《6Sigma绿带培训教材-A阶段》由会员分享，可在线阅读，更多相关《6Sigma绿带培训教材-A阶段（375页珍藏版）》请在金锄头文库上搜索。
1、1,6Sigma绿带培训-分析阶段,流程的分层分析多变量分析及方差组分中心极限定理假设检验简介均值比较方差比较,比例比较方差分析相关性分析一般线性回归分析多元回归分析非参量统计(阅读)分析阶段路径,目录,2,Process Stratification 流程的分层分析,The second chapter 第一章,3,学习目标,在本模块中你将学习：对项目问题的进一步细化如何使用帕累托图如何通过流程区隔分析来明确问题所在,4,寻找根本原因的初步手段,在取得流程的绩效数据及影响绩效的流程指标与输入指标的相关数据后，可以通过80-20规则首先寻找绩效水平出现问题的主要环节或问题发生区域，然后进一步深
2、入分析根本原因。常见的影响绩效指标的因素为如下几个方面：地理位置季节班组设备流程的不同步骤缺陷的类型等等,5,假如项目为减少交货时间,计划排产,生产,检验,第一级,第二级: 安排生产,第三级: 生产,日生产计划,原料, 耗材, 人工安排,生产线切换,设备维护活动,接订单,采购,安排生产,交付及付款,应该从哪里着手呢?,流程步骤1时间,流程步骤n时间,交货时间,流程步骤2时间,.,子流程步骤1时间,子流程步骤2时间,.,子流程步骤n时间,分流程步骤1时间,分流程步骤2时间,.,分流程步骤n时间,6,帕雷托原理,我们的目标是聚焦于关键的少数导致错误的原因我们如何找到关键的少数？用帕雷托图帕雷托原理
3、：,80%的缺陷由20%的原因引起,我们需要找到导致80%的缺陷的20%的原因,7,绘制帕雷托图,检查流程，以确定缺陷的类型（或机会）对于每个机会收集缺陷/错误的数量（数据在例:Pareto中）例子-贷款申请,最后的分类被表示成“其他”,8,绘制帕雷托图,9,帕雷托图举例, 80%,10,流程时间分析也可以采用类似方法,周期时间定义如下:,贷款流程的周期时间,“从客户送交申请的时间到客户收到贷款的时间 ”,分析贷款流程的绩效,审查,客户,数据收集,数据评价,批准,签字,客户,11,周期时间数据,通过从一周中接纳的申请中随机收集20个申请的平均时间可以进一步找到问题所在。（数据也在Pareto中
4、）,12,帕雷托分析的要点,1、明确绩效指标的测量方法2、明确绩效指标Y的数据类型（离散或连续）3、明确流程指标或输入指标及各自的类别（或水平）是 什么4、确保流程或输入的指标类别的设置相互之间没有重叠5、某些类别在不同水平下可能获得相同的缺陷频率或时间分配。这时侯会获得相对平坦的帕雷托图，表明该指标本身未必对Y造成影响。6、收集的Y数据可以是原始数据或统计数据。如果Y是连续数据，可能需要事先进行统计（计算平均值或标准差）7、在数据充分的情况下，可以对隔离出来的问题区域进一步用其他输入或流程的类别数据进行第二、第三层的区域，直到明确问题发生的具体区域为止。,13,帕雷托分析的要点（续）,8、在
5、深入到下一层区隔分析前应综合分析问题类别对项目需要改进缺陷的贡献量及可以改进的幅度。,比例小但改进空间大：次优先改进的领域,比例及改进空间都很大：优先改进的领域,比例及改进空间都很小：侯优先改进的领域,比例很大但改进空间小：次优先改进的领域,缺陷类别占改进目标的比例,大,小,大,小,可改进幅度,14,帕雷托图应用举例,某银行贷款部门开始进行了六西格玛改进活动，限于资源的缺乏他们决定首先在一个领域进行突破性改进，过去贷款申请有很多不尽满意之处，通过对过去一年累积数据的初步帕雷托图分析，知道客户数据丢失是第二位的问题（参考前面的帕雷托图），对第一位问题的改进将在公司推进ERP及流程再造后进行充分研
