Koesuunnittelu - Tehokas prosessin sekä datankeräys- ja analysointimenetelmä

Julkaistu 20.06.2007    Kirjoittanut Tanja Karjalainen  Tilaa RSS

Prosessia ja siihen vaikuttavia tekijöitä pitäisi tutkia, kerätä tietoa, mutta kuinka tekisin sen tehokkaasti ja oikein? Kyseessä on monimutkainen prosessi, mitä tekisin? Oikea vastaus on: DOE

Koesuunnittelu (Design of Experiments, DOE) on menetelmä, jolla tehokkaasti tutkitaan syy-seuraussuhdetta useiden prosessin muuttujien (x) ja ulostulon tai ulostulojen (Y) välillä. Koesuunnittelun ideana on löytää tärkeimmät vaihtelun lähteet ja määrällistää vaikutus, joka näillä lähteillä on vasteeseen. Lisäksi pyritään selvittämään tekijöiden välisiä keskinäisvaikutuksia.

Havainnointitutkimuksissa yleensä tarkastellaan, miten prosessin muuttujat vaikuttavat ulostuloon ja mitä tapahtuu. Sen sijaan suunnitelluissa kokeissa ohjataan prosessimuuttujia ja asetetaan niille arvoja ja aktiivisesti muutetaan prosessia jota tutkitaan. Kokeet tarjoavatkin erittäin suuren määrän informaatiota tutkittavasta asiasta ja mahdollistavat syy-seuraussuhteen määrittämisen.

Koesuunnittelun tieteellinen läpimurto tapahtui 1920-luvulla Englannissa. Ronald A. Fischer tutkiessa viljojen satoisuutta ja parantaessaan satoa. Ensimmäisiä käyttöalueita oli maatalouden lisäksi lääketiede. Nykyisin koesuunnittelun käyttö on laajentunut useimmille aloille - erityisesti teollisuuteen. Suomessa koesuunnittelun käyttö teollisuudessa on lähtenyt Taguchi -menetelmästä ja sen soveltamisesta erilaisiin prosesseihin.

Nyt noin sata vuotta myöhemmin voit oppia tietellisen konseptin, DOE, perusteet muutamassa päivässä. Tehokkaissa koulutuksissa yhdistetään koesuunnittelun teoria, kokeen perusharjoitukset käytännössä sekä tietokoneella tehtävät harjoitusanalyysit tehokkaaksi kokonaisuudeksi.

Koesuunnittelua käytetään laajalti eri teollisuudenaloilla ja palvelusektorilla. Se soveltuu myös palveluprosesseihin ja niiden parantamiseen. Lukuisia esimerkkejä koesuunnittelun käytöstä löytyy. Yksinkertaisimpina esimerkkeinä lienee harrastustoimintaan liittyvät esimerkit, esimerkiksi auton virittäminen, treeniohjelman tehokkuuden selvittäminen, parhaan pullareseptin hakeminen, optimaalisimman tiskikoneen pesutuloksen hakeminen, jne. Käytännössä kaikkialla voidaan käyttää koesuunnittelua.

Koesuunnittelun tyyppejä on monia. Tyypillisesti kokeet jaetaan yksimuuttujakokeisiin (OFAT), haravointikokeisiin (screening), karakterisointikokeisiin (characterization) ja optimointikokeisiin (optimizing). Kulkiessamme listaa eteenpäin kokeet tuottavat yhä enemmän tehokkaampaa dataa mutta ongelmana on, että tavallisesti tämä tuo myös mukanaan suuremman ja kalliimman kokeen, vaatii enemmän näytteitä sekä monimutkaisuus lisääntyy merkittävästi. Monessa tilanteessa ns. haravointikokeet ovat riittäviä. Haravointikokeet ovat tuhansia tai miljoonia kertoja tehokkaampi vaihtoehto perinteiselle yksitekijäkerralla muuttamistekniikalle. Tehokkuus tarkoittaa, että voit suorittaa suuren määrän kokeita pienellä määrällä testiajoja. Toisin sanoin opit tutkimastasi prosessista nopeasti paljon yhtäaikaisesti. Haravointikokeille saadaan selville nopeasti ja usein suhteellisen edullisesti, mitkä tekijät prosessissa vaikuttavat eniten ulostuloon. Jo näiden kokeiden kautta saadaan paljon uutta informaatiota prosessista, jota ollaan tutkimassa. Toisinaan taas halutaan hakea optimia toimintakohtaa prosessista ja tarvitaan monimutkaisempia optimointikokeita.

