CMMi,

Six Sigma & BSC

Da 03
Carlos Gutirrez
carlos.gutierrez@avantare.com

Mayo 2011

Derechos Reservados
Avantare Consultores

Contenido detallado Da 3

Quick Reference de Six Sigma

Interrelacin de Six Sigma y CMMI
Six Sigma - Detalle

DEFINE
MEASURE
ANALIZE
IMPROVE
CONTROL

QUICK REFERENCE DE SIXSIGMA

Origen de Six Sigma

Se inicia en Motorola a mediados de los 80s, bajo la batuta de

su CEO, Bob Galvin

Bill Smith nombr a la metodologa como Six Sgima

Dr. Mikel Harry y Richard Schoeder combinaron mtodos y

herramientas estadsticas, en conjunto con el manejo del
cambio, para crear una filosofa de excelencia en los negocios.

Representa un cambio en el nivel de precisin de las mtricas

de calidad; de Defectos por miles de oportunidades, a
Defectos por milln de oportunidades.

Qu es Six Sigma?

Sigma es otra palabra para describir la desviacin estndar.

Algo que podemos calcular

y medir para cada proceso

DPMO

308,537

66,807

6,210

233

3.4

Porqu Six Sigma?

99% buenos vs 6
Manejo de
Equipaje
Sigma

Proc. De
Solicitudes

Tiempo de
Respuesta

Equipaje
extraviado

Errores en
Llamadas que
una solicitud exceden 2 min.

3,660 por
da

770 por
da

257 por da

340 por
da

72 por da

24 por da

12 por da

13 por
semana

5 por semana

6 por da

10 por ao 3 por ao

DPMO

%
Rendimiento

66,800

93.32%

6,210

99.349%

230

99.977%

3.4

99.99966%

Enfoque de Six Sigma

Especificacin
del cliente
En objetivo

Defectos

Enfoque de Six Sigma (-2)

Especificacin
del cliente
En objetivo

Defectos

Reduciendo la variabilidad del proceso, mejoramos el cumplimiento

de los objetivos del cliente y reducimos los defectos del proceso.
8

Enfoque de Six Sigma (-2)

Donde est ubicada una empresa promedio?

Alrededor de 3 sigmas

Ojo: solo pocas empresas y slo pocos procesos merecedores de

esas empresas estn en 6 sigmas

Visin de Six Sigma

Enfoque al cliente.. Satisfacer completamente sus

necesidades de manera Rentable.

Reduccin de defectos.

Reduccin de la variacin.

-> Definicin de Defecto por sixsigma

10

Estructura de Six Sigma

Champion

Sponsor
-

Master BlackBelt

- Dirige la iniciativa
- Asegura Recursos
- Participa en la estrategia 6

- Tiempo completo
- Profundo conocimiento y
experiencia
- Capacita a GB y BB
- Lidera y asesora los
proyectos complejos 6
- Participa en la estrategia 6

Dueo del proceso a mejorar

Responsable de los resultados
Asigna recursos
Da seguimiento

Coordinador

- Tiempo completo
- Trabaja con el
Champion en
despliegue e
implementacin 6
- Administra la
organizacin 6

Toda la Organizacin
- Entienden la visin y la
estrategia del negocio
- Apoyan y participan

Finanzas

- Valida y determina el
impacto $$ de los
proyectos

Black Belts

Green Belts

Tiempo completo
Profundo conocimiento
Capacita GB
Lidera y asesora
proyectos 6

- Ejecuta y lidera proyectos 6

11

DMAIC vs DFSS

DMAIC (Define-Measure-Analyse-Improve-Control):
Enfocado a mejorar/innovar algo ya existente (proceso, producto,
servicio, etc.)
Enfocado a mejoras de tiempos cortos (no mayor a 6 meses)

DFSS (Design For Six Sigma):

Enfocado a crear de cero algo innovador.
Sus mejoras duran mas tiempo.

12

DMAIC

Definir

Seleccionar Proyecto
Formar Equipos
Identificar CTQs

Medir

Analizar

Establecer Objetivos
Identificar Xs (todas
posibles)

Mejorar

Controlar

Desplegar Solucin
Validar Resultados
Asegurar que la
solucin permanece

Encontrar y Confirmar Xs
(Vitales)
Identificar y definir Solucin
Pilotear Solucin
Y = F(X)

Definir especificaciones
Validar Sistema de
Medicin
Medir la Capacidad Actual
13

Fase Definir

Es la primera etapa de la metodologa.

Se identifica el producto y/o proceso a ser mejorado
Se asegura de que todos los recursos estn disponibles

Marca las expectativas de mejora del proyecto

Mantiene el enfoque de la estrategia en los requerimientos del
cliente

Salidas:

CTQs
Organigrama del equipo del proyecto con propsito y metas
Un mapa de alto nivel del proceso

Definir
14

Fase Medir

Segunda etapa de la metodologa DMAIC

En esta fase se definen el(los) defecto(s)
Recopila informacin inicial del producto o
proceso
Define el sistema de medicin a utilizar

Medir

(qu medir, cmo medir)

Permite entender el estado actual del proceso antes de

identificar mejoras
Salidas:
Salidas del proceso definidas (las Ys)
Validar los datos en las salidas del proceso (Ys) y las variables
que impactan el proceso (Xs)
Define y Validar el sistema de medicin
Evaluacin exacta del desempeo actual del proceso

15

Fase Analizar

Tercera etapa de la metodologa

Examina los datos recolectados en la fase de medir
Se identifica una lista priorizada de fuentes de
variacin (Xs)

Se enfoca en mejorar por medio de la identificacin

de las pocas Xs Vitales de las muchas Xs triviales

Salidas:
Lista priorizada de fuentes potenciales de variacin
Estimado mas refinado de los beneficios que tienen el
potencial de realizarse debido a las mejoras del
proceso.