6、究。部分客户数据丢失的相关信息记录在文件Pareto.mtw第8-10列，请帮助找出主要突破方向。,15,帕雷托图应用举例,初步的分类：位置、数据丢失类型，贷款类型。文件：Pareto.mtw.打开文件后操作步骤为：StatsQuality ToolsPareto Chart.鉴于贷款类型中商业贷款主要的业务项目（从贷款的数量及金额的角度考虑），首先决定从商业贷款入手。,16,帕雷托图应用举例,从数据中分离商业贷款：Data(Manip) Split Worksheet在含有商业贷款的数据窗再对位置进一步进行帕雷托图分析。,17,帕雷托图应用举例,由于两个地方的数据丢失问题近乎同样多，不必再分
7、离数据，可对商业贷款直接进行帕雷托分析。,地址信息丢失的问题是主要的问题所在,18,帕雷托图应用举例,可以按照不同地方的数据丢失信息分别绘制帕雷托图。,地址信息丢失的问题是主要的问题所在,如有时间也可以调查城郊收入信息缺失的问题,19,细化的问题陈述,1、完成帕雷托分析后我们将能够明确指出项目问题集中体现在什么地方。2、问题集中体现的地方可能是某种缺陷类别或流程的某个环节。3、可以通过计算帕雷托图中该环节或类别的在项目问题中的比例（在经过多层次分离后需要把各级的比例进行连乘）。4、如果知道具体的问题环节或类别希望或能够达到的改进幅度，可以细化项目授权书中的问题陈述。5、参照项目授权书中问题陈述
8、的格式，可以特别指明问题发生的环节，目前的缺陷水平或业绩水平及需要改进的目标水平。6、如果流程区隔指向多个问题集中的领域，有时可能需要多个问题陈述。,20,细化问题陈述的举例,由于两个地方的数据丢失问题近乎同样多，不必再分离数据，可直接进行帕雷托分析。,商业贷款中地址信息丢失的占所有信息丢时问题的56%。本项目的目标是把这类问题减少90%。,21,流程的分层分析实例,导条来料不良,X1C 系列,X2C系列,X3C系列,边厚,边距,外观,粗糙度,22,小结,帕雷托规则如何使用帕雷托图如何通过流程区隔分析来明确问题所在细化的问题陈述,23,The third chapter 第三章,Multi-V
9、ari & Component of Variation 多变量分析及方差组分,24,模块目标,在本模块中，你将学习了解不同种类和来源的变异组成嵌入式和交互式研究多变量分析应用介绍多变量分析应用步骤完全嵌入式方差分析,25,变异的来源,单件产品内部批次内单件产品之间不同批次之间不同操作员之间不同生产设备之间设备生产转换前后不同时间段,测量系统的重复性测量系统的再现性校准前后的稳定性不同测量人员之间量程范围内的线性度,来自流程的变异,来自测量系统的变异,变异,26,多变量分析,通常在一个图表上展示两到四个X对连续变量Y的影响。,R内：单元内部的变化范围R间：单元间的差别R时：不同时间段的差别,9
10、:00,11:00,13:00,15:00,R内,R间,R时,什么是多变量分析？流程绩效指标随流程输入和流程指标变化的图表展示。在生产中对流程的当前水平进行过程能力分析的手段。流程稳定性的直观观察。,27,多变量分析的应用举例,揭示常见的变异来源-产品单元内，单元之间，批次之间，人员，设备，班组，时间，原料，生产调整等。测量系统的重复性与再现性分析-理解测量误差的来源。,28,常见的变异来源分类方法,按空间位置分类来自单件内部的变异，来自同一批次不同单件间的变异化工厂的不同反应容器之间不同的设备或操作员工之间按顺序分类连续生产的单件之间不同的生产安排之间不同的原料或批次之间按时间进行分类固定间
