C) DIAGRAMMA A SETTORI Procedura: Determinare la percentuale per ciascuna categoria Convertire i valori percentuali in gradi d angolo Disegnare un cerchio e tracciare i settori Contrassegnare i settori Università di Pisa Miglioramento continuo e Problem Solving 1
3. DIAGRAMMA POLARE Visualizza su un solo diagramma un insieme di parametri, permettendo di tenere sotto controllo la situazione generale e di individuare prontamente eventuali situazioni critiche Università di Pisa Miglioramento continuo e Problem Solving 2
DIAGRAMMA POLARE LA PERCEZIONE DELL AZIENDA DA PARTE DEI CLIENTI ECONOMICITÀ ESERCIZIO QUALITÀ PRODOTTO 100 80 60 40 IL PRINCIPALE CONCORRENTE PUNTUALITÀ CONSEGNE NOI PRESTAZIONI PRODOTTO 20 0 ASSISTENZA TECNICA COSTO ACQUISTO TEMPI DI RISPOSTA DISPONIBILITÀ PER DILAZIONE PAGAMENTI Università di Pisa Miglioramento continuo e Problem Solving 3
4. STRATIFICAZIONE Consiste nell osservare da punti di vista diversi dati e informazioni aggregati È particolarmente utile nella fase diagnostica, poiché permette di identificare quali categorie contribuiscono maggiormente a creare il problema Università di Pisa Miglioramento continuo e Problem Solving 4
Stratificazione delle assenze dal lavoro 14 12 10 8 6 4 2 0 G F M A M G L A S O N D 30 25 20 15 10 5 0 <20 20-21 22-23 >24 % PER MESE % PER ETA' 60 40 20 0 IMPIEGATI OPERAI 60 40 20 0 M F % PER INQUADRAMENTO % PER SESSO Università di Pisa Miglioramento continuo e Problem Solving 5
5. ISTOGRAMMA Rappresentazione grafica di una distribuzione di frequenza, costituita da una successione di rettangoli aventi come base l intervallo delle classi e come altezza un valore proporzionale alla frequenza corrispondente Università di Pisa Miglioramento continuo e Problem Solving 6
Frequenza relativa (%) Frequenza assoluta 20 ISTOGRAMMA Prestazioni di un processo Obiettivo del processo sul 95 % dei prodotti 30 15 10 15 5 0 11 10 09 08 07 06 05 04 03 02 01 Scostamento dall ottimale 0 Università di Pisa Miglioramento continuo e Problem Solving 7
Diagramma simmetrico dei dati attorno alla maggiore frequenza ( moda ). Diagramma asimmetrico. L asimmetria è detta negativa quando si sviluppa a sinistra, positiva quando si sviluppa a destra. Distribuzione bimodale dei dati attorno a due frequenze. Università di Pisa Miglioramento continuo e Problem Solving 8
Specifica Distribuzione centrata all interno dei limiti di specifica: processo sotto controllo. Specifica Specifica Distribuzione centrata, ma estesa al di fuori dei limiti di specifica: processo fuori controllo. Distribuzione non centrata nei confronti della specifica ed estesa al di fuori dei limiti di specifica: processo fuori controllo. Università di Pisa Miglioramento continuo e Problem Solving 9
6. DIAGRAMMA DI PARETO Permette di visualizzare un insieme di dati quantitativi relativi ad un problema, mettendo in risalto i fatti importanti rispetto a quelli secondari Università di Pisa Miglioramento continuo e Problem Solving 10
UN ESEMPIO: DIFETTI RISCONTRATI SU UN MOTOVEICOLO IN GARANZIA A : difficoltà di avviamento B : regime di minimo irregolare C : imperfezioni nella verniciatura D : eccessiva rumorosità del motore E : guasto della serratura della sella F : scarsa efficacia della frenatura G : perdite di carburante H : malfunzionamento spie cruscotto I : guasto del proiettore anteriore K : rottura del cavalletto L : altro N casi 64 38 26 7 5 4 3 3 2 2 4 Università di Pisa Miglioramento continuo e Problem Solving 11
UN ESEMPIO: DIFETTI RISCONTRATI SU UN MOTOVEICOLO IN GARANZIA 160 140 120 100 80 60 40 20 0 A B C D E F G H I J K L 100 % 80 % 60 % 40 % 20 % 0 % VITAL FEW Difetto TRIVIAL MANY Università di Pisa Miglioramento continuo e Problem Solving 12
7. DIAGRAMMA DI CORRELAZIONE Permette di evidenziare la relazione esistente tra due insiemi di dati associati biunivocamente. È utilizzato frequentemente nell analisi delle cause, al fine di stabilire se un rapporto di causa / effetto o di dipendenza tra due fenomeni sia effettivamente fondato. Università di Pisa Miglioramento continuo e Problem Solving 13
RELAZIONE TRA GLI ABBANDONI AL PRIMO ANNO E IL PUNTEGGIO CONSEGUITO AL TEST DI INGRESSO 31 32 33 34 35 36 37 38 39 40 33,5 32,4 29,9 25,7 18,2 19,7 17,3 15,5 18,7 19,4 41 42 43 44 45 46 47 48 49 50 16,4 15,6 15,9 15,0 14,7 13,3 12,6 11,9 10,3 10,2 51 52 53 54 55 56 57 58 59 60 9,5 9,1 7,5 7,8 6,5 6,0 5,3 4,8 4,3 3,2 Università di Pisa Miglioramento continuo e Problem Solving 14
12 10 8 (%) Abbandoni al primo anno 6 4 2 0 25 50 75 100 Punteggio conseguito al test di ingresso Università di Pisa Miglioramento continuo e Problem Solving 15