Analizar
16

Fase Mejorar

Cuarta etapa de la metodologa

Se confirma que la solucin propuesta alcanzar o exceder
las metas de mejora de calidad del proyecto
Se prueba la solucin a pequea escala (piloto) en ambiente
real del negocio
Permite asegurar que la solucin funcionar cuando est
completamente implementada
Salidas:
La solucin propuesta
La prueba Piloto de la solucin y sus resultados
medibles

17

Mejorar

Fase Controlar

Quinta etapa de la metodologa

Aqu se implementa la solucin
Se asegura de que sta se encuentre fundamentada
Se toman lecciones aprendidas
Se asegura que una vez que se implementa la solucin, sta
se mantendr y que el proceso no regresar a su estado
inicial (estadsticamente hablando)
Se comparte la informacin para ayudar a acelerar mejoras
similares
Salidas:
Proceso mejorado
Documentacin del proyecto
Oportunidades de transicin del proyecto

18

Controlar

Revisin de Fases

Definir
Medir
Analizar
Mejorar
Controlar
19

Contenido detallado Da 3

Quick Reference de Six Sigma

Interrelacin de Six Sigma y CMMI
Six Sigma - Detalle

DEFINE
MEASURE
ANALIZE
IMPROVE
CONTROL

20

INTERRELACION DE SIXSIGMA Y
CMMI

21

Toolkit (comprimido)
DEFINE

MEASURE

ANALYZE

CTQ

GQIM

FMEA

Voz del Cliente

Formatos de
Recoleccin de
Mtricas

Root Causal
Analysis

Proy. Charter
Model Kano
Quality
Function
Deployment

Validacin de
sistema de
Medicin
- R&R
- AR&R

Prueba de
Hiptesis

IMPROVE
Diseo de
Experimentos

Control
estadstico

Modelado

Grficos de
Control

Costo de la
Calidad

ANOVA
COPIS

Inferencia
estadstica

COPIS

22

CONTROL

No Resultados

C
Definir proyecto y
Seleccionar
Objetivos

OPP

Analizar
datos

Recolectar
Datos

MA

Identificar
Posibles Causas

Ejecutar Anlisis
Causal

CAR

GO NO GO ->

DAR

OPP

Priorizar
Causas

Planificar
Despliegue
(Piloto)

Implementar
Mejora

I
23

Priorizar
Problemas

OPM OPF

Identificar
Soluciones
Potenciales

Contenido detallado Da 3

Quick Reference de Six Sigma

Interrelacin de Six Sigma y CMMI
Six Sigma - Detalle

DEFINE
MEASURE
ANALIZE
IMPROVE
CONTROL

24

SIX SIGMA - DETALLE

25

DEFINIR

26

Conceptos - CTQ
CTQ o Critical to Quality
Corresponde a los requerimientos crticos del cliente
Los clientes por lo general buscan
1.
2.
3.
4.
5.

El desempeo deseado
Cuando ellos lo quieren
No daado
Notificado proactivamente
Facturado correctamente

El cliente puede ser interno o externo.

27

Conceptos - Clientes
El cliente puede ser interno o externo dependiendo del proceso.
Quin es el cliente del proceso de RH?
Quin es el cliente del proceso de desarrollo de apps?
Todos los clientes tienen el mismo peso? NO
No todos los clientes son iguales y no todos crean el mismo
valor.

28

Conceptos - Clientes
Sistemas reactivos de informacin:
Los requerimientos llegan, los pidas o no.

Sistemas proactivos:
Necesitas esforzarte para obtener
la informacin.

29

Ejercicio:
Cules son los Requerimientos?
A quin le gusta tomar caf?
Como le gusta el caf a cada uno:
Caractersticas:

30

Conceptos - CTQ

El reto es traducir la voz del cliente a Requerimientos crticos

del cliente
Los clientes con frecuencia expresan sus necesidades en su
propio lenguaje

Me gustara un caf agradablemente caliente

Solo con caractersticas medibles y cuantificables del proceso

podremos entender realmente la voz del cliente.
Caracterstica: temperatura del caf
Valor objetivos: 77
Unidad de medida: C
Limites: no arriba de 83C no menor de 74C

31

rbol de CTQs
Producto o Servicio
Necesidad Terciaria
Requerimiento
del Cliente

Necesidad Secundaria
Requerimiento
del Cliente

Necesidad Primaria

Requerimiento
del Cliente

Requerimiento
del Cliente

32

Ejercicio: rbol de CTQs

Un buen
Caf

Valores:
A=9
M=3
B=1

Importancia por el cliente:

Utilizar caf fresco
Utilizar una maquina de expresos
Usar Agua Purificada
Usar recipiente trmico

33

Qu es QFD?

QFD = Quality Function Deployment

Coloquialmente llamado Casa de la Calidad
Sirve para identificar y trasladar los requerimientos y
necesidades del cliente a funciones y caractersticas medibles
del proceso/producto
Lo debe utilizar un equipo interdisciplinario

Relaciona los CTQs con las caractersticas

tcnicas del proceso
34

QFD
9

Matriz de Correlacin
4

Requerimientos Tcnicos

Requerimientos del
Cliente

Prioridades

Actual/Benchmark

Direccin de Mejora

Matriz de Correlacin
5

Importancia de cada requerimiento

Evaluacin de Ingeniera

QFD - Ejemplo

El modelo Kano

SATISFACCION DEL CLIENTE

Deleite

Neutral

Insatisfaccin

Ausente

Completo

PRESENCIA DE LA CARACTERSTICA
37

Definir y Dimensionar Proyectos

TEAM CHARTER
Impacto en el Negocio

Alcance del Proyecto

Definicin del Problema

Integrantes del Equipo

Qu:

Champion:

Cunto:

Patrocinador:

Cundo:

Lder:

Tamao del problema:

Co-lder:

Objetivos especfico del proyecto:

Fechas Objetivo:

Equipo:

.
.
.
.

