[language-switcher]

Hướng dẫn nhanh 10 công cụ thống kê Six Sigma thông dụng

Hướng dẫn nhanh 10 công cụ thống kê Six Sigma thông dụng

Six Sigma là phương pháp cải tiến chất lượng đã được chứng minh qua kết quả. Bằng việc thực hiện một loạt các bước đi một cách hợp lý, doanh nghiệp ở mọi quy mô khác nhau đã giải quyết nhiều vấn đề nổi trội và tiết kiệm hàng tỷ đô-la. Nhiều người cảm thấy lo lắng về tính thiết yếu của kỹ thuật thống kê đối với Six Sigma, nhưng bạn không cần phải am tường hết các kỹ thuật đó. Trong khi dữ liệu đóng vai trò then chốt trong cải tiến chất lượng, phần lớn các phân tích được xử dụng không quá khó hiểu cả khi bạn không phải là một nhà thống kê. Làm quen với các công cụ này là một khởi đầu tốt. Hướng dẫn sau đây miêu tả khái quát 10 công cụ phân tích thống kê thông dụng trong Six Sigma, giải thích công dụng của chúng và tại sao chúng quan trọng.

1. Pareto Chart
Theo nguyên lý Pareto, khoảng 80% kết quả đến từ 20% nguyên nhân. Điều này cũng đúng cả khi bạn ứng dụng nó vào tủ quần áo của mình – bạn thường xuyên mặc chỉ 20% quần áo bạn có trong tủ trong 80% thời gian. Pareto là loại biểu đồ hình cột đặc trưng nhằm tách biệt các nguyên nhân then chốt khỏi các nguyên nhân khác giúp bạn tập trung vào chúng. Ví dụ, nếu bạn ghi nhận lỗi theo loại ngay khi gặp, biểu đồ Pareto chỉ ra các lỗi xuất hiện thường xuyên nhất để bạn hướng các nỗ lực cải tiến vào đúng vấn đề bạn đang gặp.

2. Histogram
Biểu đồ histogram giúp bạn nắm bắt nhanh một tập hợp dữ liệu liên tục. Nó giúp bạn nhanh chóng nhận biết giá trị trung bình (Mean/median) và khoảng dao động của dữ liệu bạn có. Phần lớn dữ liệu nằm ở đâu? Ước tính giá trị nhỏ nhất và lớn nhất? Histogram cũng cho biết phân bố dữ liệu (data distribution) bình thường hay bất thường và giúp bạn nhận ra các điểm cá biệt (outliers) cần tiếp tục tìm hiểu.

3. Gage R&R
Bạn có muốn biết trọng lượng của mình bằng một cái cân sai? Bạn có muốn đeo một cái đồng hồ không chỉ đúng giờ? Bạn không thể cải tiến một quy trình mà bạn không thể đo lường một cách đúng đắn, đó là lý do tại sao bạn cần phương pháp R&R. Phương pháp này dùng cho hệ thống đo lường có số liệu liên tục, ví dụ cân nặng, đường kính, áp suất… – giúp bạn xác định hệ thống đo lường bạn dùng có thể lập lại (Repeatability) và làm lại (Reproducibility) khi cùng một nhân viên đo lại một sản phẩm và các nhân viên khác nhau đo cùng một sản phẩm.

4. Attribute Agreement Analysis
Phân tích tương hợp thuộc tính là một phương pháp khác giúp bạn chắc chắn rằng dữ liệu của mình tin cậy được. Trong khi phương pháp R&R là lý tưởng cho đo lường số liệu liên tục thì phân tích tương hợp thuộc tính là tốt nhất cho hệ thống đánh giá xác thực, ví dụ Pass or Fail. Phương pháp này chỉ ra liệu nhân viên thực hiện việc đánh giá có tương hợp với chính họ, với nhân viên khác và với tiêu chuẩn đã công bố hay không.

5. Process Capability (Năng lực quy trình)
Gần như mọi quy trình đều có giới hạn chấp nhận trên và dưới. Sản phẩm không thể quá lớn hoặc quá nhỏ, thời gian chờ đợi không thể kéo dài quá lâu. Phân tích năng lực xác định quy trình của bạn có đáp ứng được các tiêu chí kỹ thuật không, ở mức nào, và cho bạn biết cần làm gì để cải tiến một quy trình kém năng lực. Các tham số năng lực ghi nhận được bao gồm Cpk, Ppk, DPMO, và cấp độ Sigma.

6. t-Tests
T-test dùng so sánh giá trị trung bình của một mẫu so với mục tiêu, hoặc với mẫu khác. Ví dụ công ty bạn sản xuất và kinh doanh nước giải khát trong bình có dung tích 0.33 l, bạn có thể dùng 1-sample t-test để kiểm chứng xem dây chuyền sản xuất có chiết nhiều hoặc ít hơn 0.33 l hay không. Nếu bạn mua xi-rô hương liệu từ hai nhà cung cấp và bạn muốn biết liệu có sự khác nhau về khối lượng giũa các đợt giao hàng tương ứng của họ, bạn có thể dùng 2-sample t-test để so sánh hai nhà cung cấp.

7. ANOVA (Phân tích phương sai)
Trong khi t-test so sánh giá trị trung bình với mục tiêu, hoặc giữa hai giá trị trung bình với nhau, ANOVA (Phân tích phương sai/Analysis Of Variance) cho phép bạn phân tích nhiều hơn 2 số trung bình. Ví dụ bạn có thể dùng ANOVA để kiểm chứng xem sản lượng hoặc tỷ lệ lỗi giữa ba ca có như nhau. Bạn cũng có thể dùng ANOVA để phân tích giá trị trung bình của nhiều biến số. Ví dụ bạn có thể cùng lúc khảo sát sản lượng/lỗi giữa ba ca và giữa hai nhà máy.
Ngoái giá trị trung bình, ANOVA còn có thể chỉ ra khoảng dao động (Spread/Range/St.Dev.), các yếu tố tác động chính (Main effects) và sự tương tác giữa các yếu tố (Interaction).

8. Regression (Phân tích hồi quy)
Regression/Phân tích hồi quy hữu dụng trong việc xác định liệu có mối liên quan giữa kết quả (output) với một hoặc nhiều yếu tố đầu vào (input). Ví dụ, bạn có thể biết liệu có sự liên quan giữa chi phí tiếp thị và doanh thu. Nếu có mối liên quan, bạn có thể dùng phương trình hồi quy (regression equation) để mô tả mối liên quan đó và dự báo được kết quả tương lai (output) khi tăng/giảm inputs.

Bạn cũng có thể dùng Scatter Plot và Correlation Test để xác định mối liên quan giữa nhiều yếu tố.

Bạn có muốn tham gia các chương trình đào tạo không?

Hãy tham khảo tại đây: https://www.thinknextco.com/services/

Think Next - Chương trình đào tạo huấn luyện
Think Next – Chương trình đào tạo huấn luyện

 

Take the first step towards product management success

By sharing your email, you agree to our Privacy Policy and Terms of Service