително, ако закъсним. Нека видим такава въображаема последователност от числа, вече сортирани по възходяща стойност:
-4, -2, -2, -1, 0, 0, 0, 1, 1, 1, 2, 5 .
Какво можем да направим с тези данни? Можем да определим средната стойност, стандартното отклонение или средния и интерквартилния обхват на този набор от данни.
Статичният модел
Много често този показател се използва за измерване на няколко различни очаквани услуги по време на изпълнение и се определят статистическите характеристики на този набор от данни.
Добър ли е този метод? Нашият отговор е ясен: не! Защо? От една страна, може да се покаже чрез симулация, че екстремните стойности определят резултата, получаваме по-голямо стандартно отклонение, отколкото е в действителност. От друга страна, ако не го претеглим със състава на продукта, отклонението на разпространението ще бъде дори по-голямо, отколкото е в действителност. Въпреки голямата дисперсия, средната стойност или медианата могат да бъдат нула, което показва средната доброта на нашия процес, въпреки че в действителност ситуацията е напълно различна.
За да избегнете горната грешка, помислете само за един продукт/услуга, нека очакваното време за доставка да бъде 16 дни. Имаме 646 точки с данни от скорошен период (реално!). Нека направим описателна статистика, използвайки статистическия софтуер Minitab!
Какво можем да кажем за нашето представяне? Средната стойност и средната стойност са еднакви -1, което означава, че средно сме много добри, тъй като стоките могат да бъдат доставени на купувача ден по-рано. При стандартно отклонение и IQT от 2 дни, това също не е лоша стойност. Обхватът, от друга страна, е доста голям, което трябва да предизвика размисъл. Този анализ всъщност не дава честно описание на изпълнението.
Друго възражение е, че този тип анализ е описание на настъпило състояние, не можем да дадем статистическа оценка, защото не знаем какво разпределение следват данните. Това е статичен модел.
Квазидинамичният модел
Най-често използваният метод за изчисление в света използва процентили (процентил: разделяме поредица от числа на 100 части) за измерване на производителността, това, което наричаме квазидинамичен модел. Възможни са два метода:
- от статистическата дефиниция на процентила с помощта на excel.xls,
- като се използват процентили с нормално разпределение, кумулативни вероятности.
Въвеждаме нова метрика, която ще дадем на английско име, това ще бъде „SPAN”, което не е съкращение, на унгарски може да се каже с думите bridging, span, common. Определение:
SPAN = P (x) - P (100-x), където P (x) е x-ият процентил.
Най-често срещаните са съответно x = 95 и 99. Целевата му стойност, разбира се, е нула.
Помислете за Excel SPAN. Можем да използваме функциите за определяне на медианата и двата процентила за определяне на SPAN. Трябва да се отбележи, че е дадена дефиницията за изчисляване на процентила, excel не дава същата числена стойност, която следва от тази дефиниция. Можете да видите стойностите в таблицата на Excel по-долу.
От диаграмата на нормалното разпределение става ясно, че процентилните стойности за дадените вероятности, тъй като разпределението не е гаусово, далеч не са същите като реалните стойности.
Двата различни метода дават и два различни резултата, разликата изглежда е доста голяма. Отново можем да зададем обичайния си въпрос, знаем ли реалното изпълнение на нашия процес? Нека отново отговорим: не. Вече обаче знаем повече от преди, стойността на нашата метрика е различна от нула, така че процесът ни не може да се счита за идеален. (Но това вече го знаехме.)
Изборът на процентилни стойности е ключов елемент на метода. Ако ги изберем като, да речем, 25 и 75, ние тъкмо връщаме интерквартилния диапазон и само средните 50% от набора от данни са взети предвид, за 90 и 10, или дори по-добре, много големият процент от данни и разбира се - не е типично за нашия процес - ние също изваждаме отпадащите.
Учейки горните методи и показатели, ние усещаме липса на такива. Искаме да използваме метод за анализ, който отговаря едновременно на три важни изисквания: