- Detalles
- Categoría: Minitab
- Visto: 4025
Por Jim Oskins.
A finales de la década de 2010, trabajaba para uno de los fabricantes de electrodomésticos líderes en el mundo como Six Sigma Master Black Belt, liderando proyectos para mejorar la calidad. Tuvimos mucho éxito, ahorrando alrededor de 30 millones de dólares cada año al capacitar y entrenar nuevos cinturones negros Six Sigma para resolver problemas. En aquel entonces, recuerdo claramente la renuencia a incorporar herramientas de análisis predictivo a la mezcla. ¡Poco sabíamos lo que nos estábamos perdiendo!
ENFOQUES LENTOS PARA LA RESOLUCIÓN DE PROBLEMAS
En aquellos días, a los cinturones negros se les enseñó a abordar problemas a través de experimentos planificados basados en datos. Por ejemplo: cuando los tickets de servicio comenzaron a acumularse por un nuevo defecto en una de nuestras lavadoras, verificaríamos que podíamos medir con precisión el problema, comprender la variación con respecto al problema y tal vez usar el diseño de experimentos (DOE) para conocer la causa y el efecto para nuestras teorías y soluciones predichas. En la nueva era de la manufactura (a veces llamada industria 4.0), se disponía cada vez de más y más datos y los ejecutivos empezaron a esperar respuestas más rápidas que nunca.
Nuestra comunidad de solucionadores de problemas tenía un método establecido para priorizar los problemas. A menudo, esperábamos un informe de tasa de incidentes de servicio (SIR) para ver qué problemas ocurren con mayor frecuencia. Desafortunadamente, SIR era una métrica retardada, a menudo 6 meses después de cuando ocurrieron los problemas en los hogares de nuestros clientes. Nuestro dilema era obvio: necesitábamos resolver estos problemas más rápido.
LLEVANDO GRANDES DATOS A LA FABRICACIÓN
Además del tiempo necesario para que aparecieran los problemas, también tuvimos algunas dificultades para pasar de los datos pequeños a los grandes. Nuestros Cinturones Negros irían tan lejos como para reducir grandes cantidades de datos a un diseño factorial de experimentos (DOE) porque así es como se hacían las cosas. Después de todo, esa era la forma en que pensaban que les había enseñado su Master Black Belt.
Finalmente, directores técnicos como ingenieros principales, maestros cinturones negros y similares en el espacio de fabricación, empezaron a adoptar herramientas para el recién acuñado concepto de "Big Data". La esperanza era que los macrodatos pudieran usarse para vincular finalmente las fallas de campo con los datos de fábrica para predecir y reducir cosas como el coste de garantía y mejorar la calidad. Digo que este fue un concepto nuevo para nosotros porque, aunque teníamos estos datos durante años o décadas, nunca los reunimos todos.
Los técnicos de servicio que trabajan en incidentes de servicio recopilaron algunos datos de prueba y números de serie de electrodomésticos estropeados en los hogares de nuestros clientes ... pero ni los datos de desarrollo ni los datos de fabricación se vincularon explícitamente con los datos de servicio de campo.
Parte del problema incluía los diferentes métodos de almacenamiento de datos. La gente no sabía cómo lidiar con estas fuentes de datos masivas y, por lo general, no tenía presupuesto para aprender a combinarlas. Incluso si pudiéramos combinarlos, no había una forma común de obtener información de todo ello.
CONSTRUYENDO EL LAGO DE DATOS
Finalmente, invertimos millones para que los consultores nos ayudaran a recopilar nuestras fuentes de datos masivas y prepararlas para el análisis. Este proceso de "excavar el lago de datos" no es una tarea sencilla. Un lago de datos es un término en el mundo de los macrodatos al que me refiero aquí simplemente para describir cómo se reunieron todas esas grandes fuentes de datos. Ahora, teníamos un conjunto de datos más grande que nos permitía vincular fallas de campo por número de serie a datos de fabricación por el mismo número de serie. Ahora podríamos buscar información sobre los puntos en común que tenían los dispositivos que fallaron.
