Hard & Soft Facts zur Prozessverbesserung mit Six Sigma

Improve

Von Dr. Reiner Hutwelker, www.activepartner.de

Zweck der Improve-Phase ist, die in der Analyse-Phase gefundenen Stellschrauben xi so einzustellen, dass die Yi sich im Zielkorridor bewegen, um dadurch die Kundenanforderungen zu erfüllen.

Kreativitätstechniken

Kreativitätstechniken zielen darauf ab, in einer Teamarbeit, effektive und effiziente Wege zu finden, die Einflussgrößen xi zu verändern. Wurden in der Ursache-Wirkungs-Analyse Quell-Ursachen für die Ausprägung der Ergebnisgrößen gefunden, setzen die Kreativitätstechniken direkt an der Modifikation der Quell-Ursachen an. Bei einer gut ausgeführten Ursache-Wirkungsanalyse reicht es jedoch oft schon, die Kern-Ursachen gewissermaßen auf den Kopf zu stellen, um zu brauchbaren Lösungen zu gelangen. Manchmal ist jedoch auch notwendig, völlig neue Wege zu gehen. Dafür bietet DeBono mit seinen deutlich zu unterscheidenden Kreativitätsphasen einen passenden, aber leider sehr oft vernachlässigten Rahmen. Viel zu oft gilt noch der Satz von Erich Kästner: „Wer eine neue Idee hat, steht ganz alleine da“, weil neue Ideen gleich durch Widerstände erdrückt werden. Das ist beim Brainstorming sehr oft zu beobachten, ebenso die die Tatsache, dass neue Ideen ungeprüft oder aus einem Gefühl heraus übergangen werden. Vielleicht achten Sie einfach mal bei der nächsten Gelegenheit darauf.

Beispiel: Da (vermutlich) alle relevanten Daten über Zusammenhänge zwischen xi und Yi vorliegen, wenden wir keine Kreativitätstechniken an, sondern lassen uns die optimale Lösung durch das Zusammenspiel von Prozess-Simulation und einem Design of Experiments berechnen.

Lösungsalternativen entwickeln

Lösungsalternativen des Prozesses könnten z.B. aus Variationen des Inputs, Variationen des Ablaufs und aus alternativen Ressourcenverteilungen resultieren. Die Auswahl der besten Lösung kann auf der Basis rationaler Überlegungen oder datenbasiert durch den Vergleich verschiedener Simulationsszenarien erfolgen. Im nächsten Abschnitt wird gezeigt, wie die optimale Lösung aus dem Zusammenwirken von DoE und Prozess-Simulation gewonnen werden kann.

Beispiel: Auf Basis des Prozess-Modells und dem Wissen über Einflussfaktoren wurden verschiedene Prozess-Varianten erstellt. Mit Hilfe der einer DOE (siehe nächsten Abschnitt), die auf der Basis der Simulation erstellt wurde kann die optimale Lösung mittels Response-Optimization gefunden werden. Eine abschließende Simulation in einem optimierten Szenario ermöglicht es, die statistisch in der DoE vorhergesagten Ergebnisse, in der Prozess-Simulation zu überprüfen.

Abbildung 14: optimierter Prozess der W.Tell AG

Design of Experiments (DOE)

Häufig werden Verbesserungen durch Versuch-und-Irrtum-Experimente gesucht. Im Design of Experiments werden die Einflussgrößen xi dagegen kontrolliert verändert und die jeweilige Veränderung der Yi gemessen. Die Idee dahinter ist, durch systematisches Variieren und Konstanthalten der Einflussgrößen den Anteil des jeweils variierten Einflusses auf das Ergebnis bestimmen zu können. Als Resultat erhält man so genannte Haupteffekte von Einflussgrößen und gegebenenfalls auch Interaktionseffekte mehrerer Einflussgrößen, die sich dann gegensinnig oder auch aufschaukelnd auf die Ergebnisgrößen verhalten können.

Beispiel: Zunächst wird ein Versuchsdesign erstellt. Die Einflussgrößen werden darin auf zwei bzw. drei Stufen variiert und systematisch miteinander kombiniert, so dass insgesamt 36 Einzelversuche resultieren. Ein Versuch lautet z.B.: Bogen: Holz; Pfeil: Typ A, Visiereinstellung x-Richtung: -1; Visiereinstellung y-Richtung: -1. In dieser Einstellung könnten nun 10 Schüsse abgegeben und die Resultate gemessen werden. Danach wird genau eine Einstellung verändert, z.B. Visiereinstellung y-Richtung: 0 und danach wieder 10 Schüsse abgegeben. Die varianzanalytische Auswertung der Ergebnisse ermöglicht, den Einfluss jedes Faktors und die Stärke der Interaktionen der Faktoren zu berechnen.