%, DPMO, Cpk, Cp, DS

Plan

38

Real

Definir y Dimensionar Proyectos

Impacto en el Negocio:

Porqu se debe hacer el proyecto?

Porqu es importante hacerlo ahora?
Cules son las consecuencias de NO hacer el
proyecto?
Cmo est alineado
con las iniciativas y
objetivos del negocio?

39

Definir y Dimensionar Proyectos

Definicin del Problema:

Qu est equivocado o no satisface

necesidades del cliente?
Dnde y cundo ocurre el problema?
De que tamao es el problema? (cuanto)
Cul es el impacto del problema?

40

las

Definir y Dimensionar Proyectos

Errores Comunes:

El problema est basado en suposiciones

En la definicin del problema se describe la causa
raz
No se pueden colectar datos para verificar y
analizar el problema (intangible)
La definicin del problema es demasiado estrecha
o demasiado amplia
Est incluida o implcita la solucin del problema
No trabajamos para tener a los clientes
satisfechos
41

Mapa de Proceso COPIS (SIPOC)

Clientes
(Customer)

Salidas
(Outputs)

Proceso

42

Entradas
(Inputs)

Proveedores
(Suppliers)

Mapa de Proceso COPIS (SIPOC)

Pensamiento
Flujo

Proveedores
(Suppliers)

Entradas
(Inputs)

Proceso

Salidas
(Outputs)

Clientes
(Customer)

Proveedores: todos los proveedores internos y externos

Entradas: todas las entradas, ej. Materiales, formatos, info..
Proceso: de 3 a 5 bloques representando todo el proceso
Salidas: todas las salidas para los clientes
Clientes: todos los clientes internos y externos del proceso
43

COPIS para identificar mtricas

Proveedores
(Suppliers)

Entradas
(Inputs)

Mtricas de Entrada

Proceso

Mtricas de
Proceso

Salidas
(Outputs)

Clientes
(Customer)

Mtricas de Salida

- Exactitud de informacin de
entrada

Calidad

Velocidad
- Demora por Fase
- Costo por Factura
44

Costo

COPIS Uso en Define

El COPIS aqu se utiliza slo para entender los rasgos del

proceso bajo anlisis.
Sirve para establecer contexto
Sirve como base para definir mediciones en la siguiente fase

45

MEDIR

46

Plan De Coleccin de Datos

Establecer
Objetivos de
Colectar Datos

Aclare el
propsito de
colectar datos
Identifique
cules datos
colectar

Desarrollar
Definiciones
Operativas y
Procedimientos

Asegurar
Consistencia
Y Estabilidad

Escriba y pruebe las Pruebe y valide

definiciones
los sistemas de
operativas
medicin
Desarrolle y pruebe
formatos y
procedimientos de
coleccin de datos.

Colectar Datos
Monitorear
Consistencia

Entrene a los
colectores.
Pruebe el
proceso y haga
ajustes.
Colecte los datos.
Monitoree datos y
consistencia.

Establezca el plan
de muestreo.

47

Definicin de Mtricas

Objetivos

Preguntas

GQIM
Indicadores

Mtricas

YA LO VIMOS
NEXT!
48

Recordando: Segmentacin
Factores Comunes de Segmentacin
Ejemplos de Categoras para Defectos
Factor

Ejemplo

What type

Complaints, defects, problems

When

Year, month, week, day

Where

Country, region, city, work site

Who

TIP: Pensar en factores no pensados en el diseo inicial del proceso medido.

Business, department, individual,

customer type, market segment

49

Sistema de Medicin
Entradas
Proceso

Salidas

Variacin del
Producto

Ejemplo

(Variacin
Actual)

Entradas Proceso de
Medicin

Variacin de
la Medicin

Salidas

Observaciones
Mediciones
Datos

Variacin
Total
(Variacin
Observada)

#1

Ejemplo

Actual (Parte) + Sist. Med. = Observada (Total)

#2
Variabilidad del
Sistema de Medicin
Investigado a travs
del Estudio de R&R

50

Fuentes de Variacin en un Sistema

de Medicin
Variacin Observada del Proceso
Variacin de la
Medicin

Variacin
Parte a Parte (Actual)

Largo Plazo

Corto Plazo

Variacin del Proceso

Variacin del Proceso

Debida al
Operador

Debida al
Instrumento

Reproducibilidad

Repetibilidad
/ Precisin
Exactitud / Sesgo
Estabilidad

Linealidad

51

Repetibilidad
Variacin del equipo (VE).
Es la variacin en las mediciones atribuibles a un
instrumento de medicin cuando sea utilizado varias
veces por un operador para medir la misma
caracterstica en la misma parte.

