PRESENTACION 6sigma

SIX SIGMA
MBA Juan Villagomez

2 2
AGENDA
1. Introduccin al Seis Sigma
2. Proyectos Seis Sigma
3. Metodologa Seis Sigma
4. Fase I: Definir y Medir
5. Fase II: Analizar
6. Fase III: Implementar mejoras
7. Fase IV: Controlar
3 3
1. Introduccin al Seis Sigma
1.1 Qu es Seis Sigma?
1.2 Calidad Seis Sigma
1.3 Historias de xito de Seis Sigma
1.4 Principios de Seis Sigma
1.5 Seis Sigma e ISO 9001

4 4
Qu es Seis Sigma ?
Es un sistema empresarial para lograr y mantener el xito
por medio de la orientacin al cliente, la gestin por
procesos, as como la utilizacin de los hechos y de los
datos.
1.1
Mide el desempeo de un proceso
en cuanto a su nivel de productos o
servicios fuera de especificacin
Como Mtrica
Como Filosofa
Como Meta
Mejoramiento continuo de procesos
Tener procesos de clase mundial,
no producir servicios o productos
defectuosos (3.4 pmo)
5 5
Calidad Seis Sigma
1.2
Ejemplo: El tiempo que un cliente esta dispuesto
esperar por una pizza esta entre 23 y 32 minutos
Tiempo (minutos)
LI
23 min.
LS
32 min.
LI
23 min.
LS
32 min. Distribucin
Alta
probabilidad
error
Alta
probabilidad
de error
Baja
probabilidad
de error
Baja
probabilidad
de error
6 6
3.4 defectos
por milln
de oportunidades
305 537 defectos
por milln
de oportunidades
697 700 defectos
por milln
de oportunidades
7 7
Calidad Seis Sigma
3 SIGMA
6 SIGMA
Malas Recetas mdicas
54, 000 / ao 3 / ao
Bebes que se caen
40, 500 / ao 3 / ao
Tomar agua contaminada
4 h. / mes 1 / 16 aos
Corte de seal de TV 27 min. / semana 6 / 50 aos
Mala Operacin mdica 1, 350 / semana 1 / ao
Devolucin Sacos de Azcar
44.000 / ao 5 / ao
1.1
8 8
Estamos en el quinto ao de trabajos con Seis
Sigma, y estos han generado ms de $2,000
millones en beneficios en 1999, con
proyecciones an mayores para esta dcada.
Comenzamos a implementar Seis Sigma a
principios de 1998. De los 250 proyectos
implementados, 31 fueron finalizados a
fines de 1999.Estos 31 proyectos han
generado ahorros anuales de $10.4
millones, o $334,000 por proyecto.
Seis Sigma se ha consolidado despus
de 3 aos de funcionamiento. Este
modelo de mejora de procesos y
actividades ha conseguido un ahorro para
Telefnica de Espaa de ms de 93
millones de euros, a travs de la
implementacin de 178 proyectos.
Historias de xito de Seis Sigma
C. Alierta
CEO Grupo Telefonica

Kenneth I. Chenault,
President American Express
J. Welch
Past CEO, General Electric

