Novelas Turcas vs Series de EUA en audiencia (2024).pdf
Diagnosticar y Experimentar en la Empresa. Semana Europea de la Calidad 2014
1. Diagnos(car
y
Experimentar
en
la
Empresa
“4
Habilidades
para
lograr
resultados
en
las
organizaciones:
Observación
consciente,
Diagnós(co,
Experimentación
y
comunicación
visual”
Dra.
Lourdes
Pozueta
lourdes.pozueta@avancex.com
1.
2. Programa
1-‐
Introducción.
2-‐
Lourdes
Pozueta
(Avancex+i,
S.L.)
4
Habilidades
para
lograr
resultados
en
las
organizaciones:
Observación
consciente,
DiagnósHco,
Experimentación
y
comunicación
visual.
3-‐
Pilar
Esteban
(Tubacex)
Título:
"El
análisis
de
datos,
clave
para
el
conocimiento
de
los
procesos
y
el
desarrollo
de
nuevos
productos”
4-‐
Ibon
ZarrabeiHa
(Indar
Electric)
Título:
"FLUJO;
ObjeHvo
Común.
El
compromiso
y
la
comunicación,
vectores
de
mejora
compeHHva”
5-‐
Javier
de
Rivas
(Fagor
Ederlan)
Título:
"Desarrollo
e
implantación
de
una
estrategia
transformadora
orientada
a
resultados
y
cliente.
Modelo
Kalda"
6-‐
Preguntas
3. 3.
Ingeniería
de
la
Calidad
Herramientas
Estadís(cas
aplicadas
a
Mejora
de
Producto/Proceso
Ru(nas
para
el
logro
de
habilidades
de
Diagnós(co,
Experimentación,
análisis,
….
Despliegue
de
Metodologías
de
Mejora
Avanzada
en
Empresa.
Sistemá(ca
RP
basada
en
datos
Cursos-‐Talleres
Consultoría
on-‐line
Diseño
de
experimentos
Análisis
estadísHco
de
datos
OpHmización
de
productos
y
procesos
Mejora
conHnua
ESTUDIOS
CONCRETOS
Protocolos
Aceptación
líneas
Protocolos
de
aceptación
de
lotes
Op(mización
parámetros
de
Proceso
Diseño
de
recetas
de
mayonesas
Lean-‐Six
Sigma
para
BB
Diseño
de
Experimentos
Control
estadís(co
de
procesos
(SPC)
Taller
Crea(vidad
Ges(ón
de
la
Innovación
Procesos
de
Crea(vidad
Diseño
Robusto
hap://ideas2value.net
Six
Sigma,
Calidad
Total…a
medida
4. 4.
Lo
que
comparHmos…..
CLIENTE
CALIDAD,
PLAZO,
COSTE
Organización
Problemas
/
Oportunidades
CÓMO
hacemos
PARA
…
ser
eficaces
y
eficientes
En
Proceso
de
Mejora
ConHnua
en
las
Organizaciones
5. Evidencia
No
Evidencia
5.
HÁBITOS:
¿Cómo
ACTUAMOS?
Qué
duele?
Causas
Ha
mejorado?
Problemas
/Oportunidades
ACCIÓN
Causas
Raíz
Evaluar
Caracterizar
Tratar
CLIENTE
espera
(Yo
me
quiero
quitar
el
“marrón”)
€
Eficacia/
eficiencia
Conocimiento
Técnico
+
método
6. (The
“Factory
of
problems”:
Improvement
of
the
Quality
Improvement
Process.
L.
Pozueta,
J.A.
Eguren
and
U.
Elorza.
14
QMOD-‐ICQSS
Conference.
DonosNa,
29-‐31
August,
2011)
APRENDER
a
trabajar
en
entornos
no
evidentes
APRENDER
(la
ORGANIZACIÓN)
• Habilidades
para
adquirir
Conocimientos
• Habilidades
para
tratar
con
lo
no
evidente
è
APLICAR:
incorporar
conocimiento
al
día-‐día,
para
hacer
las
cosas
de
manera
diferente,
para
CAMBIAR
Causas
Raíz
Evaluar
Caracterizar
Tratar
Hay
negocio
€
Eficacia/eficiencia
del
proceso
Si
causas
raíz
no
son
evidentes.
Lograr
procesos
eficientes
de
Mejora
ConHnua
para
temáHcas
de
alto
impacto
económico
en
problemas
complejos
¿Por
qué
ocurren
los
“dolores”?
7. 7.