P1

O1
Repetibilidad

m1 m2 m3
52

Reproducibilidad
Variacin del Operador.
Es la variacin en las mediciones atribuible a
diferentes operadores utilizando el mismo
instrumento de medicin para medir la misma
caracterstica en una misma parte.
P1
Operador A

Operador B

O1
Reproducibilidad

O2

m1 m2 m3 m1 m2 m3
53

Forma tpica de un Gage R&R

P1

P2

O1

O2

O1

O2

m1 m2 m3

m1 m2 m3

m1 m2 m3

m1 m2 m3

Este es un arreglo tpico de un estudio de Gage R&R

Total

Medicin +
54

producto

Ejemplo de GR&R para Datos

Continuos
Escenario: Entrega a Tiempo de Embarques a Clientes

Fundamentos: Los despachadores

de Seguro Llega registran la hora
en la que los choferes avisan que
han completado la entrega al cliente
(ste es un requerimiento del
cliente). Como hay 3 despachadores
anotando los tiempos de entrega, y
hay 10 choferes que realizan
entregas, se llam a un Black Belt
para que ayudara a validar que los
tiempos de entrega cumplieran con
los requisitos de
Repetibilidad,
Reproducibilidad y Exactitud.

Archivo: GBCase Study.mtw

55

Ejemplo de GR&R para Datos

Continuos

Paso 1: Disee un formato para captura de datos en Minitab.

El BB le pidi a los 3 despachadores que recopilaran el tiempo en
el que los choferes de los 10 camiones llamaran.
Se dise un formato para captura de datos en Minitab para
guardar los datos de los 10 camiones (Part/Truck), 3
despachadores (Oper), 2 corridas (Trial) y el tiempo de diferencia
de entrega real vs el solicitado (Meas).

Paso 2:
Realice el Estudio Minitab File: Gage R&R Datos Continuos.mtw
Recolecte y Capture los Datos.
Los choferes llamaron y los
despachadores
anotaron
la
diferencia en tiempo contra el
tiempo solicitado por el cliente.
Los datos fueron recolectados y
capturados en el formato en
Mintiab.
56

Ejemplo de GR&R para Datos

Continuos
Paso 3: Realice clculos y prepare grficas
Estudio de Gage R&RANOVA
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)

57

Ejemplo de GR&R para Datos Continuos

Minitab generar los siguientes datos que usaremos para

determinar si el sistema de medicin es aceptable:
1.
2.
3.
4.
5.

Graphical Summary
Two-Way ANOVA Table with Interaction (p-values)
% Comparisons Table (% Contribution)
% Comparisons Table (% Tolerance)
Discrimination Index

58

Reglas generales
Paso 4: Analizar los resultados del Gage R&R
% de la Tolerancia
1. R&R menor a 10% Sistema de Medicin aceptable
2. R&R 10% a 30% Puede ser aceptable tomar
decisiones soportndose en otras caractersticas
(retroalimentacin del cliente, etc.)
3. R&R arriba de 30% No aceptable. Encuentre el
problema, re-visite el Diagrama de Pescado, remueva las
Causas Races. Hay algn instrumento de medicin
mejor, justifica el costo-beneficio?
59

Reglas generales
% de Contribucin (o Varianza del Gage R&R):
La Varianza del GR&R debe ser pequea comparada
a la Varianza Parte-a-Parte aplica en los casos en los
que la Ventana de Tolerancia no es significativa, y el % de
Tolerancia no est disponible.
1. % de Contribucin < 2% Sistema de Medicin es
aceptable
2. % de Contribucin 2%-8% Sistema de Medicin es
marginal
3. % de Contribucin > 8% Sistema de Medicin es
inaceptable

60

Reglas generales
Nmero de Categoras Distintivas
Proporcin de la Seal-de-Ruido=

(DesvEstpartes/proceso/DesvEstGR&R) x 1.41 y redondeado

< 2 - no hay valor en el control del proceso, las todas las

partes lucen igual

= 2 se pueden observar 2 grupos alto/bajo,

bueno/malo

= 3 se pueden observar 3 grupos alto/medio/bajo

4 Sistema de Medicin aceptable (entre ms alto,

mejor)

61

Grficos de ANOVA para el estudio de

Gage R&R en Minitab
ANOVA significa Anlisis de Varianza (Analysis of Variance)
Es una herramienta usada para analizar la variacin total entre diferentes
fuentes.
Parte la variacin total en las distintas fuentes (parte, operador, oper*parte,
interaccin).
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:

Gage R&R (ANOVA) for Meas

Oper*Part/Truck Interaction
3

3.0SL=87.96
X=80.75
-3.0SL=73.54

Average

Sample Mean

Xbar Chart by Oper

110
100
90
80
70
60
50
40
30

1
2
3

Part/Truck

R Chart by Oper

Sample Range

15

3.0SL=12.52
10
5

R=3.833

-3.0SL=0.00E+00

Oper

Percent

500
400
300
200
100
0
Reprod

10

5
1

Part-to-Part

By Part/Truck
%Total Var
%Study Var
%Toler

Repeat

110
100
90
80
70
60
50
40

Components of Variation

Gage R&R

By Oper

Oper

110
100
90
80
70
60
50
40

110
100
90
80
70
60
50
40

Part/Truck

6
1

10

Grficos de ANOVA para el estudio de

Gage R&R en Minitab
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:

Gage R&R (ANOVA) for Meas

Oper*Part/Truck Interaction
3

3.0SL=87.96
X=80.75
-3.0SL=73.54

Average

1
2
3

Part/Truck

R Chart by Oper
1

3.0SL=12.52
10
5

R=3.833

-3.0SL=0.00E+00
0

Oper

500

10

300
200
100
0
Part-to-Part

110
100
90
80
70
60
50
40

Part/Truck

Gage name:
Date of study :
Reported by :
Tolerance:
Misc:

10

Gage R&R (ANOVA) for Meas

Xbar Chart by Oper
110
100
90
80
70
60
50
40
30

Oper*Part/Truck Interaction
3

3.0SL=87.96
X=80.75
-3.0SL=73.54

Average

Promedio de 2
mediciones tomadas
por el operador 1.

