kontrollgrensene

I Six Sigma initiativer, kan du gjøre kontroll diagrammer for attributtdata. Attributt data er data som ikke kan passe inn i en kontinuerlig skala, men i stedet er du delvis inn i forskjellige bøtter, som små / mellomstore / store, bestått / ikke bestått, akseptabelt / ikke akseptabelt og så videre.

Selv om overvåking og kontroll av produkter, tjenester og prosesser med mer sensitive kontinuerlig data er å foretrekke, rett og slett er noen ganger kontinuerlige data ikke er tilgjengelig, og alt du har er mindre følsomme attributtdata. Men fortvil ikke, fordi visse kontroll diagrammer er utviklet spesielt for attributt data til å trekke ut oppsiktsvekkende informasjon og lar deg kontrollere oppførselen din prosess.

Med kunnskap om kun to attributt kontroll diagrammer, kan du overvåke og kontrollere prosessen egenskaper som er bygd opp av attributtdata. De to listene er det p (andel nonconforming) og u (avvik per enhet) diagrammer. I likhet med sine kontinuerlige kolleger, disse attributt kontroll diagrammer hjelpe deg å ta kontroll beslutninger. Med sine kontrollgrenser, kan de hjelpe deg med å fange den sanne røst av prosessen.

Bilde en bolle med suppe. Hvis du fant ti fluer i det, ville du anser det uakseptabelt. Hva om du fant bare en flue? Du vil fortsatt kaller det uakseptabelt. Data fra tilfeller som dette, hvor noe galt fører til at du anser hele elementet uakseptabelt, kalles defectives. Eventuelle en eller flere ting gjør hele situasjonen dårlig. Hvis du kartlegge defectives attributt data, bruker du en p diagram.

Noen attributtdata for kontroll diagrammer er defekt data - antall riper på en bil dør, hvor mange felt som mangler informasjon om et søknadsskjema, og så videre. Hvis du teller og holde styr på antall feil på en vare, bruker du feil attributtdata, og du bruker en u diagram for å utføre statistisk prosesskontroll.

Selv om ordene høres nesten identisk, er det kritisk viktig å vite hva slags attributt data du har: defectives (bestått / ikke bestått) data eller defekt (telle) data. Hvis du får denne utmerkelsen galt, vil etterfølgende kontroll diagrammet være helt ugyldig.

Note: p. Diagrammer for defectives data er basert på en binomisk fordeling u diagrammer for defekter data er basert på Poisson-fordelingen.

P diagrammet for attributt data

P diagrammet plotter andelen målt enheter eller prosessutganger som er defekt i hver undergruppe. De sekvensielle undergrupper for p diagrammer kan være av lik eller ulik størrelse. Når undergrupper dine er forskjellige størrelser, øvre og nedre kontrollgrenser er ikke konstant, horisontale verdier - de vil se ujevn.

Men de samme reglene for å tolke kontroll diagrammet forbli - kontrollgrensene bare flytte fra undergruppe til undergruppen. Finne andelen av defectives for hver undergruppe ved å dividere antall defectives observert i undergruppen av det totale antall defectives målt i undergruppen.

Hvordan få kontroll diagrammer for attributt data for Six Sigma


En vanlig anvendelse av en p diagram er når du har prosent data, og undergruppen størrelse for hvert prosentberegning kan være forskjellig fra en undergruppe til neste - for eksempel antall pasienter som kommer for sent hver dag for sine tannlegetimene eller antall skjemaer behandlet hver dag som må omarbeides på grunn av feil eller forglemmelser (defekter).

I begge disse eksempler, kan den totale størrelsen av undergruppene målt variere fra dag til dag.

p diagrammer er vanligvis brukt der sannsynligheten for en defekt er lav - vanligvis mindre enn 10 prosent. Så for å være effektiv, må undergruppen størrelse til å være stor nok til å registrere en eller flere defectives. Du må også vurdere hvor lang tid som en undergruppe representerer: Lange perioder kan gjøre pinpointing en bestemt årsak vanskelig.

Husk, akkurat som med kontinuerlig kontroll diagrammer, må du være på vakt for andre indikatorer for spesiell årsak variasjon i tillegg til bare å overskride kontrollgrensene. Tilstedeværelsen av uvanlige mønstre, for eksempel kjører eller trender, selv om alle punktene er innenfor kontrollgrensene, kan være tegn på ustabilitet eller en ut-av-det-vanlige endring i ytelse.

U diagrammet for attributt data

Som med p diagrammet, ikke u diagrammet krever ikke en konstant undergruppe størrelse. Kontrollgrensene på u diagrammet variere med undergruppe størrelse, og derfor kan ikke være konstant.

Telle antall distinkte defekter på et skjema er et felles bruk av u diagrammet. For eksempel, feil og manglende informasjon om forsikringskravskjemaer (defekter) er et problem for sykehusene. Som et resultat, har alle krav skjema som skal kontrolleres og korrigeres før de sendes til forsikringsselskapet.

