Six Sigma+Lean Toolset : Verbesserungsprojekte erfolgreich durchführen 9783540291428, 3540291423 [PDF]

Zitiervorschau

Stephan Lunau (Hrsg.) Alexander John Renata Meran Olin Roenpage Christian Staudter

Six Sigma+Lean Toolset Verbesserungsprojekte erfolgreich durchfçhren

12

Herausgeber: Dipl.-Kfm. Stephan Lunau UMS GmbH Consulting Hanauer Landstraûe 208±216 60314 Frankfurt [email protected] Autoren: Dipl.-W. Ing. Alexander John Dipl.-Vw. Renata Meran Mag. Olin Roenpage Dipl.-Bw. Christian Staudter UMS GmbH Consulting Hanauer Landstraûe 208±216 60314 Frankfurt

ISBN-10 ISBN-13

3-540-29141-5 Springer Berlin Heidelberg New York 978-3-540-29141-1 Springer Berlin Heidelberg New York

Bibliografische Information Der Deutschen Bibliothek Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet çber abrufbar. Dieses Werk ist urheberrechtlich geschçtzt. Die dadurch begrçndeten Rechte, insbesondere die der Ûbersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und Tabellen, der Funksendung, der Mikroverfilmung oder der Vervielfåltigung auf anderen Wegen und der Speicherung in Datenverarbeitungsanlagen, bleiben, auch bei nur auszugsweiser Verwertung, vorbehalten. Eine Vervielfåltigung dieses Werkes oder von Teilen dieses Werkes ist auch im Einzelfall nur in den Grenzen der gesetzlichen Bestimmungen des Urheberrechtsgesetzes der Bundesrepublik Deutschland vom 9. September 1965 in der jeweils geltenden Fassung zulåssig. Sie ist grundsåtzlich vergçtungspflichtig. Zuwiderhandlungen unterliegen den Strafbestimmungen des Urheberrechtsgesetzes. Springer ist ein Unternehmen von Springer Science+Business Media springer.de ° Springer-Verlag Berlin Heidelberg 2006 Printed in Germany Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wåren und daher von jedermann benutzt werden dçrften. Umschlaggestaltung: Design & Production, Heidelberg SPIN 11561415

42/3153-5 4 3 2 1 0 ± Gedruckt auf såurefreiem Papier

Inhalt

Inhaltsverzeichnis

Vorwort

____________________________________________________________________________________________________

1

Einführung ________________________________________________________________________________________________ 3 – Was ist Six Sigma

______________________________________________________________________________

4

________________________________________________________________________________

14

______________________________________________________________________________________________

17

– Six Sigma Rollen

DEFINE

– Project Charter ____________________________________________________________________________________ 20 – SIPOC

________________________________________________________________________________________________

– Tool 1 / CTQ Matrix

____________________________________________________________________________

24 26

– Tool 1 / CTB Matrix______________________________________________________________________________ 29 – Stakeholder Analyse ____________________________________________________________________________ 31 – Kick-Off-Meeting __________________________________________________________________________________ 33 – Checkliste Define ________________________________________________________________________________ 35

MEASURE

________________________________________________________________________________________

37

– Tool 2 / Messgrößenmatrix __________________________________________________________________ 40 – Datensammlungsplan __________________________________________________________________________ 42 – Operationale Definition ________________________________________________________________________ 44 V

Inhalt

– Datenquellen und Datenart

________________________________________________________________

46

– Stichprobenstrategie____________________________________________________________________________ 49 – Datenerfassungsformulare __________________________________________________________________ 52 – Messsystemanalyse ____________________________________________________________________________ 54 – Gage R&R für diskrete (binäre) Daten ________________________________________________ 57 – Gage R&R ANOVA für stetige Daten __________________________________________________ 59 – Variation

______________________________________________________________________________________________

62

– Grafische Darstellung __________________________________________________________________________ 63 – Lage- und Streuungsparameter __________________________________________________________ 78 – Prozessfähigkeitsberechnung – Checkliste Measure

ANALYZE

85

__________________________________________________________________________

100

________________________________________________________________________________________

101

– Ursache-Wirkung-Diagramm – FMEA

____________________________________________________________

____________________________________________________________

104

________________________________________________________________________________________________

106

– Prozessdarstellung ____________________________________________________________________________ 112 – Schnittstellenanalyse – Wertanalyse

________________________________________________________________________

116

______________________________________________________________________________________

118

– Zeitanalyse ________________________________________________________________________________________ 120 – Value Stream Map

____________________________________________________________________________

VI

122

Inhalt

– Bedeutung der Geschwindigkeit

______________________________________________________ ‚

– Identifizierung von Engpässen und Prozessaustaktung

__________________

126 129

– Tool 3 / Messgrößenmatrix ________________________________________________________________ 132 – Datenschichtung ________________________________________________________________________________ 134 – Datentransformation __________________________________________________________________________ 136 – Zentraler Grenzwertsatz

__________________________________________________________________

139

– Hypothesentests ________________________________________________________________________________ 140 – ANOVA ______________________________________________________________________________________________ 147 – Korrelation

________________________________________________________________________________________

– Lineare Regression – DOE

153

__________________________________________________________________________

155

__________________________________________________________________________________________________

162

– Analyse Abschlussmatrix

__________________________________________________________________

178

– Checkliste Analyze ____________________________________________________________________________ 180

IMPROVE

________________________________________________________________________________________

181

– Theory Of Constraints (TOC) ____________________________________________________________ 184 – 5S

____________________________________________________________________________________________________

– Rüstzeitreduzierung – Poka-Yoke

186

__________________________________________________________________________

189

________________________________________________________________________________________

192

– Generisches Pull System __________________________________________________________________ 195 VII

Inhalt

– Replenishment Pull System ______________________________________________________________ 198 – Optimale Losgröße ____________________________________________________________________________ 204 – Total Productive Maintenance (TPM) ________________________________________________ 206 – Lean For Service

______________________________________________________________________________

– Kreativitätstechniken

________________________________________________________________________

209 212

– Werkzeuge zur Auswahl von Lösungen ____________________________________________ 221 – Implementierungsplanung – Pilotprogramme

________________________________________________________________

232

________________________________________________________________________________

240

– Roll Out Planung

______________________________________________________________________________

242

– Checkliste Improve ____________________________________________________________________________ 243

CONTROL

______________________________________________________________________________________

245

– Prozessdokumentation ______________________________________________________________________ 248 – Control Charts

__________________________________________________________________________________

250

– Reaktionsplan ____________________________________________________________________________________ 260 – Projektdokumentation ________________________________________________________________________ 262 – Projektabschluss

______________________________________________________________________________

– Checkliste Control

____________________________________________________________________________

Anhang: Sigmawert Tabelle

__________________________________________________________________

VIII

264 265

267

Vorwort Six Sigma hat sich über die letzten 20 Jahre global als Best Practice Konzept zur Optimierung von Prozessen etabliert. Viele namhafte Unternehmen aus unterschiedlichsten Branchen setzen Six Sigma für die Optimierung erfolgreich ein und profitieren vom signifikanten ergebniswirksamen Nutzen der Projekte. Kundenfokussierung und Messbarkeit stehen dabei im Vordergrund. In der langen Geschichte von Six Sigma hat es viele Entwicklungen und Erweiterungen des Ansatzes gegeben, die in das Konzept eingeflossen sind. Ein sehr wichtiger Schritt ist die Integration der Lean Management Werkzeuge in das Six Sigma Konzept. Diese tragen maßgeblich dazu bei, dass neben der Reduktion der Prozessvariation - die durch klassische Qualitätswerkzeuge und statistische Analyse erreicht wird - auch eine signifikante Beschleunigung der Prozesse und die Reduktion von Beständen und Durchlaufzeiten möglich sind. Damit vereint der von der UMS GmbH praktizierte Six Sigma+Lean Ansatz in seiner Anwendung die erprobten Werkzeuge beider Welten, die in dem bewährten DMAIC Vorgehensmodell systematisch verbunden sind. Für jedes Problem sind die richtigen Werkzeuge vorhanden, so werden gute und nachhaltige Projektergebnisse sicherstellt. Das vorliegende Six Sigma+Lean Toolset trägt der beschriebenen Entwicklung Rechnung, indem es als Nachschlagewerk für den ausgebildeten Master Black Belt, Black Belt und Green Belt in der Praxis dient. Es enthält alle wichtigen Six Sigma+Lean Werkzeuge, die in einer klaren und übersichtlichen Struktur abgebildet und mit einem Beispiel hinterlegt sind. Das Buch folgt dem Vorgehen in einem Projekt und bildet alle Werkzeuge, nach Define, Measure, Analyze, Improve und Control Phasen sortiert ab. Es versetzt den Praktiker somit in die Lage, mit dem Toolset als Hilfe, sein Projekt chronologisch, im Sinne eines roten Fadens, durchzuarbeiten. Mein Dank gilt dem gesamten UMS Team, das mit seinem fundierten Fachwissen und dem reichen Schatz an Erfahrungen an der Realisierung dieses Toolsets mitgewirkt hat, insbesondere den als Autoren genannten Kollegen, Alexander John, Renata Meran, Olin Roenpage und Christian Staudter. Weiterhin danke ich Mariana Winterhager, die uns mit unermüdlichem Engagement bei der gestalterischen Umsetzung dieses Buches unterstützt hat. Ich wünsche Ihnen viel Erfolg im Projekt! Frankfurt am Main, September 2005 Stephan Lunau

1

Six Sigma Toolset

Einführung

Was ist Six Sigma?

Was ist Six Sigma? Six Sigma ist die konsequente Weiterentwicklung und systematische Verknüpfung erprobter Qualitätsansätze.

Six Sigma

= Schlanke und variationsfreie Prozesse sowie kundenorientierte Produkte schaffen.

Produktentwicklung = Prozesse und Produkte entwickeln.

Lean Management = Prozesskosten senken.

TQM

= Prozesse optimieren / managen.

ISO

= Prozesse standardisieren / optimieren.

4

Was ist Six Sigma?

Six Sigma stellt den Nutzen an erste Stelle Six Sigma zeigt, dass Qualität und Kostenreduzierung kein Gegensatz sein müssen. Bei jedem Projekt müssen die zwei Seiten der Medaille beachtet werden. Die zwei Seiten der Medaille:

Steigerung von Qualität und Kundenzufriedenheit

Projektnutzen für das Unternehmen in €

Nur falsch verstandene Qualität kostet Geld: Unabhängig von den Anforderungen der Kunden wird Qualität in das Produkt hineingeprüft. Wird die Qualität richtig verstanden, dann bringt sie Geld: Qualität, für die der Kunde bereit ist zu zahlen, wird erbracht, und schlanke Prozesse senken signifikant die Kosten.

Six Sigma hat eine besondere Qualitätsvision, weil der Nutzen an erster Stelle steht.

Die Anforderungen unserer Kunden vollständig und wirtschaftlich erfüllen.

5

Was ist Six Sigma?

Six Sigma kann durch die Beseitigung von Verschwendung im Unternehmen die Kosten senken und gleichzeitig die Qualität steigern. Gesteigerte Qualität führt zu höheren Umsätzen und erschließt neue Märkte Die Verschwendung – in Industrieunternehmen auch als "Hidden Factory" (versteckte Fabrik) bekannt – ist einer der größten Kostentreiber. Hier kann Six Sigma die hohen Potentiale verwirklichen. Die Potentiale in der versteckten Fabrik sind: • Nacharbeit • Doppelarbeit • Ausschuss • Lagerhaltung

Hidden Factory (ca. 30%)

Bis zu 30% der Kosten können durch eine Prozessoptimierung gespart werden. Gesteigerte Qualität und gesenkte Kosten führen zu Mehrumsatz. Die Hebel für den Net Benefit sind: • Gesteigerte Qualität – weniger Ausschuss. • Gesenkte Kosten – mehr Wettbewerbspotentiale. • Höhere Prozess-Geschwindigkeit – weniger Bestände. • Höhere Kundenbindung – Realisierung neuer Geschäftsfelder.

Nicht der Motor soll repariert werden – sondern die Mobilität soll sichergestellt werden.

6

Was ist Six Sigma?

Was bedeutet der Begriff Six Sigma? Six Sigma steht für "sechs Standardabweichungen". Die Vision von Six Sigma besteht darin, dass die Standardabweichung einer Normalverteilung ± sechs mal zwischen die Spezifikationsgrenzen des Kunden passt (Upper Specification Limit USL = obere Spezifikation und Lower Specification Limit LSL = untere Spezifikation). Der gefundene Wert entspricht einem Qualitätsniveau von 99,9999998%. In der Praxis zeigt es sich, dass Prozesse im Zeitverlauf schwanken – mindestens um ±1,5 Sigma – d. h. am Ende wird ein Qualitätsniveau von 99,9997% erreicht, das entspricht einer Fehlerrate von 3,4 Fehlern pro Million Fehlermöglichkeiten (Defects Per Million Opportunities = DPMO).

+/- 1,5 Standardabweichungen

LSL

-6␴

-3␴ -2␴ -1␴

x– +1␴ +2␴ +3␴

Spez. Grenzen

Prozent

+/+/+/+/+/+/-

30,3 69,13 93,32 99,3790 99,97670 99,999660

1 2 3 4 5 6

Sigma Sigma Sigma Sigma Sigma Sigma

USL

+6␴

DPMO fehlerhaft 697700 308700 66810 6210 233 3,4

Weltklasse

Six Sigma steht nicht nur für das Streben nach höchster Qualität, sondern auch für das das Prinzip der Messbarkeit und des datengesteuerten Vorgehens auf der Basis von Statistik.

7

Was ist Six Sigma?

Die drei Dimensionen von Six Sigma sichern den Erfolg der Projekte Six Sigma beinhaltet drei wichtige Bausteine für den Projekterfolg: Den Regelkreis zur Prozessoptimierung DMAIC (Define, Measure, Analyze, Improve, Control) und das Vorgehensmodell zur Prozess- und Produktentwicklung DMADV (Define, Measure, Analyze, Design, Verifiy), auch bekannt als DFSS (Design For Six Sigma). Der dritte Baustein ist das Prozessmanagement zur Sicherstellung der Nachhaltigkeit. An das Prozessmanagement werden die fertigen Projekte übergeben.

Prozesse verbessern DMAIC

Prozesse entwickeln DFSS / DMADV

Prozesse verantworten Prozessmanagement

8

Was ist Six Sigma?

Bestehende Prozesse mit DMAIC optimieren = gesunder Menschenverstand Das Projekt mit messbaren Zielen und Potentialen ist klar definiert.

Die Wirksamkeit der Lösungen kann mit Kennzahlen nachgewiesen und gesteuert werden. (SOLL-Zustand wurde erreicht)

Die IST-Situation ist mit verlässlichen Daten belegt.

Lösungen für die Hauptursachen sind gefunden und mit Daten begründet. Die Umsetzung ist definiert.

Die Hauptursachen der Probleme sind identifiziert und mit Daten verifiziert.

Die Haupt-Ansatzpunkte der DMAIC-Vorgehensweise sind: • Qualität erhöhen durch die Optimierung der Prozesse (Verringerung von Nacharbeit und Ausschuss). • Bestände senken durch rigide Kontrolle. • Durchlaufzeiten verringern durch Bestandskontrolle und Kapazitätsanpassung.