R Chart by Oper
1

Oper 1
2

Oper 2
3.0SL=12.52

10
5

R=3.833

-3.0SL=0.00E+00
0

1
2
3

Rango de 2
mediciones tomadas
por el operador 1.

200
100
0
Gage R&R

Repeat

Reprod

Part-to-Part

10

By Part/Truck
%Total Var
%Study Var
%Toler

300

By Oper

Components of Variation
400

Oper 3

110
100
90
80
70
60
50
40

Oper

500

Oper

110
100
90
80
70
60
50
40

Part/Truck

15

Sample Range

Percent

400

Reprod

By Part/Truck
%Total Var
%Study Var
%Toler

Repeat

110
100
90
80
70
60
50
40

Components of Variation

Gage R&R

By Oper

Sample Mean

Sample Range

15

Oper

110
100
90
80
70
60
50
40

Percent

Sample Mean

Xbar Chart by Oper

110
100
90
80
70
60
50
40
30

110
100
90
80
70
60
50
40

Part/Truck

10

Grficos de ANOVA para el estudio de Gage

R&R en Minitab
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:

Gage R&R (ANOVA) for Meas

Oper*Part/Truck Interaction

3.0SL=87.96
X=80.75
-3.0SL=73.54

1
2
3

Part/Truck

R Chart by Oper
Sample Range

15

10
5

R=3.833

-3.0SL=0.00E+00
0

Oper

500
400
300
200
100
0

10

110
100
90
80
70
60
50
40

Part/Truck

Part-to-Part

10

Gage nam e:
Date of s t udy :
Report ed by :
Toleranc e:
Mis c :

S a m p le R a n g e

S a m p le M e a n

Gage R&R (ANOVA) for Meas

Xbar Chart by Oper
110
100
90
80
70
60
50
40
30

3.0SL=87. 96
X=80. 75
-3.0SL=73.54

Oper*Part/Truck Interaction

1
2
3

Part/Truck

15

R=3.833

-3.0SL=0.00E+00

Oper

10

By Part/Truck

500

110
100
90
80
70
60
50
40

%Tot al Var
%Study Var
%Toler

400
300
200
100
0

Components of Variation

Reprod

110
100
90
80
70
60
50
40

3.0SL=12. 52

R epeat

By Oper

10

Gage R&R

Oper

110
100
90
80
70
60
50
40

R Chart by Oper

P erc e nt

Percent

By Part/Truck
%Total Var
%Study Var
%Toler

Reprod

110
100
90
80
70
60
50
40

Components of Variation

Repeat

By Oper

3.0SL=12.52

Gage R&R

Oper

110
100
90
80
70
60
50
40

A v e ra g e

Average

Sample Mean

Xbar Chart by Oper

110
100
90
80
70
60
50
40
30

Part/Truck

Part-to-Part

10

Grficos de ANOVA para el estudio

de Gage R&R en Minitab
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:

Gage R&R (ANOVA) for Meas

Oper*Part/Truck Interaction
3

3.0SL=87.96
X=80.75
-3.0SL=73.54

1
2
3

Part/Truck

3.0SL=12.52

R=3.833

-3.0SL=0.00E+00
0

Oper

500

300
200
100
0
Part-to-Part

Xbar Chart by Oper

By Part/Truck
%Total Var
%Study Var
%Toler

400

Percent

Gage R&R (ANOVA) for Meas

10

110
100
90
80
70
60
50
40

Components of Variation

Reprod

110
100
90
80
70
60
50
40

Part/Truck

10

Sam
pleM
ean

Repeat

By Oper

10

Gage R&R

110
100
90
80
70
60
50
40
30

Oper*Part/Truck Interaction
3

3.0SL=87.96
X=80.75
-3.0SL=73.54

Oper

110
100
90
80
70
60
50
40

1
2
3

Part/Truck 1 2 3 4 5 6 7 8 9 10

R Chart by Oper
15

By Oper
3

3.0SL=12.52
10
Sam
pleRange

Sample Range

Average

R Chart by Oper
15

Gage name:
Date of study:
Reported by :
Tolerance:
Misc:

Oper

110
100
90
80
70
60
50
40

R=3.833

-3.0SL=0.00E+00
0

110
100
90
80
70
60
50
40

Oper

Components of Variation
500

300
200
100
0
Gage R&R Repeat

Reprod Part-to-Part

By Part/Truck
%Total Var
%Study Var
%Toler

400
Percent

Average

Sample Mean

Xbar Chart by Oper

110
100
90
80
70
60
50
40
30

110
100
90
80
70
60
50
40

Part/Truck

3 4

6 7

9 10

Tabla de ANOVA para el estudio

de Gage R&R en Minitab
Two-Way ANOVA Table With Interaction
Source

Fuentes de
Variabilidad

DF

Part/Truck
9
Oper
2
Oper*Part/Truck 18
Repeatability 30
Total
59

SS

MS

20587.1 2287.45
480.0 240.00
036.7
7.59
387.5
12.92
22491.2

39.7178
4.1672
4.4588

0.00000
0.03256
0.00016

P< 0.05 indica que la fuente de

variacin es
estadsticamente
significativa!