En spesiell sykehus målt sine feil per enhet ytelse ved å beregne funnet antall feil per enhet for hver dags bearbeidede former.

Hvert punkt på kartet representerer de gjennomsnittlige feil per skademelding for at undergruppe. Poeng høyere på diagrammet representerer et større antall defekter per enhet. Senter beregnet til 1,870, indikerer en samlet gjennomsnittlig prosess ytelsen til 1,87 feil per skjema.

Hvordan få kontroll diagrammer for attributt data for Six Sigma

Den primære statistisk prosesskontroll (SPC) verktøy for Six Sigma tiltak er kontroll diagram - en grafisk sporing av en prosess inngang eller en utgang over tid. I kontrollrommet diagrammet, er disse spores målinger visuelt i forhold til beslutningsgrenser beregnet ut fra sannsynligheten for selve prosessen ytelse.

Den visuell sammenligning mellom beslutning grenser og ytelsesdata gjør det mulig å oppdage eventuelle ekstraordinær variasjon i prosessen - variasjonen som kan tyde på et problem eller grunnleggende endring i prosessen.

De ulike typer av kontroll diagrammer er delt inn i to hovedkategorier, avhengig av hva slags prosess måling du sporer: kontinuerlige data kontroll diagrammer og attributt data kontrollere diagrammer. Her er en liste over noen av de vanligste kontrollkort som brukes i hver kategori i Six Sigma:

  • Kontinuerlige data kontroll diagrammer:

    • Gjennomsnitt og serier

      Hvordan å bruke kontroll diagrammer for Six Sigma

    • Gjennomsnitt og standardavvik

      Hvordan å bruke kontroll diagrammer for Six Sigma

    • Individuelle verdier og bevegelige områder

      Hvordan å bruke kontroll diagrammer for Six Sigma

  • Attributt data kontroll diagrammer:

    • p diagram
    • u diagram

Kontrollen diagrammet du velger er alltid basert først på den type data du har og deretter på din kontroll mål. Kontrollen diagram beslutningstre hjelpemidler deg i din beslutning.

Den generelle trinn-for-trinn måte for gjennomføring av et kontrolldiagram er som følger:

  1. Definere hva som må kontrolleres eller overvåket.
  2. Bestemme målesystem som vil levere dataene.
  3. Etablere kontroll diagrammer.
  4. Riktig samle inn data.
  5. Gjøre riktige beslutninger basert på kontroll kartinformasjon.

    Hvordan å bruke kontroll diagrammer for Six Sigma

Kontroll diagrammer gi deg informasjon om prosessen tiltaket du kartlegge på to måter: den distr jeg sjon av prosessen og trending eller endring av prosessen over tid. Du bruker kontroll diagrammer til

  • Gir en enkel, felles språk for å diskutere atferd og ytelse av en prosess inngang eller utgang tiltak
  • Kontrollere ytelsen til en prosess ved å vite når man skal og ikke å ta affære
  • Redusere behovet for inspeksjon
  • Forstå og forutsi prosessen evne basert på trender og andre ytelses innsikt
  • Avgjøre om endringer i prosessen har det ønskede resultat
  • Gi en pågående, kontinuerlig visning av resultatene av prosessen
  • Lag et oppbevaringssted for data for oppfølging på forbedringsaktiviteter

Overvåke prosessen

Hva blir målt blir forvaltet. Bestemmer hva du skal måle og styre i Six Sigma er bestemt av din Define, Measure, analysere, og publiser (DMAI) prosjektaktivitet før du kommer til kontrollfasen.

Enkelt sagt, hva du overvåke med kontroll diagrammer er den kritiske innspill X s og utgang CTQs du oppdage i prosjektet. Dette er movers og Shakers i din prosess som er i tråd med behovene til kunden. I kontrollfasen, du overvåke utgangene - den CTQs - og du kontrollere innganger, den kritiske X s. Når det gjøres riktig, kan denne overvåkingen deg å dra nytte av din innsats.

Kontrollkort er to-dimensjonale grafer plotting utførelsen av en prosess på en akse, og tid, eller sekvensen av datasampler på den andre aksen. Disse diagrammer plotte en sekvens av målte datapunkter fra prosessen. Du kan også se på rekkefølgen av punktene som en fordeling.

Kontroll diagrammer har følgende egenskaper bestemmes av selve dataene:

  • En gjennomsnittlig eller senter for data: Det er summen av alle inngangsdata delt på totalt antall datapunkter.
  • En øvre kontrollgrensen (UCL): Det er vanligvis tre prosess standardavvik over gjennomsnittet.
  • En nedre kontrollgrense (LCL): Det er vanligvis tre prosess standardavvik under gjennomsnittet.

    Hvordan å bruke kontroll diagrammer for Six Sigma

Forstå kontrollgrenser

Du kan spørre: "Hva er betydningen av en kontrollgrensen, og hvor kommer det fra?" Enkelheten av kontrollgrenser, kombinert med sine kraftige konsekvenser, vil overraske deg. Kontroll diagrammer bruk sannsynlighet uttrykt som kontrollgrenser for å hjelpe deg å avgjøre om en observert prosess tiltaket kan forventes å forekomme (kontroll) eller ikke forventes å inntreffe, gitt normal prosess variasjon.

