Multi-Vari grafiği: Değişkenliğin doğduğu yeri bulun.
Multi-Vari grafiği, çok değişkenli istatistik değil, basit bir grafiksel kalite aracıdır: ölçülen bir çıktının değişkenliğini ailelere ayırır – örneğin parça içi, parçadan parçaya ve zamana bağlı – ve böylece tek bir deney bile yapmadan önce baskın nedenin nerede doğduğunu görmenizi sağlar.
Neden Multi-Vari?
Bir kalite problemi sürekli geri geldiğinde – hurda, yeniden işleme, toleransın dışına kayan bir ölçü – alışılmış tepki bir beyin fırtınasıdır: olası her nedeni listelemek, sonra gözdeleri tek tek test etmek. Onlarca şüpheli varken bu aylar sürebilir ve testlerin birçoğu hiçbir şeyi değiştirmez.
Bir Multi-Vari çalışması iki basit gerçekten yola çıkar. Değişkenlik nadiren eşit dağılır: genellikle tek bir neden diğerlerine baskın gelir. Ve her neden veride bir iz bırakır – örneğin parçanın içinde, bir parçadan diğerine ya da zaman içinde etki eder.
Bu yüzden nedenleri tek tek test etmek yerine, prosesin zaten üretmekte olduğu parçaları ölçer ve bütün neden ailelerini tek seferde elersiniz. Değişkenlik saatler arasında doğuyorsa, tek bir parçanın içinde etki eden hiçbir şey ana neden olamaz – ve bu şüpheliler tek bir deney bile yapılmadan listeden düşer.
- Onlarca olası neden listede
- 1 değişkenliğin doğduğu aileMulti-Vari
- Birkaç şüpheli bu ailenin içinde
- 1 testle kanıtlanmış baskın neden
Problem çözmedeki yeri
Bir Multi-Vari çalışması problemi tek başına çözmez – size nereye bakacağınızı söyler. Aşamalı bir aramada her adım, geriye tek bir neden kalana kadar alanı daraltır. Shainin bu baskın nedene Red X® adını verir. Altı Sigma projelerinde aynı çalışma, DMAIC’in Analiz aşamasında yer alır.
Problemi tanımlayın
Şikâyeti tek bir ölçülebilir çıktıya dönüştürün – Shainin buna Green Y® adını verir – ve ölçüm cihazının farkı görebildiğinden emin olun.
Değişkenliğin doğduğu yeri bulun Multi-Vari
Bir Multi-Vari çalışması yapın ve değişkenliğin büyük bölümünü taşıyan aileyi belirleyin.
Daraltın
Bu ailenin içinde en iyi ve en kötü parçaları karşılaştırarak neyin farklı olduğunu görün.
Nedeni kanıtlayın
Bir testle doğrulayın: şüpheliyi açıp kapatın ve problemin gelip gittiğini izleyin.
Düzeltin ve kazanımı koruyun
Neden için doğru toleransı veya kontrolü belirleyin ve iyileştirmeyi doğrulayın.
Yaygın değişkenlik aileleri
En yaygın üç aile aşağıdadır. Prosese bağlı olarak bir çalışma bunları daha da böler ya da başkalarını ekler – örneğin makineden makineye, kalıp gözünden kalıp gözüne veya operatörden operatöre. Multi-Vari grafiği bu aileleri yan yana gösterir; böylece en büyüğü hemen göze çarpar.
Parça içi
Tek bir parça üzerindeki değişimler – bir uçtan diğerine, bir yandan diğerine, çevre boyunca.
Örnek: işlenmiş bir milde koniklik veya ovallik.
Parçadan parçaya
Art arda gelen parçalar arasındaki ya da kalıp gözleri, fikstürler veya makineler arasındaki farklar.
Örnek: diğerlerinden farklı çalışan bir kalıp gözü.
Zamana bağlı
Saatten saate, vardiyadan vardiyaya veya partiden partiye kaymalar.
Örnek: makine ısınırken kayan bir ölçü.
Multi-Vari çalışması nasıl işler
Özel ekipman gerekmez, deney gerekmez – yalnızca çalışan prosesten planlı bir örnekleme.
Tek bir ölçülen çıktı seçin
Problemi gösteren özellik ve farkları görebilen bir ölçüm cihazı.
Her parçada birkaç konumu ölçün
Art arda gelen birkaç parçada; böylece hem parça içi hem de parçadan parçaya değişkenlik ortaya çıkar.
Zaman içinde tekrarlayın
Saatler, vardiyalar veya partiler boyunca – arada proseste ayar yapmadan.
Çizin ve karşılaştırın
Bütün ölçümleri tek bir grafiğe koyun. Yayılımı en büyük olan aile, nedenin yattığı yerdir.
Multi-Vari grafiği nasıl okunur
Çizgilerin uzunluğunu, parçalar arasındaki sıçramaları ve saatler arasındaki kaymaları karşılaştırın. En büyük yayılım, nedenin nerede yattığını gösterir.
Parça içiUzun çizgiler ve her seferinde üstte aynı konum – neden parçanın kendi içinde etki ediyor.
Parça-parçaKısa çizgiler, ama bir parçadan diğerine büyük sıçramalar – neden çevrimden çevrime değişiyor.
Zamana bağlıHer saat kendi seviyesinde duruyor – neden zamanla değişiyor, tıpkı ısınan bir makine gibi.
