İSTATİSTİKSEL MÜHENDİSLİK ALGORİTMASININ ALTI SİGMA PROJELERİNDE KULLANILMASI ÜZERİNE BİR ARAŞTIRMA

Year 2014, Issue: 32, 1 - 15, 01.12.2014

Murat Tanık Cenk Özler

Abstract

Süreç çıktılarındaki değişkenliği azaltmak, süreç iyileştirmede anahtar bir parça durumundadır. Çok sayıda parça üretilen veya monte edilen süreçler için değişkenliği azaltmak, eş zamanlı olarak maliyetlerin azalmasını, ürünün fonksiyonlarının iyileşmesini ve ürünle bağlantılı olarak müşteri memnuniyetinin artmasını sağlayacaktır. Diğer taraftan aşırı değişkenlik, hurda ve yeniden işlemeler, ilave muayeneler, müşteri iadeleri, ürün fonksiyonlarında zayıflama, güvenilirlik ve dayanıklılıkta da azalmalar gibi istenmeyen sonuçlara yol açacaktır. İstatistiksel Mühendislik (Statistical Engineering), süreç değişkenliğini azaltma amaçlı bir algoritmadır. Bu algoritma, özellikle üretim ve montaj süreçlerindeki kronik problemleri çözmek için tasarlanmıştır. İstatistiksel mühendislik algoritmasının temeli, süreçte maliyet azaltmada etkili olacak değişiklikleri fark etmenin, süreç davranışları hakkındaki bilgi düzeyinin artması ile mümkün olabileceği inancına dayanmaktadır. Süreç bilgisini ampirik olarak arttırmanın yolu olarak Sor, Planla, Veri Topla, Analiz Et, Karar Ver (Question, Plan, Data, Analysis, Conclusion = QPDAC) döngüsü önerilmektedir. Bu çalışmada, öncelikle İstatistiksel Mühendislik algoritması tanıtılmıştır. Algoritma içerisinde yer alan, kronik problemler hakkında elde edilen bilgilere bağlı olarak kullanılabilecek yedi değişkenlik azaltma yaklaşımı kısaca gözden geçirilmiştir. İstatistiksel analiz tekniklerinin (basit grafiksel tekniklerden daha karmaşık istatistiksel tekniklere kadar) algoritma içerisindeki kullanımlarına ilişkin örnek uygulamalar verilmiştir. Algoritmanın süreç iyileştirmeler üzerindeki etkisi otomotiv sektöründeki bir kuruluşta uygulanan 6 Sigma projeleri dikkate alınarak analiz edilmiştir.

Keywords

İstatistiksel mühendislik, Kalite iyileştirme, Altı Sigma, Süreç iyileştirme

A Research on Using Statistical Engineering Algorithm in Six Sigma Projects

Abstract

Reducing the variation of process outputs is a vital part of process improvement. In the processes which variety of parts are produced or assembled , reducing the variation means reducing the costs, improving the functions of the product and increase customer satisfaction due to improved quality. On the other hand, large variation will have consequences like scrap, rework, customer returns, and weakness in functions of the product and reduced reliability and durability. Statistical Engineering is an algorithm that aims to reduce process variation. This algorithm is designed to solve chronic problems in production and assembly. The basis of statistical engineering relies on the belief that realizing the necessary changes in the process for obtaining reduced costs can be succeeded by increasing the level of knowledge about the behaviors of the process. In order to increase process knowledge empirically, Question, Plan, Data, Analysis, Conclusion (QPDAC) cycle is suggested. In this study first the statistical engineering algorithm is introduced. Seven tools that take place in this algorithm are reviewed. Applications of several statistical analysis methods in the course of employing statistical engineering algorithm are demonstrated. The affects of this algorithm on process improvement is analyzed via six sigma projects that are executed in a large factory that is producing parts for automotive industry.

Keywords

Statistical engineering, quality improvement, Six Sigma, process improvement

References

• Allen T.T. (2006), Introduction to Engineering Statistics and Six Sigma, Statistical Quality Control and Design of Experiments and Systems, Springer
• Bhote, K.R. (1991) World Class Quality, American Management Association, NY.
• Bhote, K.R. (2003), The Power of Ultimate Six Sigma, AMACOM Gitlow, H.S ve.Levine D.M (2005) Six Sigma for Gren Belts and Champions Prentice Hall NJ
• Harrington, H.J. (1991), Business process improvement: The breakthrough strategy for total quality, productivity, and competitiveness. McGraw-Hill, Inc. NY
• Juran, J. (1989), Juran on Leadership for Quality: An Executive Handbook, Free Press, New York, NY.
• Makrymichalos, M. ve Antony, J. (2005) Statistical thinking and its role for industrial engineers and managers in the 21st century Managerial Auditing Journal Vol. 20 No. 4, pp. 354-363
• Mast, J. (2004) “A methodological comparison of three strategies for quality improvement” International Journal of Quality & Reliability Management Vol. 21 No. 2, pp. 198-213
• Montgomery D.C. (1996), Introduction to Statistical Quality Control 4 th edition, John Wiley and Sons, New York.
• Pyzdek T. (2003), Six Sigma Handbook. Mc Graw Hill.
• Raisinghani M. S.(2005), Six Sigma: concepts, tools, and applications Industrial Management & Data Systems Vol. 105 No. 4, pp. 491-505
• Ross, P. J. (1996), Taguchi Techniques for Quality Engineering. McGraw-Hill, New York, NY.
• Shainin R.D. (1993), Strategies for Technical Problem Solving, Quality Engineering , 5, pp. 433-438
• Shainin R.D. (1992), Technical Problem Solving Strategies, A Case Study, 46th Annual Quality Congress Proceedings, ASQC, pp. 876-882
• Steiner, S. H. ve Mackay, R. J. (2005), Statistical Engineering: An Algorithm for Reducing Variation in Manufacturing Processes, ASQ Quality Press, Milwaukee, Wisconsin.
• Whitaker, J. ve Johnson, D. (2001), Statistical Thinking for Managers, Chapman &Hall/CRC, Boca Raton, FL.