Parannusprojektien hallinta ja Monte Carlo

Julkaistu 07.06.2017    Kirjoittanut Matti Pesonen  Tilaa RSS


Minitab Inc. julkaisi tänään Minitab 18 -version, mutta aikaisemmin (12.4.2017) keväällä yritys lanseerasi parannetun version Quality Companion ohjelmistostaan. Uudelta nimeltään pelkkä Companion on tarkoitettu kehitys-ja parannusprojektien tueksi ja sisältää joukon valmiita etenemismalleja erityyppisille metodeille, sekä kattavan valikoiman työkaluja projektien eri vaiheisiin. Täysin uutena työkaluna on valikoimaan lisätty myös Monte Carlo-simulaatio.

Yleisnäkymä.jpg
Kuva 1.
Companion projektin yleisnäkymä.

Companion-ohjelmalla pystytään hallitsemaan, seuraamaan ja jakamaan oleellista tietoa projektien etenemisestä, nykyisestä tilasta ja saavutetuista hyödyistä. Ohjelman tarkoituksena on siis helpottaa projektien hallintaa ja tehdä laadun ja prosessien parantamisesta läpinäkyvämpää. Siinä missä Minitab on työkalu datan graafiseen ja tilastolliseen tulkintaan, on Companion väline projektien toteuttamiseen, hallintaan ja johtamiseen. Ohjelmistopaketin täysversiossa projektien etenemistä ja niiden koordinointia voi seurata modernin pilvipalvelun kautta, jolloin kaikilla projektien ja prosessien avainosakkailla on pääsy oleelliseen ja reaaliaikaiseen tietoon.

Ohjelmasta löytyy valmiit etenemismallit tai pohjat erilaisille prosessien kehittämisen menetelmille, kuten esim. Lean Six Sigman DMAIC, DFSS tai Lean Kaizen tapahtumat. Myös organisaation omien menetelmäpohjien luominen on täysin mahdollista. Työkalujen joukko sisältää sopivia työkaluja jokaisen menetelmän eri vaiheisiin, kuten mm. CT-puu, SIPOC, arvovirtakuvaus VSM, prosessikartat, FMEA, sekä tietenkin kaikki tarvittavat kaavake-ja dokumentaatiopohjat. Valmiissa projektipohjissa on toimintaa ohjaava ominaisuus, joka on varmasti hyvä standardoimaan organisaation sisäisiä toimintatapoja.

Monte Carlo-simulaatio

Täysin uutena ominaisuutena Companioniin on sisällytetty Monte Carlo-simulaatio. Aikaisemmin tämä oli erillinen työkalu, mutta nyt se on osa Companion-ohjelman valikoimaa. Alun perin atomipommin kehitystyön sivutuotteena syntynyt Monte Carlo-menetelmä on työkalu, jolla pystytään simuloimaan prosessin kyvykkyyttä prosessin ulostuloa kuvaavan mallin avulla. Rakennettava malli perustuu joko tiedettyyn käyttäytymismalliin tai on luotu koesuunnittelun (DoE) tai regressioanalyysin avulla.

Malli siis esittää, kuinka prosessin tekijät (x1...xn) vaikuttavat prosessin ulostuloon Y. Mallin tekijöille määritellään jakauman tyyppi ja sen arvot, kuten keskiarvo ja standardipoikkeama. Nämä tekijät perustuvat joko mittausdataan tai arvioituun tilanteeseen.

Simulaation idea.jpg
Kuva 2.
Monte Carlo-simulaation idea.

Tekijöihin siis liitetään riski ja epävarmuus niiden toteutumisesta. Kun prosessia simuloidaan esimerkiksi 50 000 kertaa, saamme arvion mallin mukaisen prosessin ulostulon Y:n käyttäymisestä. Mallinnusta ja simulointia voidaan käyttää esimerkiksi uusien valmistus -tai palveluprossien kyvykkyyden arvioinnissa tai suunnittelussa. Tämä on usein huomattavasti turvallisempaa ja halvempaa, kuin vastaavat kokeilut reaalisysteemillä.