Du Pont
Ford
Dow Qumica
Sherwin Williams
Toshiba
Texas Instruments
Coca Cola
Allied Signal
Nokia
1.3
9 9
Autentica orientacin al cliente, satisfacer al
cliente es la prioridad nmero uno.
Principios de Seis Sigma
1.4
Primer
principio
Todo debe y puede ser mejorado alineado
con los objetivos de la organizacin.
Segundo
principio
Objetivos
10 10
Las decisiones deben basarse en hechos,
datos estadsticos, pues lo nico
constante en los procesos es la variacin.
Se debe evitar el ...Yo creo que... o ...Yo
pienso que...
1.4
Tercero
principio
11 11
Al mejorar se debe mirar el proceso
completo (Pensamiento Sistemtico),
pues optimizar un subproceso nos puede
llevar a suboptimizar el proceso global.
1.4
Cuarto
principio
C
L
I
E
N
T
E
C
L
I
E
N
T
E
Proceso A Proceso C Proceso B
Sub
proceso a
Sub
proceso c
Sub
proceso b
Procesos de la Organizacin
12 12
Las causas de los problemas deben ser
eliminadas en su raz para prevenir que
vuelvan a aparecer y as poder hacer bien
las cosas desde la primera vez.
1.4
Quinto
principio
Causa 1
PROBLEMA
Sntoma 1
Sntoma 2
Sntoma n
Causa 2
Causa n
13 13
Cada vez que un proceso es mejorado
debe garantizarse que los resultados se
mantengan en el tiempo.
1.4
Sexto
principio
14 14
El recurso humano es el capital
fundamental de la empresa.
1.4
Stimo
principio
Todos los miembros de la empresa deben ser lderes, maestros
y modelos en la prctica de los principios.
15 15
Seis Sigma e ISO 9001
1.5
Seis Sigma como
Sistema de Gestin
de Calidad
Sistema de Gestin de
Calidad segn la
Norma ISO 9001
Equivalentes
Seis Sigma como
proyecto de mejora
Sistema de Gestin
de Calidad segn la
Norma ISO 9001
Complemento
Mejora continua
Mejora continua
CLICO DE DEMING
16 16
2. Proyectos Seis Sigma
2.1 Requisitos para un Proyecto Seis Sigma
2.2 Criterios de seleccin
2.3 Equipo Seis Sigma
2.4 Seleccin del Equipo
17 17
Alineado con la estrategia
del negocio. Tiene una
meta clara.
Existen datos histricos, o
pueden ser obtenidos.
Mide el rendimiento del
proceso, mediciones
financieras para el
negocio e impacto en el
cliente.
Puede ser hecha por un
equipo de Trabajo.
Cumple con las
expectativas de tiempo
establecidas por la
gerencia.
Beneficia
Negocio
Apoyo de
Administracin
Cuantificable
Alineado con
la Visin del
Negocio
Requisitos para un proyecto SS
2.1
ESFUERZO
FOCALIZADO
18 18
Criterios de seleccin
2.2
19 19
CTQ
CTQs son los parmetros de calidad interna crtica
que se refieren a los deseos y necesidades de los
clientes.
20 20
Equipo Seis Sigma
2.3
Controler
Onwer
21 21
CHAMPIONS:
Conformado generalmente por la alta gerencia. Son quienes
seleccionan los proyectos y supervisa su funcionamiento.
Participan en la eleccin de BB y GB.
2.3
Equipo Seis Sigma
MASTER BLACK BELT:
Son los responsables del entrenamiento de BB. Son
especialistas en la Metodologa y certifican BB. Lideran
proyectos de mucha complejidad organizacional. Remueven
las barreras que impiden avances de proyectos.
22 22
BLACK BELT:
Son los especialistas en la aplicacin metodologa. Lideran
proyectos Seis Sigma. Su rol es guiar al Equipo durante las
fases del Proyecto. Sinergizan los conocimientos y esfuerzos
de los miembros del equipo. Dan soporte a los GB. La
interaccin con el dueo del proceso continua despus de
terminado el proyecto.
2.3
Equipo Seis Sigma
GREEN BELT:
Son miembros del equipo de proyecto que conocen las
herramientas bsicas de la metodologa. Son
interdisciplinarios y multifuncionales. Estn preparados para
participar o liderar proyectos Seis Sigma.
23 23
OWNER:
Son los lderes de las reas en las que se van a desarrollar
proyectos Seis Sigma.
Es el socio estratgico del BB, para alcanzar la meta. Es el
responsable de mantener y superar los estndares
alcanzados despus de finalizados los proyectos.
2.3
Equipo Seis Sigma
CONTROLLER:
Es el responsable de dar el visto bueno cada vez que haya
algn tipo de evaluacin financiera y cuantifica los beneficios
obtenidos.
24 24
2.3
Equipo Seis Sigma
25 25
2.4
Seleccin de equipo Seis Sigma
TEST: Inventario de Utilizacin de Energas
Se utiliza para indicar que atributos emplea una persona en su
relacin con los dems bajo dos tipos de condiciones: Cuando
todo marcha bien y cuando se enfrenta con un conflicto.
26 26
3. Metodologa Seis Sigma
3.1 DMAMC
3.2 DMAMC y el PHVA
3.3 Diagrama Metodolgico
27 27
1.- Definir el Problema, definir objetivos
2.- Definir y Describir el proceso
3.- Evaluar Sistema de medicin
4.- Evaluar Capacidad del proceso
5.- Determinar las causas del problema
6.- Determinar variables significativas
7.- Optimizar y robustecer
8.- Validar Mejora
9- Controlar y dar seguimiento al proceso
10.- Mejorar continuamente
3.1
DMAMC (o DMAIC)
28 28
D
M
A
I
C
Definicin
del
proyecto
Medicin del
desempeo
del proceso
Anlisis
del
proceso
Implementacin de
mejoras o
transformacin del
proceso
Control y aseguramiento
del desempeo alcanzado
Managemt
Team
Equipo Six Sigma + Dueo Proceso con el apoyo del Sponsor
y la gua del Master Black Belt / Black Belt
Dueo de
Proceso
Ruta Metodolgica
29 29
3.2
DMAMC y el PHVA
1.- Definir el Problema, definir objetivos
2.- Definir y Describir el proceso
5.- Determinar las causas del problema
8.- Validar Mejora
9- Controlar y dar seguimiento al proceso
4.- Evaluar Capacidad del proceso
3.- Evaluar Sistema de medicin
7.- Optimizar y robustecer
10.- Mejorar continuamente
Planear
Hacer
Verificar
Actuar
6.- Determinar variables significativas
30 30
Diagrama Metodolgico
3.3
Definir el Problema,
definir objetivos
Definir y Describir el
proceso
Determinar variables
significativas
Validar Mejora
Controlar proceso
Proce
so
Estable
?
Medici
n
Capaz
y
estable
?
Optimizar y
robustecer
Mejorar
continuamente
Proce
so
Capaz?
Mejorar
NO
SI
SI
Eliminar
causas
especiales
NO
NO
Si
Determinar las
causas del problema
31 31
4. Fase I: Definir y Medir
4.1 Definir el problema
4.2 Definir y describir el proceso
4.3 Evaluar Capacidad del proceso
32 32
Definir Problema
4.1
Ideas
Informacin
Incompleta
Creencias
Situacin problemtica inespecfica
Identificacin de los clientes, CTQ, VOC
Diagrama de Pareto
Histogramas, etc.
PROBLEMA DEFINIDO
Objetivos definidos
Alcance del proyecto definido
33 33
Definir Problema
4.1
CTQ
VOC
CTQ (Critical to Quality). Son los atributos a
factores crticos para la calidad de un producto o
servicio que influyen en la decisin de compra por
parte del cliente.
VOC (Voice of Client). Es la voz del cliente que se
obtiene por dos medios:
Sistemas proactivos: Quejas del consumidor,
llamadas telefnicas, devoluciones de productos,
etc.
Sistemas Reactivos: Observacin del cliente,
encuestas, entrevistas, etc.
34 34
Definir Problema
4.1
IDENTIFICAR CLIENTES Y CTQ
1. Definir Clientes Internos y Externos
2. Definir el tipo de cliente y el canal de comunicacin para
obtener la VOC
3. Identificar preguntas claves para cada uno de ellos
4. Elaborar un plan de contacto con el cliente (quien, como,
cuando, donde, etc)
5. Identificar los CTQ
35 35
(8, 83%)
0
75
100
10
Importancia para el cliente
CTQ
Valoracin
(Escala: 1-10)
Tiempo de entrega 8
Sabor de la Pizza 7
Cantidad de Ingredientes 7
Ingredientes correctos 10
Cortesa del repartidor 5
Factor de queja Quejas
%
relativo
Tiempo de entrega inaceptable 764 83
Tipo de masa incorrecta 56 6.1
Cantidad de ingredientes reducidos 50 5.4
Ingredientes incorrectos 30 3.3
Descortesa del repartidor 20 2.2
Definir Problema
4.1
I
n
s
a
t
i
s
f
a
c
c
i
n

d
e
l

c
l
i
e
n
t
e

Muy Importante y
poca satisfaccin
36 36
Definir Problema: Voz del ciudadano
4.1
DEFENSORIA DEL PUEBLO

1.- Nunca recibi tantas quejas
como en el 2007. En total 32.9K.
2.- El 50% de ellas se concentra
en cinco instituciones.
3.- Concluidas 74.2% de las
cuales fundadas fueron el 61%.
4.- La demora en la atencin de
reclamos es una de las
principales causas.
5.- Maltrato y falta de informacin
motivaron las principales quejas
en el sector salud.