Yleisimpiä kysymyksiä, joihin suunnitelluilla kokeilla haetaan vastausta ovat:

  • Mitkä ovat avain tekijät jotka prosessissa vaikuttavat ulostuloon?
  • Mitkä ovat "asetukset", jotta saadaan optimaalinen laatu, kustannus ja nopeus aikaiseksi?
  • Kuinka saan dataa, jonka avulla voin selvittää "asetukset"?
  • Mitkä ovat päätekijät ja keskinäisvaikutukset prosessissa?
  • Mitkä ovat asetukset, jotta prosessin ulostulo vaihtelee mahdollisimman vähän?

Kokeet perustuvat huolelliseen suunnitteluun. Kaikki meistä varmasti ovat tehneet ns. kokeile ja doe.jpgerehdy kokeita. On siis tehty jotain ja katsottu, kuinka se vaikuttaa. Ihmisillä on luontainen pyrkimys nopeasti ratkaista ongelma – ilman suunnitelmaa. Pitkällä tähtäimellä kuitenkin huolellinen suunnittelu aina johtaa meidät nopeammin ja parempaan ratkaisuun. Nimensä mukaisesti nämä ns. DOE -kokeet perustuvat suunnitelmiin (suunnittelet etukäteen, kuinka prosessia ajetaan tai systeemiä muutetaan tutkimuksen aikana). Näiden suunnitelmien tai matriisien avulla suoritetaan koeajot eli kerätään informaatiota eli tietoa. Koeajojen aikana prosessin muuttujien tasoja vaihdellaan suunnitelman mukaisesti eri tasoille ja mitataan tai havainnoidaan kullakin tekijöiden ajokombinaatiolla syntynyt ulostulo. Ideana ei ole ymmärtää koedataa, vaan ideana on hakea koedatan avulla ratkaisua koko tutkittavasta asiasta tai ilmiöstä.

Ennen koematriisit haettiin kirjoista ja analyysit tehtiin käsin. Tämä oli työlästä ja hidasti koesuunnittelun tehokasta käyttöä yrityksissä ja organisaatioissa. Koematriisien ja tekijämäärien vertailu oli ennen hankalaa sekä tuloksien analysointi vaati korkeaa ja hyvää tilastollista analysointitaitoa. Nykyisin matriisien luominen ja analysointi on helppoa tietokoneohjelmistojen, kuten MINITAB, ansiosta. MINITAB tarjoaa suuren määrän erilaisia koematriiseja sekä mahdollistaa 2-47 tekijän tutkimisen yhtäaikaisesti. MINITAB pitää sisällään helposti opittavan työkalupakin, jonka avulla voit arvioida yksittäisen tekijän tai niiden keskinäisvaikutusten vaikutusta ulostuloon, tutkittavaan kohteeseen. Tämän lisäksi voit mallintaa ja hakea optimaaliset arvot tekijöille, jotta pääset haluttuun lopputulokseen.

Useiden tekijöiden muuttaminen ja tuloksen analysointi ilman suunnitelmaa (rationaalista näytteenottoa) ei johda useinkaan parempaan. Miksi näin? Tekijät ovat toisistaan riippuvia, eli korreloivat keskenään, joten luotettavan analyysin aikaan saaminen on mahdotonta. Koesuunnittelu tuo rationaalisen näytteenoton ja mahdollistaa tehokkaan datan analysoinnin. Matriisin avulla poistetaan keskinäisriippuvuus analysoitaessa. Suunnitellun kokeen rakenne (esimerkiksi ortogonaalimatriisi) ja sen mukaisesti kerätty data yhdistettynä tilastollisiin työkaluihin mahdollistaa empiirisen mallin luomisen, jolla kuvataan prosessin toimintaa ja voidaan ajaa sitä ennalta haluttuun suuntaan.

