Tilastollinen prosessinohjaus (SPC) – laadunvalvonta ja vaihtelun hallinta

Tilastollisen prosessinohjauksen uranuurtajana toimi Walter A. Shewhart 1920-luvun alussa. Shewhart loi perustan säätökaaviolle ja käsitteelle, jonka mukaan tilastollisen hallinnan tila saavutetaan huolellisesti suunnitelluilla kokeilla. Vaikka Shewhart nojautui puhtaasti matemaattisiin tilastollisiin teorioihin, hän ymmärsi, että fysikaalisista prosesseista saadut tiedot harvoin tuottavat "normaalijakauman käyrän" (Gaussin jakauma, jota kutsutaan yleisesti myös "kellokäyräksi"). Hän havaitsi, että tuotantotiedoissa havaittu vaihtelu ei aina käyttäytynyt samalla tavalla kuin luonnossa esiintyvä data (esimerkiksi hiukkasten Browninliike). Shewhart päätteli, että vaikka kaikissa prosesseissa esiintyy vaihtelua, joissakin prosesseissa esiintyy hallittua vaihtelua, joka on luonnollista prosessille (yleiset vaihtelun syyt), kun taas toisissa esiintyy hallitsematonta vaihtelua, jota ei ole prosessin kausaalijärjestelmässä aina (erityiset vaihtelun syyt). Hallitsematon vaihtelu liittyy usein viallisiin tuotteisiin, ja se tarjoaa tietoon perustuvan keinon ongelmien tunnistamiseen ja laadun parantamiseen.

W. Edwards Deming sovelsi myöhemmin SPC-menetelmiä Yhdysvalloissa toisen maailmansodan aikana ja paransi siten menestyksekkäästi ammusten ja muiden strategisesti tärkeiden tuotteiden valmistuksen laatua. Sodan päätyttyä hän oli keskeisessä asemassa SPC-menetelmien käyttöönotossa Japanin teollisuudessa. Demingin lähestymistapa SPC:n ja siihen liittyvien johtamiskäytäntöjen käyttöön tuli tunnetuksi laadunhallintajärjestelmänä.

Seuraava kuvaus liittyy pikemminkin valmistusteollisuuteen kuin palvelualaan, vaikka SPC:n periaatteita voidaan soveltaa menestyksekkäästi kummassakin. Kuvaus ja esimerkki SPC:n soveltamisesta palveluympäristössä on Robertsin (2005) artikkelissa. Selden kuvaa, miten SPC:tä voidaan käyttää myynnin, markkinoinnin ja asiakaspalvelun aloilla, ja käyttää Demingin kuuluisaa Red Bead Experiment -kokeilua helposti seurattavana demonstraationa.

Massatuotannossa valmiin tuotteen laatu saavutettiin perinteisesti tuotteen valmistuksen jälkeisellä tarkastuksella, jossa kukin tuote (tai tuotantoerän näytteet) hyväksyttiin tai hylättiin sen perusteella, miten hyvin se täytti suunnittelemansa vaatimukset. Sen sijaan tilastollisessa prosessinvalvonnassa käytetään tilastollisia työkaluja tuotantoprosessin suorituskyvyn tarkkailuun, jotta voidaan ennustaa merkittäviä poikkeamia, jotka voivat myöhemmin johtaa hylättyyn tuotteeseen.

Kaikissa valmistusprosesseissa esiintyy kahdenlaista vaihtelua: molemmat prosessivaihtelut aiheuttavat vaihtelua lopputuotteessa. Ensimmäistä kutsutaan luonnolliseksi tai yleisestä syystä johtuvaksi vaihteluksi, ja se koostuu prosessin suunnittelussa esiintyvästä vaihtelusta. Yleisen syyn vaihtelu voi olla esimerkiksi lämpötilan, raaka-aineiden ominaisuuksien tai sähkövirran voimakkuuden vaihtelua. Toista vaihtelua kutsutaan erityisten syiden aiheuttamaksi vaihteluksi, ja sitä esiintyy harvemmin kuin ensin mainittua. Riittävällä tutkimuksella voidaan löytää erityinen syy, kuten epänormaali raaka-aine tai väärät asetusparametrit, erityisten syiden vaihteluille.

Esimerkiksi aamiaismurojen pakkauslinja voidaan suunnitella siten, että kukin muropaketti täytetään 500 grammalla tuotetta, mutta joissakin laatikoissa on hieman yli 500 grammaa ja joissakin hieman vähemmän nettopainon jakautumisen mukaisesti. Jos tuotantoprosessi, sen tuotantopanokset tai ympäristö muuttuvat (esimerkiksi valmistusta suorittavat koneet alkavat kulua), tämä jakauma voi muuttua. Esimerkiksi murojen täyttökone voi alkaa laittaa muroja kuhunkin laatikkoon määriteltyä enemmän, kun sen nokat ja hihnapyörät kuluvat. Jos tämän muutoksen annetaan jatkua valvomatta, tuotetaan yhä enemmän tuotteita, jotka eivät täytä valmistajan tai kuluttajan toleransseja, mikä johtaa hävikkiin. Vaikka tässä tapauksessa jäte on kuluttajalle "ilmaisen" tuotteen muodossa, tavallisesti jäte muodostuu jälkityöstä tai romusta.