*
La
falacia
narra(va
es
la
capacidad
(o
la
debilidad)
que
tenemos
los
seres
humanos
por
inventarnos
historias
que
permitan
conectar
causalmente
dos
sucesos
aunque
esa
conexión
no
exista.
*
Si
no
desarrollamos
ciertas
habilidades
del
pensamiento,
nuestra
tendencia
a
creer
cosas
falsas
puede
salir
muy
costoso
*
El
cerebro
busca
almacenar
la
mayor
can(dad
de
información
*
EL
cerebro”
no
mide”,
compara,
busca
asociaciones
y
ello
implica
creer
cosas
que
son
ciertas
y
creer
cosas
que
no
lo
son
basándose
en
errores
o
falacias
APRENDER
teniendo
en
cuenta
MODELOS
MENTALES
¿me
engañas?
Aceptar
que
podemos
estar
equivocados:
estrategias
para
cuesHonar
el
entorno
en
base
a
EVIDENCIAS
8. 8.
Datos,
hechos,
experiencias,…
Hipótesis,
conjeturas,
modelos,
…
INDUCCIÓN
Habilidad
de
APRENDER
a
APRENDER
.
HÁBITO:
método
cienhfico
Mirar
Imaginar
Cuestionarse
Recogida deliberada de
información para encontar
evidencias Mostrar
Nuevo
Conocimiento
de
modo
evidente
Ver
CONVENCER
DEDUCCIÓN
Especular
COLECTIVOAPRENDIZAJE INDIVIDUAL
Oir
Modelo
mental
Almacenar
de
forma
peculiar
(innato)
¿me
engaña
mi
cerebro?
¿Evidencias
esperadas?
9. 9.
Observación
Consciente:
Tomar
consciencia
de
lo
que
se
observa,
de
lo
que
puede
estar
presente,
de
lo
que
se
busca,
…
estar
vigilante
ENCONTRAR
PISTAS
en
las
COSAS
y
en
los
DATOS
è
Generar
Hipótesis
Hábitos
a
potenciar:
Observación
Consciente,
Diagnos(car,
Experimentar
y
Visualizar
DIAGNOSTICAR
CuesHonar
el
modelo
mental
de
uno,
elaborar
PREGUNTAS
de
interés,
imaginar
EVIDENCIAS,
elaborar
planes
de
recogida
de
información
consensuadas
con
los
involucrados,
plasmar
información
de
forma
visual
que
permita
idenHficar
las
evidencias
que
espero
de
forma
clara…..
=èEncontrar
asociación
entre
Causas-‐Síntomas
(Correlación,
NO
CAUSALIDAD)
=è
Provocar
causas
potenciales.
EXPERIMENTAR
con
rigor
è
IdenHficar
las
Causas
Raíz
Imaginar
cómo
lo
espero
VER
y
qué
datos/htas
me
lo
permiten
10. XevaX:
Entrenamiento
en
empresa.
IdenHficar
experiencias
Estuches
de
24
unidades
de
producto
higiénico
femenino.
Línea
automáHca
“úlHma
generación”
PERO:
Hay
clientas
que
se
quejan
de
que
las
cajas
no
están
completas.
Tenemos
báscula
sofisHcada
de
control
que
de
vez
en
cuando,
se
vuelve
loca,
y
PARAMOS!!!
¿Qué
está
en
el
Modelo
Mental
de
los
expertos
del
proceso?
¿Por
qué
llega
producto
defectuoso
a
cliente?
¿Podemos
prescindir
de
atender
la
locura
de
la
máquina?
71
69
67
Control
en
báscula
1
caja
≅
69gr
1
unidad
≅
2gr
hipótesis
• Es
evidente
que
se
escapan
de
la
garra
del
robot
o
se
caen
en
el
camino
• Podrían
venir
lotes
de
cajas
de
peso
muy
diferente
y
sobrepasar
los
límites
• Al
cliente
llegan
cajas
mal
pesadas
o
recuperadas
entre
las
rechazadas
• Podría
haber
variación
entre
lotes
de
proveedores
• La
báscula
podría
necesitar
reseteo
…“le
ocurren
a
muchas
máquinas”
• El
algoritmo
Fene
senFdo,
aunque
igual
2gr
es
demasiado
11. XevaX:
Observación
consciente
7000600050004000300020001000
74
73
72
71
70
69
68
67
66
65
64
Index
pestuch
(2 h. continuas de trabajo)
Peso estuche de 24 unidades
PREGUNTAS
buscando
evidencias:
¿Cuándo
ocurren
las
cajas
defectuosas:
seguidas
(asociado
a
lote)
o
aleatorias
(asociado
a
errores)?