Fuente: Defensora del pueblo 11 Informe
anual
37 37
Definir Problema: Enfoque CAD 2008
4.1
Establece que el sector pblico puede establecer mejoras continuas de la
gestin orientndolas a la ciudadana. Este enfoque supone pasar de una
visin basada en la ley y en el poder monoplico del estado, para centrar
la atencin en los atributos de servici brindado al ciudadano,
independiente del servicio que brinda y el nivel del gobierno
38 38
4.1
39 39
4.1
Se identifican 6 atributos, con sus respectivas clases y la importancia (peso) que le da el
ciudadano. Las principales dificultades observadas son: Lentitud en resolver tramites,
falta de comprensin del problema por parte del personal, falta de inters,
descoordinacin entre oficinas, excesivos tramites, informacin poco clara.
40 40
4.1
41 41
Segn el estudio
denominado
Ranking CAD 2008
en Atencin al
Ciudadano de los
Organismos
Pblicos
Descentralizados,
elaborado por CAD
Ciudadanos al Da,
luego de la SUNAT
se encuentran
ubicados en los
primeros lugares
4.1
42 42
4.1
43 43
4.1
44 44
Definir Problema
4.1
Grafica de barras que representa en
forma ordenada el grado de importancia
de las causas de un determinado
problema, considerando la frecuencia con
la que ocurren las causas.
Diagrama de
Pareto
O regla 80-20. Es el comportamiento que
sigue la grafica de PARETO: El 80% de
los problemas se encuentra en el 20% de
las causas.
Principio de
Pareto
45 45
Ejemplo Fastpizzas
Definir Problema
4.1
46 46
Definir Problema
4.1
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Maana Fines de Semana Feriados Noche
Ejemplo Fastpizzas
47 47
Definir Problema
4.1
Hoja de Vida del Proyecto
ALCANCE
Quejas de los clientes por tiempo de entrega
inaceptable.
OBJETIVO
Disminuir en 50% las quejas por tiempo de entrega
en el Turno de la maana.
AHORRO
-Disminucin de las llamadas en el
Call Center
S/.165,000
-Disminucin de las perdidas de
clientes
US$51,080
Ejemplo Fastpizzas
48 48
Definir y describir el proceso
4.2
Y (KPOV)
X (KPIV)
CTQs
FMEA, Mapa de Procesos
Cp, Cpk
Prueba de Hiptesis
Correlacin
Regresin
DOE Simulacin
SPC
5 Ss
Poka Yoke
X
Key Process Input Variables (KPIV) variable clave del proceso
Y
Key Process Ouptput Variables (KPOV) Problema
X (KPIV) significativas
X (KPIV) que afectan al proceso
Controladas
49 49
4.2
Mapa de procesos de
la organizacin
Mapa de un conjunto
de procesos
Mapa del Proceso de
Anlisis para el
proyecto
50 50
C, N y E son Entradas al
proceso
S son Salidas
E1
INICIO
N1 C1
C2
E2
X3
E3
N2
E4
C3
E5
FIN
S1
S2
4.2
Identificar: Actividades del proceso, Entradas -Proveedores, Salidas -
Clientes
51 51
CODIGO
Proceso :
Objetivo :
Requisitos Requisitos
Revisado por: __________
Quin est pidiendo la salida del
proceso?
Quines son los
que proveeran los
recursos
necesarios?
Recursos necesarios
para el proceso
Breve descripcin del paso del proceso
Entregables del proceso
CARACTERIZACION DE LOS PROCESOS
Clientes Proveedores Entradas Actividades Salidas
Responsables
Parmetros de Control / Medicin /
Seguimiento
Documentos
Proceso de Soporte Recursos Requisitos a cumplir
Suployer Input Process Output Client
4.2
Formato de Matriz SIPOC
52 52
OFICINA DE
PROYECTOS
GCIA.
COMPRAS
-Estudio de fact.
-Ficha PAPS
-Cronograma
Adquisiciones
IDEA
Comunicacin
a OSIPTEL
Publicidad
OSIPTEL
CLIENTE
EVALUACIN
ESPECIFICACIN
IMPLEMENTACIN
LANZAMIENTO
-Sist. Adec.
-Punlicidad
-Normativa
-Contratos
-Capacitacin
RED COMERCIAL
CLIENTES
INTERNOS
Procesos de
Contingencia
Requisitos de las salidas:
-Procesos de contingencia eficaces
-Dif de normativa 3 das antes del
inicio de la comercializacin
- Capacitacin 3 das antes del inicio
de la comercializacin
- Sistemas que garanticen el cumpl.
del 100% de la casustica.
-Facturas sin errores en los copnceptos
o montos facturados.
Proveedores Entradas Proceso Salidas Clientes
4.2
53 53
4.2
C ENTRADA CONTROLABLE Aquella que puede ser controlada
N ENTRADA RUIDOSA Es impredecibles, altera el proceso.No es controlable por el momento.
E ENTRADA EXPERIMENTAL
Aquella que puede ser estudiada bajo diversos parmetros para ver su
comportamiento en el proceso.
S SALIDA
Segn donde impactan se suelen clasificar en :
CTQ: Criticas para la calidad
CTD: Criticas para la Entrega
CTC: Criticas para el Costo.
Variables de Ruido o no
controlables (N)
Variables experimentales (E)
PROCESO
Caractersticas de
calidad (Y)
Variables
Controlables
N1 N2 N3
S1 , S2
C1
C2
E1 E2 E3 E4
Y = f ( X1,X2,....Xn)

Entiende las X (KPIV) y
controlars las Y (KPOV)
X
(KPIV)
Y
(KPOV)
54 54
4.2
Acciones a seguir
Tipo Caractersticas Accin
Controlable (C)

Se puede controlar fcilmente

Estandarizar el control

Experimental (E)

Variable sobre la que se tiene
capacidad de accin pero no se
conoce su valor optimo.
Verificar si impactan sobre
el indicador (fase 2).
Establecer Nivel optimo
(fase 3)
Ruido (N)

Variable que se sabe afecta a las
KPOV pero que por ahora no se
puede controlar

------------------------
55 55
INICIO
FIN
VA
VA
VA
VA
VA
VA
NA
NA
VA
Operacin con Valor
agregado
Valor agregado son las caractersticas dadas a aquella
operaciones indispensables por las cuales el cliente esta
dispuesto a pagar
NA
Operacin de no Valor
agregado
No generan valor (pero si generan costos)
4.2
56 56
4.2
Eliminar la fabrica oculta
57 57
INICIO
FIN
INFO
INFO
INFO
INFO Etapas donde se registran datos del proceso
4.2
58 58
4.2
Funcin
del
proceso
(paso)
Mtodos de falla
potenciales
(defectos de
proceso)
Efectos de falla
potenciales
(KPOVs)
Causas
potenciales
de falla
(KPIVs)
Controles de
proceso
actuales
S
E
V
O
C
C
D
E
T
N
P
R
1
2
3
4
5
6
7
8
9
10
Se hace una
Simple descripcin
Del proceso
Forma como el
proceso podra
no cumplir con
las especificaciones
Efecto que
puede tener
el defecto
en el cliente
Razn por la
cual ocurre la
falla
Controles
que detectan
o previenen
la falla si es
que ocurre
Severidad Ocurrencia
Deteccin
NPR = SEV * OCC * DET
Nivel de prioridad de riesgo
Formato de Matriz FEMEA
59 59
NPR = SEV * OCC * DET
Donde:
NPR : Nmero de probabilidad de riesgo o de prioridad de riesgo.
EI NPR es la multiplicacin de la severidad de la falla, la ocurrencia de esta y
su posible deteccin. Este ser mejor en tanto sea menor.
SEV : Severidad.
Es el impacto de mayor o menor intensidad en que la falla de un proceso
puede repercutir en el cliente (interno o externo) y su comportamiento
respecto a nuestros servicios.
OCC : Ocurrencia
Frecuencia en la que puede ocurrir una falla.
DET : Deteccin
Posibilidad de identificar la falla en algn momento durante el proceso.
4.2
Matriz FEMEA
60 60
Evaluar Capacidad del proceso
4.3
Capacidad
Habilidad basada en
rendimiento demostrado,
de un proceso, en
satisfacer los
requerimientos del cliente.
Capacidad Medida
Capacidad del proceso
cuantificada, de datos que
son resultado de
mediciones de trabajo
realizado por el proceso.
61 61
Grupos
P
e
r
c
e
n
t
20 0 -20
99.9
90
50
10
1
0.1
Grupos
P
e
r
c
e
n
t
30 20 10 0
99.9
99
90
50
10
1
0.1
Grupos
P
e
r
c
e
n
t
40 20 0
99.9
99
90
50
10
1
0.1
Correlation Coefficient
Smallest Extreme V alue
0.957
Normal
0.985
Logistic
0.975
Probability Plot for Grupos
LSXY Estimates-Complete Data
Smallest Extreme Value Normal
Logistic
Variacin de los datos
Anlisis de Normalidad
Prueba de Normalidad
Si los datos son normales, se podr hacer el anlisis de la Capacidad
del Proceso.
4.3
62 62
4.3
Para analizar si un indicador es capaz de cumplir con las
especificaciones, se suele utilizar el ndice de capacidad
Diremos que un indicador es capaz de cumplir con las
especificaciones cuando su dispersin es menor que la distancia
entre especificaciones.
Cp < 1 INCAPAZ
1 < Cp < 1.33 APENAS CAPAZ
1.33 < Cp < 2 CAPAZ
Cp > 2 MUY CAPAZ