9

Was ist Six Sigma?

Prozesse / Produkte mit DFSS entwickeln = Weiterentwicklung des gesunden Menschenverstandes Das Projekt ist klar und eindeutig beschrieben.

Der neue Prozess / das neue Produkt ist getestet und freigegeben.

Die Kunden sind definiert / ihre Anforderungen sind messbar.

Der detaillierte Prozess / das Produkt zur Erfüllung der Kundenanforderung

Das beste Konzept zur Erfüllung der Kundenforderung ist ausgewählt.

Die Hauptansatzpunkte der DMADV-Vorgehensweise sind: • 100% Qualität durch 100% Kundenorientierung. • Minimierung "Time to Market". • Systematische Komplexitätsreduktion von Produkten und Prozessen. • Neue Geschäftsfelder – mehr Kunden.

10

Was ist Six Sigma?

Six Sigma und Statistical Thinking Six Sigma Projekte sind durch ein Denken in Zahlen, Daten und Fakten geprägt. Das statistische Denken stellt dies über das ganze Projekt hinweg sicher. DMAIC-Projekte und Statistical Thinking:

11

Was ist Six Sigma?

Die Six Sigma Entwicklungsstufen im Unternehmen 1. Stufe

Six Sigma als eine Methodik, Kundenanforderungen messbar zu machen und diese ohne Variation zu erfüllen: • Basis: DMAIC Regelkreis für die Optimierung bestehender Prozesse. • Einsatz bewährter Qualitätswerkzeuge. • Untersuchung der Kernursachen, um systematisch Lösungen für die Ursachen zu entwickeln [y = f(x1, x2, …xn)]. Werkzeuge

2. Stufe • • • •

Six Sigma als Management-Ansatz zur Erreichung von Unternehmenszielen: Aktive Übernahme von Aufgaben durch das Top Management im Rahmen definierter Rollen. Eine schlagkräftige Six Sigma Organisation sichert Erfolg und Nachhaltigkeit. Ausgewählte Projekte leisten einen Beitrag zur Zielerreichung. Einsatz von Design For Six Sigma (DFSS) zur Entwicklung von neuen, Six Sigma-fähigen Prozessen und Produkten.

Organisation

Werkzeuge

3. Stufe

Der weiterentwickelte Six Sigma Management-Ansatz, der systematisch die Wertmaximierung des Unternehmens verfolgt: • Wertbasierte Diagnose zur systematischen Projektauswahl mit einem hohen monetären Potential. • Vollständig integrierte Lean Management-Werkzeuge heben bisher unentdeckte Potentiale. • Komplexitätsreduktion mit DFSS-Werkzeugen wird verstärkt vorangetrieben.

Strategie Organisation Werkzeuge

12

Was ist Six Sigma?

Was bringt Six Sigma? Der Nutzen von Six Sigma errechnet sich durch den Ertrag, der durch das Projekt erzeugt wurde, abzüglich der Kosten für die Implementierung und die Six Sigma Organisation. Letztlich sollte der Ertrag die Kosten übersteigen. • • • •

12-18 Monate Jahr 2 Jahr 3 Jahr x

Break Even Kosten – Ertrag = 1 : 2 Gewinn Kosten – Ertrag = 1 : 3 Gewinn Kosten – Ertrag = 1 : x Gewinn (General Electric 1 : 6-7)

Die Six Sigma Philosophie – kurze schnelle Projekte bringen mehr Nutzen als große lange Projekte sollten sinnvoll in kleine Projekte zerlegt werden, damit die Projektorganisation die Projekte schnell durchführen und den Projektnutzen realisieren kann.

Projekte / €

Projekte / €

1,2 Mio €

1,4 Mio €

t 1 Jahr

1 Jahr

t 1 Jahr

13

1 Jahr

Six Sigma Rollen

Six Sigma Rollen

Master Black Belt

Business Quality Council Quality Leader Sponsor BB GB

Team Prozess BB = Black Belt, GB = Green Belt,

Business Quality Council • Legt die Strategie für Six Sigma fest. • Entscheidet über Projekte und erteilt den Projektauftrag. • Wählt für jedes Projekt den Sponsor aus. • Führt regelmäßige Reviews durch. Quality Leader • Treibt die Six Sigma Initiative voran. • Leitet die Master Black Belts an. • Stellt die Unterstützung des Top Managements sicher. • Weist den Nutzen von Six Sigma aus. Sponsor • Hat die Projektverantwortung. • Berichtet an das Business Quality Council. • Stellt das Projektteam zusammen. • Sichert die Ressourcenverfügbarkeit. • Führt Reviews (Sign-Offs bzw. Phasen-Übergänge) mit dem Black Belt durch. • Steuert das Improvement Team.

14

Six Sigma Rollen

Master Black Belt • Ist Vollzeitmitarbeiter der Six Sigma Initiative. • Ist Coach der Verbesserungsteams. • Führt die Sign-Offs zu den Projektphasen durch. • Sichert die Six Sigma Methodik im Sinne einer Supervision. • Ermittelt den Trainingsbedarf und führt Weiterbildungsmaßnahmen durch. • Koordiniert Projekte und Projektvorschläge. • Ist bestimmten Kernprozessen (und Prozesseignern / Process Ownern) zugeordnet. Black Belt • Ist Vollzeitmitarbeiter der Six Sigma Initiative. • Ist der Projektleiter im Verbesserungsprojekt. • Führt das Team zum Erfolg. • Ist verantwortlich für die Organisation des Projektes und für die Dokumentation. • Informiert den Project Sponsor. • Bringt die Methodenkompetenz ein. • Übernimmt neben der Projektarbeit weitere Aufgaben in der Six Sigma Initiative (Arbeitspakete). Green Belt • Ist Teilzeitmitarbeiter der Six Sigma Initiative. • Leitet kleinere Verbesserungsprojekte in seinem Bereich oder unterstützt den Black Belt. • Führt das Team mit zum Erfolg. • Ist zusammen mit einem Black Belt verantwortlich für die Organisation des Projektes und für die Dokumentation. • Informiert den Project Sponsor. • Bringt die Methodenkompetenz ein. Weitere Teammitglieder • Bringen die Fachkompetenz ein. • Arbeiten innerhalb und außerhalb der Teamtreffen an dem Projekt und erledigen die Teamarbeit. • Informieren den Black Belt. • Jeder bringt sein Wissen ein und arbeitet konstruktiv an der Zielerreichung. • Jeder Einzelne schließt die ihm zugewiesenen Aufgaben ab.

15

Six Sigma Rollen

Erfolgsfaktoren für die Six Sigma Umsetzung • • • • • • • •

Black Belts sind zu 100% freigestellt. Projekte werden systematisch ausgewählt. Black Belts werden über 2 Projekte hinweg gecoacht. Green Belts werden durch erfahrene Black Belts gecoacht. Starker Quality Leader mit voller Vorstands- bzw. / Management-Unterstützung. Know How wird auf Master Black Belt (MBB)-Niveau aufgebaut. Durchgängige Methodik und Sprache. Kommunikation der Erfolge sowie Training und Einbindung der kritischen Masse.

16

Six Sigma Toolset

DEFINE

DEFINE

Phase 1: DEFINE

Phase 1: Define Ziele –

MEASURE

– –

Vorgehen – –

IMPROVE

ANALYZE

– –

CONTROL

Darstellung einer konkreten Problemstellung und Identifizierung eines Projektzieles sowie des genauen Projektumfangs. Ermittlung der wesentlichen Kunden des zu optimierenden Prozesses sowie deren qualitätskritische Anforderungen. Sicherstellung der Akzeptanz des Projektes.

Project Charter erstellen. Den zu optimierenden Prozess auf hoher Ebene und im Rahmen des definierten Fokus abbilden. Wichtige externe / interne Kunden des Prozesses identifizieren. Kundenstimmen in messbare, qualitätskritische Anforderungen transformieren.

Wichtigste Werkzeuge •

Project Charter

•

SIPOC

•

Tool 1 / CTQ Matrix / CTB Matrix

•

Stakeholder Analyse

•

Kick-Off-Meeting

18

Phase 1: DEFINE

DEFINE

Project Charter

S

I

P

O

C

VOC / VOB

Thema

ANALYZE

CTQ / CTB Matrix / Tool 1

MEASURE

Prozessdarstellung SIPOC

CTQ / CTB

Stakeholder Analyse Funktion

–

O

O

+ ++

IMPROVE

--

x O O

x x Kick-Off-Meeting

CONTROL

19

DEFINE

Project Charter

Project Charter


Bezeichnung

MEASURE

Project Charter, Projektauftrag.

Zeitpunkt Vor dem ersten Meeting mit dem Projektteam (Kick-Off-Meeting).



Ziele – –

ANALYZE

–




Knappe und eindeutige Darstellung von Problemen und Projektzielen. Eindeutige Fokussierung auf einen bestimmten zu optimierenden Prozess bzw. Teilprozess. Benennung der wichtigen Projektbeteiligten.

Vorgehensweise – –

Project Charter durch den Sponsor / Auftraggeber in Zusammenarbeit mit dem Black Belt erstellen. Hintergrundgespräche führen, um die Inhalte des Project Charters frühzeitig mit direkt und indirekt Beteiligten abzuklären. Der Project Charter beinhaltet folgende Elemente:

CONTROL

IMPROVE

1. Business Case Ausgangssituation darstellen und die Bedeutung bzw. Wichtigkeit des Projektes hervorheben. 2. Problems And Goals Probleme und Ziele SMART (spezifisch / specific, messbar / measureable, abgestimmt / agreed to, realistisch / realistic, terminiert / time bound) beschreiben. Nicht Ursachen oder Lösungen, sondern IST- und SOLLZustand wiedergeben. Neben der Baseline (Basis für die Projekteinsparungen bzw. den Mehrumsatz) den monetären Projektnutzen (Net Benefit) abschätzen. 3. Focus And Scope Welche Sachverhalte sind innerhalb und welche außerhalb des Betrachtungsrahmens? Worauf wird fokussiert? Bei der DMAIC-Vorgehensweise: Welcher Prozess liegt zugrunde?

20

Project Charter

• • •

•

ANALYZE

•

Im Business Case den notwendigen "Leidensdruck" vermitteln! Die SMART-Regel beachten! Viele Projektstarts scheitern an unkonkreten Beschreibungen von Problemen und Zielen! Alternativ Experten im Sinne eines erweiterten Teams hinzuziehen. Es sollten nicht mehr als 5 Teammitglieder "an Bord" sein, um Ressourcen zu schonen! Project Charter mit den Teammitgliedern vor dem Kick-Off-Meeting in seinen wesentlichen Zügen diskutieren! Project Charter wird nach abschließender Definition mindestens vom Sponsor unterschrieben!

MEASURE

Tipp

DEFINE

4. Roles And Milestones Beginn und Dauer des Projektes (max. 90 Tage, ausnahmsweise bis zu 180 Tage), die beteiligten Personen und den Ressourcenbedarf festlegen. Hierzu gehört ein separater Zeitplan (Project Schedule) für das gesamte Projekt. Weitere mögliche Bestandteile des Project Charter: – Wichtige Qualitätskennzahlen (z. B. aktueller Sigmawert, DPMO). – Nicht rechenbare Verbesserungen bzw. Projektnutzen. – Risiken, welche die Projektdurchführung erschweren, bzw. verhindern, dass der volle Nutzen wirksam wird.

IMPROVE CONTROL

21

CONTROL

IMPROVE

ANALYZE

MEASURE

DEFINE

Project Charter

Darstellung Project Charter Beispiel Autohaus Business Case

Project Scope / Project Focus

Wir sind ein Kfz-Betrieb / Autohaus mit Mehrmarkenvertrieb und -reparaturen. In unserem Hauptbetrieb beschäftigen wir 80 MA, außerdem jeweils 20 MA in 2 Zweigstellen. Durch immer härteren Wettbewerb und die Marktsituation in unserer Branche ist im reinen Verkaufsgeschäft kaum noch Gewinn zu verzeichnen. Daher ist es wichtig, Gewinne im Bereich Reparatur, Lackiererei, Teile und Zubehör zu erwirtschaften. Der Bereich Unfallinstandsetzung / Lackiererei hat in den letzten 2 Jahren Umsatzeinbußen hinnehmen müssen. Außerdem gibt es immer mehr Kundenbeschwerden bezüglich der Lackierqualität. Die Kosten dieses Bereiches sind nicht mehr marktgerecht. Um die Unfallinstandsetzung / Lackiererei wieder erfolgreich zu machen, wird ein Six Sigma DMAIC-Projekt aufgesetzt.

In: Prozessablauf von Annahme des Auftrags, der Vorbereitung der Lackierung, dem Lackiervorgang bis zur Endkontrolle des Fahrzeugs.

Problems And Goals

Roles And Milestones

Problem (IST-Zustand) 30% der Lackieraufträge müssen aufgrund von Kundenbeschwerden nachgearbeitet werden. Im Jahre 2003 verursachte die Nacharbeit Kosten von 63.000,-- €. Umsatzrückgang um 20% (auf 384.000,-- €). Mit 4 MA wurden 480 Aufträge im Jahr 2003 bearbeitet. Die Kosten für Material waren zu hoch. Sie beliefen sich auf 71.000,-- € (18,5% des Umsatzes).

Team: Hr. Stolle (15 MT) Hr. Rimac (3 MT) Hr. Calabrese (15 MT) Hr. Engers (3 MT)

Out: Personalkosten, Gewährleistung und Rückrufaktion des Herstellers.

Define: Measure: Analyze: Improve: Control:

17.01.04 14.02.04 14.03.04 28.03.04 04.04.04

Sponsor: Kundendienstleiter Hr. Vetter Black Belt: Lackiermeister Hr. Goldbach (3 MT)

Ziel (SOLL-Zustand) Die Nacharbeit soll im kommenden Jahr auf höchstens 5% reduziert werden. Umsatzsteigerung auf 560.000,-- €. Mit den 4 MA im Hauptbetrieb sollen 700 Aufträge bearbeitet werden. Die Kosten sollen höchstens 14% des Umsatzes betragen.

Prozesseigner: Hr. Vetter Zeitrahmen: 02.01.04 bis 04.04.04 (Übergabe an Prozesseigner).

22

Project Charter

DMAICPhase

Januar 1

2

3

Februar 4

1

2

3

März 4

1

2

3

April 4

1

2

3

Arbeitspakete 4



DEFINE












ANALYZE









IMPROVE







CONTROL

Mögliche Lösungen gesammelt. Lösungen ausgewählt. Aktionsplan zur Implementierung erarbeitet. Dokumentation erstellt. Nachhaltiges Überwachungssystem implementiert.

CONTROL

23

Mögliche Ursachen gesammelt. Prozess analysiert. Daten analysiert. Hauptursachen verifiziert.

IMPROVE




Datensammlungsplan entwickelt. Datensammlung durchgeführt. Problemdarstellung abschliessend definiert.

ANALYZE




Vorläufige Problemund Zieldarstellung. SIPOC erstellt. Kundenanforderungen erhoben. Projektplan dargestellt.