25 datapunkter ut av 100 har en verdi på 50. Deretter anslår at sannsynligheten for å få en hendelse med en verdi på 50 er 25 av 100, eller 25 prosent. Tilsvarende, er sannsynligheten for å få et arrangement med en verdi på 52 omtrent 13 prosent, og for verdier av 55 og over, er sannsynligheten mye lavere.

Den øvre kontroll grense på 58,7 er tre standardavvik over gjennomsnittet. Den nedre kontrollgrense på 41,3 er tre standardavvik under gjennomsnittet. Pluss eller minus tre standardavvik fra gjennomsnittet omfatter 99,7 prosent av alle data i en normalfordelt populasjon.

Derfor har du en 99,7-prosent sannsynlighet for at en prosess datapunkt vil falle mellom disse to grenser. Det betyr at du bare har en 0,3-prosent sjanse for at en måling vil være over UCL eller under LCL.

Hvordan å bruke kontroll diagrammer for Six Sigma


I begynnelsen av det 20. århundre, Walter Shewhart, en av grunnleggerne av moderne kvalitet bevegelse, formalisert ideene som brukes i kontroll diagrammer. Han definerte det, hvis en måling faller innenfor pluss eller minus tre standardavvik av sin gjennomsnitt, regnes det som "forventet" oppførsel for prosessen.

Hvordan å bruke kontroll diagrammer for Six Sigma


Hvis en måling faller innenfor pluss eller minus tre standardavvik av sin gjennomsnittet, er det ansett som "forventet" oppførsel for prosessen, og dermed er en vanlig årsak variasjon. Vanlig årsak variasjonen er et resultat av den normale drift av en prosess, og er basert på utformingen av prosessen, prosessaktiviteter, materialer, og andre prosessparametere.

Imidlertid, hvis et datapunkt faller utenfor kontrollgrensene, noe har skjedd spesielt til prosessen. Med andre ord, har noe ut av den vanlige forårsaket prosessen til å gå ut av kontroll. Denne situasjonen er kjent som spesiell årsak variasjon, noe som betyr at, basert på oppførselen til prosessen frem til det punktet, er sannsynligheten for at situasjonen oppstår mindre enn 0,3 prosent.

En måling med et slikt lav sannsynlighet antyder at spesielle omstendigheter påvirkes prosessen. Denne enkle, kvantitativ tilnærming ved hjelp av sannsynlighet er essensen av alle kontrolldiagrammer.

Foruten kontroll kartpunkter som ligger utenfor kontrollgrensene i Six Sigma, kan andre visuelle mønstre fortelle deg at noe utenom det vanlige som skjer med din prosess. Disse andre mønstre også indikere spesiell årsak variasjon.

Oppdager spesielle årsak mønstre, skift, og driver i et kontrolldiagram er lik påvise ut-av-det-vanlige atferd i et par terninger. Sannsynligheten for rullende en syv med to terninger er seks i 36, eller om lag 17 prosent. Det er fordi du har 6 mulige måter å rulle en syv med to terninger, av totalt 36 mulige utfall.

Hva er sannsynligheten for rullende en 7 to ganger på rad? Den kombinerte sannsynligheten er 17 prosent (0,17) multiplisert med 17 prosent (0,17), eller 2,8 prosent (0,028). Sannsynligheten for rullende en 7 tre ganger på rad er 0,17 × 0,17 × 0,17, eller 0,46 prosent.

Så hvis du ser noen rulle en 7 tre ganger på rad, er at sannsynligheten liten nok til at du trygt kan konkludere med noe utenom det vanlige må være å gå. Du bruke samme tankegang å oppdage mønstre, trender og endringer i kontroll diagrammer.

Dividere avstanden mellom kontrollgrenser og prosessen gjennomsnittet i tre like soner, kan du bruke følgende regler for å oppdage spesielle årsaker til variasjon:

  • Ett punkt utover enten kontrollgrensen
  • To av eventuelle tre påfølgende punkter i sone A, og alle tre på samme side av prosessen gjennomsnittlig
  • Fire av fem på hverandre følgende punkter i sone B eller A, og alle fem på samme side av prosessen gjennomsnittlig
  • Femten punkter i en rad i sone C, på hver side av prosessen gjennomsnittlig

    Hvordan oppdage mønstre i Kontroll diagrammer for Six Sigma

Når du er klar til å ta PMP (Project Management Professional) sertifisering eksamen, forvente å se opp til ti spørsmål som omhandler nettverksdiagrammer, forrang diagram, og planlegge spørsmål. Her er noen PMP detaljene du trenger å vite:

  • FS = Finish-til-start
  • FF = Finish-til-avslutning
  • SS = start-til-start
  • SF = start til mål
  • Bly = Tiden en aktivitet kan være avansert i forhold til en forgjenger aktivitet
  • Etterslep = Den tid en etterfølger aktivitet er nødvendig for å bli forsinket i forhold til en forløper-aktivitet
  • En obligatorisk avhengigheten er basert på arten av det arbeid.
  • En skjønnsmessig avhengighet er basert på beste praksis eller foretrukne måten å gjøre noe.
  • En ekstern avhengighet er basert på relasjoner utenfor prosjektet.
  • En intern avhengighet er basert på avhengigheter inne i prosjektet.