Identificar ideas es mucho más difícil de lo que se puede imaginar, con tan solo leer este artículo. Hay tantas métricas de prueba recopiladas en la fabricación. Hay tan poca variación y tanta multicolinealidad entre todos esos predictores. Si solo ajusta y = fallas de la válvula frente a cientos de x predictivos ... los datos son demasiado confusos y el análisis de regresión no encuentra mucho. El R^2 es terriblemente bajo. Nuestra confianza en cualquiera de esas técnicas de modelado más antiguas era baja.
EL ANÁLISIS PREDICTIVO LLEGA AL RESCATE
Finalmente, nuestros consultores sugirieron que comenzáramos a explorar el análisis predictivo. ¡Vimos que era mucho más hábil para manejar datos desordenados! Encontramos algunas señales e hicimos algunas mejoras en nuestra planta piloto, probando estos nuevos métodos. Ahora teníamos métodos para agregar y preparar nuestros datos para buscar información como esta.
Sin embargo, nuestro vicepresidente se había comprometido a obtener un gran rendimiento de estas inversiones en almacenamiento de datos y consultoría. En ese momento, teníamos nuevos consultores y nos ayudaron a encontrar muchos conocimientos, pero no eran ingenieros, por lo que los hallazgos del análisis predictivo a menudo tenían poco sentido para ellos. No sabían cómo funcionaba un electrodoméstico. Todo lo que sabían los científicos de datos era que varias métricas de prueba de final de línea predecían una falla.
Finalmente, apenas un par de años después de este costoso proceso, mi empresa decidió que había aprendido lo suficiente de los consultores como para hacerse cargo del análisis ellos mismos. Específicamente, el equipo de “Skunk Works” del VP de Calidad y el Master Black Belt principal y algunos ingenieros de la planta piloto se volvieron lo suficientemente capaces para replicar los hallazgos de los consultores.
DEMOCRATIZANDO EL ANÁLISIS PREDICTIVO EN CASA
Nuestro pequeño equipo ahora era muy bueno en AP. Sin embargo, escalar esta metodología de AP a toda la organización fue muy difícil. El problema era que era lo suficientemente difícil usar análisis predictivo como para que solo un puñado de personas se sintieran competentes. El resto de la organización ni siquiera sabía que esto estaba sucediendo, ¿cómo comenzaríamos a capacitar a más personas? Se decidió que el Master Black Belt principal reuniría los conocimientos y solo asesoraría a los equipos de ingeniería, ya que disponían de los recursos necesarios para resolver los problemas. No fue súper eficiente. Fue demasiado difícil desarrollar experiencia para desarrollar más expertos internos en AP en ese momento.
Mire las opciones y la salida de las herramientas de AP como árboles de clasificación y regresión, bosques aleatorios y TreeNet. Realmente no puede simplemente abrir su gran conjunto de datos y presionar "analizar". Se necesita mucha habilidad. ¡Es por eso que la ciencia de datos es una ciencia!
Durante algún tiempo, a fines de la década de 2010 y principios de la de 2020, tuvimos una división de algunos productos que utilizaban AP, mientras que otros continuaron usando métodos más antiguos. El análisis predictivo permitió la predicción de la garantía, una mejora de la calidad más rápida y la prevención de defectos. Otros que usaban métodos más antiguos todavía esperaron seis meses para obtener su informe de Tasas de Incidentes de Servicio y trabajar con herramientas Six Sigma para resolver los problemas que ocurren con más frecuencia.
EL ANÁLISIS PREDICTIVO DE HOY
El análisis predictivo actual está a años luz de lo que era cuando comencé a usarlo hace más de 10 años. No tiene por qué ser la tarea compleja y especializada que solía ser. Minitab Predictive Analytics con Auto ML hace que el análisis predictivo sea más accesible para las masas. Puede sugerir los mejores modelos a partir de sus datos y le permite, con una interfaz de usuario sencilla, solicitar modelos alternativos.