MEASURE




MEASURE

DEFINE

Darstellung Projekt Plan / Project Schedule

DEFINE

SIPOC

SIPOC


Bezeichnung

MEASURE

SIPOC (Supplier, Input, Process, Output, Customer) bzw. LIPOK (Lieferant, Input, Prozess, Output, Kunde).

Zeitpunkt Define, im Idealfall bereits im ersten Projektmeeting.



Ziele – –

ANALYZE

–




Vorgehensweise – – –

IMPROVE

–

–

Start- und Endpunkte des zugrunde liegenden Prozesses festlegen. Grobdarstellung des zu optimierenden Prozesses in 5-7 Prozessschritten. Einzelne Prozessschritte – mit einem aus Substantiv und Verb bestehenden Satz – in der richtigen Reihenfolge aufnehmen. Wesentliche Inputs (was geht in den Prozess rein), Lieferanten (wer liefert den Input) und Outputs (welche wichtigen Ergebnisse liefert der Prozess) identifizieren. Wichtige Kunden als Empfänger des Outputs beschreiben. Dieser Schritt bildet die Basis für das nächste Werkzeug in der Define Phase.

Tipp • •

CONTROL

Identifizierung der wesentlichen Kunden des Prozesses. Bestimmung des Kunden-Lieferanten-Verhältnisses über die entsprechenden Prozess-Inputs und -Outputs. Gewährleistung eines einheitlichen Verständnisses über den zu verbessernden Prozess.

•

Im SIPOC nicht mehr als die wesentlichen 7 Schritte abbilden! Es handelt sich um eine grobe Prozessdarstellung! Unter Beachtung von Start und Stop in jedem Fall zuerst den Prozess aufnehmen! Der Project Sponsor, der Prozesseigner oder andere Stakeholder sind im Regelfall keine Kunden des Prozesses!

24

SIPOC

DEFINE

Darstellung SIPOC Beispiel Autohaus Supplier

Input

Process

Output

Customer

Fahrzeug

Karosserie

Auftrag

Kundendienst

START

Kunde

Fahrzeug Fahrzeug vorbereiten

Karosserie

Auftrag

Lacklieferant

Lacke

MEASURE

Fahrzeug erhalten

Lack mischen Kunde

ANALYZE

Lackierung durchführen

Lack trocknen

Fahrzeug abliefern

IMPROVE

Fahrzeug instand setzen

STOP

CONTROL

25

DEFINE

Tool 1 / CTQ Matrix

Tool 1 / CTQ Matrix


Bezeichnung

MEASURE

Tool 1 / CTQ Matrix (Critical To Quality).

Zeitpunkt Define, in der ersten oder spätestens zweiten Teamsitzung.



Ziele –

ANALYZE

–




Konkretisierung der kritischen Kundenstimmen, die in Verbindung zu den formulierten Problemen stehen. Formulierung der Kundenanforderungen (CTQ / Critical To Quality) in einer eindeutigen und messbaren Sprache.

Vorgehensweise – – – –

Entscheidende Kunden aus der SIPOC-Darstellung übernehmen. Kundenstimmen (VOC / Voice Of Customer) sammeln. VOCs zu Kernaussagen verdichten. Messbare, qualitätskritische Anforderungen bzw. Qualitätskriterien (CTQs) ableiten.

IMPROVE

Tipp • •

• •

CONTROL

•

VOCs als Kundenwünsche oder Reklamationen wortwörtlich formulieren! Nicht zu jeder Kundenstimme individuelle Kernaussage beschreiben: Filterfunktion des Werkzeugs nutzen und 1 bis maximal 5 CTQs formulieren! Bei externen Kunden zunächst interne Quellen wie Vertrieb oder Service (kundennahe Bereiche) zur Beschreibung der VOCs nutzen! Kontakt mit externen Kunden mit Marketing und Vertrieb abstimmen, da sich mit der Erfragung von Anforderungen und Wünschen meist bestimmte Erwartungshaltungen einstellen! Ist das Projekt nicht nur von Qualität / Effektivität getrieben, sondern von Euro / Effizienz, dann sollte auch die CTB beachtet werden. Es sind beide Seiten der Medaille zu beachten: Effizienz und Effektivität!

26

Tool 1 / CTQ Matrix

Methode

Output – Was Sie erhalten

Keinerlei Informationen vorhanden.

• Interview / Fokusgruppen – Was ist wichtig?

Kundenwünsche, Reklamationen und Kundenanforderungen (allgemeine Ideen, nicht priorisiert, unkonkret, nur qualitativ).

Bekannte vorläufige Kundenwünsche und Kundenanforderungen.

• Interview / Fokusgruppen – Welche Anforderungen sind am wichtigsten?

Kundenanforderungen (eindeutig, konkret, vorläufig priorisiert).

Qualitativ, priorisierte Kundenwünsche und Kundenanforderungen.

• Survey: – persönlich, – schriftlich, per Post, – telefonisch, – per Email.

Quantifizierte und priorisierte Kundenanforderungen.

MEASURE

Input

DEFINE

Auswahl der richtigen Methode zum Sammeln von Kundenanforderungen

ANALYZE IMPROVE CONTROL

27

Darstellung Tool 1 / CTQ Matrix Beispiel Autohaus VOC Stimme des Kunden

Zentrale(s) Anliegen / Kernaussage

CTQ (Anforderung)

"Es fällt auf, dass das Fahrzeug einen Unfall hatte."

Deckung des Lackes.

Alle Lackierungen müssen in Farbgebung, Lackdicke und -dichte dem Originallack entsprechen. – Lackdicke: LSL=100; USL=180 – Keine Tropfen- und Nasenbildung – Farbe: Kein sichtbarer Übergang

"Der Lack ist verlaufen."

Deckung des Lackes.

Alle Lackierungen müssen in Farbgebung, Lackdicke und -dichte dem Originallack entsprechen. – Lackdicke: LSL=100; USL=180 – Keine Tropfen- und Nasenbildung – Farbe: Kein sichtbarer Übergang

"Ich komme das Auto abholen und es ist noch nicht fertig."

Durchlaufzeit

Alle Aufträge sind zum vereinbarten Termin fertig bearbeitet.

"Der Service könnte freundlicher sein."

Freundlichkeit des Services.

Die Frage nach der Freundlichkeit im CSI Fragebogen muss mindestens mit 2 beantwortet worden sein.

"Ich muss ständig rückfragen, was mit dem Auftrag war."

Abrechnung des Auftrags.

Alle Aufträge sind nach der Endkontrolle abrechnungsfähig und die Rechnung kann sofort erstellt werden.

CONTROL

IMPROVE

ANALYZE

MEASURE

DEFINE

Tool 1 / CTQ Matrix

28

Tool 1 / CTB Matrix

DEFINE

Tool 1 / CTB Matrix


Bezeichnung Tool 1 / CTB-Matrix (CTB = Critical To Business = Anforderungen des Business).

Define, in der ersten oder spätestens in der zweiten Teamsitzung sowie in Abstimmung mit dem Sponsor.



Ziele – –

Konkretisierung der entscheidenden Anforderungen des Business insbesondere bei effizienzgetriebenen Projekten. Formulierung der CTBs in einer eindeutigen und messbaren Sprache.

Vorgehensweise – – – –

Effizienz-Anforderungen an das Projekt aus dem Project Charter übernehmen. Wichtige "Stimmen des Business" (Voice of Business / VOBs) sammeln. VOBs zu Kernaussagen verdichten. Messbare Anforderungen des Business (CTBs) und Effizienzkriterien formulieren.

• • •

Zu den Voice of Business den Sponsor, Prozesseigner und das Controlling befragen. Das Management wird in diesem Zusammenhang nicht als Kunde im eigentlichen Sinne (Empfänger eines Prozess-Outputs) definiert! Grundsätzlich gelten die Effizienzkriterien eines gewinnorientierten Unternehmens!

CONTROL

29

IMPROVE

Tipp

ANALYZE




MEASURE

Zeitpunkt

Darstellung Tool 1 / CTB Matrix Beispiel Autohaus VOB Stimme des Business

Zentrale(s) Anliegen / Kernaussage

CTB (Anforderung)

"Die Kosten sind zu hoch."

Die Kosten schlechter Qualität sind zu hoch.

• Reduzierung der Nacharbeitsquote von 30% auf 5%.

"Unsere Umsätze gehen zurück."

Umsatzverluste

• Steigerung des Umsatzes von 384.000,-- € auf 560.000,-- €.

"Wir verbrauchen zu viel Material."

Der Materialverbrauch ist zu hoch.

• Reduzierung der Materialkosten von 18,5% auf 14% des Umsatzes.

CONTROL

IMPROVE

ANALYZE

MEASURE

DEFINE

Tool 1 / CTB Matrix

30

Stakeholder Analyse

DEFINE

Stakeholder Analyse


Bezeichnung Stakeholder Analyse.

Im Vorfeld des Projekts und während der gesamten Projektdauer, insbesondere während der Define und Improve Phasen (mögliche Widerstände im Hinblick auf die Implementierung von Verbesserungen analysieren).



Ziele – –

Generierung von Unterstützung für das Projekt. Identifizierung und Abbau von Widerständen.

Vorgehensweise 1. Betroffene in sinnvolle Bereiche gruppieren. 2. Betroffene hinsichtlich des tatsächlichen bzw. des zu erwartenden Verhaltens einschätzen. Wahrgenommenen Standpunkt der Person (o) sowie des Zielbereichs (x) markieren. Lücken visualisieren. Einzelne Verknüpfungen zwischen den Personen herstellen: Wer beeinflusst wen? 3. Systematische Beeinflussungsstrategie ableiten.

ANALYZE




MEASURE

Zeitpunkt

Tipp Stakeholder Analyse gemeinsam mit dem Sponsor erstellen. Die Vertraulichkeit der erstellten Analyse ist vom offenen Umgang mit Konflikten und Widerständen in der Organisation abhängig.

Darstellungen auf der folgenden Seite.

CONTROL

31

IMPROVE

• •

DEFINE

Stakeholder Analyse

Darstellung Schichtung der Bereiche / Personen Beispiel Autohaus Verwaltung

Widerständler

Frühadaptoren

Produktion

Spätadaptoren

Entwicklung Innovatoren

MEASURE

Vertrieb

Darstellung Stakeholder Analyse Beispiel Autohaus

ANALYZE

Name

Stark dagegen ––

O

Teilweise dafür +

++

x

O

Hr. B

Stark dafür

x

O

x

O

O = IST-Zustand, x

IMPROVE

Neutral

Hr. A

Hr. C

CONTROL

Teilweise dagegen –

= SOLL-Zustand

Darstellung Beeinflussungsstrategie Beispiel Autohaus Stakeholder

Themen / Bedenken

Hebel

Beeinflussung (durch wen)

Hr. A

SAP Einführung

Ressourcen

Sponsor

Hr. B

Betriebsrat

Betriebsvereinbarung

Sponsor

Hr. C

Ausbildung

Training

Sponsor

32

Kick-Off-Meeting

DEFINE

Kick-Off-Meeting


Bezeichnung Kick-Off-Meeting / Start Workshop.

Erste Teamsitzung.



Ziele – – –

Vorgehensweise – – – – – –

Termin mit dem Sponsor abstimmen. Agenda in Abstimmung mit dem Sponsor und Master Black Belt entwickeln. Teammitglieder, auch des erweiterten Kreises, einladen. Räumlichkeit vorbereiten. Meeting entlang des definierten Ablaufs durchführen. Dokumentation erstellen.

• • • • •

Teilnahme des Sponsors zu Beginn des Kick-Off sicherstellen! Ansprechende Räumlichkeiten und ggf. Getränke / Snacks bereitstellen! Agenda (mit Anfangs- und Endzeiten) vor dem Kick-Off den Teilnehmern zur Verfügung stellen! Teammitglieder auffordern, ihre Kalender mitzubringen, um Folgetermine und Abwesenheitspläne (z. B. wg. Urlaub) gleich zu besprechen! Ausreichend Moderationsmaterial beschaffen!

33

CONTROL

Beispiel-Agenda auf der nächsten Seite.

IMPROVE

Tipp

ANALYZE




Aktive Einbindung der Projektmitglieder in das Projekt. Konkretisierung der Wichtigkeit des Themas und Bedeutung des Projekts für das Unternehmen. Jedes Teammitglied kennt seine Rolle und kann diese entsprechend ausfüllen.

MEASURE

Zeitpunkt

Darstellung Kick-Off Agenda Beispiel Agenda 10 : 00

Begrüßung (Black Belt)

10 : 15

Einführung und Projektvorstellung (Sponsor)

10 : 30

Diskussion Project Charter (Black Belt / Sponsor)

11 : 00

Einführung Six Sigma (Black Belt)

11 : 30

Festlegung Rollen und Spielregeln (Black Belt) Planung Meetings / Urlaub / Organisatorisches

12 : 30

Gemeinsames Mittagessen

13 : 30

Entwicklung SIPOC (Black Belt)

14 : 30

Bestimmung der nächsten Schritte (Anmoderation der VOCs)

15 : 00

Abschluss und Feedback

CONTROL

IMPROVE

ANALYZE

MEASURE

DEFINE

Kick-Off-Meeting

34

Checkliste DEFINE

Team Die Six Sigma Rollen sind vollständig besetzt.

Die Teammitglieder kennen ihre Rolle und sind sich ihrer Funktion und Verantwortung im Projekt bewusst.




SIPOC Der Prozess ist in 5-7 Prozessschritten grob dargestellt. Kunden und Lieferanten sind identifiziert.





Kunden Kunden sind identifiziert und gemäß ihrer Anforderungen und Bedürfnisse klassifiziert.




Kunden- und Businessanforderungen sind gesammelt und in CTQs / CTBs transformiert.




Project Charter Business Case, Problems And Goals, Focus And Scope, Net-Benefit, Milestones und Project Schedule sind festgelegt.




Kick-Off-Meeting Das erste Projekt-Meeting hat stattgefunden. Jedem Projektmitglied ist klar, warum das Thema des Projektes wichtig ist und wie stark es das Geschäft dauerhaft beeinträchtigt.


CONTROL

35

IMPROVE




ANALYZE

Alle Projektteilnehmer verfügen über die notwendigen Ressourcen für das Projekt.

MEASURE

Alle weiteren Teammitglieder sind bekannt und in Six Sigma geschult.





DEFINE

Checkliste Define

Six Sigma Toolset

MEASURE

DEFINE

Phase 2: MEASURE

Phase 2: Measure Ziele

CONTROL

IMPROVE

ANALYZE

MEASURE

– – – –

Datenerhebung im Hinblick auf die Ausprägung der Erfüllung von Kundenanforderungen. Sicherstellung der Messgenauigkeit. Quantifizierung des in der Ausgangssituation dargestellten Problems auf der Basis von Zahlen und Daten zum Prozessoutput. Grafische Analyse der zentralen Output-Messgrößen hinsichtlich deren Ausprägung im Sinne der beschreibenden Statistik.

Vorgehen – – – – –

Zentrale Output-Messgrößen systematisch ermitteln und erfassen. Messgenauigkeit mittels Messsystemanalyse überprüfen. Erhobene Messgrößen grafisch analysieren. Output-Messgrößen hinsichtlich Lage und Streuverhalten untersuchen. Prozessfähigkeit mittels Prozess-Sigma-Berechnung und anderer Prozesskennzahlen ermitteln.