PMP sertifisering: 4 estimere Teknikker for prosjektledere

Du kan søke PMP (Project Management Professional) estimering teknikker til ressurser, innsats, varighet og kostnader. Pmps bruke forskjellige metoder for å estimere, avhengig av situasjonen.

Estimering metode Beskrivelse
Analogt estimering Vanligvis brukes ved starten av prosjektet når ikke mye er kjent. Sammenligner det aktuelle prosjektet med tidligere lignende prosjekter. En rask og relativt enkel fremgangsmåte for å estimere, selv om det ikke er veldig nøyaktig.
Parametrisk estimering Brukes for estimater som er kvantitativt baserte, for eksempel dollar per kvadratmeter eller antall installasjoner per dag. En forholdsvis enkel metode, men ikke hver aktivitet eller kost kan estimeres kvantitativt.
Tre-punkts estimering Regnskap for usikkerhet knyttet til å anslå ved å bestemme en optimistisk (beste tilfelle, representert ved O), mest sannsynlig (representert ved m) og pessimistisk (verste tilfelle, representert ved P) scenario. Den mest sannsynlige anslaget er vektet tyngst.

Ligningen er
(O + 4M + P) / 6

Bottom-up estimering Brukes når det er viktige detaljer om aktiviteten. En detaljert vurdering av ressurser, evner, og beløpene er brukt til å fastsette en nøyaktig varighet eller kostnadsoverslag. Dette er den mest nøyaktige metoden, men også den mest tidkrevende og kostbare form for estimering.

PMP eksamen: Statistikk for Normal og kumulative fordelinger

Pmps (prosjektledelse fagfolk) ofte gjelder grunnleggende statistikk til sine prosjekter. For PMP sertifisering eksamen, her er hva du trenger å vite når du arbeider med normale og kumulative fordelinger:

Likninger er basert på en normalfordeling. I en normalfordeling, så ha følgende i bakhodet:

  • 68.3% av de datapunkter som faller i ett standardavvik.
  • 95.5% av de datapunkter som faller innenfor to standardavvik.
  • 99,7% av de datapunkter som faller i tre standardavvik.

Hvis du ser på en normal kurve og trenger en kumulativ fordeling, bør du huske disse verdiene:

  • 0,15% av de datapunkter som faller mellom 0 og -3 fra middelverdien.
  • 2,25% av de datapunkter som faller mellom 0 og -2 fra middelverdien.
  • 16% av de datapunkter som faller mellom 0 og -1 fra middelverdien.
  • 84% av de datapunkter som faller mellom 0 og 1 fra middelverdien.
  • 97,75% av datapunktene faller mellom 0 og 2 fra middelverdien
  • 99,85% av de datapunkter som faller mellom 0 og 3 fra middelverdien.

PMP sertifisering: 6 strategier for konfliktløsning

Erfarne prosjektledelse fagfolk (pmps) vet at når de planlegger og gjennomføre prosjekter, vil de møte konflikter og meningsforskjeller. Når du studerer for din PMP sertifisering eksamen, bli kjent med disse seks strategier for å løse konflikter.

Strategi Beskrivelse Situasjon
Konfronterende / problemløsning Konfrontere konflikten som et problem som skal løses Når du har tillit til den andre partens evne til å løse problemet
Når forholdet er viktig
Når du trenger en vinn-vinn-løsning
Samarbeide Vinn-vinn gjennom samarbeid og møte for å løse problemer Når det er tid og tillit
Når målet er å lære
Når du ønsker å innlemme flere visninger
Når det er på tide å komme til enighet
Kompromittere Når du er ute etter noen grad av tilfredshet for begge parter Når det er en vilje til å gi og ta
Når begge parter må vinne
Når du ikke kan vinne
Når en lik forholdet mellom partene i konflikten
Når innsatsen er moderat
For å unngå en kamp
Glatting / Accommodating Understreke deler av avtalen Å nå et overordnet mål
For å opprettholde harmoni
Når en hvilken som helst løsning vil være tilstrekkelig
Når du vil miste uansett
Å skape goodwill
Tvinge Vinn-miste; pålegge oppløsningen Når du har rett
I en do-or-die situasjon
Når innsatsen er høy
Å få makt
Dersom forholdet ikke er viktig
Når tiden er kjernen
Uttak / Unngå Retreat; kjøle seg ned Når du ikke kan vinne
Når innsatsen er lav
Å bevare nøytralitet eller omdømme
Hvis problemet vil gå bort av seg selv

PMP Earned Value: Avvik og avskriftene

På PMP sertifisering eksamen, vil du se fem på ti spørsmål om avvik og indekser. Her er grunnleggende informasjon som prosjektledere må bestemme kostnader og tidsplan avvik og indekser.

