Řízení jakosti a spolehlivosti produktů Ing. Milan Němeček Navažme na článek Využití statistických metod ve financích, managementu a marketinku od RNDr. Šárky Došlé [1] se zaměřením na využití statistických metod v průběhu komplexního řízení spolehlivosti - zejména v dnešní době významného znaku kvality produktu. Pod pojmem produkt může být skryt rozsáhlý průmyslový systém, výrobek nebo služba nabízená zákazníkům. Znaky a parametry kvality (tedy i spolehlivosti) vždy působí jako jedny z hlavních faktorů úspěšnosti daného produktu na trhu a jeho výsledném ekonomickém přínosu. Kvalita a spolehlivost není jen ukazatelem kvality určitého výrobku nebo služby, ale také jedním z ukazatelů kvality společnosti nebo jejího distributora. Jediným cílem obchodní nebo výrobní společnosti je vytváření zisku, vše ostatní jsou podpůrné prostředky nebo strategie k dosažení tohoto cíle. Obecně o životním cyklu produktu Každý produkt má svůj životní cyklus, v němž na něj působí značné množství variabilních faktorů, a to nejenem v čase. V každé etapě jeho života dochází k vzájemné interakci s jeho okolím, uživatelem, provozním prostředím, souvisejícími procesy v různých oblastech lidské činnosti - ekonomie, technika, řízení výroby, marketink, lidské zdroje atd. Obrázek 1: Životní cyklus produktu Na obrázku 1 je znázorněn standardně členěný život produktu do jednotlivých etap jeho života, počínaje etapou koncepce a stanovení požadavků a konče jeho likvidací. Zároveň na produkt
působí další související činnosti z různých oborových odvětví. V reálném životě se samozřejmě nejedná o žádnou posloupnost - vše je provázáno se vším. Činnosti v jednotlivých oborech ovlivňují funkční vlastnosti, kvalitativní znaky produktu (a také technicko-ekonomickou úspěšnost produktu). Zákonitě variabilita produktu, aplikačního prostředí, ekonomických faktorů trhu apod. musí ovlivňovat procesy v jednotlivých oborových oblastech (např. finance a ekonomika společnosti) a lidského života. Tím je daná komplexnost řízení produktu, společnosti samé. Využití dat Každá společnost shromažďuje data v jednotlivých profesních oblastech, dílčích činnostech (řízení výrobní linky, stav skladových zásob, trend prodeje atd.). Data jsou uložena v různých databázových prostředích, platformách (Excel, Access, SQL server) a v nich jsou skryty informace, jak z jednotlivých oborů, tak i mezioborové. Tyto informace můžeme (přesněji musíme - vaše společnost asi není jediná na světě v daném oboru) využívat na všech stupních řízení a rozhodování. Jedním z faktorů kvality rozhodování je dostupnost, kvalita a aktuálnost informací. V současné době je většina společností zahlcena daty a nestíhá je zpracovat v optimální době. Zejména v surových datech (prvotní záznamy a není jich obvykle málo) jsou skryty informace, které nám umožní získat cenné poznatky o chování produktu nebo jeho části, procesu nebo dílčí činnosti, faktoru (např. vývoj kurzu měny v dané geografické oblasti). Vzhledem k proměnlivosti a přítomnosti "šumu" v jednotlivých záznamech nám nic jiného nezbývá než použít metody statistického zpracování dat. Sběr (záznam) jakýchkoliv údajů je vždy nákladný, proč tedy z nich nevydolovat maximum informací? Můžeme hledat kritické prvky, činnosti, faktory z různých variabilních proměnných a současně i z odlišných oborových oblastí. A zde nastupují metody data miningu. Navíc vytvořený model můžeme použít nejen k poznání ale i k prediktivním účelům. Například v oblasti kvality a spolehlivosti k předpovědi výskytu dostupnosti služby, predikci poruchy výrobku, optimalizaci proaktivní údržby (předcházení poruchám včasnou údržbou). Každý data miningový model je možné charakterizovat jeho schopností vydolovat informace. To je dané nejen použitím vhodné metody na daných údajích, ale také kvalitou (správností) dat samých. Pokud v datech jsou samé nesmysly, žádný algoritmus z dat nevydoluje lepší informace. Nenajde-li aplikovaný model očividné charakteristické informace (např. poruchovost nebo neporuchovost nějakého komponentu), určitě daný model není vhodný. Míru efektivity prediktivního modelu vyjadřuje tzv. Gain Chart, viz obr. 2. Graf vyjadřuje poměr výsledků dosažených s použitím prediktivního data miningového modelu a bez jeho použití (rovná čára z levého dolního rohu k prvému hornímu rohu). Na ose x je vyjádřen počet sledovaných produktů (nebo například oslovených společností v marketingovém průzkumu), na ose y je vyjádřena míra získaných informací o poruchách počítačů nasazených v provozu (nebo míra odpovědí na cílený marketingový projekt).