¿La
máquina
se
vuelve
loca
en
los
cambios
de
materia
prima
o
de
cajas?
¿La
serie
temporal
del
peso
es
estable
o
dinámica?
DATOS:
2
horas
de
fabricación
ininterrumpida
con
varios
cambios
de
materias
primas.
Toma
manual
de
7000
pesos
en
papel.
DotplotforC1
CORTO
PLAZO
LARGO
PLAZO
71
69
67
Control
en
báscula
1
caja
≅
69gr
1
unidad
≅
2gr
Cajas
defectuosas
(0,6%):
unas
rechazadas
otras
no
Riesgo
de
volverse
loca:
cuando
cambia
lotes
de
materia
prima
Cajas
defectuosas
a
usuaria
¿cómo
te
IMAGINAS?
MIRA
y
qué
VES
Modelo
de
PESO
es
dinámico
è
Algoritmo
erróneo
12. Tratamiento:
Cambio
Algoritmo/
Prueba
Piloto
•
Se
fabrican
700
unidades
según
condiciones
habituales
(dar
oportunidad
de
que
salgan
cajas
defectuosas)
•
Se
registra
para
cada
caja:
el
peso
y
el
n°
de
unidades
en
el
interior
• Proponemos
Algoritmo:
“media
móvil
de
50
unidades”
y
límites
en
3sigma
Rechazos:
17
26
unidades
(+2):
2
cajas
25
unidades
(+1):
1
24
unidades
(ok):
14
falsos
posi(vos
700600500400300200100
72
71
70
69
68
67
66
65
Index
Peso
Predicción: MA (n=2).
Límites a +-1,14gr
700600500400300200100
72
71
70
69
68
67
66
65
64
Index
Peso
Predicción MA (n=2)
Límites a 1,5 gr.
+2
u
+2
u
+1
u
Rechazos:
5
26
unidades
(+2):
2
cajas
25
unidades
(+1):
1
24
unidades
(ok):
2
falsos
posi(vos
EsHmado:
Media
móvil
±
1,14
gr
“+OperaHvo”:
Media
móvil
±
1,5
gr
Se
vuelve
loca
por
cambios
puntuales
13. APRENDEMOS:
habilidades
y
conocimiento
• No
hay
máquina
loca:
– Proceso
con
variabilidad
que
la
tecnología
no
logra
compensar
– Algoritmo
no
adecuado
para
gesHonar
el
proceso
• Hay
controles
SPC
basados
en
medias
móviles
que
son
muy
úHles
• Habrá
rechazo
en
torno
a
0,3%
de
producto
OK
por
falsa
alarma
• Los
defectos
“falta
1-‐2
unidades”
no
llegarán
a
clientas
– RIESGO:
Cuanto
más
grande
es
la
caja
o
más
variable
proceso
(salva-‐
slip
con
perlitas)
más
di|cil
detectar
defectos
por
pesaje.
13.
14. DiagnosHcar
variabilidad
frecuencias
pieza
fundida
14.
Variabilidad
en
frecuencias/lote
Frecuencia
DiagnósNco:
Momento
críFco
cambio
de
placa:
hay
salto
No
variación
entre
fusiones
Clara
variabilidad
por
diseño
de
cavidad
1
Hip:
Causas
raíz
están
dentro
de
placa
y
uFllaje
no
en
fusiones
afectando
a
cotas
A
y
Bè
confirmar
con
DOE
en
simulación
Espesor
cota
A
Anchura
cota
B
salto
Cavidad
1
Frecuencia
de
cavidad
1
diferente
porque
dimensionalmente
son
diferentes
en
varias
cotas
(hipótesis
de
variación)
Qué
cota
Henen
diferente?
Donde
se
encuentra
en
placa
16. FORMACIÓN
para
Adquirir
Habilidades
16.