Le invito a explorar cómo la combinación de Minitab Connect para agregar y preparar datos con Minitab Predictive Analytics con Auto ML para encontrar conocimientos puede hacer su vida más fácil y mejorar y acelerar los resultados. El uso de las ofertas de Minitab de esta manera en la fabricación permite la mejora de la calidad y la predicción de la garantía, prácticamente en tiempo real. Antes de estas herramientas, la mejora de la calidad tardaba medio año o más y la predicción de la garantía se basaba en años anteriores en lugar de en los datos del año actual. Estos valen millones de dólares para nuestros clientes y partes interesadas.
- Detalles
- Categoría: Maple
- Visto: 33780
Software de cálculo para ingeniería civil: Desde acero estructural hasta diseño de carreteras y transporte, Maple Flow proporciona un entorno de cálculo de forma libre para el diseño y análisis de ingeniería civil.
Los ingenieros civiles utilizan Maple Flow y el software de cálculo para aplicaciones en:
- Diseño de acero estructural
- Diseño de hormigón armado
- Diseño geotécnico y mecánica de suelos
- Diseño de carreteras y transporte
- Recursos hídricos
- Y más
Maple Flow proporciona un entorno de cálculo de forma libre, similar al papel. Maple Flow te permite:
|
 |
Aquí encontrará ejemplos que demuestran cómo los ingenieros civiles usan Maple Flow para sus cálculos
Diseño de acero estructuralLos ingenieros de diseño deben garantizar el cumplimiento del código con informes de cálculo auditables y legibles. Esto es especialmente significativo en aplicaciones críticas como el diseño de estructuras de acero. Los ingenieros estructurales a menudo necesitan desarrollar informes de cálculo auditables para entregar a los organismos reguladores o clientes. También necesitan usar bibliotecas tabuladas de propiedades de acero estructural, como la base de datos de formas del Instituto Americano de Construcción de Acero (AISC).
|
 |
Diseño de hormigón armadoLos ingenieros estructurales utilizan Maple Flow para los cálculos basados en estándares para el diseño de hormigón armado. Los cálculos se describen a menudo en guías como AASHTO, ACI y Eurocódigos.
|
 |
Diseño de maderaLa madera es un material de construcción ecológico importante en América del Norte y, cada vez más, en otros lugares. Dado que los árboles capturan carbono, el uso de madera en la construcción está aumentando.
|
 |
Recursos hídricosLos ingenieros civiles utilizan Maple Flow para cálculos en flujos de canales abiertos, dimensionamiento de escolleras y muchas otras aplicaciones en hidráulica e hidrología.
|
 |
Diseño de CarreterasLos ingenieros de carreteras emplean Maple para determinar el grosor de las capas de pavimento, determinar el peralte de la carretera, investigar la alineación de la curvatura y diseñar las señales sobre las autopistas.
|
 |
Cargas térmicas de edificios
|
 |
Ingeniería geotécnicaLos ingenieros geotécnicos deben analizar el comportamiento del suelo y los materiales terrestres. Esto es necesario para el diseño confiable de zapatas o para examinar la estabilidad de pendientes.
|
 |
- Detalles
- Categoría: Comsol
- Visto: 4763
El diseño generativo es una herramienta de innovación, un nuevo paradigma alrededor de sectores como la ingeniería, la arquitectura o el diseño de productos.De un modo muy básico, se puede decir que es un método de diseño basado en reglas, generalmente impulsado por software computacional, para generar formas automáticamente a partir de la modificación de las variables que las definen. Detrás de esta modificación se esconden definiciones algorítmicas (en muchos casos muy complejas) que permiten acceder de un modo inteligente a un sinfin de formas con tan solo indicar las nuevas necesidades.
Alan Petrillo nos presenta en el blog de COMSOL el uso de un proceso de modelado con COMSOL Multiphysics, basado en ecuaciones, para generar un nuevo diseño de portalápices basado en reglas y valores definidos por el usuario.