Ensimmäisen simulaatioajon jälkeen Companion antaa meille työkaluja mallin parantamisen tutkimiseen. Työkaluja on kaksi, optimointi ja herkkyysanalyysi. Optimointityökalulla voidaan määrittää uudet arvot, joiden väliltä mallin tekijöitä lähdetään hakemaan, jotta saataisiin parempi lopputulos. Voimme asettaa halutuksi optimiksi tietenkin niin ulostulo(je)n maksimoinnin, minimoinnin, tietyn tavoitteen tai virheellisten kappaleiden minimoinnin. Vastaavasti herkkyysanalyysillä voidaan selventää, minkä muuttujan hajontaa muuttamalla prosessimme kyvykkyys paranee eniten. Eli minkä tekijän vaihtelun pienentämisestä saamme parhaan vaikutuksen.

Hankintaprosessin simulointi Monte Carlo -menetelmällä

Voisimme esimerkiksi simuloida hankinta- tai ostoprosessin jaksoaikaa hankintapäätöksen tekemisetä tavaran toimittamiseen Monte Carlo-simulaation ja yksinkertaisen mallin avulla, jossa ostoprosessin aika = tarjouksen määrittäminen + vastaukset + päätös + toimitus kuluneina vuorokausina. Mallin muuttujissa on mahdollista käyttää erilaisia todennäköisyysjakaumia, tai datan avulla valita muuttujan käyttäytymistä kuvaava ja mallintava jakauma.

Mallin luominen.jpg
Kuva 3.
Monte Carlo-mallin luominen Companion-ohjelmalla.

Tässä tapauksessa tarjouksen määrittämiseen ja luomiseen käytettyä aikaa kuvaa tasajakauma, jossa 2-4 päivää ovat kaikki yhtä todennäköisiä. Vastausten odottamista ja päätöksentekoa taas kuvaavat kolmiojakaumat, joissa on arvioitu pahin, keskimääräinen ja pahin tapaus (kuten projektinhallinnan PERTT-menetelmässä). Vastaavasti toimitusaikaa kuvaa meillä normaalijakauma, jonka keskiarvo on 21 päivää ja standardipoikkeama 4 vuorokautta. Tässä tapauksessa enimmäisajaksi on asetettu 45 päivää, joka perustuu toiveikkaaseen arvioon maailman käyttäytymisestä. Haluaisimme toimituksen siis puolessatoista kuukaudessa.

Kun ajamme simulaation, Companion ottaa jokaisella ajolla määritellyistä jakaumista sattumanvaraisen luvun ja sijoittaa sen yhtälöön, jossa meitä kiinnostava prosessin ulostulo syntyy. Kun suoritamme esimerkkisimulaation 50 000 kertaa, meille paljastuu, että kuvitteellinen prosessimme on kuin onkin kaukana hyväksyttävästä (kuva 4).

Simuloinnin tulokset.jpg
Kuva 4.
Ostoprosessin simuloinnin tulokset.

Simulaatio kertoo meille, että näillä tekijöillä 16,08 % kaikista tilauksistamme tulee myöhästymään annetusta 45 vuorokauden aikarajasta. Tästä voisimme jatkaa tekijöiden optimointiin, jossa voidaan kokeilla uusia tekijätasoja prosessin tekijöille. Mutta tässä tapauksessa käytämme herkkyysanalyysiä, jolla selvitämme miten vaihtelun vähentäminen parantaisi prosessia.

Herkkyysanalyysi.jpg
Kuva 5.
Monte Carlo-herkkyysanalyysi.

Graafista näemme vaihtelun vähentämisen vaikutukset spesifikaatiorajoissa pysymiselle, ja näemme että suurin vipuvaikutus saadaan aikaan toimitusten ja vastausaikojen hajonnan pienentämisellä. Valitsemme siis molempien tekijöiden puolittamisen ja simuloimme mallin taas uudestaan.

Herkkysanalyysin tulokset.jpg
Kuva 6.
Herkkyysanalyysin tulos.

Nyt myöhästymisiä tulisi enää 1,77 %, vain koska puolitimme kahden tekijän hajonnan. Jotta saisimme prosessin kyvykkyyden hyvälle tasolle, täytyisi mallin tekijöitä vielä muuttaa. Tällaisessa alhaisen monimutkaisuuden mallissa on tietenkin selvää, että tekijöiden maksimiarvojen pienentämiset tulevat parantamaan suoraan lopputulosta. Mutta monimutkaisemmissa malleissa, joissa mallinnetaan monimutkaisia systeemejä ja joissa on mukana tekijöiden välisiä keskinäisriippuvuuksia tai epälineaarisuuksia, näiden tekijöiden ja ulostulon välisten suhteiden muutokset ole yhtä itsestään selviä.

Mihin Monte Carloa voidaan käyttää?