Programas de Mejora Continua
LEAN-SIX SIGMA
Nivel Black Belt
CODIRECCIÓN TÉCNICA
PROFESIONALENTZAKO PRESTAKUNTZA
FORMACIÓN PARA PROFESIONALES
PROFESSIONAL LEARNING SPACE
CODIRECCIÓN TÉCNICA
esorado
Pozueta. Doctora por la Universitat Politècnica de
a, Máster en Estadística industrial por la University
onsin (EE. UU.), en excedencia como profesora de la
cia fundadora de Avancex+i, S.L. en el área de mejora
e innovación. Es Master Black Belt y lleva más de 20
esorando a empresas sobre la mejora de productos o
.
rue. Ingeniero en Organización Industrial. Profesor del
Mecánica y Organización Industrial de MONDRAGON
SITATEA. Ha trabajado en diferentes puestos de
bilidad en empresas como, Fagor Ederlan S. Coop,
rasate S. Coop y Ulma Packaging S. Coop.
berto Eguren. Es doctor Ingeniero en Organización
or del departamento de Organización Industrial de
AGON UNIBERTSITATEA. Amplia experiencia asesorando
mejora de productos o procesos a empresas.
Ganzarain. Doctorado en Ingeniería Industrial. Profesora
vación en el departamento de Organización Industrial
NDRAGON UNIBERTSITATEA. Actividades de Dirección
ectos y Formación Continua para distintas empresas
les de la CAPV. Experiencia laboral previa en el CCTT
varro. Ingeniero en Organización Industrial. Profesor del
Mecánica y Organización Industrial de MONDRAGON
SITATEA. Ha sido responsable de parte de la operativa
de Exel Logistics, S.A en la factoría de Mercedes Benz
Responsable de producción en Fagor Electrodomésticos
FERNÁNDEZ DE RETANA. Ingeniero Industrial y Máster
nistración de Empresas por la Universidad del País Vasco
r Black Belt certificado por General Electric. Cuenta
de 20 años de experiencia en posiciones de Dirección
Dirección de Operaciones, Dirección de Ingeniería y
Continua en General Electric.
nvitados de organizaciones donde se aplica Lean Six-
MÁS INFORMACIÓN:
Isabel Mangana: imangana@mondragon.edu
http://www.mondragon.edu/cursos/lean-six-sigma
PROFESION
FORMAC
PROFES
PROFESIONALENTZAKO PRESTAKUNTZA
FORMACIÓN PARA PROFESIONALES
PROFESSIONAL LEARNING SPACE
que realicé el curso, en todos los
os de desarrollo e industrialización de
productos se aplica la metodología de
basada en el análisis riguroso de los
e proceso y propiedades de producto.
steban
&D, Tubacex Innovation
M1:
ESTADÍSTICA
Y
TOMA
DE
DECISIONES
(10h)
M2:
DOE:
ANOVA
Y
DISEÑOS
FACTORIALES
(20h)
M3·∙:DOE
Avanzado:
MSR,
DISEÑO
ROBUSTO
Y
SHAININ
(20)
3
Módulos
optaHvos
17. 17.
OLOGÍAOLOGÍA testeado con éxito
SORADO:SORADO: Expertos en materia
TE WEB...TE WEB...
TUTORESTUTORES
- PLAN ENTRENAMIENTO FLEXIBLE:- PLAN ENTRENAMIENTO FLEXIBLE:
- Material adaptado
- Rutinas para potenciar hábitos
- Casos prácticos
- Proyectos compartidos
MEDIR
ANALIZAR
IMPROVE
CONTROL
• Conocer proceso
• Medir y valorar las salidas del proceso (efectos)
• Diagnóstico situación de partida
• Idear soluciones
• Verificar resultados
• Exportar aprendizaje
• Estandarizar y acreditar proceso
• Verificar resultados
• Explotar aprendizaje
• Determinar las entradas clave (causas raiz)
• Decidir acciones de cambio
DINÁMICASHERRAMIENTAS
- METODOLOGÍA- METODOLOGÍA testeado con éxito
- PROFESORADO:- PROFESORADO: Expertos en materia
- SOPORTE WEB...- SOPORTE WEB...
- APOYO TUTORES- APOYO TUTORES
- PLAN ENTRENAMIENTO FLEXIBLE:- PLAN ENTRENAMIENTO FLEXIBLE:
- Material adaptado
- Rutinas para potenciar hábitos
- Casos prácticos
- Proyectos compartidos
HITO 1
HITO 2
• Importancia e impacto proyecto
MEDIR
ANALIZAR
IMPROVE
CONTROL
• Conocer proceso
• Medir y valorar las salidas d
• Diagnóstico situación de par
• Idear s
• Verifica
• Exporta
• Determinar las en
• Decidir acciones
ENTRENAMIENTO
APROPIADO
1
HOJA DE
RUTA DMAICDMAIC
EN EXPEDICIÓN
SESIÓN DE LANZAMIENTO
- METODOLOGÍA- METODOLOGÍA testeado con éxito
- PROFESORADO:- PROFESORADO: Expertos en materia
- SOPORTE WEB...- SOPORTE WEB...