- Detalles
- Categoría: Minitab
- Visto: 7257
Ya está disponible la nueva versión Minitab Statistical Software 21, que trae las siguientes mejoras y novedades en sus funcionalidades:
- Nuevo método estadístico: Regresión Cox
La regresión de Cox es un método para investigar el efecto de varias variables sobre el tiempo que tarda en ocurrir un evento específico. Se encuentra bajo el menú de Confiabilidad/Supervivencia. También es conocido como Regresión de riesgos proporcionales. - Mejoras en el Creador de Gráficas: Gráfico de probabilidad interactivo
- Visualización mejorada: Ediciones de gráficos adicionales
Ahora se pueden añadir y personalizar anotaciones de texto como títulos y etiquetas de ejes, modificar la escala y los tipos de distribución específicos del gráfico y acceder a ciertas opciones de visualización, como la transposición de ejes para gráficos categóricos y otras opciones de representación de datos. - Mejoras en el módulo Predictive Analytics Module: Aprendizaje de máquinas automatizado
Es habitual que los investigadores prueben algunos modelos diferentes de aprendizaje automático al evaluar sus datos. La nueva función AutoML evaluará los siguientes modelos:- Árboles de clasificación y regresión
- TreeNet
- Random Forests
- Regresión
- Mejoras en el módulo Healthcare Module: traducido a todos los idiomas (Español, francés, alemán, portugués, japonés, coreano, chino simplificado)
- Detalles
- Categoría: Maple
- Visto: 3166
Maple en la educación e investigación matemáticas
Esta conferencia está dedicada a explorar diferentes aspectos del software matemático Maple, incluido el impacto de Maple en la educación, los nuevos algoritmos y técnicas de cálculo simbólico y la amplia gama de aplicaciones de Maple. Los asistentes tendrán la oportunidad de conocer las últimas investigaciones, compartir experiencias e interactuar con los desarrolladores de Maple.
La conferencia se llevará a cabo en línea e incluirá presentaciones y discusiones en vivo, así como grabaciones y salas de chat, para adaptarse a las zonas horarias. El personal de Maplesoft también ofrecerá sesiones de capacitación de Maple sobre una variedad de temas durante la conferencia.
Temas de la conferencia Maple
Maple en la educación
Los temas incluirán, entre otros:
- Formas efectivas de utilizar Maple, Maple Learn y/o Maple Calculator como herramientas para respaldar el aprendizaje remoto o cursos híbridos
- Usos innovadores de la tecnología Maplesoft en el aula (nuevas formas de abordar viejos problemas, métodos para enseñar cursos fuera de las matemáticas básicas tradicionales, impacto en el plan de estudios, etc.)
- Mejoras cuantificables en el rendimiento de los estudiantes después de integrar Maple, Maple Learn y/o Maple Calculator en un curso
- Consejos y técnicas para el aula/mejores prácticas extraídas de la experiencia
Algoritmos y software
Los temas incluirán, entre otros:
- Métodos simbólicos y simbólico-numéricos para resolver problemas matemáticos, en cualquier campo.
- Técnicas de optimización de algoritmos y ajuste de rendimiento
- Uso eficaz de tipos y representaciones de datos para problemas o dominios particulares
- Interfaces de usuario para la resolución de problemas matemáticos
- El trabajo descrito en la presentación puede estar implementar en sistemas distintos a Maple, siempre que presente clara relevancia para la comunidad de Maple.
Aplicaciones de Maple
Los temas incluirán, entre otros:
- Aplicaciones que usan Maple en entornos inusuales o de formas inusuales
- Aplicaciones que empujan o amplían el límite de lo que puede hacer Maple
- Aplicaciones que exploran problemas críticos del mundo.
- Aplicaciones que combinan Maple con otra tecnología
Presentaciones magistrales:
Dr. Veselin Jungic
Two-Eyed Seeing: Mathematics and Indigenous Traditions and Cultures
El Dr. Veselin Jungic es profesora en el Departamento de Matemáticas de la Universidad Simon Fraser. Es becario nacional de enseñanza de 3M y ha recibido el premio Pouliot y el premio de enseñanza CMS. La mayor parte de su investigación se centra en la teoría de Ramsey y en el campo de la educación y el alcance de las matemáticas. Veselin ha sido promotor activo de las matemáticas entre amplias comunidades académicas y no académicas. Ha desarrollado el programa Math Catcher Outreach, que tiene como objetivo promover las matemáticas y la erudición en general al alentar a los estudiantes de primaria y secundaria a reconocer cómo se usan las matemáticas en la vida cotidiana y cómo forman la base de muchas de nuestras decisiones diarias y opciones para toda la vida.