Las partes, los operadores y la interaccin entre

las partes y los operadores son fuentes de
variacin estadsticamente significativas
66

Tabla de Comparacin para el

estudio de Gage R&R en Minitab

% Tolerancia
Tasa
TasaP/T
P/T

(Tasa
(Tasade
dePrecisin-Tolerancia)
Precisin-Tolerancia)

R&R
R&Rcomo
como%%de
de
Tolerancia
Tolerancia

Source

%Contribution %Study Var %Tolerance

Total Gage R&R

Repeatability
Reproducibility
Oper
Oper*Part/Truck
Part-To-Part
Total Variation

10.67
3.10
7.56
2.19
5.37
89.33
100.00

32.66
17.62
27.50
14.81
23.17
94.52
100.00

Rangos de Aceptacin
del % Tolerancia
No Aceptable

30%

Cuestionable
Aceptable
67

10%

171.53
92.54
144.43
77.76
121.70
496.41
525.21

Tabla de Comparacin para el estudio

de Gage R&R en Minitab

% Contribucin
%R&R
%R&RContribucin
Contribucin
(Variacin
(VariacinTotal)
Total)

R&R
R&Rcomo
como%
%de
delala
Variacin
VariacinTotal
Totaldel
del
Proceso
Proceso

Variacin debida
al Sist. De Med.

No Aceptable
Cuestionable

8.0%

Aceptable

2.0%

Variacin debida
a las partes

Source

%Contribution %Study Var %Tolerance

Total Gage R&R

Repeatability
Reproducibility
Oper
Oper*Part/Truck
Part-To-Part
Total Variation

10.67
3.10
7.56
2.19
5.37
89.33
100.00

32.66
17.62
27.50
14.81
23.17
94.52
100.00

100%

171.53
92.54
144.43
77.76
121.70
496.41
525.21

Mayor Explicacin:
Source

Rangos de Aceptacin
del % Contribucin

Total Gage R&R

Repeatability
Reproducibility

%Contribution
10.67
3.10
7.56

Oper
2.19
Oper*Part/Truck
5.37
Part-To-Part
89.33
Total Variation
100.00
2.19 + 5.37 = 7.56

3.10 + 7.56 = 10.67

Reproducibilidad es el problema
principal (contribuye ms que la
Repetibilidad).

De la Reproducibilidad, la interaccin entre Oper y Part/Truck es ms problemtico que la Reproducibilidad de los

Operadores. Verifique el grfico de la interaccin Oper*Part/Truck para encontrar qu partes pueden tener problema.

Tabla de Comparacin para el estudio

de Gage R&R en Minitab

ndice de Discriminacin
ndice
ndicede
de
Discriminacin
Discriminacin

Nmero
Nmerode
de
Categoras
Categoras
Distintivas
Distintivas
Valores Aceptables del
ndice de Discriminacin

ndice
ndicede
deDiscriminacin:
Discriminacin:
Provee
Proveeelelnmero
nmerode
dedivisiones
divisionesque
queelelSistema
Sistemade
de
Medicin
Medicinpuede
puedemedir
medircon
conexactitud
exactitudaatravs
travsde
delala
variacin
variacindel
delproceso.
proceso.
Indica
Indicaqu
qutan
tanbien
bienelelinstrumento
instrumentopuede
puededetectar
detectar
lalavariacin
variacinparte-a-parte
parte-a-partecambios
cambiosyymejoras
mejorasen
en
elelproceso
proceso

Number of Distinct Categories = 4

Para este sistema de medicin: El ndice de
Discriminacin = 4

Menos de 2, inadecuado
Igual a 2, equivale a un instrumento
Esto indica que el instrumento ha alcanzado el
de pasa / no-pasa.
nivel mnimo aceptable.
Valor mnimo aceptable = 4.
Valor ptimo = 10 ms.
69

ndices clave de Gage R&R

33ndices
ndicesClave
Clavepara
parala
laCapacidad
Capacidaddel
delSistema
Sistemade
deMedicin
Medicin
11

22

33

Tasa
TasaP/T
P/T

%
%Contribucin
Contribucin

ndice
ndicede
de
Discriminacin
Discriminacin

R&R
R&Rcomo
como%
%de
de
Tolerancia
Tolerancia

R&R
R&Rcomo
como%
%del
del
Total
Totalde
deVariacin
Variacinde
de
la
laMedicin
Medicin

Nmero
Nmerode
de
Categoras
Categoras
Distintivas
Distintivas

% Tolerancia =
171.53%

% Contribucin =
10.67%

ndice de
Discriminacin = 4

(Tasa
(Tasade
dePrecisin-Tolerancia)
Precisin-Tolerancia)

70

Mtodos de validacin

Datos de Atributos
1. R & R de Atributos
% Repetibilidad (>
90%)
% Reproducibilidad (>
90%)
% Exactitud (>90%)
% Confiabilidad
(>90%)

71

Objetivo de un R&R para atributos

Las metas son similares a los sistemas de datos continuos

Para atributos, la informacin es similar pero con un
enfoque diferente:

%
%
%
%

de
de
de
de

efectividad (confiabilidad global)

acuerdo dentro de cada operario (Repetibilidad)
acuerdo entre operarios (Reproducibilidad)
acuerdo con un estndar conocido (Exactitud)

72

Muestras para estudios de R&R

para atributos

Necesitamos de 30-50 muestras con un rango propio del

proceso para ver las condiciones de operacin

La mayora de las muestras deben ser de reas

grises

El resto debe de ser claramente bueno o malo

Ejemplo: Errores en facturas

Recolectamos 30 facturas

5 sern claramente defectuosas (un defecto muy

grande o conjunto de varios defectos suficientes
para rechazar)

5 sern claramente aceptables (todo correcto)

El resto varan en tipo y cantidad de defectos

73

Ejemplo de atributos

Este ejemplo es de inspeccin de calidad de producto.

Preocupada con el rechazo de solicitudes, un BB estudia la

consistencia entre operadores al clasificar las piezas.

40 piezas fueron seleccionadas:

10 eran claramente aceptable,

10 claramente se deban rechazar, y

El resto deban ser inspeccionadas minuciosamente

para calificar la calidad de la pieza.

3 operadores fueron evaluados y sus resultados fueron

comparados con el resultado conocido.