- APOYO TUTORES- APOYO TUTORES
- PLAN ENTRENAMIENTO FLEXIBLE:- PLAN ENTRENAMIENTO FLEXIBLE:
- Material adaptado
- Rutinas para potenciar hábitos
- Casos prácticos
- Proyectos compartidos
Campamento base para aclimatar: puesta en común y debate constructivo
HITO 1
HITO 2
• Importancia e impacto proyecto
• Cliente y requisitos
• Alcance: procesos y personas
DEFINIR
MEDIR
ANALIZAR
IMPROVE
CONTROL
• Conocer proceso
• Medir y valorar las salidas del proceso (efectos)
• Diagnóstico situación de partida
• Idear soluciones
• Verificar resultados
• Exportar aprendizaje
• Estandarizar y acreditar proceso
• Verificar resultados
• Explotar aprendizaje
• Determinar las entradas clave (causas raiz)
• Decidir acciones de cambio
DINÁMICASHERRAMIENTASENTRENAMIENTO
APROPIADO
1
- IDENTIFICAR- IDENTIFICAR organizaciones interesadas
- PROYECTOS- PROYECTOS con retorno
- PROMOTOR DE APOYO- PROMOTOR DE APOYO (Champion)
- LÍDER- LÍDER motivado para acudir al curso
- ROLES- ROLES claros
- OPERATIVA/PREPARATIVOS- OPERATIVA/PREPARATIVOS previos
PREPARAR UNA
EXPEDICIÓN
COMPROMETIDA
3
HOJA DE
RUTA DMAICDMAIC
EN EXPEDICIÓN
- METODOLOGÍA- METODOLOGÍA testeado con éxito
- PROFESORADO:- PROFESORADO: Expertos en materia
- SOPORTE WEB...- SOPORTE WEB...
- APOYO TUTORES- APOYO TUTORES
- PLAN ENTRENAMIENTO FLEXIBLE:- PLAN ENTRENAMIENTO FLEXIBLE:
- Material adaptado
- Rutinas para potenciar hábitos
- Casos prácticos
- Proyectos compartidos
HITO 1
HITO 2
MEDIR
ANALIZAR
IMPROVE
CONTROL
• Conocer proceso
• Medir y valorar las salidas del proceso (efectos)
• Diagnóstico situación de partida
• Idear soluciones
• Verificar resultados
• Exportar aprendizaje
• Estandarizar y acreditar proceso
• Verificar resultados
• Explotar aprendizaje
• Determinar las entradas clave (causas raiz)
• Decidir acciones de cambio
DINÁMICASHERRAMIENTAS
FORMACIÓN:
Curso
Avanzado
en
Programa
de
Mejora
ConHnua
Lean-‐Six
Sigma.
Nivel
BB
Curso avanzado en
Programas de Mejora Continua
LEAN-SIX SIGMA
Nivel Black Belt
CODIRECCIÓN TÉCNICA
PROFESSIONAL LEARNING SPACE
PROFESIONALENTZAKO PRESTAKUNTZA
FORMACIÓN PARA PROFESIONALES
PROFESSIONAL LEARNING SPACE
CODIRECCIÓN TÉCNICA
SESIÓN DE LANZAMIENTO
- METODOLOGÍA- METODOLOGÍA testeado con éxito
- PROFESORADO:- PROFESORADO: Expertos en materia
- SOPORTE WEB...- SOPORTE WEB...