Cp = 2 Cp = 1
Cp
=
LSE - LIE
6o
63 63
CENTRAMIENTO (Cpk)
No solo interesa ver si el indicador puede cumplir con las
especificaciones, nos interesa saber si este centrado respecto a las
mismas.
Para analizar esto, existe el ndice de centramiento denominado
Cpk que mide la menor distancia del promedio de los datos a las
especificaciones comparada contra el ancho de media distribucin.
LSE - X X - LIE
Cpk = Min
Especificacin
Promedio
de los datos
3o 3o
,
3o 3o
4.3
64 64
Cpk Superior < Cpk inferior, u tiende hacia el LSE
Cpk Inferior < Cpk Superior, u Tiende hacia el LIE
Primer Ejemplo problema Variacin y Centrado
4.3
65 65
0.60 0.45 0.30 0.15 0.00 -0.15
LSL Target USL
Process Data
SampleN 106
StDev (Within) 0.107208
StDev (Ov erall) 0.107447
LSL 0
Target 0.1
USL 0.2
Sample Mean 0.0626415
Potential (Within) Capability
CCpk 0.31
Ov erall Capability
Pp 0.31
PPL 0.19
PPU 0.43
Ppk
Cp
0.19
Cpm 0.29
0.31
CPL 0.19
CPU 0.43
Cpk 0.19
Observ ed Performance
PPM<LSL 0.00
PPM>USL 103773.58
PPMTotal 103773.58
Exp. Within Performance
PPM<LSL 279509.11
PPM>USL 100055.21
PPMTotal 379564.32
Exp. Ov erall Performance
PPM<LSL 279947.66
PPM>USL 100557.92
PPMTotal 380505.59
Within
Overall
Process Capability of % de Saturacin
Segundo Ejemplo problema Variacin y Centrado
4.3
66 66
5. Fase II: Analizar
5.1 Determinar las causas del problema
5.2 Variables Discretas y Continuas
5.3 Prueba hiptesis
5.4 Procedimiento de prueba hiptesis
5.5 Ejemplos

67 67
Y (KPOV)
X (KPIV)
CTQs
Cp, Cpk
Prueba de Hiptesis
Correlacin
Regresin
DOE Simulacin
SPC
5 Ss
Poka Yoke
X
Key Process Input Variables (KPIV) variable claves del proceso
Y
Key Process Ouptput Variables (KPOV)
variables clave de salida del proceso
para el cliente
Controladas
68 68
Determinar las causas
5.1
Con la finalidad de determinar las posibles causas generalmente que afectan a nuestro
poblewma (Y o KPOV), usaremos el Diagrama Causa Efecto, o Ishikawa.
Listar por tormenta de ideas las
causas generales que afectan
al indicador.

Agrupar las causas en 4 o 6
grupos. Se suele usar:

Por 4M Por 6M
Mano O. Mano O
Material Material
Maquinaria Maquinaria
Mtodo Mtodo
Medicin
Medio amb.

CONSTRUCCION
causa
causa
causa
causa
causa
causa
causa
causa
causa
causa
causa
causa
causa
causa
causa
causa
causa
causa
Criterio de
agrupacin 3
Criterio de
agrupacin 4
Criterio de
agrupacin 6
Criterio de
agrupacin 5
Criterio de
agrupacin 1
Criterio de
agrupacin 2
causa
causa
PROBLEMA
Nota: Si las causas vienen de los KPIV, se deben sealar si son E,C,N
Diagrama de Causa-Efecto (Ishikawa)

69 69
Posteriormente se validaran cuales
causas son definitivamente las que
son las responsables del Problema
Se ha visto que la KPIV, puede impactar en las KPOV:
Matriz Causa-Efecto
Nmero de Contratos
Conocimientos norma de crditos
Numero de Analistas
Tiempo de entrega de Contratos
Tiempo de Calificacin
% de crditos rechazados
Costo Evaluacin.
X Y
afecta
Ejemplos:
Para mejorar el proceso, se debe identificar cules son las X que ms
afectan a las Y para determinar cules deben ser atacadas.
5.1
70 70
ISHIKAWA
FEMEA ENTRADAS DEL
PROCESO
PRUEBA DE
HIPOTESIS
VARIABLES SIGNIFICATIVAS
CAPACIDAD DEL
PROCESO
X
1
INICIO
N1 C
1
C
2
X2
X
3
X
3
N2
X
4
C3
X5
FIN
Y
1
Y
2
5.1
71 71
5.2
Variables Discretas y Continuas
tienen un nmero fijo de valores
Ejemplos: estado civil, tipo
sanguneo, nmero de nios
Datos
Discretos
tienen un nmero infinito de valores
Ejemplos: estatura, peso,
temperatura
Datos
Continuos
72 72
Para conocer si un factor ( X: KPIV ) influye sobre nuestro
indicador ( Y: KPOV ) del proceso; se suele variar este
factor de manera de ver si su variacin afecta al indicador.

La manera de ver esta variacin es a travs de las
pruebas de hiptesis que nos permitirn concluir si el factor
en estudio afecta significativamente al indicador.
PRUEBA DE HIPOTESIS
Prueba Hiptesis
5.3
73 73
Errores posibles al evaluar una hiptesis
Verdad de H0
V
(no hay diferencia)
F
(si hay diferencia)
Decisin correcta
1 - o
(nivel de significan
ca)
Error tipo 1

Error tipo 2

Decisin correcta
1 |
(poder la prueba)
F V
Aceptar H0
(no hay
diferencia)
Aceptar Ha
(si hay
diferencia)
P(Error Tipo) = o
:Probabilidad de
encontrar una
diferencia cundo
esta no existe.
o = 0.01, 0.05
P(Error Tipo2) = |
: Probabilidad de no
encontrar una
diferencia cuando
esta si existe.
Verdad de Ha
Prueba Hiptesis
5.3
74 74
Ho : El factor no gener diferencias Antes Vs Despus (X no afecta Y)
Ha : El factor si gener diferencias Antes Vs Despus (X si afecta Y)
RECORDANDO
Si p val > 0.05 (o) NO se rechaza H0
VOCABULARIO
Conclusin Robusta:
Rechazar H0. Ello pues el valor de o se ha fijado en la prueba (usualmente en
0.05)
Conclusin Dbil:
Aceptar H0 sin conocer el valor de |. En estos casos se suele decir No puede
rechazarse H0
Potencia de una prueba estadstica:
Es la probabilidad de rechazar correctamente una H0
Potencia = 1 - |
Prueba Hiptesis
5.3
75 75
Prueba Anova
ONE SAMPLE t TAMAO DE MUESTRA
(Si la Poblacin es Normal)
Prueba t (One Sample t)
Estadstico t = X-
s / \n
Hiptesis Nula H0: = 0
Hiptesis Alterna
Ha: <0 ; t < t o, n-1
> 0; t > t o, n-1
= 0 ; | t | > t o/2 , n-1
Minitab
Stat-Basic Statisc- 1sample t
Prueba Hiptesis
5.3
76 76
Prueba Hiptesis
5.3
TIPO LOTE
H
U
E
V
O
S

I
N
C
U
B
A
D
O
S
VIEJO JOVEN ADULTO
16000
14000
12000
10000
8000
6000
4000
2000
0
Boxplot of HUEVOS INCUBADOS by TIPO LOTE
Source DF SS MS F P
TIPO LOTE 2 177886860 88943430 6.46 0.002
Error 118 1625812015 13778068
Total 120 1803698874
S = 3712 R-Sq = 9.86% R-Sq(adj) = 8.33%

Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev --------+---------+---------+---------+-
ADULTO 52 6158 3863 (----*----)
JOVEN 17 9055 4226 (--------*--------)
VIEJO 52 5331 3369 (----*----)
6000 8000 10000 12000
77 77
Correlacin y Regresin
INTRODUCCIN:

Al interior de un proceso, usualmente existe una relacin entre 2
variables.
Si una Y (KPOV) se correlaciona con una X; podremos decir que X es
una KPIV.