Dra. Evelyne Hubert
An Integral View on Dimensional Analysis: Scaling Invariants for Parameter Reductions in Dynamical Systems
Evelyne Hubert es científica investigadora en INRIA Méditerranée (Francia), con nombramientos previos en la Universidad de Waterloo, MSRI Berkeley, IMA Minneapolis y Fields Institute Toronto. Sus intereses se encuentran en los cálculos algebraicos y cómo preservar y explotar la simetría. Sus contribuciones se encuentran en sistemas diferenciales no lineales, invariantes diferenciales y marcos móviles, teoría invariante, aproximación, así como modelado geométrico. Es editora del Journal of Symbolic Computation and Foundations of Computational Mathematics. También le gusta el senderismo, el esnórquel y las actividades al aire libre en general.
Dr. Laurent Bernardin
Math in Changing Times
El Dr. Laurent Bernardin es presidente y director ejecutivo de Maplesoft. Ha trabajado en Maplesoft durante más de 20 años y antes de su nombramiento en su puesto actual, ocupó los puestos de director de tecnología y director de operaciones. Bernardin cree firmemente que las matemáticas importan. Bajo su liderazgo, Maple ha pasado de ser un proyecto de investigación en computación simbólica a un entorno completo para cálculos matemáticos utilizado por cientos de miles de ingenieros, científicos, investigadores y estudiantes de todo el mundo.
- Detalles
- Categoría: Minitab
- Visto: 4881
Por Andrea Grgic.
No es ningún secreto que los acontecimientos del año pasado han obligado a muchas organizaciones a cambiar su estrategia empresarial y priorizar nuevas formas de trabajar, colaborar y adaptarse a la nueva normalidad. Los equipos han tenido que realizar una transición inesperada a entornos parcial o completamente remotos, lo que ha provocado comunicaciones desarticuladas y departamentos aislados. Esto presenta un desafío único para las organizaciones de excelencia operativa, en las que los departamentos se benefician enormemente de la colaboración consistente e intencionada, para inspirar grandes ideas que impulsen la ejecución exitosa del proyecto y, en última instancia, la satisfacción del cliente.
A menudo se ha dicho que las grandes ideas inspiran aún más grandes ideas, y en el mundo cada vez más virtual de hoy, establecer un enfoque continuo para fomentar la generación de ideas y la innovación es importante para una transformación digital exitosa. Sabiendo esto, no debería sorprender que más de un tercio de los altos ejecutivos consideren un aumento en la innovación como uno de los principales objetivos de transformación digital para su negocio, según el informe "2021 State of Digital Transformation Report".1
Sin embargo, históricamente, la incapacidad de establecer un rendimiento de innovación exitoso ha sido un desafío continuo para los directivos. Según un artículo publicado por McKinsey & Company, el 84% de los directivos considera que la innovación es importante para su estrategia de crecimiento y el éxito de su organización, mientras que solo el 6% está satisfecho con su rendimiento en innovación2. Hoy, más que nunca, está claro que las organizaciones necesitan un plan para desarrollar una cultura de innovación y una forma de brindar liderazgo con una visión completa del impacto de las iniciativas de innovación de su organización.
Fuente: McKinsey & Company: Crecimiento e innovación
Un programa de innovación sostenible requiere la generación de ideas, el patrocinio organizacional y la implementación de ideas, todo lo cual requiere el compromiso de los empleados. Para maximizar el rendimiento de la innovación y lograr los objetivos de transformación digital, las empresas deben implementar una solución de innovación y mejora de extremo a extremo, que se pueda adoptar en todos los equipos y departamentos. De esta manera, los empleados de toda la empresa pueden contribuir con sus ideas diversas, y los jefes de proyectos pueden monitorizar el estado del proyecto y las métricas de rendimiento para sus muchas iniciativas.