  • For variansen og indekser, alltid starte med EV.
  • Når vi leter etter informasjon på timeplanen, bruke PV.
  • Når vi leter etter informasjon om kostnader, bruke AC.
  • For en varians, subtrahere.

    • SV = EV - PV
    • CV = EV - AC
    • Negative er dårlig; positive er bra.
  • For en indeks, dele.

    • SPI = EV / PV
    • CPI = EV / AC
    • Mindre enn 1.0 er dårlig, er større enn 1,0 er bra.

8 kvalitetskontroll verktøy for å vite for PMP-sertifisering

Det er mange måter å vurdere kvalitetskontroll, og profesjonelle prosjektledere (pmps) gjøre god bruk av dem. Når du tar PMP sertifisering eksamen, bør du være i stand til å anvende følgende kvalitetskontroll verktøy:

  • Årsak og virkning diagram. Diagrams som definerer inngangene til en prosess eller produkt for å identifisere mulige årsaker til feil.
  • Histogram. En søylediagram som viser en fordeling av variabler.
  • Kjør diagram. Vis trender i variasjonen av en prosess over tid.
  • Punktdiagram. Viser forholdet mellom to variabler.
  • Kontroll diagram. En grafisk visning av prosessdata over tid og mot etablerte kontrollgrenser, og som har en senter som bistår i å oppdage en trend av plottet verdiene mot enten kontrollgrensen.
  • FlytkartStencils. Beskrivelsen i et diagram format av inngangene og prosesstiltak, og utgangene fra en eller flere prosesser i et system.
  • Pareto diagram. Et histogram, bestilt av frekvens, viser at hvor mange resultater ble generert av hver identifisert årsaken.
  • Inspeksjon. Undersøke eller måle for å verifisere om en aktivitet eller en komponent, produkt, resultat, eller en tjeneste er i samsvar med spesifiserte krav.

Det er mange måter å vurdere kvalitetskontroll, og profesjonelle prosjektledere (pmps) gjøre god bruk av dem. Når du tar PMP sertifisering eksamen, bør du være i stand til å anvende følgende kvalitetskontroll verktøy:

  • Årsak og virkning diagram. Diagrams som definerer inngangene til en prosess eller produkt for å identifisere mulige årsaker til feil.
  • Histogram. En søylediagram som viser en fordeling av variabler.
  • Kjør diagram. Vis trender i variasjonen av en prosess over tid.
  • Punktdiagram. Viser forholdet mellom to variabler.
  • Kontroll diagram. En grafisk visning av prosessdata over tid og mot etablerte kontrollgrenser, og som har en senter som bistår i å oppdage en trend av plottet verdiene mot enten kontrollgrensen.
  • FlytkartStencils. Beskrivelsen i et diagram format av inngangene og prosesstiltak, og utgangene fra en eller flere prosesser i et system.
  • Pareto diagram. Et histogram, bestilt av frekvens, viser at hvor mange resultater ble generert av hver identifisert årsaken.
  • Inspeksjon. Undersøke eller måle for å verifisere om en aktivitet eller en komponent, produkt, resultat, eller en tjeneste er i samsvar med spesifiserte krav.

Å kontrollere kvaliteten på prosjektet ditt, bør du vite hvordan du bruker noen diagrammer for PMP sertifisering eksamen. Mange av verktøyene i denne prosessen er lettest å forstå når du søker dem i en fast, forutsigbar, repeterende miljø.

Flytskjemaer

Tenk deg Karen er din prosjektleder og hun oppdager noen problemer med sitt prosjekt. Etter første gjennomgang av tilfredshetsundersøkelser, bestemmer Karen at den største kilden til misnøye sentre samtaler rundt til helpdesk, så hun bestemmer seg for å starte sin analyse der. Det første hun gjør er å utvikle et flytskjema av prosessen at den som ringer går gjennom når du ringer helpdesk.

Flytskjemaer er en god måte å identifisere hvor i prosessen problemer kan oppstå.

Karen identifiserer to områder av interesse:

  • Det er ingen tildelt spesialister for Internet tilkoblingsproblemer. Hvis maskinvare eller programvare spesialister er opptatt, løser ingen av Internett-anrop. Ikke all maskinvare og programvare fagfolk har nettverk kompetanse i å koble til Internett.
  • Hvis anropet ikke blir besvart i tre minutter, er innringere bedt om å forlate en melding for en tilbakeringing. Kundene vil ikke ha en tilbakeringing; de ønsker sine problemer løst umiddelbart.

    Kontroll Kvalitet diagrammer Du bør vite for PMP sertifisering eksamen

Histogrammer og Pareto diagrammer

Det neste Karen gjorde var å bruke informasjon fra IT-avdelingen undersøkelse for å rangere årsakene til misnøye. Hun startet med å lage et histogram som bruker barer å demonstrere hvor mange ganger hver årsaken til misnøye ble kontrollert.