11、隔的不同时间段，如每小时，班组，日，星期等短时间间隔(小时，班组)与长时间间隔（日、星期）的比较等,29,常见的变异来源的图示,顺序,位置,时间间隔,30,多变量图-MINITAB练习,黑带老王希望了解培训和经历对员工生产率的影响，根据与项目团队的交流发现员工在岗时间（1-5年）和培训项目（又基础培训与专家培训两种），分别为40和80小时。对工件的加工时间用来衡量生产率。部分相关数据如图所示。数据在Minitab 文件multivariate-crossed.maw中。打开文件按下图进行练习。,31,多变量图-MINITAB练习,StatQuality ToolsMulti-Vary Char
12、tResponse:TimeFactor1:Training HoursFactor2:Experience 点击“Options”并选择所有三项（包括Display individual Data Points）OK,32,多变量图-MINITAB练习-你能得出什么结论？,33,多变量图-MINITAB练习-结果解释,有一年经验的员工通过培训可最大程度地提高生产率：平均降低约175分钟,工作经验的影响：第一年到第二、三年平均降低约40分钟，第二、三年的差别不大。,同等经历与培训的员工似乎仍有一定程度的差别：50-80分钟。,34,多变量图-MINITAB练习,再练习一次，但两个因子的顺序互换
13、StatQuality ToolsMulti-Vary ChartResponse:TimeFactor1: Experience Factor2:Training Hours点击“Options”并选择所有三项（包括Display individual Data Points）OK,35,多变量图-MINITAB练习-你能得出什么结论？,36,多变量图-作用,多变量分析的作用:从多个角度通过图表观察造成流程绩效指标变异的原因。进一步观察流程的短期与长期能力间的差距及造成差距的主要原因。与方差组分分析一起使用，可以明确流程变异的根本原因。,37,多变量图与控制图的比较,控制图可以揭示流程的稳定
14、性与可控性，但在很多时候不能直接用控制图发现造成失控的根本原因。在流程中存在很多变异的情况下，用多变量图有助于发现造成变异甚至失控的来源综合两个工具将有助于发现将流程稳定在最佳条件下的一些有用线索,9:00,10:00,11:00,12:00,A、单元内的变异是最大来源,9:00,10:00,11:00,12:00,B、单元间的变异是最大来源,9:00,10:00,11:00,12:00,C、时间造成的变异最大,38,因子的数据结构,交叉与嵌入在进行多变量分析前应该特别注意数据是如何收集的及因子之间的相互关系根据具体的生产运营情况有:完全交叉的因子关系、因子间存在从属关系（嵌入）和交叉与从属结
15、构混合的情形。,39,交叉结构-举例,在一次MSA分析中，由三个检验员对十个部件进行了MSA分析。该分析要求三个检验员对所有10个部件都重复测量对于测量结果来说，部件和质检员都是造成偏差的来源由于所有的检验员和所有部件都组合过，这就属于典型的交叉结构其它交叉结构的典型情况是试验设计中的全因子试验模型。具体将在后面的培训中详细讨论。,40,交叉结构-图示,1,1,2,1,3,2,1,2,1,2,2,1,2,1,3,2,1,2,1,2,1,1,2,1,3,2,1,2,1,2,2,1,2,1,3,2,1,2,1,2,检验员,部件,测量次数,检验员,部件,测量次数,41,嵌入结构-举例,在超市购买洗发水，香皂，罐装饮料等，都可以发现一个产品序列号。产品的序列号可以追踪到生产日期和批次。再生产商内部，任何一件产品只能来自某个批次，某个生产线，某班组，某批原料。同一批次的产品只能来自某个生产线，可能属某班组，某批原料。几个班组可能只是在某个生产线工作（如不同地域）所有生产线可能在同时只处理同一批原料。这就可能构成完全嵌入的从属关系。,