74

R&R de Atributos

R&R de Atributos: Repetibilidad

13/120 (no coinciden) = (1-.1083) = 89.17% (pasa)

R&R de Atributos: Reproducibilidad

19/40 (no coinciden) = (1-.475) = 52.50% (no pasa)

R&R de Atributos: Exactitud

40/360 (no coinciden) = (1-.1111) = 88.89% (pasa)

Resumen R&R de Atributos

Repetibilidad: 13/120
89.17% (pasa)

no coinciden = 100 (1-.1083) =

Reproducibilidad: 19/40 no coinciden = 100 (1-.475) =

52.50% (no pasa)

Exactitud: 40/360 no coinciden = 100 (1-.1111) = 88.89%

(pasa)

79

Gua para Evaluar un R&R de Atributos

Repetibilidad: 90% de acuerdo dentro de cada

operador

Reproducibilidad: 90% de acuerdo entre los

operadores

Exactitud: 90% de acuerdo con el estndar

80

R&R para atributos en

Minitab

Diseo:
3 Operadores
3 Pruebas
40 Piezas
Evaluaciones estn en
la columna Respuesta
Los valores del
experto estn en la
columna Verdadera

R&R de atributos en Minitab

Stat > Quality Tools > Attribute

Agreement Analysis

82

R&R de atributos en Minitab

Indica la columna
correcta

Incluye la evaluacin
experta

R&R de atributos en Minitab

Date of study:
Reported by:
Name of product:
Misc:

Assessment Agreement

Within Appraisers
100

Appraiser vs Standard
100

95.0% CI
Percent

90

Percent

Percent

90

95.0% CI
Percent

80

80

70

70

60

60
1

2
Appraiser

Agreement Within Appraiser es la

repetibilidad

2
Appraiser

Esta grfica muestra el % de acuerdo

entre los evaluadores y el experto

R&R de atributos en Minitab

% de REPETIBILIDAD (evaluador coincide
en sus pruebas)

Within Appraisers
Appraiser # Inspected
1
40
2
40
3
40

# Matched
37
38
32

Percent
92.50
95.00
80.00

95 % CI
(79.61, 98.43)
(83.08, 99.39)
(64.35, 90.95)

# Matched: Appraiser agrees with him/herself across trials.

Each Appraiser vs Standard
Appraiser # Inspected
1
40
2
40
3
40

# Matched
35
34
31

% EXACTITUD
(da la respuesta correcta)

Percent 95 % CI
87.50
(73.20, 95.81)
85.00
(70.16, 94.29)
77.50
(61.55, 89.16)

# Matched: Appraiser's assessment across trials agrees with the known standard.

Queremos 90% o ms de acuerdo

R&R de atributos en Minitab

% de REPRODUCIBILIDAD
(evaluadores coinciden)

Between Appraisers
# Inspected
40

# Matched Percent 95 % CI
21
52.50
(36.13, 68.49)

# Matched: All appraisers' assessments agree with each other.

% CONFIABILIDAD
(Efectividad del Sist. De
Medicin)

All Appraisers vs Standard

# Inspected
40

# Matched
21

Percent
52.50

95 % CI
(36.13, 68.49)

# Matched: All appraisers' assessments agree with the known standard.

Queremos 90% o ms de acuerdo

Documentar Resultados

Durante la revisin de fase se validan (entre otras cosas):

Existen objetivos de medicin relacionados

Existe una mtrica definida (actual propuesta)
Las definiciones operacionales darn el detalle necesario para los
anlisis del proyecto SS
Es confiable el sistema de medicin
Existen datos actualmente (para OPM: son de los procesos
seleccionados bajo control estadstico?, Son estables?)
Puedo continuar u olvid algo?

87

ANALIZAR

88

FMEA

FMEA Failure Mode and Effect Analysis

Es un mtodo para:

Identificar maneras en que un producto o proceso puede fallar.

Estima el riesgo de una casua especifica que ocasiones alguna de
esas fallas.
Evalua el plan de control actual para prevenir que ocurran esas
fallas
Priorizar las acciones que deben ser tomadas para mejorar el
proceso
Planear cmo prevenir esas fallas

89

Cmo funciona el FMEA

4 preguntas bsicas:
1.
2.
3.
4.

Qu puede salir mal al momento de implementar un nuevo

concepto?
Qu tan severa es esta falla?
Cul es la probabilidad de que ocurra la falla?
Y si falla, nos podremos dar cuenta antes de que ocurra?

90

FMEA Template Ejemplo

91

Pruebas de Hiptesis
Permiten validar hiptesis sobre los datos bajo anlisis

En realidad es:
Correcto
Incorrecto
Se Acepta
Se Rechaza

Se piensa

Correcto

ok

Error

Incorrecto

Error

ok

92

Pruebas de Hiptesis

Las pruebas normalmente se definen en trminos de:

Ho: M1 = M2 = .. = Mn
Ha: al menos una es diferente

Alpha determina el nivel de exactitud de la prueba

- tpicamente es 95% (dejarlo as)

Dependiendo del tipo de dato Y y Xs a analizar es la herramienta

a elegir Ver hojas anexas (MDPI)

93

Capacidad del proceso

Existen dos ndices para medir la capacidad de un proceso de

datos continuos:

Cp: ndice de Capacidad Potencial

Compara la variacin del proceso contra la variacin de la
especificacin.
Ojo: solo la variacin, no si est dentro o fuera.

Cpk: ndice de Capacidad Real

Compara que tan centrada est la variacin del proceso en la

variacin de la especificacin.