Werkzeuge •

Tool 2 / Messgrößenmatrix

•

Datensammlungsplan

•

Operationale Definition

•

Datenquellen und Datenart

•

Datenerfassungsformulare

•

Stichprobenstrategie und Formeln

•

Messsystemanalyse

•

Grafische Darstellungen

•

Lage und Streuungsparameter

•

Prozessfähigkeitsberechnung

38

Phase 2: MEASURE

DEFINE

Ergebnis aus Phase 1 Define:

CTQ / CTB Matrix / Tool 1 VOC / VOB

Thema

CTQ / CTB

CTQ / CTB

/ /

/ /

Datensammlungsplan Was? Wie?

Wer?

Wann?

Wo?

ANALYZE

Messsystemanalyse Nr.

Erfasser 1 A B

MEASURE

Messgrößenmatrix / Tool 2 Output Messgrößen Tool 2

Erfasser 2 A B

1 2 3 4

IMPROVE

Daten grafisch darstellen

Prozessfähigkeit berechnen

CONTROL

39

DEFINE

Tool 2 / Messgrößenmatrix

Tool 2 / Messgrößenmatrix


Bezeichnung

MEASURE

Tool 2 / Messgrößenmatrix, CTQ / CTB Output Matrix.

Zeitpunkt Im Anschluss an Tool 1.



Ziele – –




Vorgehensweise

ANALYZE

– –

Den aus den Kunden- und Businessanforderungen abgeleiteten CTQs / CTBs (Zeilen) mögliche Output-Messgrößen (Spalten) gegenüberstellen. Bewerten, wie stark die definierten Messgrößen die CTQs und CTBs widerspiegeln.

Tipp •

•

IMPROVE

Generierung möglicher Output-Messgrößen. Auswahl relevanter Output-Messgrößen.

•

Für jede Messgröße aus Kunden- bzw. Businesssicht die Frage stellen, inwieweit sie geeignet ist, den Grad der Erfüllung der Anforderungen tatsächlich zu messen! Für jedes CTQ / CTB mindestens eine zentrale Output-Messgröße mit einem starken Zusammenhang festlegen! Zusammenhang mit Symbolen oder mit Zahlen bewerten (siehe Beispiel)! Beispiel: Fragestellung Wie gut kann durch die Output-Messgröße "Lackdicke" bzw. "Lackdichte" gemessen werden, ob die reparierte Stelle gegen Durchrostung geschützt ist (CTQ)? (9) Starker Zusammenhang (in sehr hohem Maße) o (3) Mittlerer Zusammenhang (indirekt) ∆ (1) Schwacher Zusammenhang (nur sehr indirekt) / (0) Kein Zusammenhang (überhaupt nicht)

CONTROL

•

40

Tool 2 / Messgrößenmatrix

DEFINE

Darstellung Messgrößenmatrix Beispiel Autohaus Output-Messgrößen Tropfen- Farbbildung gebung des Lackes (Ja / nein)

Haltbar- Umsatz Note im Anteil Abweichung keit des CSINach- IST-SOLLLackes Frage- arbeit Übergabebogen termin

(i. O / (in (in n. i. O.) Mikro- Monaten) metern)

(in €)

Alle Lackierungen müssen in Farbgebung, Lackdicke und -dichte dem Originallack entsprechen.

Alle Aufträge sind nach der Endkontrolle abrechnungsfähig. Alle Aufträge sind zum vereinbarten Termin fertig bearbeitet.

(in %)

/

(in Std.)

/

/ / / /

/

/

/ / /

/

/

/

/ / /

/

/ /

/ ANALYZE

Die Frage nach der Freundlichkeit muss im CSI-Fragebogen mindestens mit 2 beantwortet worden sein.

(1-6)

MEASURE

Kundenanforderungen (CTQ)

Lackdicke

Business Anforderungen (CTB)

Steigerung des Umsatzes von 384.000,-- € auf 580.000,-- €. Reduzierung der Materialkosten von 18,5% auf 14% des Umsatzes.

/

/ / / / /

CONTROL

41

/ /

/ / / / / / /

IMPROVE

Reduzierung der Nacharbeitsquote von 50% auf 30%.

DEFINE

Datensammlungsplan

Datensammlungsplan


Bezeichnung

MEASURE

Datensammlungsplan.

Zeitpunkt – –



Ziele –

CONTROL

IMPROVE

ANALYZE

–




Measure: Nach Tool 2 / Messgrößenmatrix. Analyze: Fortführung des Plans nach Festlegung der Input- und Prozessmessgrößen.

Beschreibung der Datensammlung im Überblick: Welche Daten sollen wie, wann und von wem erfasst werden. Grundlage für die richtige Erfassung aller relevanten Messgrößen.

Vorgehensweise 1. 2. 3. 4. 5. 6. 7.

Operationale Definition erstellen. Datenquellen und Datenart bestimmen. Stichprobenstrategie festlegen. Datenerfassungsformulare entwickeln. Messsystemanalyse durchführen. Datenerhebung durchführen. Daten grafisch darstellen.

Tipp Besonderes Augenmerk auf eine klare und eindeutige operationale Definition richten!

42

Datensammlungsplan

DEFINE

Darstellung Datensammlungsplan Beispiel Autohaus Was?

Wie?

Wer?

Wann?

Wo?

(3)

(4)

(5)

(6)

(7)

(8)

Messgröße

Art der Messgröße (Output / Input / Prozess)

Art der Daten (stetig / diskret)

Operationale Definition (was) / Ergebnis Gage R&R

Operationale Definition (wie)

Verantwortlichkeiten

Datum / Zeit / Häufigkeit

Quelle / Ort

Diskret

Das fertig gestellte Auto wird begutachtet. Grundierung, Lack und Klarlack sind aufgetragen und ausgetrocknet.

Bei der Sichtprüfung in der Halle – bei voll eingeschalteter Hallenbeleuchtung – darf die Schnittstelle vom alten zum neuen Lack nicht erkennbar sein.

Lackierer

Jeder 2. Auftrag v. 27.01.03 bis 14.02.03

Lackiererei am Fahrzeug

Farbgebung

Output

Ergebnis Gage R&R 90%, nach Überarbeitung 100%.

Die Sichtprüfung findet bei der Endkontrolle vor der Übergabe an den Kunden statt.

ANALYZE

(2)

MEASURE

(1)

IMPROVE CONTROL

43

DEFINE

Operationale Definition

Operationale Definition


Bezeichnung

MEASURE

Operationale Definition.

Zeitpunkt Nach Auswahl der relevanten Messgrößen im Rahmen der Datensammlung.



Ziele – –

ANALYZE

–




Umwandlung der theoretischen Anforderungen an die Erfassung von Messgrößen in konkrete Handlungsanweisungen. Präzise Beschreibung darüber, in welcher Form und auf welchem Wege man die erwünschten Informationen erhält. Gemeinsames Verständnis einer Definition.

Vorgehensweise – – –

Operationale Definition für jede relevante Output-Messgröße spezifisch formulieren (was wird gemessen?). Methode zur Messung beschreiben (wie wird gemessen?). Definition auf gleiches Verständnis überprüfen.

IMPROVE

Tipp Qualität der operationalen Definition mit Hilfe der Messsystemanalyse testen!

Darstellung: Operationale Definition

CONTROL

Beispiel: Output-Messgröße Anteil interner Nacharbeiten (Nacharbeitsgrad) Was? Es wird der prozentuale Anteil der Arbeiten erfasst, die zur Korrektur und Verbesserung der Arbeitsleistung durchgeführt werden, nachdem die Grundierung, der Basislack oder der Klarlack getrocknet sind.

44

Operationale Definition

MEASURE

Betrachtet wird der Zeitraum von der Sichtprüfung des Lackierers bei voller Beleuchtung in der Trockenkabine nach Beendigung des Trockenvorgangs bis zur unbeanstandeten Rückgabe des Fahrzeuges an den Kunden. Spätere Reklamationen fallen unter Gewährleistung. Zu verbessernde Arbeitsleistungen sind alle Lackierungen, die den gesondert aufgestellten Qualitätskriterien der Lackiererei bezüglich Lackdeckung, Tropfenbildung und Lackübergang alt / neu nicht genügen. Für jede Nacharbeit wird ein interner Auftrag eröffnet. Die internen Aufträge über Nacharbeit dienen zur Messung des Nacharbeitsgrades.

DEFINE

Wie?

ANALYZE IMPROVE CONTROL

45

DEFINE

Datenquellen und Datenart

Datenquellenanalyse


Bezeichnung

MEASURE

Datenquellenanalyse.

Zeitpunkt Im Rahmen der Datensammlung.



Minimierung des Aufwands für die Erfassung der gewünschten Informationen (Daten).


ANALYZE

Ziele

Vorgehensweise Vorgehen nach folgender Priorität (siehe auch Darstellung in Matrix): A Aus Effizienzüberlegungen heraus bereits existierende Messgrößen aus vorhandenen Datenquellen verwenden. B Neu definierte Messgrößen aus existierenden Quellen generieren. C Neue Datenquellen suchen, um bereits existierende Daten zu nutzen, z. B. vorhandene Erhebungen von Lieferanten. D Neue Messgrößen einführen und diese aus neuen Datenquellen gewinnen.

IMPROVE

Darstellung Datenquellen

Existierende Neue

CONTROL

Quellen

Messgrößen Existierende

Neue

A

B

Gut, kein Aufwand nötig.

C

D Schlecht, hoher Aufwand und kostenintensiv.

46

Datenquellen und Datenart

DEFINE

Datenart


Bezeichnung Datenart.

Im Rahmen der Datensammlung.



Ziele Bestimmung der für das Projekt / für die Messgröße am besten geeigneten Datenart, die eine optimale Messung erlaubt.




MEASURE

Zeitpunkt

Vorgehensweise

–

Stetige (metrische) Daten gegenüber diskreten (nominalen) Daten bevorzugen: Stetige Daten sind genauer und bieten daher eine bessere Informationsbasis. Sie können Informationen über die Lage (Mittelwert) und Streuung (Standardabweichung) der Messgröße liefern. Diskrete Daten sind hierzu nicht in der Lage. Beispiel Lackierdicke: i. O. oder n. i. O. (diskret) versus exakte Lackierdicke (stetig).

–

In vielen Fällen lassen sich metrische diskrete Daten (s. u.) wie stetige behandeln.

IMPROVE

Überlegen, ob Messgröße in stetiger oder diskreter Form erhoben wird: Die Datenerhebung, die grafische Darstellung der Daten und die Datenanalyse gestalten sich bei unterschiedlichen Datenarten verschieden (z. B. berechnen sich Stichprobengrößen unterschiedlich, Kuchendiagramme können nur für diskrete Daten verwendet werden).

ANALYZE

–

Darstellung Datenart auf der folgenden Seite.

CONTROL

47

DEFINE

Datenquellen und Datenart

Darstellung Datenart Metrisch

MEASURE

Diskret

Stetig

Metrisch (binär) Nominal (binär)

Ordinal oder Reihen- oder Rangfolge (intervallskaliert)

Binär mit einer Binär ohne Bewertung oder Bewertung Reihenfolge

Nominal oder Kategorien

Anzahl, Alter, Schulnoten, Güteklassen, usw.

Gut / schlecht, i. O. / n. i. O., pünktlich / unpünktlich

Farbe, Partei, Methode A/B/C, Telefonnummer

Kardinal

Männlich / weiblich, Kopf / Zahl (Münze) Nicht möglich

IMPROVE

ANALYZE

Temperatur, Gewicht, Länge, Zeit

CONTROL

Nominal

48

Stichprobenstrategie

DEFINE

Stichprobenstrategie


Bezeichnung Stichprobenstrategie, Sampling Strategy.

Im Rahmen der Datensammlung.



Ziele –

–

Grundgesamtheit

ANALYZE

Aus einer relativ kleinen Datenmenge werden aussagekräftige Schlussfolgerungen im Hinblick auf eine Grundgesamtheit gezogen ("statistische Folgerungen"). Einsparung von Aufwand / Kosten bei der Datenerfassung, insbesondere dann, … - wenn es unpraktikabel oder unmöglich ist, alle Daten zu erfassen, - wenn es sich bei der Datenerfassung um einen zerstörenden Prozess handelt.

MEASURE

Zeitpunkt

Stichprobe Statistik




IMPROVE

Daten

Vorgehensweise

2. Auswahlprinzip und Auswahltyp festlegen (wie?).

49

CONTROL

Die Stichprobenstrategie beinhaltet die Methode zur Stichprobenziehung und die Planung der Stichprobengröße: 1. Auswahlbasis festlegen (was?). Diese muss repräsentativ sein.

CONTROL

IMPROVE

ANALYZE

Auswahlprinzip Zufällige Auswahl Auswahltyp

MEASURE

DEFINE

Stichprobenstrategie

Nicht-zufällige Auswahl

Einfache Auswahl

Quotenverfahren

Klumpenauswahlverfahren

Konzentrationsverfahren

Geschichtete Auswahl

Auswahl aufs Geratewohl

3. Bei der zufälligen Auswahl: Auswahltechnik festlegen. – Systematische Auswahl – Auswahl durch Zufallszahlen 4. Stichprobengröße festlegen. – Generell gilt: Je größer die Stichprobe, desto besser. – Bei Vorliegen der Daten (z. B. im EDV-System) alle vorhandenen Daten heranziehen. – Werden hingegen neue Daten benötigt (z. B. Untersuchung von Teilen in der Produktion), sind stets die Kosten und die notwendige Messgenauigkeit (Granularität) abzuwägen. Faustregel: Die Stichprobe umfasst mindestens 30, besser 100 Elemente. – Die Ergebnisse der statistischen Analyse zeigen, ob größere Stichproben notwendig sind. Es gelten dabei folgende Formeln unter Berücksichtigung des Vertrauens- bzw. Konfidenzintervalls:

(

⎡ z2 ⋅ p ⋅ 1 − p Diskrete (binäre) Daten n = ⎢ ⎢ ∆2 ⎢

Stetige (metrische) Daten

)⎤⎥ ⎥ ⎥

2⎤ ⎡⎛ z⋅s ⎞ ⎥ n = ⎢⎜ ⎟ ⎢⎝ ∆ ⎠ ⎥ ⎢ ⎥

Dabei ist - ∆ die halbe Intervallbreite. Sie drückt die Genauigkeit aus, mit der wir unsere Aussage messen wollen (Granularität).

50

Stichprobenstrategie

-

Tipp Statistikprogramme wie MINITAB® ermöglichen die Berechnung der Stichprobengröße auch unter Berücksichtigung des α- und β-Fehlers (Produzenten- bzw. Konsumentenrisiko)!

Beispiel Autohaus: Stichprobengröße für stetige Daten • Die Trockenzeit des Basislackes soll untersucht werden. Wir wollen eine Genauigkeit von ± einer halben Stunde. Die Trockenzeit hat eine Standardabweichung von 2h. 2⎤ ⎡⎛ 1, 96 ⋅ 2 ⎞ ⎥ n = ⎢⎜ ⎟ = ⎡61, 5⎤ = 62 ⎢⎝ 0, 5 ⎠ ⎥ ⎢ ⎥

Beispiel Autohaus: Stichprobengröße für diskrete Daten

• Der Fehleranteil wird mit etwa 10% (0,1) geschätzt (p = 0,1).