De esta manera diremos que existe una ecuacin que liga a ambas Y
= f (x). Esta ecuacin se denomina Modelo matemtico.
Esta ecuacin se calcula usando tcnicas de regresin.

Usualmente la correlacin para determinar la fuerza que liga a 2
variables sin necesidad de alterar el proceso como se hizo en las
Pruebas de hiptesis o como har en los DOE (Fase 3).
Prueba Hiptesis
5.3
78 78
-1 s r < 0
Correlacin Negativa
r = 0
No hay Correlacin
0 < r s 1
Correlacin Positiva
Correlacin
Es la Fuerza de Asociacin entre 2 Variables.
Se mide con el Coeficiente de Pearson (r)
-1 s r s 1
Cunto ms cercano est el coeficiente de Correlacin de Pearson
a 1 o 1; mayor probabilidad de Correlacin
Prueba Hiptesis
5.3
79 79
Precauciones:

Dado que no estamos modificando el proceso ( variando x) y
midiendo su efecto ( en Y) : encontrar que hay correlacin
no siempre significa que al variar X, variar Y (Causa
Efecto)

Solo debemos usar correlacin cuando hay una persuasin
razonable que X podra afectar Y
Correlacin
Prueba Hiptesis
5.3
80 80
PROCESO
Indicador (Y)
Variables
Experimentales
Y1 , Y2
X1 X2 X3 X4
Y = f ( X1,X2,....Xn)
Con la regresin se determina el Modelo Matemtico que relacione las
Variables X con Y.
Estas Xi, son la
que se han
obtenido
despus de:
Prueba de
Hiptesis.
Correlacin.
LOS MODELOS MATEMATICOS PUEDEN SER
Y = |0 + |1 X LINEAL
Y = |0 + |1X + |2X
2
CUADRTICO
Y = |0 + |1X + |2X
2
+ |3X
3
CBICO
Y = |0 + |1X1 + |2X2+... +|nXn) LINEAL
MLTIPLE
Regresin

Prueba Hiptesis
5.3
81 81
Procedimiento para la Prueba Hiptesis
1. Identificar de acuerdo al tipo de variable discreta o continua tanto para KPIV
como KPOV el tipo de Prueba Estadstica a utilizar.
2. Establecer la Hiptesis Nula Ho.
3. Especificar una hiptesis alternativa apropiada Ha.
4. Elegir un nivel de significacin (Usualmente: 0.05).
5. Establecer un estadstico de prueba apropiado.
6. Establecer la regin de rechazo del estadstico.
7. Calcular las cantidades muestrales necesarias, sustituirlas en la ecuacin del
estadstico de la prueba y calcular es valor.
8. Decidir si deber rechazarse o no Ho.
9. Traducir la decisin en trminos de proceso.
Accin
Procedimiento de pruebas
5.4
82 82
FLUJOGRAMA PRUEBA HIPTESIS
Inicio
Ubicar las variables importantes
( Fase 1 )
Seleccionar la
prueba de hiptesis
a usar
Variar el factor de
manera de tener 2
Situaciones :
Antes
Despus
Recopilar data
Aplicar la prueba
de hiptesis
H0 no hay variacin antes vs despus
Ha si hay variacin antes vs despus
p val > 0.05
1
Factor si afecta
Fin
Si

No
Rechazo H0
1
Factor no afecta
Acepto H0
5.4
83 83
Y Continua Y Discreta
X
Continua
Correlacion-Regresion Correlacion-Regresion
X
Discreta
Para distribucion normal de Y
Prueba T1
Prueba T2
Prueba Anova

Para distribucion no normal de Y
Prueba W
Prueba xxxx
Prueba kk
Chi cuadrado

5.4
Seleccin de la Prueba Hiptesis
84 84
5.4
Es normal?
Prueba F
para Y agrupada segn las X
SI
Agrupar
prueba Normalidad para"Y"
Es
normal?
NO
SI
P> ?
Transformar Datos
NO
NO
Es normal?
SI
NO
Prueba F
P> ?
SI
NO
Prueba KW
Prueba de Anova
para "Y"
SI
Y continua /
X discreta
Con ms de 2
muestras
Procedimiento de Pruebas
85 85
5.4
Y continua /
X discreta
Con 2 muestras
Es normal?
Prueba F
SI
Agrupar
Es normal?
NO
SI
P> ?
Transformar Datos
NO
NO
Es normal?
SI
NO
Prueba F
P> ?
SI
NO
Prueba KW
Prueba T2
para "Y"
SI
86 86
5.4
Y continua /
X discreta
Con 1 muestra
Es
normal?
SI
Agrupar
Es normal?
NO
SI
Transformar Datos
NO
Es
normal?
SI
NO
para "Y"
Prueba T 1
Prueba One Sample
Sign
87 87
5.4
Y continua o
discreta /
X Continua
Probar la correlacion
de todos los x con y
r = 0?
es lineal
o curva?
No Si
Y es
continua
?
Si No
Hay
mas de
una x?
No
Si
curva
es
lineal o
curva?
lineal
curva
lineal
No hay correlacion
Prueba Regresion
Multiple
Prueba Regresion
Superficie de Respuesta
Prueba de Regresion
curva lineal
Prueba de Regresion
lineal
Prueba Regresion
Logistica
88 88

X Y
cantidad pedido
devueltos semanal
Qu tipo de
prueba?
X1= Zona Geografica

20
30
.
.
.
10

20
40
.
.
.
30

30
50
.
.
.
20

X1= Discreta, tiene 10
valores (menos de 30)

Y= continua

Por lo tanto se utiliza la
Prueba de Anova para
probar la significancia de
X en Y.

Nota: no se utiliza T1 ni
T2 porque son ms de 1
y 2 muestras
respectivamente.
48 datos (48 semanas)
Zona 1
Zona 2
.
.
.
.
.
Zona 10
Ejemplos: EMPRESA COURIER EL RAPIDO

5.5
89 89

X2= Repartidores

Repartidor 1

Repartidor 2
.
.
.
.
.
.
.
.
Repartidor 50
X2= inicialmente es
discreta, pero por tener
ms de 30 valores se
le considera continua.

Y= continua

Prueba de Regresion.
X Y
cantidad pedido
devueltos semanal
Qu tipo de
prueba?
20
30
.
.
.
10

20
40
.
.
.
30

30
50
.
.
.
20


5.5
90 90

X3= El repartidor usa
Guia ?

Si

No
50
10
.
.
.
20

10
20
.
.
.
30
X3= Discreta

Y= Continua

Prueba T2 para probar
la significancia de X en
Y

Nota: no Anova porque
solo son 2 muestras.
X Y
cantidad pedido
devueltos semanal
Qu tipo de
prueba?

5.5
91 91

X1= Presion en el
cabezal (Bar)

X Y
cantidad de
pasta quemada
Qu tipo de
prueba?
Ejemplos: FABRICA DE PASTAS NAPOLITANO

5.5

40 bar
65 bar
50 bar
30 bar
.
.
.
.
.
.
60 bar

100 datos
10 kg
15 kg
12 kg
8 kg
.
.
.
.
.
.
14kg

X1= es continua
Tiene mas de 30 datos

Y= continua

Por lo tanto se utiiliza la
Prueba de Regresion
92 92

5.5

X2= Temperatura de
cocido (C)

X Y
cantidad de
pasta quemada
Qu tipo de
prueba?