Mitä ortogonaalisuus tarkoittaa ja mitä sillä saavutetaan? Seuraavilla kuvilla pyritään havainnollistamaan tätä. Esimerkissä on kyseessä prosessi, josta halutaan tutkia yhtätoista tekijää ja niiden vaikutusta ulostuloon. Muuttujista ja ulostulosta on kerätty tietoa siten että ne voidaan liittää toisiinsa. Oletetaan, että testissä on ajettu prosessia esim. yhden tunnin per koeajo ja tästä on kerätty tietoa. Esimerkissä on esitetty datan keräys ortogonaalin mukaisesti (aktiivisesti) ja mittaamalla mitä saadaan aikaiseksi sekä perinteisesti vain keräämällä havaintoja (passiivisesti) ja mittaamalla mitä prosessi saa aikaiseksi. Tekijät voivat olla kokeessa laadullisia tai määrällisiä, eli menettelytapoja, materiaalieriä, henkilöitä, asiakkaita, paineita, lämpötiloja, nopeuksia, aikaa kappalemäärää, tai mitä tahansa, mitä tulee mieleen.

taul1.jpgKuva 1. Ortogonaalimatriisi. Tekijät on esitetty ns. koodattuina yksiköinä. A-L ovat tekijöitä, joita muutetaan aktiivisesti suunnitelman mukaisesti ja niiden aikaan saama tulos kirjataan ulostuloksi. Koe analysoidaan toteutuksen jälkeen ulostuloa vasten.

taul2.jpgKuva 2. Ortogonaalimatriisi. Sama matriisi kuin yläpuolella, mutta tekijäA-L on esitetty ns. koodamattomina, eli luonnollisina prosessiarvoina.

taul3.jpgKuva 3. Samoista tekijöistä on kerätty havaintoja testin ajan yhtä kauan kuin kokeessakin. Tässä vaihtoehdossa tekijät "heiluvat" vapaasti (normaali prosessin toimintaa), toisin kuin DoE:ssa ne on asetettu haluttuun tilaan suunnitelman mukaisesti. Koe analysoidaan toteutuksen jälkeen ulostuloa vasten.

vertailu.jpgKuva 4. Kuvassa vasemmalla puolella on tekijöiden keskisnäisriippuvuuden arviointi ortogonaalimatriisissa ja oikealla, kun data on kerätty havainnoista. Päällä on korrelaatio analyysi, josta käy ilmi, että vasemmalla Perssonin korrelaatiokerroin on nolla kun taas oikealla puolella, se on jotain muuta.

Ortogonaalimatriisi mahdollistaa pilkkomaan kokonaisuudesta erilleen yksittäisen tekijän vaikutuksen ja luotettavan mallin luomisen. Tämä on mahdollista, koska tekijät ovat toisiaan kohden kohtisuoraan.

Kokonaisuuden tutkiminen yhtäaikaisesti ja tämän pohjalta luotujen luotettavien mallien ansiosta suunnitelluilla kokeilla (DOE) saavutetaan merkittäviä tuottoja. Jo pienen mittakaavan kokeissa yksittäisillä kokeilla saavutetaan yleensä kymmenien tuhansien eurojen tuotot, eikä miljoonien eurojen tuototkaan ole harvinaisia teollisessa toiminnassa Suomessa.

Seuraavassa on esiteltynä Quality Knowhow Karjalainen Oy:n esimerkki case, johon myös sinä olet mahdollisesti osallistunut lukiessasi artikkeleitamme. Olemme syksyn, talven ja kevään aikana julkaisseet ja lähettäneet 12-osaista artikkelisarjaa laadun eriaihealueista. Samalla olemme tehneet koetta L12 matriisin mukaisesti testaten muuttujia, jotka vaikuttavat internetsivujen kävijämäärään.

paatekijakuva.jpgKuva 5. Kuvasta on havaittavissa, että kaikki tekijät eivät vaikuta nettisivulla käviöiden määrään. Ideat on kerätty ideoimalla sekä kirjallisuudesta.