Havainnoimalla oikeaan aikaan, mitä prosessissa tapahtui ja mikä johti muutokseen, laatuinsinööri tai kuka tahansa tuotantolinjasta vastaavan tiimin jäsen voi selvittää prosessiin hiipineen vaihtelun perimmäisen syyn ja korjata ongelman.

SPC osoittaa, milloin prosessissa olisi ryhdyttävä toimenpiteisiin, mutta se osoittaa myös, milloin EI pitäisi ryhtyä toimenpiteisiin. Esimerkkinä henkilö, joka haluaa pitää painonsa vakiona ja mittaa painonsa viikoittain. Henkilö, joka ei ymmärrä SPC-käsitteitä, saattaa alkaa laihduttaa joka kerta, kun hänen painonsa nousee, tai syödä enemmän joka kerta, kun hänen painonsa laskee. Tällainen toiminta voisi olla haitallista ja mahdollisesti aiheuttaa vielä enemmän vaihtelua kehonpainossa. SPC:n avulla voitaisiin ottaa huomioon normaali painonvaihtelu ja osoittaa paremmin, milloin henkilö on itse asiassa lihomassa tai laihtumassa.

Tilastollinen prosessinohjaus voidaan jakaa karkeasti kolmeen toimintakokonaisuuteen: prosessin ymmärtäminen, vaihtelun syiden ymmärtäminen ja erityisten vaihtelun syiden lähteiden poistaminen. SPC:n keskeisiä välineitä ovat valvontakartat, keskittyminen jatkuvaan parantamiseen ja suunnitellut kokeet.

Prosessin ymmärtämisessä prosessi tyypillisesti kartoitetaan ja prosessia seurataan valvontakarttojen avulla. Säätökarttoja käytetään tunnistamaan erityisistä syistä johtuvaa vaihtelua ja vapauttamaan käyttäjä huolenaiheista, jotka johtuvat yleisistä syistä johtuvasta vaihtelusta. Tämä on jatkuvaa, jatkuvaa toimintaa. Kun prosessi on vakaa eikä aiheuta mitään valvontakaavion havaintosääntöjä, voidaan myös tehdä prosessin kyvykkyysanalyysi, jolla ennustetaan nykyisen prosessin kykyä tuottaa vaatimustenmukaista (eli spesifikaation mukaista) tuotetta tulevaisuudessa.

Kun valvontakaavion havaintosääntöjen avulla havaitaan liiallista vaihtelua tai prosessin kyvykkyys todetaan puutteelliseksi, poikkeaman syiden selvittämiseksi tehdään lisäponnisteluja. Työkaluina käytetään muun muassa Ishikawa-diagrammeja, suunniteltuja kokeita ja Pareto-kaavioita. Suunnitellut kokeet ovat ratkaisevan tärkeitä SPC:n tässä vaiheessa, koska ne ovat ainoa keino, jolla voidaan objektiivisesti kvantifioida monien mahdollisten vaihtelun syiden suhteellinen merkitys.

Kun vaihtelun syyt on määritetty määrällisesti, pyritään poistamaan ne syyt, jotka ovat sekä tilastollisesti että käytännöllisesti merkittäviä (eli syytä, jolla on vain pieni mutta tilastollisesti merkittävä vaikutus, ei ehkä pidetä kustannustehokkaana korjata; syytä, joka ei ole tilastollisesti merkittävä, ei kuitenkaan voida koskaan pitää käytännöllisesti merkittävänä). Yleensä tähän sisältyy standardityön kehittäminen, virheiden estäminen ja koulutus. Vaihtelun vähentämiseksi tai prosessin sovittamiseksi haluttuun tavoitteeseen saatetaan tarvita prosessin lisämuutoksia, erityisesti jos prosessin kyvykkyydessä on ongelmia.

Vuonna 1989 Software Engineering Institute esitteli CMM-mallissa (Capability Maturity Model) ajatuksen siitä, että SPC:tä voidaan soveltaa hyödyllisesti muihin kuin tuotantoprosesseihin, kuten ohjelmistosuunnitteluprosesseihin. Tämä ajatus on nykyään olemassa CMMI:n (Capability Maturity Model Integration) tason 4 ja 5 käytännöissä. Käsitys siitä, että SPC on hyödyllinen väline, kun sitä sovelletaan ei-toistuviin, tietointensiivisiin prosesseihin, kuten insinööriprosesseihin, on kuitenkin kohdannut paljon skeptisyyttä, ja se on edelleen kiistanalainen. Ongelmana ovat lukuisat ohjelmistojen osa-alueet, jotka eivät ole toistuvia, vaan ne ovat kertaluonteisia tai kertaluonteisia laatuun liittyviä näkökohtia sen sijaan, että niitä tarkkailtaisiin toistuvan suorituskyvyn osalta pitkän aikavälin tarkastelussa.

• Laadunvarmistus
• Laadunvalvonta
• ANOVA
• Otanta (tilastot)
• Kuusi sigmaa