45 C
35 C
55 C
32 C
.
.
.
.
.
.
50 C

105 datos
15 kg
10 kg
20 kg
8 kg
.
.
.
.
.
.
25kg

X2= es continua

Y= continua

Prueba de Regresion
93 93

5.5

X3= Humedad relativa
(%)

X Y
cantidad de
pasta quemada
Qu tipo de
prueba?

60%
55%
70%
45%
.
.
.
.
.
.
72%

103 datos
15 kg
10 kg
20 kg
8 kg
.
.
.
.
.
.
25kg

X3= es continua

Y= continua

Prueba de Regresion
94 94
6. Fase III: Implementar
6.1 Anlisis de riesgo: Matriz FMEA.
6.2 DOE
6.3 Procedimiento DOE
6.4 Plan de Mejora

95 95
PROCESO FMEA
Elabora FMEA preliminar.
Discusin para definir NPR.
Plan de Accin de mejora de los
NPR.
Ejecucin del Plan.
Evaluacin de Resultados.
Emisin del FMEA definitivo.
OK
NO
SI
F
A
S
E
I
F
A
S
E
II
Anlisis de riesgo: Matriz FMEA.
6.1
96 96
Se vuelve usar la matriz FMEA
mostrado anteriormente.
En esta parte se establecen las
posibles soluciones para aquellas
actividades que tienen un NPR
alto.
Acciones
Recomen
dadas
Persona
responsab
le & Fecha
Objeto
Acciones
Tomadas
S
E
V
O
C
C
D
E
T
N
P
R
Las acciones
recomendadas
que son llevadas
A cabo.
El responsable
de llevar acabo
la accin (es)
El NPR despus
de haber tomado
las accin (es). El
cual se supone
debe ser menor
Son las acciones
orientadas a seguir
para las causas con
NPR alto, destinadas
mejorar la deteccin
de la causa o disminuir
la frecuencia de
ocurrencia de las fallas
Anlisis de riesgo: Matriz FMEA.
6.1
97 97
Es una estrategia experimental estructurada que permite la
evaluacin de mltiples variables de proceso en cuanto a su
capacidad para influir sobre las caractersticas de un producto o
proceso.
Determinar que factores son importantes.
Establecer la estabilidad del proceso.
Encontrar el mejor conjunto de condiciones de operacin.
DOE
6.2
Introduccin al DOE
98 98
Y (KPOV)
X (KPIV)
CTQs
Cp, Cpk
Prueba de Hiptesis
Correlacin
Regresin
DOE Simulacin
SPC
5 Ss
Poka Yoke
X
Y
para el cliente
Controladas
DOE
6.2
99 99
DOE
6.2
Diseo Factorial Completo
El Factorial Completo estudiar cada combinacin posible en los
niveles escogidos. Estos diseos proveern una gran
informacin que nos permitir determinar el efecto de los
factores principales sobre la respuesta seleccionada.
Cantidad de pruebas que se necesitan =

(niveles factor 1) x (niveles factor 2) x (niveles factor 3) x .
(niveles factor n)

Donde:
Factor = Son las variables (KPVI) X1, X2, X3 Xn
Nivel = Es la cantidad de valores que toma cada factor
100 100
Limitaciones para el Diseo Factorial
Completo

La limitacin del Factorial completo no es terica sino
practica. Los recursos (ej. Tiempo, costos) necesarios para
correr un factorial completo pueden ser significantes.
Factorial completo puede ser usado en investigaciones
donde el numero de variables es pequeo (2-4), pero no son
recomendables cuando el numero de variables a investigar es
mayor (5 o ms).
Factorial Completo son efectivo cuando son usados de la
manera adecuada, en el momento propicio dentro del proceso
de mejora del estudio.
DOE
6.2
101 101
DOE
6.2
Diseo Factorial Completo con 2 niveles

Por Ejemplo 3 factores cada uno con 2 niveles:

Cantidad de pruebas que se necesitan = 2 x 2 x 2 = 8

Donde:
3 = Factor = K = variables (KPVI) X1, X2, X3
2 = Nivel = Es la cantidad de valores que toma cada factor

3
2
K
2
102 102
DOE
6.2
Diseo Factoriales Fraccionados
Son diseos donde se elige adecuadamente una parte o fraccin
de los tratamientos de un factorial completo, con la intencin de
poder estudiar el efecto de los factores utilizando menos corridas
experimentales, debido a que es imposible en la practica correr
todos los tratamientos.
La teora de los diseos factoriales fraccionados se basa en la
jerarquizacin de los efectos: Son ms importantes los efectos
principales, seguidos por la interacciones dobles, luego las
triples, las cudruples , etc.
K - p
2
Nmero de generadores
del diseo
Nmero de factores (K)
Nmero niveles (2)
103 103
DOE
6.2
Aclaraciones para el Diseo Factoriales
fraccionados:

Se pierde informacin, ya que habr efectos que no se podrn
estimarse y se tienen menos grados de libertad disponibles para la
estimacin del error. Los efectos que se pierden se espera que
sean, en la medida de los posible, interacciones de alto orden, las
cuales se pueden ignorar de antemano con bajo riesgo.

Se utiliza sobre todo para probar un gran nmero de x potenciales
con un mnimo de corridas y lograr la seleccin de las pocas X
vitales.

Los experimentos altamente fraccionados son experimentos
donde el nmero de corridas es solo un poco mayor que el nmero
de factores y sirven para detectar solo efectos principales.
104 104
DOE
6.2
Recomendaciones para el Diseo Factoriales
fraccionados:

Los experimentos altamente fraccionados se usan a menudo
para cernido, para encontrar las variables que merecen mayor
estudio

Los experimentos ms tiles tiene 8, 16 0 32 corridas.

Usted puede aadir niveles (use 3, 4 o 5 niveles) para un
estudio ms detallado de las variables importantes.

Los experimentos de 2 niveles pueden usarse con variables X
discretas o continuas.

Recuerde adems que usted puede correr la otra media fraccin
si los resultados del primer experimento no son claros.
105 105
Procedimiento DOE
6.3
1. Definir el problema.
2. Establecer el objetivo.
3. Seleccionar las variables de respuesta.
4. Seleccionar las variables independientes y su niveles.
5. Verificar a capacidad y estabilidad de los instrumentos- sistemas de
medicin. Entender el espacio de inferencia.
6. Seleccionar el Diseo Experimental: tipo de diseo a utilizar y nmero de
replicas.
7. Planear y correr el DOE. Realizar las pruebas aleatoriamente.
8. Recolectar los datos.
9. Analizar los Datos.
10. Obtener las conclusiones estadisticas.
11. Replicar los resultados, si corresponde.
12. Establecer soluciones practicas y comunicar.
13. Implementar soluciones.
Pasos para la experimentacin
106 106
Seleccin de factores

Podemos utilizar las siguientes fuentes:
FMEA (Puesta al da despus de la Fase de Anlisis)
Lista de Calsificacin de Entrada. Mapa de procesos.
Factores de Estudio de Variacin Mltiple
Resultados de la Prueba de Hiptesis
Conocimiento de los expertos, experiencia de los operadores
Requerimientos de los clientes
Opinin de los proveedores
Literatura, tormenta de ideas.........
Procedimiento DOE
6.3
107 107
Accin
1. Plantear el problema a
resolver y objetivo que se
requiere alcanzar