- APOYO TUTORES- APOYO TUTORES
- PLAN ENTRENAMIENTO FLEXIBLE:- PLAN ENTRENAMIENTO FLEXIBLE:
- Material adaptado
- Rutinas para potenciar hábitos
- Casos prácticos
- Proyectos compartidos
Campamento base para aclimatar: puesta en común y debate constructivo
HITO 1
HITO 2
• Importancia e impacto proyecto
• Cliente y requisitos
• Alcance: procesos y personas
DEFINIR
MEDIR
ANALIZAR
IMPROVE
CONTROL
• Conocer proceso
• Medir y valorar las salidas del proceso (efectos)
• Diagnóstico situación de partida
• Idear soluciones
• Verificar resultados
• Exportar aprendizaje
• Estandarizar y acreditar proceso
• Verificar resultados
• Explotar aprendizaje
• Determinar las entradas clave (causas raiz)
• Decidir acciones de cambio
DINÁMICASHERRAMIENTASENTRENAMIENTO
APROPIADO
1
- IDENTIFICAR- IDENTIFICAR organizaciones interesadas
- PROYECTOS- PROYECTOS con retorno
- PROMOTOR DE APOYO- PROMOTOR DE APOYO (Champion)
- LÍDER- LÍDER motivado para acudir al curso
- ROLES- ROLES claros
- OPERATIVA/PREPARATIVOS- OPERATIVA/PREPARATIVOS previos
PREPARAR UNA
EXPEDICIÓN
COMPROMETIDA
3
HOJA DE
RUTA DMAICDMAIC
EN EXPEDICIÓN
Estándares
Soluciones
Causas
raíz
Caracterizar
Cliente
y
objeHvos
18. Factor
A
-‐ +
Factor
A
-‐ +
Factor
B
Factor
B
Factor
A
+
-‐
Factor
A
-‐ +
Factor
B
+
-‐
-‐
+
CURSO
DISEÑO
DE
EXPERIMENTOS
I:
Estadís(ca
y
toma
de
decisiones
II:
DOE.
Anova
y
diseños
factoriales
III:
DOE
Avanzado.
Diseño
robusto,
MSR
y
Shainin
A
B
A
B
-‐
D
+
A
D
+
E
-‐
B
Estrategia
Experimental
y
economía
en
los
ensayos:
“A
parHr
de
cierto
nº
de
factores,
mejor
dedicar
recursos
para
introducir
nuevos
factores
que
para
replicar
ya
que
te
permiHrá
esHmar
relaciones
más
complejas.
16
ensayos:
1
factor
16
ensayos:
5
factores
3
factores
2
factores
4
factores
19. ObjeHvos
Diferentes
requieren
estrategias
diferentes
M1:
ESTADÍSTICA
Y
TOMA
DE
DECISIONES
M2:
DOE:
ANOVA
Y
DISEÑOS
FACTORIALES
M3·∙:DOE
Avanzado:
MSR,
DISEÑO
ROBUSTO
Y
SHAININ
Fechas:
Diciembre-‐Enero
Matrícula
:imangana@mondragon.edu
Info:
lourdes.pozueta@avancex.com
+ =
Experimentación
Secuencial
“si
hay
evidencias
de
modelos
complejos
se
adapta
las
condiciones
de
las
ruebas
de
forma
sencilla”
Recetas
robustas
a
variabilidad
“La
variabilidad
es
el
principal
enemigo
y
hay
que
tratarla
desde
el
diseño
buscando
condiciones
robustas”
Nº
de
ensayos
apropiados
en
cada
caso
“El
número
de
ensayos
a
realizar
depende
de
las
condiciones
en
que
se
experimenta
y
de
las
evidencias
que
se
persigue
encontrar”
0,500,450,400,350,300,250,200,150,100,050,00
1,0
0,8
0,6
0,4
0,2
0,0
% of Defects
Potencia
11
12
15
20
39
size
SAMPLE
Selection of Sample size for DOE. Comparing proportions
Baseline: 50% defects
Situation 1
Direction to move with DOE
20. DIAGNOSTICAR:
Variabilidad
en
espesor
a
través
de
peso
20.
540
525
510
495
480
3,9612E+103,9612E+103,9611E+103,9611E+10
15,4
15,2
15,0
14,8
14,6
14,4
3,9612E+103,9612E+103,9611E+103,9611E+10
15,6
15,4
15,2
15,0
14,8
14,6
0,3
0,2
0,1
0,0
-0,1
Peso Espesor14,5+0,6
Espesor_Cazuela Desplazamiento72-71
Variación de Peso y Espesor de Piezas (y Desplazamiento) a largo Plazo
Frecuencia: 1 muestra/hora
Periodo 11 Junio 13:30-13 Junio 4:45.
520510500490480470
15,50
15,25
15,10
15,00
14,75
14,50
14,25
Peso_LARGO
Espesor14,5LARGO
S 0,102955
R-Sq 65,9%
R-Sq(adj) 65,6%
Regression
95% CI
95% PI
Fitted Line Plot
Espesor14,5LARGO = 7,316 + 0,01553 Peso_LARGO
MALAS MALASBUENAS
Buenas"
"Casi
Malas"
"Casi
3,9612E+10
3,9612E+10
3,9612E+10
3,9612E+10
3,9612E+10
3,9611E+10
3,9611E+10
3,9611E+10
3,9611E+10
3,9611E+10
550
500
450
400
350
300
15,4
15,3
15,2
15,1
15,0
14,9
14,8
14,7
14,6
14,5
14,4
X-Data
EnergíadeGolpeo
Espesor14,5+0,6
3
2
4
5
1
Espesor
Energía de Golpeo (por Golpes) y Espesor
paradas
comienzos buenos con
estabilidad
problemas, pocas piezas
comienzos buenos con paradas
estabilidad
“NO
entramos
en
tolerancias
de
PESO
porque
tenemos
variabilidad
en
ESPESOR
porque
la
variación
en
Tª
no
la
compensamos
bien
con
las
Energías
de
MarFllo”
21. EXPERIMENTAR:
causas
ráiz.