Kontroll Kvalitet diagrammer Du bør vite for PMP sertifisering eksamen


Deretter rangert hun disse for, ved hjelp av en Pareto diagram, som er en bestemt type histogram bestilt av frekvens som viser hvor mange resultater hver identifiserte årsaken genererer. Legg merke til at Pareto diagram har en linje som sporer den kumulative andelen av defekter. Den venstre siden vertikale aksen viser antall feil. Høyre side vertikale aksen viser akkumulert prosent av defekter.

Kontroll Kvalitet diagrammer Du bør vite for PMP sertifisering eksamen


En Pareto diagram er noen ganger referert til i forbindelse med "80/20 regelen", som sier at 80% av problemene kommer fra 20% av årsakene.

Basert på histogrammet, var det klart at Karen trengte å ta opp spørsmålet om folk som er på vent for lenge, og deretter se på bedre tid til å ringe folk tilbake. Hvis hun kunne forbedre disse to spørsmålene, ville mer enn halvparten av klagene tas opp.

Kjør diagrammer og kontroll diagrammer

Avdelingen beregning for å besvare anrop er at en person, ikke en maskin, svarer 95% av alle samtaler innen tre minutter. Karen valgte å bruke en run diagram, som viser graden av historie og mønster av variasjon, for å se om visse tider av dagen hadde lengre gjennomsnittlig ventetid enn andre.

ACD system kan sette ut rapporter for hvilken som helst dag som viser volumet av samtaler og den gjennomsnittlige hold tid. Slik at Karen ikke trenger å se på data for det siste året, hun brukte prinsippene for statistisk sampling å velge 20 tilfeldige dager i det siste året.

Svingninger i utvalgsdataene viser vanlig årsak variasjon. Med andre ord, du forventer den gjennomsnittlige hold tid til å variere på grunn av variablene i prosessen. Hvis Karen bemerket eventuelle uregelmessigheter, ville hun se etter en spesiell årsak, for eksempel noen å være ute syke, en programvareoppgradering installasjon, en ferie, eller noen annen uvanlig hendelse.

Kontroll Kvalitet diagrammer Du bør vite for PMP sertifisering eksamen


Når Karen analyserte data fra kjøring diagrammet, hun fant ut at den gjennomsnittlige hold tid var bare lengre enn 2,5 minutter (152 sekunder). Den lengste gjennomsnittlige hold tid var 7 minutter. Utvalget av ventetid er fra 1 sekund til 10:43 (10 minutter og 43 sekunder). Det var en klar økning i den gjennomsnittlige hold tid når folk først kom på jobb.

Hold tid jevnt nedover til den piggete når folk kom tilbake fra lunsj, og da er det stadig avvist utover ettermiddagen før ansatte gikk hjem.

Karen besluttet å sette de løp kartdata på en kontroll diagram. En kontroll diagram er en grafisk visning av prosessdata over tid og mot etablerte kontrollgrenser, og som har en senter som bistår i å oppdage en trend av plottet verdier mot enten kontrollgrensen.

Kontroll grense. Arealet sammensatt av tre standardavvik (SD) på hver side av senterlinjen, eller betyr, av en normal fordeling av data plottet på en kontrolldiagram som gjenspeiler den forventede variasjon i dataene.

Spesifikasjon grense. Området, på hver side av midtlinjen, eller mener, av data plottet på et kontrolldiagram som oppfyller kundenes krav til et produkt eller en tjeneste. Dette området kan være større enn eller mindre enn det område som er definert av kontrollgrensene.

For Karen, som viser kontrollgrensene ikke fornuftig fordi prosessen er tydelig ute av kontroll. I stedet bestemte hun seg for å vise den øvre spesifikasjonsgrense og den gjennomsnittlige hold tid.

Kontroll Kvalitet diagrammer Du bør vite for PMP sertifisering eksamen


Fra 8 am til 10:59, er den gjennomsnittlige hold tid er større enn den øvre spesifikasjon; 13:00-13:59, hold ganger er større enn den øvre spesifikasjonen, også.

Ved hjelp av begrepene attributt og variable sampling, kan Karen velge en periode og avgjøre om den gjennomsnittlige hold tid møter den øvre spesifikasjonsgrense. Hun kan også bruke attributt prøvetaking for å tilfeldig velge et antall samtaler for å se om hver samtale er innenfor spesifikasjonen grensen. Det metriske er oppfylt eller ikke oppfylt. Karen kan også utføre variabel sampling for å bestemme i hvilken grad et resultat er i overensstemmelse.

Du kan høre om Rule of Seven når vi snakker om kontroll diagrammer. Rule of Seven fremgår det at syv datapunkter Tendens i én retning (opp eller ned) eller syv datapunkter på en side av den midlere indikerer at prosessen ikke er tilfeldig. Dette betyr at du bør sjekke målingen for å avgjøre om noe er å påvirke prosessen.

Hva er kontrollgrenser?