51

CONTROL

• Die Fehlerrate bei Teilbestellungen soll mit einer Genauigkeit von ±5% (∆ = 0,05) abgeschätzt werden. 2 ⎡⎛ ⎤ 1, 96 ⎞ n = ⎢⎜ ⎟ ⋅ 0,1⋅ (1 − 0,1)⎥ = 139 ⎢⎝ 0, 05 ⎠ ⎥ ⎢ ⎥

IMPROVE

• Die minimale Stichprobengröße für dieses Beispiel ist 62. Das Autohaus sollte mindestens 62 Datensätze erheben.

ANALYZE

Darstellung Stichprobengrößen Berechnung

MEASURE

-

z das Quantil der Standardnormalverteilung. z kann durch die Werte 2 für das 95%ige bzw. 3 für das 99%ige Konfidenzniveau approximiert werden. s die geschätzte Standardabweichung aus einer Vorab-Stichprobe. p die Wahrscheinlichkeit, dass ein Teil n. i. O. ist (auch Fehlerrate / n. i. O.-Quote). Ist die Wahrscheinlichkeit p nicht bekannt, so wird p = 0,5 angenommen. n die gesuchte Stichprobengröße Das Symbol ⎡ ⎤ bedeutet in diesem Fall, dass die Stichprobengröße n auf die nächste ganze Zahl aufgerundet wird.

DEFINE

-

DEFINE

Datenerfassungsformulare

Datenerfassungsformulare


Bezeichnung

MEASURE

Datenerfassungsformulare.

Zeitpunkt Im Rahmen der Datensammlung.



Ziele –

ANALYZE

–




Gewährleistung, dass verschiedene Personen die zu erhebenden Daten auf die gleiche Art und Weise ermitteln. Vereinfachung der Datenauswertung und Rückverfolgung mit der Einführung von Standardformularen.

Vorgehensweise – – –

Zeitsparendes, einfaches und benutzerfreundliches Formular erstellen. Ausfüllhilfe formulieren. Formular in der Praxis testen.

Tipp

CONTROL

IMPROVE

• •

Die Qualität der erhobene Daten steigt mit der Qualität des Formulars! Ein schlecht ausgefülltes Formular ist meist im Formular selbst begründet!

Darstellung Datensammlungsformulare Beispiel 1 / Autohaus: Strichliste für interne Nacharbeiten in der Lackiererei Erfasser: Meyer

Datum: 18.04.2004

Grund

Häufigkeit

1. Tropfenbildung, Basislack: a. Feststellung durch Kunden b. Feststellung durch Endkontrolle

IIII IIII IIII

2. Keine Deckung des Lackes a. Feststellung durch Kunden b. Feststellung durch Endkontrolle

III IIII

52

Bemerkung

Verstärkte Tropfenbildung nach Neumischung

Datenerfassungsformulare

DEFINE

Beispiel 2 / Autohaus: Häufigkeitsdiagramm für Lackierdicke

X X

MEASURE

X X

X 160

161

162

X

X

X

X

X

X

X

X

X

X

163

164

165

166

X 167

168

ANALYZE IMPROVE CONTROL

53

DEFINE

Messsystemanalyse

Messsystemanalyse


Bezeichnung

MEASURE

Messsystemanalyse, Gage R&R, Messmittelfähigkeitsuntersuchung.

Zeitpunkt Im Rahmen der Datensammlung bzw. stets bei Erhebung neuer Daten.



Ziele – –

ANALYZE

–

Erkennung, Verstehen und Minimierung von Quellen für Variation, die die Messergebnisse beeinflussen können. Sicherstellung einer hohen Messqualität, so dass keine falschen Aussagen über die Prozessleistung getroffen werden. Ein gutes Messsystem muss folgenden Anforderungen genügen: Genauigkeit / Bias Geringe Differenz zwischen gemessenem Mittelwert und einem Standard. Genauigkeit

IMPROVE

Standardwert

Beobachteter Mittelwert

Wiederholbarkeit / Repeatability Geringe Schwankung, wenn eine Person wiederholt die gleiche Einheit mit derselben Messausrüstung misst.

CONTROL

Wiederholbarkeit

54

Messsystemanalyse

DEFINE

Reproduzierbarkeit / Reproducibility Geringe Differenz, wenn mehrere Personen dieselbe Einheit mit derselben Messausrüstung messen.

Datenerfasser 1 Reproduzierbarkeit

Stabilität / Stability Geringe Differenz, wenn dieselbe Person dieselbe Einheit mit derselben Messausrüstung über einen längeren Zeitraum misst.

Stabilität Zeit 2

Typ 1

Typ 2

Typ 3 Linearität vorhanden

55

CONTROL

Keine Linearität vorhanden

IMPROVE

Linearität / Linearity Verhältnis der Bias-Werte über das gesamte Spektrum der gemessenen Teile mit unterschiedlichen Standardwerten. D. h. der Bias sollte sich nicht übermäßig verändern, wenn z. B. größere Teile gemessen werden im Vergleich zu dem Bias bei kleineren Teilen (z. B. Gewichtsermittlung mit einer Federwaage).

ANALYZE

Zeit 1

MEASURE

Datenerfasser 2

DEFINE

Messsystemanalyse

Granularität oder Auflösung / Discrimination or Resolution Das Messsystem soll kleine Änderungen bzw. Unterschiede in den zu messenden Teilen erkennen können. (Für eine vernünftige Datenanalyse sollten mindestens 5 Teile zu unterscheiden sein.)

MEASURE

Teil 1

Teil 2 Ungenügende Diskriminierung – Die Teile sind nicht zu unterscheiden.

1

2

3

4

5

6

7

8

9

10

9

10

Verbesserte Diskriminierung – Die Teile sind zu unterscheiden.

IMPROVE

ANALYZE

1




2

3

4

5

6

7

8

Vorgehensweise Messsystemanalyse 1. Vorbereitung: Methode planen. – Daten diskret oder stetig? Sichtprüfung oder Messung? Short Method oder ANOVA (im Folgenden erklärt)? – Festlegen der Anzahl der Datenerfasser, Stichprobengröße und Anzahl von Wiederholungen (Mind. 2 Datenerfasser, 10 Stichproben, 2 Wiederholungen). 2. Durchführung: Daten erfassen. – Diskrete Daten: Gage R&R – Stetige Daten: Gage R&R ANOVA 3. Datenanalyse: Ergebnisse interpretieren.

Tipp •

CONTROL

•

Bei der Auswahl der Stichproben den Schwerpunkt auf Grenzteile (gerade noch gut, gerade schon schlecht) legen. Bei Messungen das Messinstrument derart wählen, dass die Messgenauigkeit mindestens 1/10 der erwarteten Variation beträgt.

56

Gage R&R für diskrete (binäre) Daten




DEFINE

Gage R&R für diskrete (binäre) Daten Bezeichnung Gage R&R für diskrete (binäre) Daten.

Im Rahmen der Datensammlung.



Ziele 100% Übereinstimmung zwischen den Datenerfassern und dem Standard im Hinblick auf Wiederholbarkeit und Reproduzierbarkeit.




MEASURE

Zeitpunkt

Vorgehensweise

– –

– – –

– –

CONTROL

57

IMPROVE

– –

Experten festlegen, der den Standard setzt. Datenerfasser benennen und die zu untersuchenden Teile bereitstellen. Im Regelfall sind 2 Personen und mindestens 30 Stichproben erforderlich. Die zu prüfenden Teile durchgehend nummerieren. Standard mittels Sichtprüfung durch den Experten festlegen. Ergebnisse im Messformular festhalten, z. B. i. O. (in Ordnung) und n. i. O. (nicht in Ordnung). Sichtprüfung durch den 1. Datenerfasser. Sichtprüfung durch den 2. Datenerfasser. Vorgang wiederholen, ohne die eigenen erfassten Ergebnisse oder die des Experten oder des anderen Datenerfassers zu sehen. Die Reihenfolge der Teile in den Sichtprüfungen sollte hierfür zufällig geändert werden. Achtung: Immer die Reihenfolge der Teile aufschreiben – Paginierung. Übereinstimmung prüfen. Ziel bei einem guten Messsystem: 100%. Eine Übereinstimmung von mindestens 90% kann erst einmal als akzeptabel gesehen werden. Gründe für mögliche Abweichungen untersuchen. Bei einem schlechteren Ergebnis als 90% gilt: - Operationale Definition überprüfen und ggf. neu definieren. - Intensivere Schulung der Datenerfasser. - Störeinflüsse gezielt untersuchen und eliminieren.

ANALYZE

– –

DEFINE

Gage R&R für diskrete (binäre) Daten

Tipp •

MEASURE

• •

Darstellung Gage R&R für diskrete Daten Beispiel Autohaus: Aufbau einer Datenerfassung Gage R&R (binäre Daten)

ANALYZE

Nummer

IMPROVE

Statt eines Experten ist es in der Praxis sinnvoll, ein Expertengremium zu nutzen. Das Expertengremium sollte aus den Kunden des Prozesses, z. B. Endmontage, und aus dem Endkunden oder zumindest einem internen Vertreter, z. B. Qualitätsmanagement, bestehen! Im Idealfall besser das ganze Team, welches die Teile prüft, an der Gage R&R teilnehmen lassen! Durch eine gute Dokumentation der Expertenentscheidung in Bild und Schrift im Anschluss die Überprüfung der Ergebnisse sichern. Das ermöglicht zudem gezielte Verbesserungen und notwendige Anpassungen!

Standard / Experten

Datenerfasser 1

Datenerfasser 2

Erfassung I

Erfassung II

Erfassung I

Erfassung II

Übereinstimmung (J /N)

1

i.O.

i.O.

i.O.

i.O.

i.O.

J

2

n.i.O.

n.i.O.

n.i.O.

n.i.O.

n.i.O.

J

3

i.O.

i.O.

i.O.

i.O.

i.O.

J

4

i.O.

i.O.

n.i.O.

i.O.

i.O.

N

5

i.O.

i.O.

n.i.O.

i.O.

i.O.

N

6

n.i.O.

n.i.O.

n.i.O.

n.i.O.

n.i.O..

J

7

i.O.

i.O.

i.O.

i.O.

i.O.

J

…

…

…

…

…

…

…

29

i.O.

i.O.

i.O.

n.i.O.

n.i.O.

N

30 u.s.w.

i.O.

i.O.

i.O.

i.O.

i.O.

J

% Übereinstimmung Standard

83,3%

96,67%

% Wiederholbarkeit

80%

100%

CONTROL

% Reproduzierbarkeit

90%

Keine Wiederholbarkeit!

Keine Reproduzierbarkeit!

58

Gage R&R ANOVA für stetige Daten

DEFINE

Gage R&R ANOVA für stetige Daten


Bezeichnung Gage R&R ANOVA für stetige Daten.

Im Rahmen der Datensammlung.



Ziele Sicherstellung, dass die Datenerhebung reproduzierbar und wiederholbar ist.




MEASURE

Zeitpunkt

Vorgehensweise –

–

Entscheidungsmatrix für Gage R&R – stetige (metrische) Daten P/T-Ratio

Akzeptables Ergebnis

0 - 2%

0 - 8%

Genauere Untersuchung nötig

2 - 7%

9 - 30%

> 7%

> 30%

Inakzeptables Ergebnis

59

CONTROL

% Gage

IMPROVE

–

ANALYZE

– – – –

2 Datenerfasser benennen und (mindestens) 10 zu messende Stichproben bereitstellen. Zu prüfende Teile durchgehend nummerieren. 1. Messung durch den 1. Datenerfasser. 1. Messung durch den 2. Datenerfasser. Vorgang wiederholen, ohne dass die Datenerfasser die Ergebnisse der ersten Messung und die des anderen Datenerfassers sehen. Die Reihenfolge der Teile in den Sichtprüfungen sollte hierbei zufällig geändert werden. Achtung: Immer die Reihenfolge der Teile aufschreiben – Paginierung. Ergebnisse in MINITAB® festhalten und Gage R&R ("crossed") wählen. Bei zerstörenden Messungen (z.B. Crash-Test) wird die Gage R&R Studie "nested" gewählt. Ergebnisse analysieren.

DEFINE

Gage R&R ANOVA für stetige Daten

Achtung: Das Ergebnis der P/T-Ratio darf nicht "gut gerechnet" werden, indem die Toleranz (USL – LSL) ausgedehnt wird.

MEASURE

Was ist bei inakzeptablem Ergebnis zu tun? – Operationale Definition überprüfen und ggf. neu definieren. – Intensivere Schulung der Datenerfasser. – Messmittel überprüfen und ggf. optimieren.

Darstellung Gage R&R für stetige Daten Beispiel Autohaus: Gage R&R ANOVA Methode Source Total Gage R&R Repeatability Reproducibility Datenerfasse Datenerfasse*Fahrzeug Part-To-Part Total Variation

ANALYZE

Analytisches Ergebnis: Nur 0,11% der gesamten Variation wird durch das Messsystem verursacht, und zwar durch die Wiederholbarkeit (0,05%) und durch die Reproduzierbarkeit (0,06%). Wenn keine Toleranzen (Spezifikationsgrenzen) angegeben wurden, sind maximal 4% Contribution bzw. 20% SV zulässig.

Gage R&R

Source Total Gage R&R Repeatability Reproducibility Datenerfasse Datenerfasse*Fahrzeug Part-To-Part Total Variation

VarComp 1,48 0,68 0,81 0,03 0,78 1395,86 1397,34

%Contribution (of VarComp) 0,11 0,05 0,06 0,00 0,06 99,89 100,00

StdDev (SD) 1,2185 0,8216 0,8998 0,1620 0,8851 37,3612 37,3810

Study Var (5,15 * SD) 6,275 4,231 4,634 0,834 4,558 192,410 192,512

%Study Var (%SV) 3,26 2,20 2,41 0,43 2,37 99,95 100,00

Mindestens 5 Kategorien sollten unterschieden werden können. Eine geringere Zahl an unterschiedlichen Kategorien deutet auf ein schwaches Messsystem hin, denn Unterschiede zwischen den Teilen (Parts) können nicht erkannt werden.

Number of Distinct Categories = 43 Gage R&R for Messung

Reported by : Tolerance: M isc:

Messung by Fahrzeug

Components of Variation 100

% C ont ribut io n

200

Percent P ercent

% S tud y Var

50

150 100

0 Gage R&R

Repeat

Reprod

1

Part- to-Par t

2

3

4

5

9

10

Enger s

Gol dbach

7

8

9

10 11 12 13 1 4 15 16 17 1 8 19 20

Messung by Datenerfasser

Rim ac 200

5

150 _ U CL=0,49 R=0,15 LCL=0

0

100 Engers

Gol dbach

Rim ac

200

150

Goldbach Dat enerf asser

Ri mac

Datenerf asser * Fahrzeug Interaction

_ X=164,8 LCL=164,5 U CL=165,1

Average

Enger s

Averaage Average

Sample SampleMean Mean

,5 ,1

Average

Xbar Chart by Datenerfasser

CONTROL

6

Fahrzeug

R Chart by Datenerf asser

Sample S ampl Range e R ange

IMPROVE

Gage R&R (ANOVA) for Messung Gage name: Date of study :

Da ten erf asser

200

En ger s Go ld bach Rimac

150 100 1

100

2 3

4 5 6

7 8 9 1 0 11 12 1 3 1 4 1 5 16 17 1 8 1 9 2 0

Fahrzeug

60

Gage R&R ANOVA für stetige Daten

Analytisches Ergebnis: 0% P/T-Ratio (% Toleranzen) gibt den Messfehler als Anteil der vorgegebenen Toleranz an.