OpHmización
proceso
21.
121086420
98
95
90
85
80
70
60
50
40
30
20
10
0
Absolute Standardized Effect
Percent
A Temperatura
B Golpe 4
C Golpe 5
F actor Name
ABC
BC
AB
C
A
Half Normal Plot of the Standardized Effects
(response is Espesor, Alpha = 0,05)
Significativos
Efectos
510
470
510
470
13051275
Golpe 5
Golpe 4
Temperatura
0,48883
0,494500,50350
0,50117
0,50317
0,500170,51383
0,50917
Cube Plot (data means) for Peso
Exp: 1a, 1b, 1c
Exp. 2
Exp. 3
Exp. 4 Exp. 5
Exp. 6
Exp. 7
Exp. 8
estabilidad
510470
15,4
15,3
15,2
15,1
15,0
14,9
14,8
14,7
510470
1275
Golpe 5
Espesor
1305
470
510
Golpe 4
Multi-Vari Chart for Espesor by Golpe 4 - Temperatura
Temperatura
Exp. 1a, 1b, 1c
Exp. 2
Exp. 3
Exp. 4
Exp. 5
Exp. 6
Exp. 7
Exp. 8
Modelos (Unidades codificadas)
Espesor = 15,112 – 0,102 Temp. -0,085 Golpe 5
S = 0,073mm R2= 82,04
Peso = 0,501 – 0,0056 Temp. -0,0052 Golpe 5 S =
0,0051gr R2= 72,82%
(diseño
de
regulador
automáHco)
Rigor,
Comunicación
VISUAL
22. Ejemplo
DOE
22.
PROTAGONiSTAS
SMN:
Semillas
de
microorganismos
de
montaña.
Bacterias
que
ayudan
a
asimilar
nutrientes
……
Obje(vo
1:
Encontrar
experiencias
para
entrenar
a
personas
en
DOE
ObjeHvo
2:
Estudio
de
influencia
de
SMN
en
crecimiento
de
planta
¿SMN
en
tierra?
-‐ +
NO
SI
EVIDENCIAS
esperadas
• Plantas
crecen
antes
¿cuánto?
• Plantas
crecen
más
(longitud,
más
hojas,
..)
• Menos
enfermedades
(pulgón,
hongos,..)
ESTRATEGIA
clásica
Todo
fijo
y
se
mueve
1
factor
1
Factor
y
16
pruebas
23. ¿qué
ensayos
realizo
en
mi
plantel?
23.
SMN
no si
SMN
no si
Semilla
-‐
SMN
-‐ +
Semilla
-‐
Lent
alub
¿1
factor?
¿2
factores?
¿3
factores?
24. Experiencia
Real
24.
SMN:
Semillas
de
microorganismos
de
montaña
del
Maresme
ObjeHvo
2:
Estudio
de
influencia
de
factores
en
crecimiento
de
planta
Tratamientos:
combinación
de
factores
Diseño
2
5-‐1
alternando
(erra
A
y
C
Semilla
Mineral
+
leonardita
-‐
SMN
5
Factor
y
16
pruebas
Ordenamiento
para
protegernos
de
lo
que
desconocemos
y
TEMEMOS
25. PREPARACIÓN
25.
2
condiciones
extremas
en
Bote-‐
Nesquick
Shrek
Hene
bacterias
26. RESULTADOS:
15
días
26.
Tierra
A
de
tomatera
sin
añadidos
en
recipiente
nesquick.
ÉXITO!!!
SHREK:
Tierra
A
de
tomatera
con
TODOS
los
añadidos
NO
SALE!!
Nota:
Hay
3
condiciones
iguales
a
esta
en
panel
que
no
salen
RESULTADOS:
21
días
Evidencia
esperada:
✔ ✖
Evidencia
observadas:
✖ ✔
Únicas
alubias
que
salieron
Escarbo
en
panel
y
VEO
al
menos
2
alubias
germinando
a
los
15
días))
27. 45
días….no
hay
vida.
