Hoe wordt Minitab voor Six Sigma ingezet?
In de praktijk wordt Minitab voor Six Sigma veel gebruikt. Minitab is een programma die het statistieke gedeelte in Six Sigma als het ware van je overneemt. Je voert de gemeten data uit je onderzoek in en Minitab maakt het inzichtelijk, met aanvullende informatie waaruit de Lean Six Sigma Black Belt conclusies kan trekken. Voor hen die geïnteresseerd zijn in het programma ‘Minitab’ hebben wij een link geplaatst naar hun officiële website waar je gratis een trial van 30 dagen kan proberen.
Hoe wij de informatie over Minitab geordend hebben
Hieronder hebben we de cel-structuur van Minitab nagemaakt. Daarin zijn veel tools en technieken te vinden die je als Lean Six Sigma Black Belt in de praktijk kan gebruiken. Door op de begrippen te klikken wordt je automatisch naar de juiste plek op de pagina gebracht. Uiteraard kan je ook zelf door alles heen scrollen, maar als je gerichte informatie zoekt over een aantal van deze termen, dan is het aan te raden om het schema te gebruiken als je navigatie.
Informatie en tools die bij Minitab voor Six Sigma worden gebruikt
Continue Data
Continue Data is geen vooraf bepaald gegeven. Het is geen simpel antwoord zoals: Voldaan / niet voldaan, maar deze gegevens kunnen heel divers zijn. Deze data zou bijvoorbeeld gebruikt kunnen worden bij een toets waarbij gescoord wordt in cijfers. Een cijfer kan variëren en daarom zien we dit als Continue Data.
Attribute Data
Attribute Data zijn juist wel kenmerken waar maar beperkte antwoorden voor mogelijk zijn. Dit soort data gebruik je bijvoorbeeld bij een toets waar iemand alleen een onvoldoende / matig / voldoende / goed kan halen. In dit soort gevallen, waarbij meer antwoorden in een bepaalde volgorde mogelijk zijn spreken we echter over een subcategorie van attribute data wat we Ordinale Schaal noemen. Voorbeelden van Ordinale Schalen zijn de 5-punts schalen en 7-punts schalen. Deze noemen we ook wel de Likert Schalen. Bij veel vormen van Attribute Data is er echter vaak maar 1 kans om het goed te doen. Meestal zijn het simpele keuzes tussen goed / fout. Als er maar één kans is om het goed te doen dan spreken we over Binaire Data.
Als een bepaald onderdeel van de output niet voldoet dan spreken we over een Defect. Deze onderdelen kunnen ook niet geleverd worden aan de klant. Als de gehele output echter niet voldoet en de klant niets afneemt dan praten we over een Defective. Om Defects in kaart te brengen gebruiken we de U-Chart (variabele subgroepen) en C-Chart (constante subgroepen). Om Defectives in kaart te brengen gebruiken we echter de P-Chart (percentages) of NP-Chart (eenheden)
I-MR Chart
Een I-MR Chart laat zien of waarden in het proces zich natuurlijk gedragen of niet.
Xbar-R Chart
Waar de vorige chart zich bezig houdt met individuele waarden, kan je met de Xbar-R Chart een reeks data met maximaal 8 subgroepen inzien en bekijken of ze afwijken van het gemiddelde en wat het onderlinge bereik is tussen de groepen.
Xbar-S Chart
De Xbar-S Chart gebruik je wanneer je te maken hebt met 9 subgroepen of meer. Ook hier letten we op het gemiddelde, maar focussen we ons hier op de standaard afwijking bij de waarnemingen in de subgroepen.
Gauss Kromme
Alle hierboven genoemde Charts worden gebruikt als we praten over normaal verdeelde data. Dit betekend dat je statistisch makkelijk een uitspraak kan doen over het proces. Er moeten zowel boven als onder het gemiddelde evenveel waarnemingen zijn. Een grafische term hiervoor is Gauss Kromme.
Weibull Verdeling
Het is moeilijker om een uitspraak te doen over het proces als de data niet-normaal verdeeld is. Een voorbeeld hiervan kan een Weibull Verdeling zijn. Dit is een verdeling waarbij te zien is dat je, naar mate de tijd verstrijkt, meer apparaten hebt die aan het einde van hun levensduur zijn.
Box-Cox Transformation
De Box-Cox Transformation is een methode die niet-normaal verdeelde data kan transformeren, zodat deze wel normaal verdeeld is.
Upper Specification Limit and Lower Specification Limit
Klantspecificaties hebben een bovengrens en een ondergrens. Deze noemen we ook wel de Upper Specification Limit en de Lower Control Limit. Alles tussen deze twee grenzen valt onder gradaties in de kwaliteit van het product wat de klant accepteert.
Sigma Niveaus
Six Sigma heeft alles te maken met het beheersen van de variantie in het proces. Zo zijn er verschillende Sigma Niveaus die het percentage meetbare items binnen de Specification Limits aangeven. Zo zijn er 6 Sigma Niveaus in totaal en is het de bedoeling dat je uiteindelijk een zo hoog mogelijk niveau behaalt met je proces.
Klantspecificaties
Onder klantspecificaties verstaan we een bepaalde verwachting die de klant heeft van het product. Zoals hierboven al te lezen is, valt alles wat de klant accepteert binnen de Specification Limits. Alles binnen de Specification Limits, wat ook evenredig verdeeld is rond het gemiddelde, noemen we normaal verdeelde data. Als we willen weten of we aan specifieke klantspecificaties voldoen dan kunnen we gebruik maken van een Distribution Plot. Daarmee wordt duidelijk hoeveel van de eenheden voldoen aan de specificaties.