Gage R&R Source VarComp Total Gage R&R 1,48 Repeatability 0,68 Reproducibility 0,81 Datenerfasse 0,03 Datenerfasse*Fahrzeug 0,78 Part-To-Part 1395,86 Total Variation 1397,34

Der P/T-Ratio sollte nicht höher als 20% sein.

Study Var %Study Var (6 * SD) (%SV) 7,311 3,26 4,930 2,20 5,399 2,41 0,972 0,43 5,311 2,37 224,167 99,95 224,286 100,00

%Tolerance (SV/Toler) 9,14 6,16 6,75 1,22 6,64 280,21 280,36

MEASURE

Source StdDev (SD) Total Gage R&R 1,2185 Repeatability 0,8216 Reproducibility 0,8998 Datenerfasse 0,1620 Datenerfasse*Fahrzeug 0,8851 Part-To-Part 37,3612 Total Variation 37,3810

%Contribution (of VarComp) 0,11 0,05 0,06 0,00 0,06 99,89 100,00

DEFINE

Beispiel Autohaus: Gage R&R ANOVA Methode

Number of Distinct Categories = 43 Gage R&R for Messung

Gage R&R (ANOVA ) for Messung

Components of Variation

Me ssung by Fahrzeug

P ercent

Percent

% Cont Contribution % ribution % Study Study Va Var % r

200

200

% Tolerance

% Tole ra nce

150

100

100

0 Gage R&R

Repeat

Reprod

1

Part-to-Part

2

3

4

5

6

7

8

9

10 11 12 13 14 15 16 17 18 19 20

Fahrzeug

=0,49 15 0

10

Engers

Goldbach

Messung by Datenerfasser

Ri mac

Sam ple Range

Sample Range

R Chart by Datene rfasse r

200

55

150 _ UCL=0,49 R=0,15 LCL=0

0

100 Engers

Goldbach Datenerfasser

Xbar Chart by Da te nerfasser

0,49 15 0

Ri mac

200 200

Dat ene rf a sser

=165,1 64,8 164,5 100 100

Average

200 200

_ _ LCL=164,5 UCL=165,1 X=164,8

Rimac

Da tenerfa sser * Fahrze ug Inte ra ction Average

Sam ple Mean

Goldbach

Enge rs Goldba ch Rimac

150 150 100 100

1

2 3

4

5

6 7

8

9 1 0 1 1 12 1 3 1 4 1 5 16 17 1 8 1 9 2 0

Fahrzeug

Grafisches Ergebnis: Hier werden die 3 Messgrößen % Contribution, % SV und % P/T-Ratio grafisch dargestellt.

CONTROL

61

IMPROVE

Sample Mean

Engers

150 150

ANALYZE

Reported by : T olerance: M isc:

Gage name: Date of study :

DEFINE

Variation

Variation


Bezeichnung

Zeitpunkt Measure, Control, stets im Anschluss an eine Datensammlung.



Ziele – – – – – –




Visualisierung von Daten. Gefühl für die gesammelten Daten und ihre Verteilung entwickeln. Erkennen von Ausreißern und Mustern. Abschätzung der zentralen Tendenz und der Streuung. Feststellung, wie gut der gegenwärtige Prozess den Anforderungen genügt. Identifizieren erster Anzeichen von Variationsursachen.

Vorgehensweise 1. Daten in grafischen Darstellungen abbilden. 2. Statistische Kennzahlen analysieren.

CONTROL

IMPROVE

ANALYZE

MEASURE

Variation verstehen, Variation Based Thinking.

62

Grafische Darstellung / Pie Chart

DEFINE

Pie Chart


Bezeichnung Pie Chart, Tortendiagramm.

Measure Phase nach der Datenerhebung, später nach jeder Datenerhebung.



Ziele Darstellung von diskreten Daten gemäß ihrer Häufigkeit.




MEASURE

Zeitpunkt

Vorgehensweise

Darstellung eines Pie Chart

IMPROVE

Ergebnis: Die Größe der "Kuchenstücke" repräsentiert den proportionalen Anteil an der Gesamtheit. Kuchendiagramme zeigen das Verhältnis von Mengen an, indem der gesamte "Kuchen" (100%) in Teilstücke oder kleinere Prozentteile unterteilt wird.

ANALYZE

Relative Häufigkeiten (Prozentsätze / Anteile) des Auftretens eines diskreten (metrischen oder nominalen) Merkmals auf einem Kreis darstellen. Der gesamte Kreis beinhaltet 100% der Daten.

Tipp

63

CONTROL

Darstellung des prozentual größten Segments im Uhrzeigersinn bei "12 Uhr" beginnen!

DEFINE

Grafische Darstellung / Pareto Chart

Pareto Chart


Bezeichnung

MEASURE

Pareto Chart, Paretodiagramm.

Zeitpunkt Measure nach der Datenerhebung, später nach jeder Datenerhebung.



Ziele –

ANALYZE

–




Darstellung der Schwerpunkte und damit Setzen von Prioritäten bei diskreten Daten. Konzentration auf die wenigen Ursachen, deren Optimierung die größte Auswirkung hat (80:20 Regel).

Vorgehensweise – – –

–

Daten in Kategorien darstellen. Häufigkeiten der einzelnen Kategorien aufsummieren, um den richtigen Maßstab auf der Y-Achse im Pareto Chart zu wählen. Rechtecke, die die Kategorien repräsentieren, maßstabsgetreu abbilden: Von links nach rechts, entsprechend ihrer Häufigkeit und abnehmend sortiert. Kurve darstellen, welche die kumulierte Häufigkeit prozentual zeigt.

CONTROL

IMPROVE

Tipp • •

Sicherstellen, dass die Kategorie "Sonstiges" – falls vorhanden – klein ist! Es ist vorteilhaft, wenn wenige Kategorien den Großteil des Problems ausmachen!

64

Grafische Darstellung / Pareto Chart

DEFINE

Darstellung Pareto Chart Pareto Chart of Lackierfehler Pareto Chart of Begründung 70

Coun t

50

80

40

60

30

Per cent

100

60

40 20

10

g

Count Percent Cum %

W

n

l n U

23 37,1 37,1

15 24,2 61,3

K

la ar

12 19,4 80,6

e

ni

0

g

g

O

he

i

ig

re

r

ck

t

e

un

rb

n

F

l

fe

a

ro

er

n

g

p

i äß

i

e

m ch

T

0 Begründung

u

V

7 11,3 91,9

4 6,5 98,4

1 1,6 100,0

MEASURE

20

ANALYZE IMPROVE CONTROL

65

DEFINE

Grafische Darstellung / Dot Plot

Dot Plot


Bezeichnung

MEASURE

Dot Plot.

Zeitpunkt Measure nach der Datenerhebung, später nach jeder Datenerhebung.



Ziele – –




Vorgehensweise

ANALYZE

–

IMPROVE

Darstellung der Streuung stetiger Daten auf einfache Weise. Erkennen von Ausreißern, insbesondere bei kleinen Datenmengen.

–

Häufigkeiten der einzelnen Datenpunkte abbilden. Es findet keine Klassenbildung statt. Jeder Wert wird als einzelner Punkt (Dot) im Diagramm abgetragen.

Tipp Ein Dot Plot kann auch genutzt werden um festzustellen, ob der Stichprobenumfang groß genug ist: Der Expertenblick erkennt, ob die gesamte Datenbreite vorliegt oder ob zusätzliche Daten notwendig sind!

Darstellung Dot Plot

0

5

10

CONTROL

Durchlaufzeit

66

15

Grafische Darstellung / Histogramm

DEFINE

Histogramm


Bezeichnung Histogramm, Häufigkeitsdiagramm.

Measure nach der Datenerhebung, später nach jeder Datenerhebung.



Ziele – –

Vorgehensweise – –

Stetige Daten in Kategorien bzw. Klassen zusammenfassen. Faustregel: Anzahl der Kategorien (k) ist k = n . Häufigkeiten der tatsächlich auftretenden Kategorien in Form von Balken maßstabsgetreu abtragen. Auf der x-Achse steht das relevante Intervall für die abzubildenden Daten. Auf der y-Achse stehen die Häufigkeiten (absolute oder %-Werte).

ANALYZE




Darstellung der Verteilung von stetigen Daten. Hilfsmittel zur Feststellung, ob ein Prozess in Bezug auf die Kundenanforderungen zentriert ist und die Streuung innerhalb der Spezifikationsgrenzen liegt.

MEASURE

Zeitpunkt

Tipp •

Größere Datensätze (mind. 50-100 Datenpunkte) verwenden. Zu kleine Datensätze können zu irreführenden Interpretationen führen! Mehrere Gipfel im Histogramm können ein Indiz dafür sein, dass der Datensatz zu klein ist bzw. die Daten aus unterschiedlichen Quellen stammen! In diesem letzten Fall Datensatz stratifizieren bzw. schichten. Weitere Verteilungsformen sowie daraus resultierende Handlungen sind nachfolgend dargestellt!

CONTROL

67

IMPROVE

•

DEFINE

Grafische Darstellung / Histogramm

Darstellung Histogramm Histogram of Lackdicke 20 20

Frequency Fr equency

MEASURE

15 15

10 10

55

00

100

120

140

160 180 Lackdicke

200

220

240

100 100 90 90 80 80

70 70

Fre que n c y

Prozess A Symmetrische, glockenförmige Verteilung  Test auf Normalverteilung.

60 60

Frequency

ANALYZE

Verteilungsformen

50 50 40 40

30 30 20 20 10 10 00 -4

-3

-2

-1

0

2

3

4

60 60

Fre qu e n cy

50 50 40 40 30 30 20 20 10 10 00 -5

Prozess C Linksschiefe Verteilung.  Daten transformieren.

1

A

70 70

Frequency

Prozess B Bimodale Verteilung; Daten stammen wahrscheinlich aus mehreren Quellen bzw. in diesem Fall aus zwei unterschiedlichen Prozessen.  Daten stratifizieren bzw. schichten.

0

5

Fr equenc y

200 200

Frequency

IMPROVE

P

100 100

00

Prozess D Rechtsschiefe Verteilung.  Daten transformieren.

5

10

Fr equ e n cy

200 200

Frequency

CONTROL

0

100 100

0 0 -10

68

-5

0

Grafische Darstellung / Histogramm

DEFINE

Zentrierung und Streuung, Kundenanforderungen, Spezifikationsgrenzen 90 80

Frequenc y

70

Frequency

60 50 50 40 30 30 20 10 10 00 -10

0

10

Prozess 1

Fr equenc y

100 100

Frequency

Prozess 2 Kundenspezifikationen werden gerade noch erfüllt, kein Spielraum für Fehler.  Streuung reduzieren.

50

MEASURE

Prozess 1 Zentriert und gut innerhalb der Kundenspezifikationen.  Zustand beibehalten.

00 -10

0

10

Prozess 2

80

Frequency

70

Frequency

60 50 40 30 20 10 00 -10

0

10

0

10

ANALYZE

90

Prozess 3 Streuung gering, aber Zielwert verfehlt, daher Kundenspezifikation nicht erfüllt.  Prozess zentrieren.

100 100

Frequency

Prozess 4 Prozess zentriert, aber Streuung zu groß.  Streuung reduzieren.

Frequenc y

150 150

50

-10

Prozess 4

140 140 120 120

Fr equenc y

100 100

Frequency

Prozess 5 Prozess nicht zentriert und Streuung zu groß.  Prozess zentrieren und Streuung reduzieren.

80 80 60 60

IMPROVE

00

40 40 20 20 00 -10

0

10

Prozess 5

CONTROL

69

DEFINE

Grafische Darstellung / Boxplot

Boxplot


Bezeichnung

MEASURE

Boxplot, Box and Whisker Plot.

Zeitpunkt Measure nach der Datenerhebung, später nach jeder Datenerhebung, insbesondere in der Analyze Phase bei der Datenschichtung.



Ziele – –

CONTROL

IMPROVE

ANALYZE

–




Darstellung der Streuung und Lage eines stetigen Datensatzes. Schneller Vergleich unterschiedlicher Datensätze (z. B. Vergleich von Lieferanten, Anlagen). Grafische Zusammenfassung eines Datensatzes mit dem Median, dem 1. und 3. Quartil (repräsentieren 25% bzw. 75% der Daten) sowie den Extremwerten.

Vorgehensweise 1. Maximal- und Minimalwert maßstabsgetreu abtragen und mit einer vertikalen Linie verbinden. 2. Median als Horizontale darstellen. 3. Rechteck (Box) zwischen dem 1. und dem 3. Quartil bilden.

Tipp •

•

Boxplots sind besonders gut für den Vergleich von mehreren Datensätzen geeignet. In diesem Fall bildet jeder Boxplot einen Datensatz ab! Ausreißer werden i. d. R. von Statistikprogrammen gesondert dargestellt!

70

Grafische Darstellung / Boxplot

DEFINE

Darstellung Boxplots Zusammenfassung eines Datensatzes Höchster Wert x(n)

Median ~ x

100% der Daten

75% der Daten

50% der Daten

25% der Daten

Erstes Quartil (25%) x0,25

ANALYZE

Niedrigster Wert x(1)

MEASURE

Drittes Quartil (75%) x0,75

IMPROVE CONTROL

71

DEFINE

Grafische Darstellung / Run Chart

Run Chart


Bezeichnung

MEASURE

Run Chart, Time Series Plot, Zeitverlaufsdiagramm.

Zeitpunkt Measure nach der Datenerhebung, später nach jeder Datenerhebung, insbesondere in der Control Phase.



Ziele –

ANALYZE

–




Darstellung von Trends, Verschiebungen oder Mustern eines Prozesses bei stetigen oder diskreten Daten. Vergleich von Prozessverläufen vor und nach einer Verbesserung.

Vorgehensweise – – –

Relevanten Zeitraum auf der x-Achse abbilden, Ausprägungen des Prozesses auf der y-Achse. Entsprechenden Wert zu jedem definierten Zeitpunkt zuordnen. Abgetragene Werte mit einer Linie verbinden.

Run Chart of Std_Tag 10

St d_Tag

IMPROVE

Darstellung Run Chart

9 8

7 6

CONTROL

2

4

Number of runs abou t median : Expected number of runs: Longest run about median: A pprox P-Value for C luster ing : A pprox P-Value for Mixtures:

6 12 11,00000 3 0,67705 0,32295

8

10 12 Observation

14

Number of runs up or down: Expec ted number of r uns: Longest run up or down : A pprox P- Value for Tren ds: A pprox P- Value for O scillation:

72

16 14 13,00000 4 0,71094 0,28906

18

20

Grafische Darstellung / Run Chart

• • •

Um aussagekräftige Muster erkennen zu können, sind mindestens 20 Datenpunkte erforderlich! Die Reihenfolge der Daten entspricht dem zeitlichen Verlauf der Erfassung! Mögliche Muster sowie deren Interpretation und daraus resultierende Handlungen sind nachfolgend dargestellt!