January 30 by Eliza

Kontrollgrenser er et verktøy som brukes i grafisk analyse av en produksjonsprosess. Kontrollgrensene representerer det bredeste variasjon i resultatene fra produksjonsprosessen som vil bli vurdert statistisk normal; et brudd på disse grensene antyder et sannsynlig problem med produksjonsprosessen. Kontrollgrensene er forskjellig fra vilkårlige grenser som et selskap kan sette for å sikre kvalitet eller kundetilfredshet.

Bruk av kontrollgrenser bare involverer måling av individuelle utfall av en produksjonsprosess som er beregnet på å være konsekvent. For eksempel kan en widget fabrikk måle sine widgets for å sørge for at de er alle i samme størrelse, eller i det minste svært like. Avhengig av ressurser i selskapet, kan det måle hver enkelt widget eller rett og slett ta et representativt utvalg. En slik prøve ville ha til å dekke alle mulige innspill variabel, for eksempel ulike maskiner, ulike grupper av råvarer og annen driftspersonell.

Beregning av kontrollgrense innebærer først å beregne standardavviket. Dette er en matematisk prosess basert på et stort utvalg av data, for eksempel en hel gruppe med widgeter. Standardavviket bruker en matematisk formel som beregner den gjennomsnittlige graden som en enkelt enhet er forskjellig fra den totale gjennomsnitt. I dette eksempel vil det være den gjennomsnittlige beløp som størrelsen på en hvilken som helst vilkårlig valgt widget varierer i størrelse fra gjennomsnittet av hele partiet. Standardavvik forteller derfor du hvor nær identisk eller hvor variert en hel batch er.

Styre grense er pluss eller minus tre ganger den gjennomsnittlige variasjon. Hvis den gjennomsnittlige widget er 10 inches (25,4 cm) bred og standardavviket er 0,1 tommer (2,5 mm), deretter kontrollgrensene vil være 10,3 inches (26,2 cm) og 9,7 inches (24,6 cm). Statistisk, med en produksjonsprosess - ikke bare denne småprogram eksempel - 99,73% av enhetene vil falle innenfor kontrollgrensene.

Ideen om disse grensene er å virke som et signal om at resultatene er statistisk uvanlig og dermed kan det være en produksjonsproblem. Helst som et resultat faller utenfor de grenser virker som et slikt signal. Derfor, hvis noen widget er målt til mer enn 10,3 inches eller mindre enn 9,7 inches, bør det utløse en etterforskning av hvorvidt det er potensielle problemer.

Det er viktig å huske på at innstillingen fra kontrollgrenser er et rent statistisk prosess: et produkt brudd grensene er ikke nødvendigvis av god eller dårlig kvalitet. Selskaper vil ofte sette sine egne grenser for å overvåke basert på kvalitative eller mengde faktorer. Widget-selskap kan bestemme seg for å sikte beholde alle widgets mellom 9,7 inches (24,6 cm) og 10,3 inches (26,2 cm) som et spørsmål om kvalitet. Som et eget eksempel, kan selskapet bli tvunget til å holde alle widgets mellom 9,9 inches (25,1 cm) og 10,1 inches (25,6 cm) fordi de ellers ikke ville passe inn i widget-pakker som brukes for levering. Slike grenser, valgt av produsenten, er kjent som tålegrenser eller bare spesifikasjoner.

  • Et brudd på kontrollgrenser antyder et sannsynlig problem med en produksjonsprosess.

Prosesskontroll metoder representerer måter en bedrift kan undersøke og justere produksjonsmetoder for å produsere kvalitetsprodukter. I noen tilfeller er disse metodene er den eneste måten en bedrift kan oppdage varer eller tjenester som ikke oppfyller interne standarder. Et par forskjellige prosesskontroll metoder omfatter sjekk ark, kontroll diagrammer og statistikk rapporter. Dette er bare noen av mange forskjellige produksjonskontrollmetoder et selskap kan implementere i en eller flere produksjonsavdelinger. Bedriftene må velge de metoder som fungerer best for den gode produsert, avdeling, og avsatte tiden for å gjennomføre kontroller.

Sjekk ark er fysiske prosess kontrollmetoder som bruker begge vurderinger på stedet og papirarbeid for å skape en historisk kontroll posten. Her må en veileder eller annen ansatt besøke produksjonsavdelingen der sjekk ark er plassert og brukes for kvalitetskontroll. En inspeksjon er vanligvis nødvendig å gjennomgå og se på varene som produseres. Svare på spørsmålet på sjekken ark eller fylle ut korte deler eller uttalelser er normen her. Resultatet er et kontrollblad som beskriver kvaliteten av varene og totale prosess.

Kontroll diagrammer er både lik og annerledes å sjekke ark; den største forskjellen er at en bestemt standard foreligger som produserte varer må oppfylle. For eksempel kan kontrolldiagram har en nedre og øvre grense gods må falle mellom, med en midtre grense som representerer den forventede standard. Prosesskontroll metoder ved hjelp av kontroll diagrammer kan fungere best for å teste en batch av varer. For eksempel, for å teste en utvalgt utvalg av varer sikre at de hvert fall innenfor den nedre og øvre grense vanligvis betyr hele partiet skal dekke selskapets interne standarder. Testede produkter som faller utenfor kontrollgrensene kan indikere feil i produksjonsprosessen som trenger justering.