Usein pelätään, että koe aiheuttaa kustannuksia ja ongelmia. Alapuolella on kuva, josta käy ilmi, että viimevuonna toteutetun kokeen aikana kävijämäärä ei ole vähentynyt, vaan kasvanut. Kasvu on huomattava sekä tilastollisesti merkittävä.

tulosdoe.jpgKuva 6. Kokeen tulokset.

Kiitoksia osallistumisestasi tähän merkittävään kokeeseen! Koe on auttanut meitä ymmärtämään paremmin asiakastarpeita ja asiakkaiden kiinnostus sivujamme kohtaan on kasvanut.

 

tanja_n.jpg
Tanja Karjalainen

Kommentoi

(Sähköpostiosoitettasi ei julkisteta.)
Syötä kuvassa näkyvät kirjaimet ja numerot.
Captcha Code

Klikkaa kuvaa nähdäksesi uuden koodin.

    Tagipilvi

    Control PlanISO 9001:2015CrosbyDesign for Six SigmaDemonstraatiotqfdtilastomatematiikkatoiminnan lainalaisuudett-testiBOKMarkkinointiprosessiregressioanalyysi8DTPSCTPmonimuuttujakoeDOEmielenmallitL8-matriisiCDAOhnomalliarvovirtakuvauspuhdistaminenOFATIshikawaparannustoiminta5W2H Shingoläpimenoaikatilastollinen päätöksentekojitBlack BeltlaatutaulutLaatutyökalutLean HandbooklaadunparannusasiakastyytyväisyysMonte CarlokoesuunnitteluryhmittelykaaviolaadunhallintaBalanced ScorecardHukkaJohtaminenROIMinitabprosessikuvaussatunnaissyydatan keräysLittlen lakiMarkkinointiVOCjärjestäminenFeigenbaumDesign of ExperimentsMinitab 18arvovirtamittaaminenMSAoeeSPC-korttimuutoksen tuskaLean-visioKingmanasiakasuutiskirjetiedonkerääminenvaihteluDMADVPDSAmonimuuttujatestiTPMinnovaatioFactory PhysicsValue Stream MappingMinitab 19Big Datahypoteesitestidatan käsittelyKaizenjaksoaikaKaikakusuorituskykymittaritHarryideointiTätä on LeanANOVAstandardointilajitteluASQKataTOCJatkuva parantaminenlaatutyökalutPDCAmenetelmätSPCkoulutushyväksymisnäytteenottoarvovirta-analyysiacceptance samplingtoiminnan laitturvallisuusparannusmallidata-analyysisekoitekoe0-virheDemingSigmatilastoparannustehollinen aikakvantitatiiviset menetelmätneukkarikoenollavirhehävikkifunktiohukan muodotasiakastyytyväisyysdatan käsittelydatan luokittelukausaliteettiPDSA-ympyräEDALean Six Sigma Black BeltLean Six SigmaToyotasatunnainen vaihteluongelmanratkaisuParetoCombanion by MinitabhypoteesitestaustehdasfysiikkaTaguchiShewhartKingmanin yhtälölaatu Suomessadatan laatuLean-taloriskinkartoituslaatu ratkaiseeryhmätyöskentelypaloautopeliLaatujärjestelmämittaussysteemiGage R&RohjausAsiakastarveoperaatiotutkimusjohtamisjärjestelmästabiilisysteemiLeankorrelaatioparannusmenetelmälaadunohjausmittausprosessiLaatukonferenssiDSDriskiIATF 16949DFSSsitoutuminenhistogrammilainalaisuudetennustaminenaivoriihikustannussäästötTQMJurantehokkuusreunalaatuohjaussuunnitelmaBody of Knowledge5SerityissyymixtureohjauskorttiISO 9001tekoälylaadunkehittäjäpäämäärämallimuutoskalanruotoISO 9000mittavirhekuvaaminenjidokatyökalutgurutvalvontaOpetusmenetelmätparannustoiminnan kehittyminenOpettaminentäystekijäkoeTuottavuusIATFsyy-seurauskaavioDMAICluotettava mittausSix SigmaHall of Famevaihtelun vaikutusdatan käsittelyFMEAWheelerCTQparantaminenGageVSMdataprosessivuodiagrammitoleranssiparannuksen johtaminen

    Arkisto