¿Qué pasaría si le dijéramos que Minitab ha creado la plataforma definitiva para la colaboración, la creación de ideas y la ejecución de proyectos que llevará su rendimiento de innovación al siguiente nivel?
NUEVA SOLUCIÓN DE CREACIÓN DE IDEAS Y EJECUCIÓN DE PROYECTOS DE MINITAB
Conozca Minitab Engage™, la única solución diseñada para iniciar, rastrear, administrar y compartir iniciativas de innovación y mejora desde la generación de ideas hasta la ejecución.
La última solución de mejora de extremo a extremo de Minitab permite a las organizaciones acelerar su transformación digital al proporcionar una plataforma única para iniciar y administrar proyectos e innovación que crean valor. Minitab Engage permite a las organizaciones recopilar ideas a través de un buzón de sugerencias virtual, obtener patrocinio y ejecutarlas, y medir el éxito con paneles de KPI y ROI.
Formulario de presentación y evaluación de innovación en Minitab Engage
Ahora que se recopilan las ideas de su negocio y se ejecutan los proyectos, puede evaluar cómo esos proyectos conducen a una transformación digital exitosa.
Como presidente y director ejecutivo de Minitab, Jeffrey T. Slovin, dijo:
“[Con la incorporación de Minitab Engage] a nuestra cartera de Solutions Analytics™, Minitab es ahora la única empresa que puede ayudar a las empresas en todo su viaje de transformación digital, desde la generación de ideas hasta la ejecución, aprovechando el poder de la recopilación de datos, el análisis de datos, comprobado metodologías de resolución de problemas y herramientas visuales para garantizar una transformación empresarial exitosa".
Ya sea desafiando a una organización a innovar de alguna manera, apuntando a áreas de mejora como la transformación digital o simplemente buscando buenas ideas, Minitab Engage acelera el proceso de innovación desde la creación de ideas hasta su ejecución.
Fuentes:
1. 2021 State of Digital Transformation
2. McKinsey & Company: Growth & Innovation
- Detalles
- Categoría: Minitab
- Visto: 8730
A través de 3 vídeos, la Dra. Lourdes Pozueta expone cómo el estudio de la variabilidad presente en los procesos de fabricación puede representar una oportunidad para ser más competitivos. Cada uno de los vídeos recoge una de las fases de la metodología: descripción ⇒ predicción ⇒ identificación de causas. Este proceso se ilustra con un caso práctico inspirado en un proceso de fundición de piezas en automoción: la optimización de la frecuencia de vibración del caliper.
La competitividad de las empresas está vinculada a la detección de oportunidades de negocio. Estas oportunidades se pueden generar buscando reducir la variabilidad de sus procesos. Debemos fijarnos en:
- procesos que son inestables en sus resultados (características de calidad, parámetros logísticos, servicio a clientes, ...); o
- procesos que siendo estables en sus resultados son inestables en el modo en que se gobiernan sus parámetros.
Una vez detectado el proceso candidato, para reducir la variabilidad detectada, el experto puede hacer uso de la metodología y herramientas de descripción, predicción e identificación de causas.
Esta metodología de descripción ⇒ predicción ⇒ identificación de causas es común para los procesos de fabricación de diferentes sectores. Para ilustrarla, vamos a tomar un caso práctico inspirado en un proceso de fundición de piezas en automoción: la optimización de la frecuencia de vibración del caliper.
El reto
La empresa de fundición Fagor Ederlan tuvo un reto hace 10 años en relación con la fabricación de calipers para proveedores de grupos de freno.
Los clientes contemplaban añadir nuevos requerimientos a los estándares basados en geometría, estructura metalúrgica y comportamiento mecánicos. Eran nuevos requerimientos basados en tolerancias para las frecuencias de vibración de las piezas y la variabilidad se estimaba, en un principio, excesiva. El desconocimiento técnico del tema conllevaba un riesgo de pérdida de competitividad, ya que los clientes anunciaban la obligación de incorporar inspección 100% en proceso en 5 años.