2. Identificar los factores y sus
niveles.

3. Cree la hoja de toma de datos
para el experimento
Stat / DOE / FACTORIALS /
CREATE FACTORIAL /
DESIGNS
El problema es aumentar/disminuir.....
Y = Nombre del indicador
Nivel Bajo
(-)
Nivel alto
(+)
X1 : Nombre del factor
Minitab
2 Level Factorial
Number Of. Factors
DESGNIS Full factorial
Center points=
# Replicates=
FACTORS En la columna Name ponerle el
nombre del factor
OPTIONS . Do not fold
Randomize Runs
Store Design on Worksh
Summary table, alias table
Default interactions RESULTS
Procedimiento DOE
6.3
108 108
4. Determine el tamao
apropiado de la muestra.
5. Realice el experimento
siguiendo la hoja de datos
obtenidas.
6. Analice los datos
obtenidos
Sta t/ DOE / ACTORIALS
Analyze Factorial Design
RESPONSES Poner el indicador
TERMS Seleccionar todos los factores
y pasarlos a Selected Terma
GRAPHS
Normal
Paretto
Alpha = 0.1
Residual for plots : Regular
Coefficients and ANOVA table
Fits (Desmarcar)
Residuals (Desmarcar)

RESULTS
STORAGE
Nota:
1. Si se ha usado 2 o mas replicas Minitab arroja p-vales asociados a
cada factor e interacciones; los cuales deben ser usados para
probar hiptesis:
H0: El efecto del factor no es importante sobre Y
Ha: El efecto del factor si es importante sobre Y
Si p-val>0.05
Acepto H0
Accin
Minitab
Procedimiento DOE
6.3
109 109
Los planes de Implementacin Final de soluciones debe
contener:
La solucin (accin) recomendada.
La causa verificada y el efecto esperado de la solucin.
Definir al responsable que llevara a la prctica la
solucin.
Donde y cuando se realizara (fecha de inicio-fecha
final).
Como se realizara (descripcin operativa).
Recursos necesarios para la implementacin.
Retorno esperado (beneficio).
El Plan de Gerenciamiento.
Plan de Mejora
6.4
110 110
Formato Plan de Implementacin de Soluciones.
RESPON
SABLE
OPERACI
N
INICIO FIN
FECHA
COMO
PROYECTO: FECHA:
MIEMBROS DEL EQUIPO:
Nro
ACCION
RECOME
NDADA
CAUSA
EFECTO
ESPERA
DO
QUIEN
DONDE CUANDO
TIEMPO S$
ENTRENAM
IENTO
SOPORTE OTROS S$ SATISFACCIN
OBSERVACIONES PORCENTAJE DE
AVANCE
RECURSOS NECESARIOS RETORNO ESPERADO STATUS
Plan de Mejora
6.4
111 111
ID Accionesde Mejora
Tipo de
Mejora
Responsable
Fecha de
Compromiso
% de
Avance
Observaciones
1
Desarrollo de una Base de Dat os
donde se regist ra las alt as por dslam
sat urados
Cort o plazo Veronica Avila 15 de Abril 50%
Problemas para ident if icar la
correspondencia de los nmeros
a los DSLAM por f alt a de
et iquet as y creacin de nuevos
perf iles
2
Desarrollo de la BD que cont role la
capacidad disponible de Tx por
DSLAM's
Largo Plazo Ernest o Saravia Por def inir Por def inir
Se requiere la part icipacin de
la Subgerencia de Tx y el
conocimient o del Aplicat ivo
Asig2000.
3
Desarrollo de un sist ema que realice
la previsin de t raf ico por DSLAMs
Mediano Plazo Veronica Avila Por def inir Por def inir
GSI
4
Solicit ar a GSI, el desarrollo de una
rut ina que permit a que los campos :
In Real y Fin. Real se han obligat orios
cuando se cambia el st at us del
proyect o
Cort o plazo Walt er la Mat t a Por def inir Por def inir
Se requiere est ablecer un
requerimient o, y el posible
cost eo de est a nueva rut ina
5
Elaboracin de un procedimient o para
la ampliacin de los enlaces en la Red
Speedy que abarca desde la
det eccin de su sobrecarga hast a su
ampliacin.
Largo Plazo Ernest o Saravia Por def inir 15%
las Gerencia de Desarrollo y
Planif icacin
6
Desarrollo de una Base de Dat os que
regist ra las f echas de denuncias de
los sobrecargas hast a su ampliacin,
con la f inalidad de realizar el
seguimient o de las ampliaciones en
plant a
Cort o Plazo Veronica Avila 15 de Abril 25%
Se t iene la inf ormacin hay que
armar la dat a a part ir del
present e ao 2005
Falt a de un procedimient o para
realizar la ampliacin de los
enlaces en los DSLAM'S
Oportunidad de Mejora
Falt a de un cont rol de las alt as en
DSLAM que present an sat uracin
Falt a de un sist ema que cont role
las denuncias de sobrecarga hast a
su ampliacin en la Red
Falt a de un sist ema que cont role
la capacidad disponible de Tx por
DSLAM's
Falt a de previsin en el crecimient o
de t raf ico por client e
No se regist ras las f echas de inicio
y culminacin de las Obras en el
Aplicat ivo SAP-Modulo Gest in de
Proyect os
Plan de Mejora
6.4
112 112
7. Fase IV: Controlar
7.1 Objetivo
7.2 Mantenimiento de Resultados.
7.3 Control estadstico de procesos
7.4 POKA YOKE
7.5 Las 5 S
7.6 Fabrica visual
7.7 Acciones Finales

113 113
Y (KPOV)
X (KPIV)
CTQs
Cp, Cpk
Prueba de Hiptesis
Correlacin
Regresin
DOE Simulacin
SPC
5 Ss
Poka Yoke
X
Y
para el cliente
Controladas
114 114
Concluida las mejoras en las Y, se debe controlar la variable en el
tiempo para que no retorne a la situacin anterior.
Fin de
Proyecto
CONTROL
Antes de
la Mejora
MEJORAR
FASE POST
PROYECTO
Situacin No
Deseada
Y
Objetivo
7.1
115 115
Se debe elaborar un plan de Mantenimiento de
Resultados:
El plan debe contener:
El mapa de proceso actualizado, con indicadores
crticos en la entrada y salida (Ya estuvieron definidos
en la primera etapa).
El tipo de control para cada indicador y las acciones
de reaccin ante el descontrol.
Mantenimiento resultados
7.2
116 116
Es el listado con las acciones generales que cada proceso debe
seguir para garantizar, mantener el resultado del indicador.
Ejemplo:
PLAN DE CONTROL
Proceso:_______ Fecha:____
Responsable:_____
Accin Responsable Periodicidad
1Analizar indicador
2.Gage R & R
Normas y
procedimientos
4.Revisin
FMEA
5.Charla de Six
Sigma en 5 minutos
Supervisor 1

Supervisor 2
Gerente
Todos

Jefe
Diario

Mensual
Quincenal
Anual

Mensual
PLAN DEL CONTROL DEL PROCESO
7.2
117 117
TIPO DE CONTROL PARA CADA INDICADOR
Existen diferentes maneras de hacer el Control
para los indicadores. Entre los ms importantes, se
menciona:
Control Estadstico de Procesos.
Sistema a Prueba de Errores (Poka Yoke).
Filosofa de 5 Ss y Gerenciamiento Visual.
7.2
118 118
Control Estadstico de Procesos (CEP)
Muestra el desempeo del Proceso.
Provee de un Lenguaje Comn para discutir el Proceso.
Permitir diferenciar Causas Comunes de Especiales.

