Методология 6 сигм
Шесть сигма – хорошо структурированная методология управления данными, различных областях производства, сфере услуг, менеджмента и другой деловой активности. Технология “шесть сигма” базируется на хорошо изученных и апробированных статистических методах контроля качества, анализа данных и систематическом тренинге всего персонала на фирме, вовлеченного в деловую активность или процесс, который получил статус “процесс шесть сигма”.
- Аналитика бизнеса
- Методы анализа данных Data Mining
- Методология 6 сигм
Оглавление
6 сигм
Шесть сигма – хорошо структурированная методология управления данными, различных областях производства, сфере услуг, менеджмента и другой деловой активности. Технология “шесть сигма” базируется на хорошо изученных и апробированных статистических методах контроля качества, анализа данных и систематическом тренинге всего персонала на фирме, вовлеченного в деловую активность или процесс, который получил статус “процесс шесть сигма”.
Рис. 1. Калькулятор Шесть Сигма
Методология “шесть сигма” и стратегия менеджмента обеспечивают надежную основу для организации корпоративного контроля качества. В последние годы интерес к “шесть сигма” значительно вырос, поскольку появилось множество примеров успешного внедрения подхода как на предприятиях США, так и в Европе.
Процесс “шесть сигма” обеспечивает всего лишь 3.4 дефекта на 1 миллион произведенных деталей. Достижение подобных результатов является целью, заложенной в концепцию “шесть сигма”. Подобные улучшения не могут произойти без внесения изменений во все аспекты деловой активности, связанные с реформируемым процессом. Именно поэтому программы по внедрению методологии “шесть сигма” обращают особое внимание на предварительную подготовку персонала на предприятии.
Основная идея концепции может быть проиллюстрирована следующим образом:
Рассмотрим процесс, в котором распределение отклонений от среднего значения предполагается нормальным и контрольные пределы установлены на интервалах 3*сигма (такой процесс носит название “процесс три сигма”).
Рис. 2. Нормальный процесс распределения отклонений
Далее, предположим, что процесс отклонился от прежнего среднего на 1.5 сигма:
Рис. 3. Отклонение процесса от прежнего среднего на 1.5 сигма
Предположим, что мы произвели один миллион деталей и хотим подсчитать их число, оказавшееся за верхним контрольным пределом. На рисунке это закрашенная область под графиком распределения процесса:
Рис. 4. Заштрихованная область – число деталей, оказавшихся за верхним контрольным пределом
Для процесса “три сигма” число деталей вне контрольного предела будет 66.807 (для реального процесса на практике, конечно, такая точность не будет достигаться, но порядок величины будет сохраняться).
Рис. 5. Заштрихованая область – число деталей вне контрольного предела 66,807
Для процесса “четыре сигма”, контрольные пределы для которого установлены на 4*сигма от средней линии, число “бракованных” деталей будет 6.210.
Рис. 6. Заштрихованная область – число “бракованных” деталей для процесса “четыре сигма”
Для процесса “шесть сигма” мы обнаружим всего 3.4 детали, которые оказались вне верхнего контрольного предела:
Рис. 7. Для процесса “Шесть Сигма” 3, 4 бракованных детали
Термин “шесть сигма” произошел от стремления добиться такой дисперсии для процесса, чтобы ± 6 сигма уложилось в интервале от нижнего контрольного предела до верхнего.
В этом случае, если даже смещение процесса достигнет 1.5 сигма, то число дефектов будет все равно очень низким. Причины смещения могут быть разными и зависеть от многих факторов на производстве. Значение 1.5 для смещения тоже не было взято случайно.
Корпорация Моторола, которая считается одним из пионеров успешного внедрения концепции “шесть сигма”, в результате тщательного исследования дала заключение о том, что со временем даже хорошо отрегулированный процесс может давать сдвиги в среднем значении до 1.5 сигма.
В проиллюстрированном выше примере мы предположили сдвиг в направлении верхнего контрольного предела. Для нижнего контрольного предела ситуация будет аналогичной.
Отметим, что часто на производстве не рассматривают один из концов нормального распределения, поскольку из-за особенностей технологии важен лишь один из контрольных пределов.
Например, при заточке болта большие значения его толщины являются не таким страшным браком, как слишком маленькие, поскольку брак можно исправить, если повторной заточкой уменьшить толщину (в то же время слишком маленькая толщина окончательно бракует деталь).
Другим примером может служить число покупателей в магазине – если их слишком мало, то это плохо, но если вдруг наблюдается всплеск активности, то это достаточно приятное событие для владельца.
Платформы BI в сфере здравоохранения
Мы расскажем, почему BI в здравоохранении растет и как оно может положительно повлиять на ваш …
Почитать еще
Введение в анализ временных рядов
Хотя для анализа данных используются все многочисленные передовые инструменты и методы, такие как наука о
История развития моделей данных
Итак, прыгайте на борт и наслаждайтесь путешествиями во времени наших попыток справиться с временностью в
Машинное обучение
Глубокое обучение – это продвинутая форма машинного обучения. Глубокое обучение относится к способности компьютерных систем, известных
Правила эффективного прогнозирования
Интуиция очень важна. С ее помощью было создано большое количество хороших прогнозов. Но нужно всегда
Выборка. Типы выборок
Суммарная численность объектов наблюдения (люди, домохозяйства, предприятия, населенные пункты и т.д.), обладающих определенным набором признаков
Обзор самых популярных алгоритмов машинного обучения
Существует такое понятие, как «No Free Lunch» теорема. Её суть заключается в том, что нет
Обзор основных видов сегментации
Загрузить программу ВІ Демонстрации решений Аналитика бизнеса Оглавление Сегментация бренда Сегментация помогает принимать более эффективные
Алгоритмы машинного обучения
В одной из статей мы познакомились с основами машинного обученияи, хотя кратко, но очень лаконично, мы
Полное руководство по анализу текста
Напоминание – это количество правильных результатов, разделенное на количество результатов, которые должны были быть возвращены. Загрузить