Beschreibung

Interpretation

Handlung

Zu viele Verläufe.

Zu viele Cluster oberhalb und unterhalb des Median deuten auf Überkompensation, eine Stichprobe von mehreren Quellen oder Daten, die erfunden sein könnten, hin.

Untersuchen, was die oberen von den unteren Punkten unterscheidet.

Verschiebungen.

8 oder mehr Punkte in einer Reihe auf einer Seite des Medians deuten auf eine Verschiebung in einem zentralen Element des Prozesses hin.

Untersuchen, was zu dem Zeitpunkt, zu dem die Verschiebung auftrat, am Prozess verändert war.

Trends.

7 oder mehr Punkte in einer Reihe, die stetig zunehmen oder stetig abnehmen, deuten auf einen Trend hin.

Untersuchen, welcher starke Faktor die Veränderung / den Trend verursacht hat.

Gleiche Werte.

Eine Folge von 7 oder mehr Punkten mit gleichem Wert.

Untersuchen, ob das Messgerät “hängen geblieben” ist.

73

CONTROL

Untersuchen, was die Cluster unterhalb des Median gemeinsam haben, und wie sie sich von den Clustern oberhalb des Median unterscheiden.

IMPROVE

Zu wenige Cluster (Häufungen von Punkten) über und unter dem Median können auf einen Zyklus hinweisen.

ANALYZE

Zu wenige Verläufe.

MEASURE

Run Chart

DEFINE

Tipp

DEFINE

Grafische Darstellung / Control Charts

Control Charts


Bezeichnung

Zeitpunkt Measure Phase nach der Datenerhebung, später nach jeder Datenerhebung, insbesondere in der Control Phase.



Ziele – – –

Überprüfung der Prozessstabilität im Anschluss an die Datenerhebung. Prozessüberwachung in der Control Phase. Feststellung in Measure, ob in der Analyze Phase nach speziellen oder gewöhnlichen Ursachen von Variation zu suchen ist.

Die Control Charts werden im Abschnitt "Control" im Detail vorgestellt.

CONTROL

IMPROVE

ANALYZE

MEASURE

Control Charts, Regelkarten, Shewart-Charts.

74

Grafische Darstellung / Scatterplot

DEFINE

Scatterplot


Bezeichnung Scatterplot.

Am Ende von Measure als Ausblick auf Analyze, insbesondere in der Analyze Phase selbst.



Ziele Darstellung einer (linearen oder nichtlinearen) Beziehung zwischen zwei metrischen Variablen.

Vorgehensweise Datenpunkte abtragen, die jeweils den Wert einer Dimension (x-Achse) und den entsprechenden Wert einer anderen Dimension (y-Achse) repräsentieren.

Tipp • •

ANALYZE




MEASURE

Zeitpunkt

Zusätzliche Möglichkeit, um vermutete Zusammenhänge aus dem Ursache-Wirkung-Diagramm zu verifizieren! Scatter Plots veranschaulichen nicht zwingend einen Ursache-WirkungZusammenhang. Sie zeigen lediglich auf, ob eine Beziehung existiert!

IMPROVE

Darstellung Scatterplot S caScatterplot tte rp lot of La e vs vs VerVerdünnermenge dün n erme nge ( in (in %)%) of ckdick Lackdicke 240 220 200 180 160 140

100 0

10

20

30

40

50

V er dün nermenge (in Verdünnermenge (in%) %)

75

60

70

80

CONTROL

P3_004-3d1_ANALYZE

120

DEFINE

Grafische Darstellung / Normal Probability Plot

Normal Probability Plot


Bezeichnung

MEASURE

Normal Probability Plot.

Zeitpunkt Ende der Measure Phase.



Ziele Überprüfung des Datensatzes auf Normalverteilung, was wiederum wichtig ist im Hinblick auf die Bestimmung von Prozessperformancekennzahlen.




Vorgehensweise

CONTROL

IMPROVE

ANALYZE

–

– – –

Verteilungsfunktion der (theoretischen) Normalverteilung derart transformieren, dass sie eine Gerade darstellt. Aufgrund der Komplexität dieser Transformation sollte ein Normal Probability Plot mit Hilfe einer Statistik Software erstellt werden. Datenpunkte der empirischen Verteilung (vorhandener Datensatz) abtragen. Ggf. Vertrauensintervall abbilden. Liegen die Datenpunkte auf der Geraden bzw. innerhalb des Vertrauensintervalls, so kann von normalverteilten Daten ausgegangen werden.

Tipp In der Statistik-Software MINITAB® basiert das dargestellte Ergebnis der Überprüfung auf Normalverteilung auf dem Anderson-Darling-Test!

76

Grafische Darstellung / Normal Probability Plot

DEFINE

Darstellung Probability Plot Probability Plot of Lackdicke Normal 99,9

Mean S tDev N AD P -Value

99

80 70 60 50 40 30 20 10 5 1

0,1

50

100

150 Lackdicke

200

250

MEASURE

Percent

95 90

153,9 35,65 80 3,029 1,33

Cp < 1,33

•

IMPROVE

•

Ein hoher Cp-Wert ist eine notwendige, aber nicht hinreichende Bedingung für einen guten Prozess-Sigma-Wert. Erst durch Berücksichtigung der Prozesszentrierung, also durch einen guten Cpk-Wert, kann ein hohes Prozess-Sigma erreicht werden! Um einen Sigmawert von 6 (Sechs Sigma-Prozess) zu erreichen, müssen der Cp und Cpk den Wert 2 annehmen (zwischen Mittelwert und Kundenspezifikazionsgrenzen passen mindestens 6 Standardabweichungen). Aufgrund des angenommenen Prozess-Shifts von 1,5 Standardabweichungen haben sich Six Sigma Unternehmen wie Motorola Cp-Werte von 2 und Cpk-Werte von 1,5 als Ziel gesetzt! Bei einer langfristigen Betrachtung werden die Cp- und Cpk-Werte als Pp und Ppk bezeichnet!

ANALYZE

Tipp •

MEASURE

Cpk > 1,0

Cpk < 1,0

Gering – Mittenabweichung – groß Beherrscht – Prozess – nicht beherrscht

Groß – Streuung – gering Nicht fähig – Prozess – fähig

Darstellung auf der folgenden Seite.

CONTROL

95

DEFINE

Prozessfähigkeitsberechnung / Cp- und Cpk-Werte

Darstellung Cp-, Cpk-Wert Die Spezifikationsgrenzen bei den Lackierungen liegen bei LSL = 100 und USL = 180. Bei den erhobenen Daten wurde der Mittelwert mit 154,54 und die Standardabweichung als 22,86 errechnet. Normalverteilung ist gegeben.

MEASURE

Cp =

USL − LSL 180 − 100 = = 0, 58 6σ 6 ⋅ 22, 86

⎡180 − 154, 54 154, 54 − 100⎤ ⎡USL − µ µ − LSL⎤ Cpk = min ⎢ ; ; ⎥ = min 0, 37 ; 0, 79 = 0, 37 ⎥ = min ⎢ 3σ ⎦ 68, 58 ⎦ ⎣ 68, 58 ⎣ 3σ

[

]

Beispiel: Cp und Cpk in MINITAB®

ANALYZE

Process Capability of Lackdicke LSL

W ithin Overall Pote ntial (Wit hin) C apability Cp 0 ,58 C PL 0 ,80 C PU 0 ,37 C pk 0 ,37 C C pk 0 ,58 O v e rall C apability Pp PPL PPU Ppk C pm

100

IMPROVE

O bserv ed P erfo rma nce P PM < LSL 25 00 0,00 P PM > U SL 1 50 00 0,00 P PM To tal 175 00 0,00

CONTROL

USL

P rocess D ata LSL 10 0,0 00 00 T arget * U SL 18 0,0 00 00 S am ple Me an 15 4,5 46 03 S am ple N 40 S tDe v (Within) 2 2,8 62 15 S tDe v (O v era ll) 2 2,8 62 15

Cp

Exp. PPM PPM PPM

120

140

Within Pe rform ance < LSL 85 19 ,49 > U SL 13 27 75 ,36 T ota l 14 12 94 ,85

= (USL-LSL) / (6s within)

160

180

0 ,58 0 ,80 0 ,37 0 ,37 *

200

Exp. O v e rall Pe rform ance PPM < LSL 85 19,4 9 PPM > U SL 13 27 75,3 6 PPM To tal 14 12 94,8 5



CPU = (USL- m) / (3s within)



CPL = (m -LSL) / (3s within)



Cpk

= min{CPU, CPL}



m

=

Grafisches Ergebnis: Die Ober- und Unterspezifikationsgrenzen und einige statistische Kennzahlen der Stichprobe: Ein Histogramm zeigt, wie die Daten im Verhältnis zu den Spezifikationsgrenzen liegen. Die Kurve bildet die Normalverteilung unter Berücksichtigung der kurz- und langfristigen Betrachtung ab. In diesem Beispiel wird nicht danach unterschieden.

>1 bedeutet: Der Prozess ist schmaler als die gesetzten Grenzen. 50); Anzahl Fehler > 5

c-Chart

Nicht-konstant (i. d. R. > 50); Anzahl Fehler > 5

u-Chart

Konstant (i. d. R. > 50)

np-Chart

Nicht-konstant (i. d. R. > 50)

p-Chart

Fehler pro Teil

CONTROL

Diskrete Daten

Fehlerhafte Teile

252

Control Charts

DEFINE

3. Daten sammeln. Hierbei beachten: – Datensammlungsplan. – Operationale Definition. – Ggf. Messsystemanalyse.

–

Control Charts für stetige Daten: - Sie bestehen aus zwei Grafiken: Im ersten sind die Mittelwerte der Untergruppen abgetragen und zeigen die Variation zwischen den Untergruppen; im zweiten sind die Ranges bzw. die Standardabweichungen der Untergruppen abgebildet und zeigen die Variation innerhalb der Untergruppen. - Für stetige Daten gelten folgende Formeln für die Berechnungen:

Art des Control Charts

Größe der Stichproben

Mittellinie

Kontrollgrenzen

Durchschnitt und Bandbreite

x1 + x 2 + … xk Konstant und 5

p=

∑ pˆ

Kontrollgrenzen

UCLp = p + 3

i

wobei k fehlerhafter Teile # ˆi = p ni

Konstant i.d.R. n>5

np =

∑ pˆ

Variabel u=

∑u

UCLu = u + 3

i

wobei k # Fehler ui = ni

Konstant c=

p (1 − p ) ni

UCLnp = np + 3 np (1 − p )

i

wobei k fehlerhafter Teile # ˆi = p n

u-Chart Anzahl der Fehler pro Einheit

Mittellinie

# Fehler # Einheiten

u ni

LCLp = p − 3

ni

LCLnp = np − 3 np (1 − p )

LCLu = u − 3

UCLc = c + 3 c

p (1 − p )

u ni

LCLc = c − 3 c

c-Chart

CONTROL

IMPROVE

Anmerkung: Die unteren Kontrollgrenzen (LSL) bei diskreten Daten sind nach unten durch den Wert Null begrenzt. Ein negativer Wert ist nicht sinnvoll.

Berechnen von Control Charts – "zu Fuss" Größe der Xbar-R-Chart Stichprobe A2 D3 n

Xbar-S-Chart D4

A3

B3

B4

c4

Größe der IMR-Diagramm Stichprobe D3 D4 n

d2

2

1,880

0

3,267

2,659

0

3,267

0,7979

2

0

3,267

1,128

3

1,023

0

2,575

1,954

0

2,568

0,8862

3

0

2,574

1,693

4

0,729

0

2,282

1,628

0

2,266

0,9213

4

0

2,282

2,059

5

0,577

0

2,115

1,427

0

2,089

0,9400

5

0

2,114

2,326

6

0,483

0

2,004

1,287

0,030

1,970

0,9515

6

0

2,004

2,534

7

0,419

0,076

1,924

1,182

0,118

1,882

0,9594

7

0,076

1,924

2,704

8

0,373

0,136

1,864

1,099

0,185

1,815

0,9650

8

0,136

1,864

2,847

9

0,337

0,184

1,816

1,032

0,239

1,761

0,9693

9

0,184

1,816

2,970

10

0,308

0,223

1,777

0,975

0,284

1,716

0,9727

10

0,223

1,777

3,078

254

Control Charts

–

Computerprogramme wie MINITAB® testen automatisch, ob der Prozess beherrscht ist. Die üblichen Tests sind im Folgenden aufgelistet:

CONTROL

255

IMPROVE

Ist der Prozess beherrscht? Ein Prozess ist dann beherrscht (unter Kontrolle), wenn alle Punkte innerhalb der Kontrollgrenzen liegen und keine Muster erkennbar sind.

ANALYZE

Analyse der Daten in Bezug auf die Kontrollgrenzen Liegen gewöhnliche oder spezielle Ursachen für die Variation vor? - Die Fluktuation innerhalb der Kontrollgrenzen liegt an den zufälligen Abweichungen im Prozess selbst. Das sind gewöhnliche Ursachen für Variation und sie können nur durch eine Änderung im System oder Prozess reduziert werden. - Datenpunkte außerhalb der Kontrollgrenzen oder Muster innerhalb der Kontrollgrenzen (systematische Abweichungen) deuten auf spezielle Ursachen hin. Diese sind genau zu untersuchen und zu beseitigen, bevor der Control Chart zum Prozessmonitoring verwendet werden kann.

MEASURE

6. Control Charts interpretieren – Betrachtung der Mittellinie. Ist der Prozess an der richtigen Stelle im Hinblick auf die Kundenanforderungen oder auf den Zielwert zentriert? War der Prozess vorher zentriert? Hat sich der Prozess geändert? Haben sich die Kundenanforderungen oder der Zielwert geändert?

DEFINE

5. Control Charts erstellen – Auf der X-Achse steht das zu untersuchende Zeitintervall. – Für jede Grafik werden zunächst die Datenpunkte abgetragen (ana log zum Verlaufsdiagramm). – Die Mittellinien werden zuerst gezogen und die Kontrollgrenzen errechnet und abgezeichnet. Die Berechnung der Kontrollgrenzen erfolgt nach den abgebildeten Formeln.

1

Ein Punkt außerhalb der Kontrollgrenzen (3 Sigma von der Mittellinie).

2

9 Punkte in Folge auf der selben Seite der Mittellinie.

3

6 Punkte in Folge, steigend oder fallend.

4

14 Punkte in Folge alternierend über und unter der Mittellinie.

5

2 von 3 aufeinander folgende Punkte liegen mehr als 2 Sigma entfernt von der Mittellinie (auf derselben Seite).

6

4 von 5 aufeinander folgende Punkte liegen mehr als 1 Sigma entfernt von der Mittellinie (auf derselben Seite).