Ook kan een histogram inzicht bieden in de hoeveelheid eenheden die voldoen en niet voldoen. Een histogram kan niet alleen weergeven hoe onze eenheden nu verdeeld zijn (Observed Performance), maar kan zelfs gebruikt worden om een voorspelling te doen over hoe deze waarden zich normaal zouden moeten gedragen (Expected Performance).
Als we willen weten of het proces voldoet aan de klantspecificaties gebruiken we voor Defects de Poisson en voor Defectives de Binomial.
Process Capability
Proces Capability gaat over het vermogen van het proces om aan de klantspecificaties te voldoen en waar het proces potentieel aan kan voldoen.
Process Performance
In tegenstelling tot Process Capability, gaat het hier niet om het potentiële vermogen van het proces, maar om hoe het proces daadwerkelijk verloopt.
Statistische Probleem
Aan het einde van de Capability Analysis willen we antwoord hebben op de vraag wat het Statistische Probleem is. We willen weten in hoeverre we aan de klantspecificaties voldoen en wat voor type variantieprobleem we hebben. In sommige gevallen kom je erachter dat je helemaal niet in staat bent om aan de klantspecificaties te voldoen. Indien dit het geval is dan moet er voor nieuwe inputs gezorgd worden om wel aan de eisen te kunnen voldoen.
Anderson-Darling
Het kan zijn dat je weet dat er een statistische probleem is, maar dat je niet exact kan plaatsen welke punten hiervoor zorgen en hoe je die punten kan zien. Anderson-Darling is een visueel ondersteunende tool die je in staat stelt om te zien welke grafische verdeling het beste is om te zien welke punten buiten de boot vallen.
Boxplot
Een Boxplot is een vereenvoudigde weergave van een dataset. Deze grafische weergave is geschikt voor grotere aantallen.
Individual Value Plot
Als we echter met aantallen werken die minder groot zijn dan 30, dan maken we gebruik van een Individual Value Plot. Dit geeft, zoals de naam al weggeeft, meer inzage in de individuele waardes van metingen, ten opzichte van het geheel.
Dotplot
Een Dotplot is net als de Individual Value Plot geschikt voor kleinere aantallen, maar geeft een weergave die er net wat anders uitziet.
Time Series Plot
De Time Series Plot stelt je in staat om erachter te komen wanneer er iets in het proces gebeurde wat op zijn beurt zorgde voor een afwijking in dat proces. De grafiek wordt door een rode lijn in tweeën gesplitst, wat aangeeft dat er vanaf de rode lijn iets is gebeurd waardoor er twee procesprestaties zijn ontstaan.
Run Chart
Je kan patronen ontdekken in de data door middel van een Run Chart. Door te selecteren welke data je wilt bekijken en ook de grootte van de subgroep te bepalen krijg je patronen binnen het proces inzichtelijk.
Scatterplot
Met een Scatterplot beantwoord je de vraag of er een verband is tussen X-variabele en de Y-variabele in de data. Dit wordt grafisch weergegeven.
Fitted Line Plot
Als je met een Scatterplot een potentieel verband ziet, dan kan je deze grafische weergave specifieker maken met een Fitten Line Plot. Hiermee wordt een vergelijking gemaakt en wordt aangetoond voor hoeveel procent de variantie verklaart wordt bij het gelegde verband.
T-Testen
Met hypothese testen probeer je te verifiëren of een aanname klopt of niet. T-Testen zijn hier geschikt voor, mits er niet teveel datapunten zijn. Verschillen tussen datasets ten opzichte van een gegeven waarde kunnen hiermee worden vastgesteld.
1-Sample t-test
Een 1-Sample t-test is geschikt om continue datasets te vergelijken met een vooraf gestelde norm of gemiddelde.
2-Sample t-test
Met een 2-Sample t-test kan je twee groepen onderling met elkaar vergelijken.
Paired t-test
Een Paired t-test is vooral geschikt om vergelijkingen te trekken tussen een proces voor en na een verandering. Vervolgens wordt er vastgesteld in hoeverre de verandering een effect heeft gehad op het proces.
1-Sample Z
1-Sample Z kan je het beste gebruiken wanneer je een groep ten opzichte van het verwachte gemiddelde wilt vergelijken en je weet wat de standaard deviatie is.
ANOVA
ANOVA staat voor Analysis of Variance. Een voordeel aan ANOVA is dat je meerdere groepen tegelijk kan vergelijken. We kijken bij een ANOVA niet alleen naar het gemiddelde maar vooral juist naar de variantie in het proces, ten opzichte van het gemiddelde.
Test for Equal Variances
Bij een Test for Equal Variances wordt er gekeken naar variantie binnen groepen door te letten op de standaard deviatie en de onderlinge afwijkingen daarin.
Verdelingsvrije Testen
Verdelingsvrije testen zijn handig om verbanden te vinden tussen verschillende factoren die op het eerste gezicht misschien niets te maken hebben met elkaar. Een manier om dit te doen is door middel van Kruskal-Wallis. Deze test laat de kanswaarde zien dat er een oorzaak-gevolg-verband is tussen de twee factoren. Ook kunnen we twee groepen met elkaar vergelijken door middel van een andere test die we Mann-Whitney noemen. Hier is ook waarschijnlijk in eerste instantie geen logisch verband, maar toch kan het nuttig zijn om de onderlinge factoren met elkaar te vergelijken.
Chi-Square Test
De Chi-Square Test (ook wel de χ-Square Test) wordt gebruikt om relaties te onderzoeken door middel van statistieken. Hier maken we vooral gebruik van wanneer we te maken hebben Attribute Data, maar eigenlijk meer willen weten dan alleen maar Ja / Nee. De Critical to Quality (CTQ) moet hiervoor echter wel te meten zijn door middel van Continue Data.