Monte Carlo on systeemien analysoinnin työkalu, jossa malliin liitettyjen tekijöiden epävarmuuden avulla voidaan simuloida tuotteen, prosessin tai tapahtuman todennäköistä lopputulosta. Simulaation etu reaalimaailmasta tehtäviin havaintoihin tulee juuri toistojen lähes rajattomasta määrästä. Monte Carlo-analyysi on loistava menetelmä, jonka avulla saamme kuvan prosessin todennäköisestä lopputulemasta tekijöihin liitettyjen riskien, eli epävarmuuksien avulla.

Lisätietoa Companion -ohjelmistosta ja sen muista ominaisuuksista, sekä maksuton 30. päivän kokeiluversio saatavilla osoitteesta: http://www.laatutieto.fi/product_catalog.php?c=73

Muista myös uusi Minitab 18, joka julkaistiin 7.6.2017. Uutena ominaisuutena mm. uusi Screening -menetelmä koesuunnitteluun http://www.laatutieto.fi/product_catalog.php?c=52

 

Matti_pieni.jpg
Matti Pesonen

 

 

Kommentoi

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

Klikkaa kuvaa nähdäksesi uuden koodin.

    Tagipilvi

    erityissyylajitteluGageToyotastandardointiIATF 16949ISO 9001:2015DFSSTOCsekoitekoeShewhartCrosbyjärjestäminenLaatukonferenssisuorituskykymittaritsysteemiANOVAtilastomatematiikkalaadunkehittäjäkalanruotolaadunparannusryhmittelykaaviodatan keräysLittlen lakiCombanion by MinitabprosessiDOElaatu SuomessaKingmanin yhtälöuutiskirjearvovirtaLean-talomixtureideointiSPC-kortti5W2H histogrammiparannuksen johtaminenvuodiagrammiIshikawaISO 9000parannusmalliFactory PhysicsstabiiliShingoacceptance samplingCTPDemonstraatiotohjaussuunnitelmaControl Plansyy-seurauskaavioOhnolaatutyökalutHall of Famedatan käsittelyHukkaLean Six Sigmalaatutaulutmuutoksen tuskatyökalutJohtaminenmielenmallitmittausprosessimonimuuttujakoekuvaaminenvaihtelun vaikutussatunnaissyytoleranssiBalanced Scorecardpaloautopeliluotettava mittausHarryDSDdatan käsittelyhyväksymisnäytteenottoparannustoimintaVOCasiakastyytyväisyysSix SigmaTPMlainalaisuudetkoesuunnitteluoeedatan laatuTätä on LeanMarkkinointiprosessiDMAICryhmätyöskentelyDesign for Six SigmaongelmanratkaisuASQhävikkifunktiooperaatiotutkimustehokkuusreunaLaatujärjestelmäarvovirtakuvausvalvontadata-analyysiMinitabFMEAmittaussysteemisitoutuminendatan luokittelu5SqfdmallipuhdistaminenasiakastyytyväisyysTuottavuusIATFtiedonkerääminengurutTaguchiParetokausaliteettitilastoKaikakuMinitab 18laadunohjausnollavirhejohtamisjärjestelmäVSMOpettaminenennustaminenJuranriskinkartoituskvantitatiiviset menetelmättoiminnan lainalaisuudetValue Stream MappingDesign of ExperimentshypoteesitestilaadunhallintaLeanMarkkinointidataprosessikuvaus0-virhelaatuDMADVBig DatakustannussäästötWheelerL8-matriisiLaatutyökalutKata8DaivoriihiOFATTPSpäämäärämalliohjausROIISO 9001PDSA-ympyräBOKregressioanalyysijitkorrelaatioJatkuva parantaminenBlack BelthypoteesitestausCTQohjauskorttiLean Six Sigma Black BeltasiakasPDCAarvovirta-analyysidatan käsittelyFeigenbaumvaihteluparannustoiminnan kehittyminenlaatu ratkaiseeturvallisuusneukkarikoeEDAmittavirhemonimuuttujatestiriskiPDSACDAjidokasatunnainen vaihteluSigmahukan muodottehdasfysiikkaKingmanparannusmenetelmätilastollinen päätöksentekoläpimenoaikatehollinen aikaparannusLean-visioinnovaatiomenetelmätAsiakastarvetäystekijäkoeparantaminenmittaaminenMSAmuutosMonte CarloOpetusmenetelmätDemingjaksoaikaSPCLean HandbookBody of Knowledget-testi

    Arkisto