7

15 Punkte in Folge befinden sich innerhalb der 1 Sigma Grenzen.

8

8 Punkte in Folge liegen mehr als 1 Sigma enfernt von der Mittellinie.

CONTROL

IMPROVE

ANALYZE

MEASURE

DEFINE

Control Charts

256

Control Charts

Woche

Februar

April

R

167 / 155 / 184 / 154

165,00

30

2

134 / 165 / 166 / 120

146,25

46

3

188 / 174 / 157 / 166

171,25

31

4

166 / 148 / 167 / 177

164,50

29

1

179 / 162 / 149 / 170

165,00

30

2

178 / 182 / 140 / 123

155,75

59

3

230 / 199 / 178 / 186

198,25

52

4

175 / 158 / 181 / 192

176,50

34

1

193 / 168 / 159 / 150

167,50

43

2

150 / 158 / 165 / 144

154,25

21

3

187 / 181 / 172 / 169

177,25

18

4

157 / 146 / 144 / 179

156,50 = xx == 166,50 166,50

35 – R= = 35 ,67 R 35,67

ANALYZE

1

MEASURE

März

X

Lackdicke

DEFINE

Beispiel: Erstellen des Control Charts (Xbar-R) Lackiererei – "zu Fuss"

IMPROVE CONTROL

257

MEASURE

DEFINE

Control Charts

Darstellung Control Charts Beispiel: Kontrollgrenzen für das Control Chart (Xbar-R) Lackiererei – "zu Fuss" Kontrollgrenzen für Xbar-Chart

Kontrollgrenzen für R-Chart

UCL x = x + A 2 ⋅ R UCL x = 166,50 + 0,729 ⋅ 35,67 = 192,50

UCLR = D4 ⋅ R UCL x = 2,282 ⋅ 35,67 = 81,40

LCL x = x − A 2 ⋅ R LSL x = 166,50 − 0,729 ⋅ 35,67 = 140,50

LCL x = D3 ⋅ R LSL x = 0 ⋅ 35,67 = 0

Mittelwert der Stichproben

1

200

UCL = 192,5

190 180 170

Gesamter Mittelwert = 166,5

160 150

LCL = 140,5

140 Untergruppe

0

5

10

90 80 70 60 50 40 30 20 10 0

UCL = 81,40

– R-Bar = 35,67

LCL = 0

CONTROL

IMPROVE

Range der Stichproben

ANALYZE

Beispiel: Control Chart (Xbar-R) Lackiererei – "zu Fuss"

258

Control Charts

DEFINE

Beispiel: Control Charts für stetige Daten: Xbar-R mit MINITAB® Die Ergebnisse zeigen nur gewöhnliche Ursachen für Variation. Darüber hinaus liegen die Werte innerhalb der Kontrollgrenzen.

U C L=158,91

S amp le M ean

Xbar-R Chart of Lackdicke Xbar-R 166 160

_ _ X=138,22

140 140 130 130 120 120

LC L=117,53 2

4

6

8

10 Sa mp le

12

14

16

18

20

U C L=75,83

Sam ple R an ge

Sample Range

80 60

_ R =35,86

40 20 00

MEASURE

Sample Mean

150 150

LC L=0 2

4

6

8

10 Sa mp le

12

14

16

18

20

ANALYZE

Beispiel: Für diskrete Daten: p-Chart-MINITAB® Die Ergebnisse zeigen keine speziellen Ursachen. P Chart of Defekte Lackierungen p-Chart 0,07 UCL=0,06277

Proportion

0,06 0,05 0,04 0,03

0,01 0,00

LCL=0 3

6

9

12

15 18 Sample

Tests performed with unequal sample sizes

24

27

30

CONTROL

259

21

IMPROVE

_ P=0,02099

0,02

DEFINE

Reaktionsplan

Reaktionsplan


Bezeichnung

CONTROL

IMPROVE

ANALYZE

MEASURE

Reaktionsplan.

Zeitpunkt Prozess Monitoring, Control.



Ziele – – – –




Bei Verletzung eines CTQ steht fest, was zu tun ist. Schnelle und effektive Reaktion auf Änderungen eines CTQ. Eine sofortige Reaktion und Maßnahmeneinleitung sind möglich. Kontrolle über das Geschehen.

Vorgehensweise 1. Den verbesserten Prozess z. B. mit Hilfe einer FMEA dahingehend untersuchen, wo Probleme auftreten können. 2. Für jeden Punkt die notwendigen Maßnahmen ableiten und einen Verantwortlichen benennen. 3. Ein Prozessmanagementdiagramm erstellen. 4. Den Prozess überwachen. Bei Verletzung oder Änderung eines CTQ tritt der Reaktionsplan in Kraft.

Tipp Sich Zeit nehmen für die Erstellung eines Reaktionsplanes – er ist das wichtigste Dokument für den Prozesseigner!

260

Reaktionsplan

DEFINE

Darstellung Prozessmanagementdiagramm

MEASURE ANALYZE IMPROVE CONTROL

261

DEFINE

Projektdokumentation

Projektdokumentation


Bezeichnung

MEASURE

Projektdokumentation.

Zeitpunkt Control.



Ziele – –

CONTROL

IMPROVE

ANALYZE

– –




Die Arbeit und Vorgehensweise wird kommuniziert und steht anderen Teams zur Verfügung. Erhaltung der Erfahrungen und des Team-Wissens und Verwendung als Best Practices im Unternehmen für weitere Projekte. Entstehung einer Basis für weitere Verbesserungen im Unternehmen. Sicherung der Ergebnisse und Daten für spätere Vergleiche.

Vorgehensweise Die Projektdokumentation besteht i. d. R. aus: 1. Projektauftrag, 2. den einzelnen Projektschritten (U-W-Diagramm, FMEA, Datensammlung, u.s.w.) und den entsprechenden Ergebnissen. (Wichtig ist hier eine ausführliche Beschreibung der Vorgehensweisen – warum wurde welches Instrument verwendet.), 3. Implementierungsplan, 4. Prozessmanagementdiagramm (inkl. SOLL-Prozessablauf), 5. Projektworkbook (s. Abbildung S. 263), 6. Net Benefit Sign Off, 7. Team-Sitzungsprotokolle.

262

Projektdokumentation

Project name: BB/GB: Phase

MEASURE 10%

IMPROVE 35%

Key deliverables

xx.xx.yy

Degree of completeness of phase

Time delay of project (workdays)

20

+0

Output measures, Data collection plan, Unit, defect, defect opportunities, Data gathering/current process performance, Redefined goal statement.

0

+0

Process flow analysis, Data analysis (process and input data), Quantification of the possibilities, Net benefit calculation/quantify the opportunity.

0

+0

Solution criteria & solution generation, Cost benefit analysis & solution prioritization, Should-be process map, Implementation plan & change mgmt. strategy, Solution approval by global process owner, Piloting.

0

+0

Fully implemented solution in place, Documentation, Control plan (monitoring & response plan), Net benefit sign-off and start tracking, Project closure and hand-over.

0

+0

ok Team charter, VOC & CTQs (external & internal), Best practice & running, Activities check, Contact with regional process owner established, Project registration, Net benefit estimation, check controlling done.

Actual status of project: Dark cells to be filled by project manager (BB/GB)

5% Completeness

+0 Time delta

Net benefit this year /12 month (TDM)

Estimated: 0/0

xx.xx.yy Phase Phase end sign-off by date (planChampion/ ned at proMBB ject start/ (date/name) actual)

xx.xx.yy/ xx.xx.yy

xx.xx.yy/ xx.xx.yy

Calculated: 0/0

xx.xx.yy/ xx.xx.yy

xx.xx.yy/ xx.xx.yy

Signed-off: 0/0 0/0 NB delta

xx.xx.yy/ xx.xx.yy Start NB track. xx.xx.yy/ xx.xx.yy

263

CONTROL

Net Benefit Sign-Off Hier werden der (erwartete) Projektnutzen und die tatsächlichen Projektkosten (inkl. Implementierungskosten) gegeneinander gestellt und der Net Benefit berechnet. Der Net Benefit Sign Off wird i. d. R. mit der zuständigen Controlling-Abteilung abgestimmt und ist vom Projektleiter und Sponsor bzw. Auftraggeber zu unterschreiben.

IMPROVE

CONTROL 10%

ok ?

Project start date:

ANALYZE

ANALYZE 20%

Updated:

zzz (BB)

MEASURE

DEFINE 25%

xxx - yyy

DEFINE

Darstellung Projektworkbook

DEFINE

Projektabschluss

Projektabschluss


Bezeichnung Projektabschluss.

ANALYZE

MEASURE

Zeitpunkt Wann ist das Projekt abgeschlossen? – Die Projekt- und Verbesserungsziele sind erreicht (Abgleich Project Charter). – Der Prozess hat sich merklich verbessert, und alle weiteren Verbesserungen würden ein höheres Maß an Einsatz und Ressourcen benötigen. – Die Mitarbeiter im Prozess haben die Verbesserungen aktiv übernommen und haben jetzt selbst Ideen zu Verbesserungsmöglichkeiten. – Die Teammitglieder sind positiv erschöpft, und es herrscht eine allgemeine Zufriedenheit mit dem Projektergebnis im Team.



– –


IMPROVE

Ziele Offizieller Abschluss: Das Projekt wird symbolisch dem Prozesseigner übergeben. Entlastung der Teammitglieder.

Vorgehensweise 1. Prozess an den Prozesseigner offiziel übergeben. Eine Begleitung des Prozesses vom Black Belt für die ersten 12 Monate kann sinnvoll sein. 2. Bei einer letzten Teamsitzung das Projekt offiziell abschließen und Erfahrungen austauschen. 3. Mit dem gesamten Team feiern!

Tipp

CONTROL

Eine offizielle Anerkennung, eine Plakette oder ein Zertifikat sind für das Team von großer Bedeutung!

264

Checkliste CONTROL

Dokumentation Die neuen verbesserten Prozesse sind dokumentiert. Verfahrensanweisungen für wichtige Prozessschritte sind dokumentiert.




Monitoring Die Key Performance Indicators (KPIs – Schlüsselmessgrößen) sind ausgewählt und die Erfassung ist sichergestellt.




Die grafische Auswertung ist erfolgt, und die Ergebnisse werden von dem Prozesseigner zur Steuerung seines Prozesses genutzt.




Reaktionsplan Für die wichtigsten Fälle wurde ein Reaktionsplan aus der Kenntnis heraus entwickelt und dem Prozesseigner übergeben.




Der Prozesseigner versteht den Reaktionsplan und kann und will ihn anwenden.




CONTROL

265

IMPROVE

Gegebenenfalls wurde ein Audit für die neuen Prozesse und Verfahrensanweisungen durchgeführt.

ANALYZE

Die neuen Prozesse und Verfahrensanweisungen wurden geschult.





MEASURE

Die neuen Prozesse und Verfahrensanweisungen sind mit dem Managementsystem abgestimmt und integriert (wichtig wegen ISO).





DEFINE

Checkliste Control

Sigma Tabelle inklusive 1,5 Sigma Verschiebung

0,034 0,05 0,08 0,1 0,2 0,3 0,4 0,7 1,0 1,5 2,3 3,3 4,8 6,8 9,6 13,5 18,6 25,5 34,6 46,6 62,1 81,9 10,7 13,9 17,8 22,7 28,7 35,9 44,6 54,8 66,8 80,8 96,8 1.150 1.350 1.580 1.840 2.120 2.420 2.740 3.080 3.440 3.820 4.200 4.600 5.000 5.400 5.700 6.100 6.500 6.900 7.200 7.500 7.800 8.100 8.400 8.600 8.800 9.000 9.200

Fehler pro 1.000 0,0034 0,005 0,008 0,01 0,02 0,03 0,04 0,07 0,1 0,15 0,23 0,33 0,48 0,68 0,96 1,35 1,86 2,55 3,46 4,66 6,21 8,19 10,7 13,9 17,8 22,7 28,7 35,9 44,6 54,8 66,8 80,8 96,8 115 135 158 184 212 242 274 308 344 382 420 460 500 540 570 610 650 690 720 750 780 810 840 860 880 900 920

Hinweis: Substrahieren Sie 1,5 um das langfristige Sigma zu erhalten.

267

Fehler pro 100 0,00034 0,0005 0,0008 0,001 0,002 0,003 0,004 0,007 0,01 0,015 0,023 0,033 0,048 0,068 0,096 0,135 0,186 0,255 0,346 0,466 0,621 0,819 1,07 1,39 1,78 2,27 2,87 3,59 4,46 5,48 6,68 8,08 9,68 11,5 13,5 15,8 18,4 21,2 24,2 27,4 30,8 34,4 38,2 42 46 50 54 57 61 65 69 72 75 78 81 84 86 88 90 92

CONTROL

0,34 0,5 0,8 1 2 3 4 7 10 15 23 33 48 68 96 135 186 255 346 466 621 819 1.070 1.390 1.780 2.270 2.870 3.590 4.460 5.480 6.680 8.080 9.680 11.500 13.500 15.800 18.400 21.200 24.200 27.400 30.800 34.400 38.200 42.000 46.000 50.000 54.000 57.000 61.000 65.000 69.000 72.000 75.000 78.000 81.000 84.000 86.000 88.000 90.000 92.000

Fehler pro 10.000

IMPROVE

3,4 5 8 10 20 30 40 70 100 150 230 330 480 680 960 1.350 1.860 2.550 3.460 4.660 6.210 8.190 10.700 13.900 17.800 22.700 28.700 35.900 44.600 54.800 66.800 80.800 96.800 115.000 135.000 158.000 184.000 212.000 242.000 274.000 308.000 344.000 382.000 420.000 460.000 500.000 540.000 570.000 610.000 650.000 690.000 720.000 750.000 780.000 810.000 840.000 860.000 880.000 900.000 920.000

Fehler pro 100.000

ANALYZE

6,0 5,9 5,8 5,7 5,6 5,5 5,4 5,3 5,2 5,1 5,0 4,9 4,8 4,7 4,6 4,5 4,4 4,3 4,2 4,1 4,0 3,9 3,8 3,7 3,6 3,5 3,4 3,3 3,2 3,1 3,0 2,9 2,8 2,7 2,6 2,5 2,4 2,3 2,2 2,1 2,0 1,9 1,8 1,7 1,6 1,5 1,4 1,3 1,2 1,1 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1

Fehler pro 1.000.000

MEASURE

99,99966% 99,99950% 99,99920% 99,99900% 99,9980% 99,9970% 99,9960% 99,9930% 99,9900% 99,9850% 99,9770% 99,9670% 99,9520% 99,9320% 99,9040% 99,8650% 99,8140% 99,7450% 99,6540% 99,5340% 99,3790% 99,1810% 98,930% 98,610% 98,220% 97,730% 97,130% 96,410% 95,540% 94,520% 93,320% 91,920% 90,320% 88,50% 86,50% 84,20% 81,60% 78,80% 75,80% 72,60% 69,20% 65,60% 61,80% 58,00% 54,00% 50,00% 46,00% 43,00% 39,00% 35,00% 31,00% 28,00% 25,00% 22,00% 19,00% 16,00% 14,00% 12,00% 10,00% 8,00%

ProzessSigma (ST)

DEFINE

Ertrag