Abbildung 15: Design of Experiments für Bogen-Schieß-Prozess In diesem Design werden insgesamt 36 Versuche notwendig. Mit zunehmender Anzahl der Einflussgrößen wächst die Anzahl der Versuche exponentiell. Zwar kann mit so genannten fraktionierten Designs die Anzahl der Versuche und damit die Kosten reduziert werden, jedoch geht das zu Lasten der Präzision der Ergebnisse. Einen eleganten Ausweg bieten Simulationen.

Nachdem wir das Prozess-Modell (s.o.) nicht nur zur Prozessdarstellung genutzt haben, sondern jeden einzelnen Schritt mit seinen realen Attributen gefüllt haben, z.B. mit den Spezifikationsangaben der Pfeile und der Bögen, den möglichen Distanzen, Spannkräften und Visiereinstellungen, kann der Prozess kostengünstig gemäß dem erstellten Design simuliert werden.

Diese Simulation mit dem Werkzeug iGrafx Process for six-sigma erzeugt Daten zum Design, die dann mit Minitab statistisch ausgewertet werden können.

Da nach der Auswertung bekannt ist, wie xi die Yi beeinflussen, kann nun, gewissermaßen rückwärts, die optimale Einstellung der Einflussgrößen für das angestrebte Ziel berechnet werden. In dieser Response Optimization wird für xi die Einstellung gesucht, mit der genau „ins Schwarze“ getroffen wird, d.h. für den Treffpunkt xhorizontal= 0 und y-vertikal= 0.

Abbildung 16: Berechnung der optimalen Einstellung der Einflussgrößen xi

Die erste Lösung der Response-Optimization zeigt (Abbildung linke Seite), dass für die Zielwerte x-horizontal und y-vertikal jeweils der Wert 0, d.h. Treffer „ins Schwarze“ vorgegeben wurde. In den Spalten findet man die verschiedenen Faktoren, z.B. Visiereinstellung x, Bogen etc. Die Grafiken zeigen über die Steigung der Geraden den Zusammenhang zwischen Einflussgröße und Ergebnisgröße – je steiler, desto stärker. Die roten Ziffern in der Abbildung 16 zeigen schließlich die berechnete Einstellung für die jeweilige Einflussvariable. So muss das Visier x-horizontal auf 0,0170, das Visier y-vertikal auf -1 eingestellt werden, bei Verwendung des Carbon-Bogens und des Pfeiltyps B, bei 100 m Distanz und einer Spannkraft von 110 Newton usw., um die Lage zu zentrieren. Für die Distanz schlägt der Response-Optimizer 73m vor. Die erste Datenanalyse hatte jedoch schon ergeben, dass die Distanz maßgeblich für die Streuung der Löcher verantwortlich ist – je kürzer, desto weniger Streuung. Die Neuberechnung der Trefferlage aus der 50m Distanz führt nun mit einem vorhergesagten Treffpunkt x-horizontal= -0,0593 und y-vertikal= -0,0126 zu einer geringen Lageabweichung bei jedoch minimal möglicher Streuung. Alternativ hätten mit einer speziellen Variante der DoE (Taguchi-Design) die Lage und Streuung der Löcher gleichzeitig, also noch eleganter optimiert werden können. Dafür zeigt das vorgestellte Verfahren den Weg zur Verbesserung etwas differenzierter.

Lösungsübersicht

Die Lösungsübersicht dient der Entscheidung über die angemessene Lösung. Sie fasst zusammen, welche Yi von welchen xi abhängen, welche Möglichkeiten es gibt, die xi zu verändern und zu welchen veränderten Yi das führt, ergänzt durch eine Aufwand-/Nutzen-Betrachtung. Diese Lösungsübersicht liefert die technische und kaufmännische Grundlage für die Implementierungsentscheidung des Projekt-Sponsors.

Beispiel: Unser Management ist mit der vorgeschlagenen Lösung des Response-Optimizers zufrieden und gibt den Start frei für die Implementierung.

FMEA

Vor der Implementierung empfiehlt es sich noch, die Lösung in einer Fehlermöglichkeiten-Einfluss-Analyse auf Risiken zu untersuchen und möglichst präventive Maßnahmen einzuleiten. Dazu werden a) mögliche Probleme aufgelistet und ihre Entdeckbarkeit bewertet, b) die Wirkungen, die auftretende Probleme beim Kunden gelistet und die Stärke der Wirkung bewertet und c) die Ursachen der Probleme gelistet und deren Auftretenswahrscheinlichkeit bewertet. Die Produktsumme der Bewertungen mündet in die so genannte Risikoprioritätszahl, deren jeweilige Größe Präventivmaßnahmen sinnvoll erscheinen lassen kann oder nicht.

Beispiel: Wir erwarten keine Risiken in diesem Beispiel.

Implementierung

Die Implementierung der Lösung wird, soweit notwendig, zunächst geplant, dann wird das Vorhaben kommuniziert. Widerstände der Mitarbeiter gegen die Lösung sollten ernst genommen und deren gute Ideen bei der Implementierung berücksichtigt werden. Eine Schulung der betroffenen Mitarbeiter beendet die Improve-Phase.