Vaka çalışması
Bilinen kayma, bilinmeyen örüntü
Bir motor üreticisi, kam lobları yanlış konumda çıktığı için eksantrik millerini hurdaya ayırıyordu. Aşamalı bir Multi-Vari çalışması – lob konumunun sürecin birkaç noktasında ölçülmesi – asıl değişimin sertleştirmede gerçekleştiğini belirledi. Fabrikada lobların orada kaydığı zaten biliniyordu. Ancak bu kaymanın öngörülebilir, rastgele olmayan bir örüntü izlediğini kimse bilmiyordu: loblar her seferinde aynı miktarda ve aynı yönde kayıyordu. Bu yüzden lob taşlama makineleri, kaymayı telafi edecek şekilde yeniden programlandı. Multi-Vari çalışması nedenin nerede yattığını, örüntü ise onun nasıl etkisiz hâle getirileceğini gösterdi.
560.000 $yılda daha az hurda
5.000 $uygulama maliyeti
Multi-Vari grafiği hakkında sık sorulan sorular
Multi-Vari grafiği ne için kullanılır?
Hangi değişkenlik ailesinin – örneğin parça içi, parçadan parçaya veya zamana bağlı – probleme en çok katkıda bulunduğunu görmek için; böylece araştırma uzun bir tahmin listesiyle değil, doğru yerden başlar.
Multi-Vari çalışmasını ne zaman kullanmalıyım?
Ölçülen bir özellik çok fazla değişkenlik gösterdiğinde ve neden bilinmediğinde – özellikle birçok nedenden şüphelenilmiş ama hiçbiri doğrulanmamış kronik problemlerde. Çalışan proses üzerinde yapılır; bu yüzden üretimi durdurmanız ya da önce deney tasarlamanız gerekmez.
Multi-Vari grafiğini kim icat etti?
Leonard Seder 1950’de yayımladı. Dorian Shainin bunu, değişkenliğin Red X® adını verdiği baskın nedenini bulma yaklaşımının erken adımlarından biri haline getirdi.
Tasarlanmış deneyden (DOE) farkı nedir?
Tasarlanmış bir deney, etkilerini ölçmek için faktörleri bilerek değiştirir; dolayısıyla hangi faktörleri test edeceğinizi önceden bilmeniz gerekir. Multi-Vari çalışması ise prosesi yalnızca çalışırken gözlemler ve hangi neden ailesine bakmanız gerektiğini söyler. Önce Multi-Vari’yi yapın: hâlâ ihtiyaç duyduğunuz her deney küçük ve odaklı olur.
Multi-Vari, Altı Sigma’nın bir parçası mı?
Evet. Altı Sigma projelerinde, herhangi bir tasarlanmış deneyden önce olası nedenleri daraltmak için DMAIC’in Analiz aşamasında kullanılır. Shainin’in Red X® yaklaşımında ise ilk adımlardan biridir: hangi değişkenlik ailesinde arama yapılacağını gösterir.
Çok değişkenli analizle aynı şey mi?
Hayır. Benzer ada rağmen Multi-Vari grafiği, ölçülen tek bir çıktının basit bir grafiksel incelemesidir. Çok değişkenli analiz ise aynı anda birçok değişkeni ele alan istatistiksel yöntemler ailesidir.
Multi-Vari grafiği kök nedeni gösterir mi?
Tek başına göstermez. Nedenin nerede yattığını – değişkenliği hangi ailenin taşıdığını – gösterir. Nedenin ne olduğunu ise sonrasında daraltma ve bir doğrulama testi ortaya koyar.
Ne kadar veriye ihtiyacım var?
Prosesi en iyi ve en kötü halinde görmeye yetecek kadar. Yaygın bir pratik kural: art arda 3–5 parçada parça başına 2–5 ölçüm; çalışma olağan aralığın büyük bölümünü kapsayana kadar birkaç dönem boyunca tekrarlanır.
Geçti/kaldı verileri kullanabilir miyim?
Multi-Vari grafiği ölçülen bir değere ihtiyaç duyar – bir ölçü, bir kuvvet, bir debi, bir sıcaklık. Geçti/kaldı türündeki hatalar için önce hatanın arkasındaki ölçülebilir bir özelliği bulun ya da farklı bir strateji kullanın.
Hangi yazılımı kullanabilirim?
Shainin WRXT (Web Red X® Tracker) – Shainin’in Red X® eğitimiyle birlikte gelen web uygulaması – Multi-Vari grafiğini yerleşik olarak içerir. Erişim için bir uzmana sorun. Genel istatistik paketleri de çizer: Minitab (Stat > Quality Tools > Multi-Vari Chart) ve JMP; JMP’de değişkenlik grafiği (variability chart) adıyla geçer. Küçük bir çalışma için bir elektronik tablo da yeterlidir. Yazılım yalnızca grafiği çizer; nedeni bulan, örnekleme planıdır.
Kaynaklar: Leonard A. Seder, “Diagnosis with Diagrams”, Industrial Quality Control (1950); Multi-vari chart (İngilizce), Vikipedi.
Açıklayamadığınız bir değişkenlik mi var?
Shainin’in Red X® uzmanları, üreticilerin baskın nedeni bulmasına ve kalıcı olarak gidermesine yardımcı olur.