Statistisk prosesskontroll metoder er mye mer involvert enn de to andre kontrollmetoder her. Selskapene trenger for å lage statistiske modeller - for eksempel en sannsynlighet diagram som definerer suksess eller fiasko av varer - som å teste både produserte varer og avdelinger. Noen tester som resulterer i utganger utenfor ønsket eller forventet strykprosent er uakseptabelt. For eksempel kan et selskap godta en feilrate på tre prosent av 1000 varer produsert; eventuelle forskjeller her er uakseptabelt og trenger videre forskning. En annen type statistikk kan være et avvik fra akseptable standarder; varer som er for langt fra akseptert materialet vil vanligvis ikke passere inspeksjon prosessen.

  • Sjekk ark, kontroll chars, og statistiske rapporter er alle en del av prosesskontrollmetoder.
  • Sjekk ark, kontroll diagrammer og statistiske rapporter hjelper i å registrere data og gjøre justeringer i prosesskontroll.

Statistiske kvalitetskontroll er observasjonen av variablene i en produksjonsprosess over tid, og anvendelse av statistisk analyse av disse variabler for å definere driftsvinduer som gir lavere defekt produkter. Denne metoden brukes primært for produksjonslinjer i stedet for kjemisk prosessutstyr, selv om det er gyldig for begge. Tre viktige komponenter av metodikken inkludere kontroll diagrammer, kontinuerlige forbedringer og utformet eksperimenter.

Produksjonslinjer ofte ikke har en feedback loop som kjemiske prosesser kan. I et kjemisk anlegg, kan utgangen fra prosessen overvåkes kontinuerlig, og betingelsene for oppstrøms reaktanter eller reaksjonsbetingelser kan endres for å svinge prosessen tilbake til ideelle forhold. Slik momentant kontroll er spesielt nødvendig for reaksjoner som blir farlig når lov til å gå til ytterligheter. Produksjonslinjer er ofte en serie av usammenhengende maskinoperasjoner som er drevet av en rekke forskjellige operatører, og inspeksjon av produktet er gjort ved slutten av produksjonslinjen - off-line og ofte flere timer eller lenger bak produksjonslinjen i seg selv. Det er liten mulighet for korreksjon.

Den viktigste funksjonen av statistisk kvalitetskontroll er at i stedet for å måle feil, og justering av driftsparametrene for å unngå dem, fremstilling ingeniør måler driftsparametrene for å bestemme de statistiske egenskaper at fremgangsmåten oppviser over tid. Variasjoner i en parameter som er fast bestemt på å falle innenfor normale variasjoner i prosessen kalles common-forårsake variasjoner. Etter å ha studert en eller flere variabler, kan kvaliteten ingeniør oppdage en variabel som korrelerer godt med defekten nivået av produktet eller stadium av behandlingen.

Denne variabelen er en kontrollerende variabel og blir deretter overvåket og analysert for å bestemme normale svingninger, gjennomsnittsverdier og kontrollgrenser utover som defekt frekvensen økes. Kontrollgrenser er i utgangspunktet satt for de fleste operasjoner på pluss eller minus tre standardavvik fra gjennomsnittet. De blir skrudd på plass som er nødvendig og som data er akkumulert. Skulle variasjon i denne variabel ikke gjøre rede for alle observerte variasjon i den endelige kvaliteten på produktet, er flere variabler skjermet.

Nøkkelen variabel overvåkes kontinuerlig, fortrinnsvis ved utstyrsoperatøren. Så lenge systemet kjører innenfor kontrollgrensene, er utstyrsinnstillinger ikke endret. Når parameteren overstiger kontrollgrenser deretter blir iverksatt tiltak for å bringe para tilbake inn grenser. Ved konsekvent å anvende prinsippene for statistisk kvalitetskontroll, er hele produksjonslinjen er feil sank som variasjon i prosessen reduseres.

Bruken av kontroll diagrammer av operatører er ofte den enkleste første steg av en statistisk kvalitetskontroll system, og ofte arbeidet slutter på dette trinnet. Ideelt sett er de andre komponentene implementeres i tillegg. Kontinuerlig forbedring viser til arbeidet med å bringe mer og mer av prosessen under statistisk kvalitetskontroll, inkludert oppstrømsaktiviteter, som for eksempel råvareforsyning og pre-aksept testing. Utformet eksperimenter er avgitt av kvalitetskontrollen ingeniør for å bestemme fysiske forklaringer på den statistiske variasjonen som er observert. Ved å ha statistiske data til å forutsi utfall, er etterforskningen av årsaken til feil utført på en systematisk måte.

  • Statistiske kvalitetskontroll omfatter å observere en rekke variabler i produksjonsprosessen over tid.