Forme tipiche FORTE CORRELAZIONE POSITIVA DEBOLE CORRELAZIONE POSITIVA NESSUNA CORRELAZIONE Università di Pisa Miglioramento continuo e Problem Solving 16
Forme tipiche (continua) FORTE CORRELAZIONE NEGATIVA DEBOLE CORRELAZIONE NEGATIVA CORRELAZIONE CURVILINEA Università di Pisa Miglioramento continuo e Problem Solving 17
Procedura Definire le due variabili X ed Y di cui si vuole evidenziare l eventuale relazione Raccogliere le coppie di dati (X, Y) (almeno 30 coppie) Costruire un diagramma cartesiano X-Y Cercare i valori min. e max. di X ed Y e sulla base di questi definire la scala per i due assi Riportare sul grafico le coppie (X, Y) Esaminare la forma della nuvola di punti e calcolare, eventualmente, il coefficiente di correlazione Università di Pisa Miglioramento continuo e Problem Solving 18
8. CARTE DI CONTROLLO Sono utilizzate per la diagnosi ed il controllo dei processi. Permettono di distinguere, nell ambito di un processo, le variazioni dovute a cause speciali rispetto a quelle dovute a cause comuni. Università di Pisa Miglioramento continuo e Problem Solving 19
VARIABILITÀ NATURALE DEL PROCESSO CAUSE COMUNI Influenzano le misure sempre nello stesso modo Producono variazioni casuali Derivano da molteplici sorgenti, spesso difficili da identificare Non possono normalmente essere corrette dall operatore o dal supervisore CAUSE SPECIALI Influenzano le misure in maniera diversa Si rilevano come variazioni intermittenti Derivano da poche sorgenti Possono essere eliminate dall operatore o dal supervisore Università di Pisa Miglioramento continuo e Problem Solving 20
CARTE DI CONTROLLO CAUSE COMUNI (esempi): Vibrazioni dovute al piazzamento delle macchine Impossibilità di garantire l omogeneità dei materiali lavorati Macchine che hanno problemi a mantenere costanti nel tempo i propri parametri di funzionamento CAUSE SPECIALI (esempi): Rottura degli utensili Impostazione errata dei parametri di macchina Malfunzionamenti nelle attrezzature/impianti (es.: guasti meccanici, interruzioni di alimentazione elettrica, ecc.) Università di Pisa Miglioramento continuo e Problem Solving 21
Excursion/Range R Osservazioni/Remarks Media/Average X Distribuzione/Distribution X CARTA X-R Carta di controllo di Processo / Process Control Chart (X-R) Denominazione pezzo/part name Caratteristica/Characteristic Specifica/Specification Campionatura-Frequenza/Sampling-Frequency Operatore/Operator Foglio/Sheet Scala per X Scala per R N macchina/machine Scale Scale 7,5 7,5 7,4 7,4 7,3 7,3 7,2 7,2 7,1 7,1 7 7 6,9 6,9 6,8 6,8 6,7 6,7 6,6 6,6 6,5 6,5 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 Turno/Shift Ora/Time Data/Date X= 7,00 R= 0,21 L.S.C. X =X+A 2 R= 7,21 L.S.C. R =D 4 R= 0,54 L.I.C. X =X-A 2 R= 6,79 L.I.C. R = 0 x 1 6,9 6,8 7,1 7,0 7,2 7,1 7,2 7,1 6,9 6,9 6,9 6,8 7,0 7,1 7,0 7,0 7,0 7,0 Dimensione campione/sample size x 2 7,2 6,9 7,2 7,2 7,1 6,9 6,8 7,0 7,2 6,9 6,8 6,8 7,0 7,0 6,9 6,8 6,9 7,1 Costanti/Constants x 3 7,1 7,0 7,3 7,2 7,1 6,8 6,9 7,0 6,9 7,1 7,0 6,9 6,9 7,2 6,7 6,9 7,1 7,3 n A 2 D 4 x 4 2 1,880 3,267 x 5 3 1,023 2,575 Sx 21,2 20,7 21,6 21,4 21,4 20,8 20,9 21,1 21,0 20,9 20,7 20,5 20,9 21,3 20,6 20,7 21,0 21,4 4 0,729 2,282 X 7,1 6,9 7,2 7,1 7,1 6,9 7,0 7,0 7,0 7,0 6,9 6,8 7,0 7,1 6,9 6,9 7,0 7,1 5 0,577 2,115 R 0,20 0,20 0,20 0,20 0,10 0,30 0,40 0,10 0,30 0,20 0,20 0,10 0,10 0,20 0,30 0,20 0,20 0,30 C pk = Università di Pisa Miglioramento continuo e Problem Solving 22
Procedura Selezionare la caratteristica cui applicare la carta di controllo Identificare l appropriato tipo di carta di controllo Stabilire la dimensione del sottogruppo (piccola raccolta di elementi al cui interno le variazioni sono supposte casuali) e la frequenza di campionamento Università di Pisa Miglioramento continuo e Problem Solving 23
segue Procedura Reperire i dati di un numero congruo di sottogruppi Calcolare i dati statistici relativi a ciascun campione e determinare, in base ad essi, i limiti di controllo Tracciare la carta di controllo ed esaminarne l andamento ed i punti fuori dai limiti di controllo, onde evidenziare la presenza di eventuali cause speciali Università di Pisa Miglioramento continuo e Problem Solving 24
9. BRAINSTORMING Tecnica per la generazione creativa di idee su un argomento prestabilito Necessita di un modo di operare ordinato e metodico Permette di ottenere un gran numero di idee in un tempo breve Particolarmente utile nella fase di identificazione del problema da affrontare, nella ricerca delle cause e nella definizione della soluzione Favorisce la coesione del gruppo e la partecipazione attiva di tutti i partecipanti Università di Pisa Miglioramento continuo e Problem Solving 25