Excelente
experiencia
de
fracaso!!!
27.
NO
SALE
NINGUNA
ALUBIA
Hay
restos
de
semillas
germinadas
pero
podridas
Revisión
del
proceso
experimental
Hipótesis
• No
es
el
Hpo
de
semilla
(alubia,
lenteja,..)
• No
es
la
orientación
en
panel
• No
es
SMN,
ni
mineral,
mi
miel,
ni
leonardita
• Hemos
dado
igual
canHdad
de
agua
• Puede
ser
(condiciones
de
proceso)
• Condiciones
atmosféricas
frío
de
inicio:
moho
• Riego
excesivo
en
Sep.
con
calor
de
Zumaia
• Riesgo
se
estanca
• No
todas
semillas
necesitan
igual
agua
• Diferencia
entre
bote
y
panel:
Presión
de
Herra
• …..
solo
sale
1
lenteja
28. Excelente
experiencia
de
fracaso!!!
APRENDEMOS
• Podemos
estudiar
5
factores
con
16
pruebas
(RuHna
de
experimentación)
• ReparHmos
ensayos
en
panel
de
modo
que
no
afecte
entorno
(BLOQUEAR
y
Aleatorizar)
• Hemos
listado
evidencias
que
esperamos
encontrar
y
cómo
medirlas
• Hemos
grabado
cada
parte
para
que
conste
cómo
lo
hemos
hecho
• Las
condiciones
de
proceso
No
las
hemos
controlado
bien
y
han
sido
MALAS
para
TODOS
(menos
1)
• Por
haber
sido
rigurosos
en
planificación
sabemos
que
el
fracaso
es
externo
a
los
factores
a
estudio….factores
que
afectan
a
todo
y
que
impiden
ver
“la
señal”
de
los
factores
significaHvos
• Hay
una
experiencia
buena,
Magnífica
¿por
qué
?
(está
a
estudio)
28.
Seguimos
con
esta
y
otras
experiencias
pedagógicas
….
desarrollando
RUTINAS
para
facilitar
APRENDER
a
EXPERIMENTAR….
Porque
EXPERIMENTAR
facilita
APRENDER
otros
CONOCIMIENTOS
29. Referencias
de
éxito
aplicando
DOE
• ApplicaHon
of
Six
Sigma
Methodology
in
Gamesa
AeronaúHca.
L.
Pozueta
y
J.
M.
Lario
López.
Third
Annual
mee(ng
of
ENBIS
and
ISIS3.
Barcelona
2003
haps://www.dropbox.com/s/rkp9w36dsdflx8f/GAMESA-‐ENBIS-‐2003.pdf?dl=0
• OpHmizaHon
of
a
Car
brake
Prototype
as
a
Consequence
of
Successful
DOE
Training.
LL.
Marco,
X.
Tort-‐
Martorell,
J.
A.
Cuadrado
and
L.
Pozueta.
Quality
and
Reliability
Engineering
Internacional,
20,
469-‐480.
(2004)
• Reducción
de
la
variabilidad
en
un
proceso
de
forja
en
ALCORTA
FORGING
GROUP.
L.
Pozueta.
Jornada
de
Excelencia
Operacional
en
la
Industria
y
Servicios
con
Minitab
Barcelona
22
Octubre
2009
haps://www.dropbox.com/s/29avy51bl8oiacr/JornadaMINITAB_Alcorta.pdf?dl=0
29.
• Tesis doctoral: ”Desarrollo de un modelo para abordar proyectos de mejora continua de
procesos productivos de forma eficaz y eficiente”
Autor: José Alberto Eguren Egiguren
Directores: Unai Elorza Iñurrategi (Mondragon Unibertsitatea)
Lourdes Pozueta Fernández (Avancex+i, S.L.)
Notas do Editor
y
Este diagrama representa los dos procesos básicos del método científico:
Inducción: Crear modelos, hacer hipótesis o conjeturas a partir de nuestras observaciones, de la realidad de los datos y el RAZONAMIENTO
Deducción: Extraer consecuencias de nuestros modelos o conjeturas (si es cierto, entonces…) y comprobar si son ciertas a base de datos
Es por tanto opuesto al: creo, opino, considero… Y la estadística, tanto para suministrar materia prima para el proceso inductivo, como para aconsejar el tipo de prueba, la cantidad de datos a recoger, etc para realizar las comprobaciones del proceso deductivo, es la herramienta básica.