94

Capacidad del proceso

Tipos de Problemas de Capacidad

Dispersin

LSL

Centrado

USL

LSL

Ambos

LSL

95

USL

USL

Capacidad del Proceso - Cp

Cp = USL LSL
6
Permite analizar la variacin del proceso contra la variacin de
los lmites de especificacin.

LSL

USL

AMPLITUD DEL PROCESO

AMPLITUD DEL PROCESO
96

Capacidad del Proceso -Cpk

Cpk = min(Cpu,Cpl)

Cpu = USL media

Cpu = media - LSL
3
3
Permite analizar que tan centrado y en cumplimiento est el
proceso contra los lmites de especificacin.

Centrado

LSL

Movido

97

USL

Capacidad ST vs LT

ST = Short Term
LT = Long Term

98

Datos de Atributos (discretos)

Unidad (U):

Oportunidad (OP):

Nmero de partes, sistemas o elementos probados

Una caracterstica dentro de la unidad que se prueba.

Defecto (D):

Insatisfaccin de una oportunidad.

Defectos por unidad: DPU = D / U

Total de Oportunidades: TOP = U*OP
Defectos por oportunidad: DPO = D/TOP
Defectos por milln de Oportunidades:
DPMO = DPO * 1,000,000
DPMO = (3/(2*10)) * 1,000,000 = 150,000

Capacidad Tabla til

Zst

CP

Zlt

DPMO

3.0

1.00

1.5

66,810

4.0

1.33

2.5

6,209

4.5

1.50

3.0

1,350

5.0

1.67

3.5

233

6.0

2.00

4.5

3.4

100

Inferencia estadstica

Uso de SPC para el entendimiento de la variacin del proceso

Grficos de control
Paretto, etc

Es necesario tener feeling al analizar los datos.

Ayuda tener histricos (muchos de ser posible) para poder
entender el proceso a largo plazo.

YA LO VIMOS
NEXT!
101

RCA Anlisis Causal

CAR en otras palabras; mismas prcticas, mismo proceso a

seguir; la diferencia: entenderlo desde un punto de vista
cuantitativo.

Cualquiera puede hacer un anlisis causal.

Si no est fundamentado cuantitativamente, no sirve para N5.

Temas a Ver:
Qu es?
Cmo sustentarlo numricamente?

102

RCA - Qu es?

Entender la causa o causas que provocan un problema

Primero ante todo hay que identificar el problema
correctamente

Mtodos
n-Causas

Material

n-Causas

Mquinas

n-Causas

1-Problema
n-Causas

n-Causas
n-Causas

Mediciones Mano obra Media

103

RCA - Qu es?

La tcnica de las 5-Whys o los 5-Porqus, puede

complementar el anlisis.

PROBLEMA
1 - Porqu?

2 - Porqu?

3 - Porqu?

4 - Porqu?

5 - Porqu?
104

RCA - Cmo soportarlo

numricamente? (1)

Identificar categoras (causas)

Analizar con Paretto

Validar 80%-20%

Establecer conclusiones.

105

RCA - Cmo soportarlo

numricamente? (2)

Complementar los datos con atributos

Planificar anlisis
Analizar con ANOVA

Validar P-value

Establecer conclusiones.

CAUSA

ATRIBUTO

RECOLECTAR

Sustentar Anlisis Causal

106

ANOVA

Ejemplo: RCA con ANOVA

107

MEJORAR

108

Qu mejorar? (1)

Dados los resultados del RCA se identifican acciones de

mejora.

Xs Vitales

Xs Vitales

Propuesta de Solucin A
Propuesta de Solucin B

DAR

Propuesta de Solucin C

Seleccin
-

Xs Vitales

Propuesta de Solucin D
109

Costo
Beneficio
Mayor
mejora al
desempeo

Qu mejorar? (2)

Se complementa el COPIS para identificar dnde caben las

mejoras (siempre en el proceso)

110

Qu mejorar? (3)

Se pueden utilizar modelos predictivos para validar cunto

puede mejorar el desempeo
Implica hacer un modelo especfico para el proyecto, o
Ajustar un modelo previo para soportar el proyecto

111

Qu mejorar? (4)

Se documenta la mejora:
Descripcin y detalle de la mejora
Se actualizan los objetivos de mejora (de ser
necesario)
Se plasman los resultados de los anlisis previos

Se planifica la implementacin inicial:

Piloto
Pilotos

Analizar Resultados
GO!

Se planifica la implementacin total:

Por reas
Por tecnologas
Por grupos especficos, etc.

112

CONTROLAR

113

Qu controlar?

Se controla el desempeo organizacional

A travs de los resultados de los proyectos

Grficos de Control

PPBs

Objetivos

Tiempo

Se validan los beneficios econmicos del proyecto.

Costo - Beneficio
COQ
COPQ

Se verifica que no sea una mejora temporal.

PPBs
Ms Tiempo

Que mas falta?

Documentar el cierre del proyecto

Documentar lecciones aprendidas para la mejora (GP 3.2)

Almacenar TODO

En el camino pudieron salir mejoras de segundo grado

Tomarlas para anlisis de otros proyectos
Cuidar el empezar todo de nuevo -> el proceso ya cambi y con
l su desempeo

115

Resumen

CMMI es un modelo
Six Sigma es una metodologa
Se complementa lo requerido para HM
No hay que olvidar los niveles inferiores

PP
PMC
IPM
RSKM
OPD, OPF

Mnimas herramientas, menor tiempo, mayor entendimiento

Definir el proceso perfectible.. No el perfecto

116

Felicidades!!!
Tal vez no eres un estadstico,
tal vez no eres un Black Belt
Pero puedes darte una idea general de qu hacer
Puedes definir tu proceso inicial e irlo mejorando.
Que Schrdinger te ayude.
117

Preguntas?