Los componentes del CEP, son:
Cartas de Control.
Causas Especiales y Comunes.
LSC : Lmite Superior de Control
LIC : Lmite Inferior de Control
ZONA EN
CONTROL (BIEN)
ZONA PRUEBA
DE CONTROL
(MAL)
Control Estadstico de Procesos
7.3
119 119
Controla la proporcin de piezas no conformes.
No controla la cantidad de no conformidades encontradas en la pieza.
CARTA P
n
d
p =
k
n n n
n
k
+ + +
=

2 1
k
p p p
p
k
+ + +
=

2 1
p q =1
n
q p
p LIC
p
= 3
n
q p
p LSC
p
+ = 3
Cartas De Control
7.3
120 120
k
c c c
c
k
+ + +
=

2 1
c c LIC
p
= 3
c c LSC
p
+ = 3
k
c c c + + +
2 1
CARTA C
Controla el numero de no conformidades por unidad y slo es
aplicada cuando el nmero de elementos de las muestras
recolectadas es constante.
Es la cantidad de no conformidades
encontradas en cada muestra.
Cartas De Control
7.3
121 121
k
X X X
X
k
+ + +
=

2 1
k k
X X X X X X X X R =
1 2 1 2 1 2 1
, , , ,
R
R D LSC
R 4
=
R D LIC
R 3
=
R E X LSC
X 2
+ =
R E X LIC
X 2
=
CARTA X-R
Se utiliza cuando se trabaja con valores individuales del
proceso.
La amplitud (R), en este caso, es la calculada para cada par
sucesivo de datos registrados en la carta entre el X
max
-X
min.
Es la media de los R individuales calculados.
c
Cartas De Control
7.3
122 122

Grfica X-R
7.3
123 123
Los defectos tienes su causa raz en errores
La manera tradicional de evitar que lleguen defectos al cliente es
inspeccionar al 100% todo o parte de los servicios brindados. Pero esto es
muy costoso e ineficiente.
Se debe construir Calidad desde la fuente incorporada mecanismos que
prevengan los errores desde el principio
Mecanismos a Prueba De Errores : POKA YOKE
POKA YOKE
7.4
Defecto
124 124
Olvido
Desconocimiento
De identificacin
Inexperiencia
Voluntarios
Inadvertidos
Lentitud
Falta de estndares
Errores Sorpresa
Intencionales
1
2
3
4
5
6
7
8
9
10
Errores
POKA YOKE
7.4
Casi todos los
defectos estn
causados por
errores humanos.
Sin embargo hay
como mnimo 10
clases de errores
125 125
O
l
v
i
d
o
D
e
s
c
o
n
o
c
i
m
i
e
n
t
o

N
o

i
d
e
n
t
i
f
i
c
a
d
o
I
n
e
x
p
e
r
i
e
n
c
i
a
V
o
l
u
n
t
a
r
i
o
I
n
a
d
v
e
r
t
i
d
o
L
e
n
t
i
t
u
d
F
a
l
t
a

d
e

e
s
t
n
d
a
r
e
s
S
o
r
p
r
e
s
a
I
n
t
e
n
c
i
o
n
a
l
Proceso Omitido
Errores de Proceso
Piezas omitidas
Piezas equivocadas
Error de ajuste
Operacin defectuosa
Procesamiento de Pieza
equivocada
Montaje errneo de piezas de
mquina
Equipo montado
inapropiadamente
Utiles y plantillas mal
preparados
Errores
Humanos
Causa de
defectos
Conexin
fuerte
Conexin
POKA YOKE
7.4
126 126
Los errores Humanos usualmente lo son por inadvertencia.

POKA YOKE
7.4
Los errores inadvertidos incrementan el trabajo
Yokeru Evitar
Poka Errores Inadvertidos
Los mecanismos Poka-Yoke nos ayudan a evitar los defectos
aunque inadvertidamente se cometan errores.
Los Poka-Yoke ayudan a fabricar la calidad en el proceso.

Un dispositivo Pokayoke es cualquier mecanismo que ayuda a
prevenir los errores antes de que sucedan, o los hace que sean
muy obvios para que el trabajador se de cuenta y lo corrija a
tiempo.
127 127
Equipo: Camin 785C
Operacin: Cambio de llantas delanteras
Fecha: 15/12/03
Personal Requerido Cantidad Conformidad
Tcnico en Llantas 2
Ayudante 1
Herramientas Cantidad Conformidad
Equipo Manipulador de llantas TAYLOR (1) 1
Barreta (1). 2
Gata 150 TN ( 1 2 ). 2
Gata Hidrulica-Neumtica. 2
Extractor de vlvulas de aire. 1
Vlvulas de aire. 2
Herramientas de impacto 3
Extensin 5. 2
Encastre 2
Vlvulas de aire 1
Destalonador 2
Dado . 2
Material o insumos Cantidad Conformidad
Grasa vegetal 1 balde
Trapo Industrial 1 kilo
Sello O-Ring 2
Tacos de Madera 2
Llanta 2
Procedimientos estndares a seguir
Lista de Comprobacin
EMATL001: Cambio de llantas delanteras 1 y 2
Camiones 785C
POKA YOKE
7.4
Lista de Chequeo
128 128
SEIRI
(Clasificar)
Retirar, desalojar lo innecesario.
SEISO
(Organizar)
Cada cosa en su lugar y un lugar para cada
cosa.
SEITON
(Limpiar)
Limpieza es inspeccin.
SEIKETSU
(Prevenir)
Evitar que se vuelva a ensuciar, desordenar.
SHITSUKE
(Disciplinar)
Estandarizar, cumplir con los estndares, Formar
buenos hbitos.
Las 5 S
7.5
129 129
Cmo se pueden definir las 5S?
Las 5 S
7.5
Siempre se pueden evitar ineficiencias, evitar
desplazamientos, y eliminar desperdicios de tiempo y
espacio
130 130
Las 5 S
7.5
131 131
Las 5 S
7.5
132 132
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
81 73 65 57 49 41 33 25 17 9 1
80
60
40
20
0
_
X=31.32
UCL=67.16
LC L=-4.52
Observation
M
o
v
i
n
g

R
a
n
g
e
81 73 65 57 49 41 33 25 17 9 1
40
30
20
10
0
__
MR=13.48
UCL=44.03
LC L=0
1
1
I-MR Chart of RESUL
Se debe tener de manera visible un Panel que permita ver:
Evolucin del Indicador. (Con Control Estadstico).
Acciones Correctivas tomadas ante Ocurrencia de Fallas.
Estado del Cumplimiento de Estndares y
Procedimientos.
Plan de Control del Proceso.
Fabrica visual
7.6
133 133
Para la implementacin de las Acciones Finales, deben estar
previamente definidos:
El desarrollo y la documentacin de prcticas estndares.
El entrenamiento del personal involucrado en las Actividades.
Acciones Finales

Despus de ello se podr hacer los cierres de los proyectos.
Se debe reconocer el esfuerzo y aporte de cada participante por
el trabajo y sus resultados asociados.
7.7

PRESENTACION 6sigma

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

PRESENTACION 6sigma

Uploaded by

Copyright:

Available Formats

SIX SIGMA

MBA Juan Villagomez

You might also like