El reto se abordó como un Proyecto Seis Sigma bajo la supervisión de la Dra. Lourdes Pozueta, formadora y coach principal en la metodología Seis Sigma en la Organización y con la participación de un equipo multidisciplinar de Calidad, Procesos, Ingeniería y Centro Tecnológico.
La Dra. Lourdes Pozueta, implicada en primera persona en el caso, desgrana en los siguientes vídeos el proceso que llevó a cabo y qué herramientas de Minitab forjaron sus "gafas especiales" para VER y entender el proceso y tomar decisiones sobre el diseño de soluciones para reducir la variabilidad.
Fase de descripción
En esta fase el objetivo es explicar el comportamiento de variables de interés a partir de información básica existente y detectar patrones que ayuden a orientar una recogida de datos más detallada. Para ello, se sigue la metodología Seis Sigma basada en búsqueda de evidencias que reduzcan las sospechas de partida y se utilizan herramientas como histogramas, gráfico de cajas, series temporales, multi-vari y estudios de capacidad.
Los resultados obtenidos en la etapa MEDIR (fase de descripción) ayudaron al Diagnóstico de la Situación de partida y a identificar que las fuentes de variación estaban en el corto plazo, dentro de las huellas del molde, y no en las posibles variaciones del largo plazo provenientes de materias primas, etc. VISUALIZAR LA GRABACIÓN ⇒
Fase de predicción
En esta fase el objetivo es explorar la información de grandes bases de datos multi-factorial tanto en la identificación de observaciones anómalas como en la identificación de factores que podrían explicar la variabilidad. Para ello, se sigue la metodología Seis Sigma basada en analizar la calidad del dato, llevar la sabiduría del proceso a la estructura de la base de datos, …, y contemplar los resultados con unas gafas especiales y se utilizan herramientas como gráficos de dispersión, matrices de correlación, dendrogramas, análisis de componentes principales, modelos de regresión múltiple, PLS y modelos de clasificación CART.
En la etapa ANALIZAR se profundizó en las causas raíz de esta variación descartando temas metalúrgicos, etc. y centrando el estudio en identificar geometrías que podrían explicar la variación en las frecuencias. Se utilizaron técnicas de modelización y clasificación de Minitab y se llegó a un conjunto de cotas explicativas que estaban correlacionadas con el parámetro de frecuencia de interés. VISUALIZAR LA GRABACIÓN ⇒
Fase de identificación de causas
En esta fase el objetivo es establecer una manera de proceder en la recogida de datos a partir de diseño de experimentos que den lugar a modelos predictivos y causales que permitan optimizar la función deseada. Para ello, se sigue la metodología Seis Sigma basada en identificar entre las relaciones de correlación aquellas que son causales. Utilizando diseños de experimentos simples y factoriales se realizan experimentos moviendo todos los factores a la vez según una propuesta de Minitab que permite estimar las relaciones y obtener máxima información con un número bajo de recursos en experimentación.
En la última etapa se identificó la causa raíz mediante la realización de Diseño de Experimentos con las variables que aparecían en los modelos predictivos para comprobar si eran causas de la variación y obtener un conjunto de parámetros que fueran elementos clave de diseño. VISUALIZAR LA GRABACIÓN ⇒
Sobre Fagor Ederlan Group
Fagor Ederlan (FE) es un grupo empresarial perteneciente al Grupo Mondragon líder en componentes de automoción. El grupo se caracteriza por una constante pro-actividad en incorporar en su cultura metodologías de Excelencia Operacional, buenas prácticas, etc. Como ejemplo, hace 10 años llevaron a cabo un notable esfuerzo para incorporar en su propio Programa de Excelencia Operacional, KALDA, partes de la metodología Seis Sigma con la colaboración de Mondragon Unibertsitatea y bajo la supervisión de la Dra. Lourdes Pozueta de Avancex+i. Uno de los frutos de esta magnífica experiencia fue la realización de la Tesis Doctoral "Desarrollo de un modelo para abordar proyectos de mejora continua de procesos productivos de forma eficaz y eficiente" que recoge buenas prácticas como la de esta sesión, en menor detalle.