Obrázek 2: Gain Chart - míra efektivity použitého prediktivního modelu. Výše uvedený graf zobrazuje míru efektivity data miningového modelu náhodný les (stromové uspořádání charakteristických hodnot) pro klasifikaci příčiny poruchy řídícího systému průmyslových počítačů nasazených v různém provozním a pracovním prostředí. V datech se vyskytovaly chybně identifikované vadné komponenty či části SW. Malé doplnění, výše zmíněný model si umí poradit s přiměřeným počtem chybějících údajů v souboru záznamů, je jej možné zkusit aplikovat k doplnění chybějících hodnot v etapě předzpracování dat. Aplikace statistických metod v řízení spolehlivosti Řízení kvality ve společnosti je velmi rozsáhlý a komplexní proces, nástin využití statistických metod značně přesahuje prostor pro tento článek. Podívejme se na využití zpracování dat ve spolehlivosti. Jednak o ostatních oblastech řízení kvality je podstatně více publikací a článků, avšak parametry spolehlivosti produktu a hodnocení nákladů jeho životního cyklu je stále více v pozornosti jak samotných zákazníků, výrobců či jejich distributorů. Řízení kvality a spolehlivosti produktu je nekončící proces a nemůže z něj být vyloučena jakákoliv související činnost. Pokud k tomu dojde, je proces neúčinný, plýtváme finančními, materiálními a lidskými zdroji. Přecházíme od systematického řízení k živelnému (v některých případech označovaném za operativní). Ve všech níže uvedených činnostech (i nezmíněných souvisejících) je možné aplikovat metody zpracování dat. V reálném životě začíná proces řízení spolehlivosti produktu jasným a konkrétním zadáním vývojového úkolu, investičního záměru nebo realizace služby. Daný požadavek může vzniknout
na základě marketingového průzkumu, analýzy požadavků zákazníků nebo získaných zkušeností z vývoje či realizace předchozích výrobků či služeb. Koncepce a stanovení požadavků V etapě koncepce a stanovení se specifikuje účel a potřeba produktu, definují se technické požadavky, parametry spolehlivosti včetně posouzení jejich ověřitelnosti, stanoví se koncepce a základní návrh architektury zařízení, vypracuje se finanční analýza projektu a harmonogram prací. Specifikujeme-li vlastnosti a parametry nového produktu, je vhodné vycházet: Z poznatků získaných o předchozích a obdobných typech výrobků. Provést vyhodnocení dosahovaných parametrů spolehlivosti z reálného prostředí a porovnat tyto výsledky s predikovanými v etapách koncepce a vlastního návrhu. Identifikace kritických komponentů a činností je nezbytnou informací pro zvýšení kvality nového výrobku, procesů v celé společnosti. Zmapování reálných podmínek provozního prostředí, vlivu produktu na své okolí a naopak je další cennou informací pro vývojový tým. Nyní můžeme využít informace o kvalitě jednotlivých dodavatelů, reakcích zákazníků přicházejícími s produkty dodávanými na trh do styku. Analýza zkušeností všech dotčených organizačních jednotek s daným produktem může být podnětem nejen ke zvýšení kvality produktu samého a zvýšení spokojenosti zákazníků, ale rovněž impulsem k modernizaci nebo optimalizaci technologického procesu, zlepšení autodiagnostiky produktu, samotného toku dat a výstupních reportů. Získané informace ze statistického zpracování dat jsou také využívány v technicko-ekonomické studii projektu a vytváření modelu nákladů životního cyklu produktu. Návrh Cílem této etapy je návrh produktu splňující technické požadavky stanovené v předchozí etapě s odpovídajícími parametry, jeho zhotovení, schválení a zavedení do standardní produkce či praxe. Činnosti uskutečněné (i neuskutečněné) v této a v předchozí etapě se zejména podílí na kvalitě výsledného produktu. Ale jakákoliv přímá i nepřímá související činnost s nízkým stupněm kvality v jakémkoliv období života produktu může daný výrobek, službu velmi účinně degradovat. Což se projeví na spokojenosti našich zákazníků a zisku společnosti. Statistické zpracování dat je využíváno například pro: Predikci spolehlivosti produktu (systému) s využitím dosahovaných provozních parametrů spolehlivosti v daném prostředí u opětovně použitých a již vyráběných komponentů. Zkoušky životnosti rizikových prvků, navrhovaného produktu. Vyhodnocení laboratorních, zkušebních a ověřovacích provozů. Růstu spolehlivosti vyvíjeného produktu, sledování kritických prvků a procesů. Vyhodnocení účinnosti testování SW, optimalizace testování, odhad počtu neodhalených chyb, kritických modulů programu, nezbytné doby testování apod. Rozbor diagnostických archívů (např. pro preventivní údržbu, interakce produktu
s okolím a naopak. Zpřesnění modelu nákladů životního cyklu produktu. Výroba V této etapě je produkt vyroben dle příslušné dokumentace a norem, je provedena jeho funkční kontrola a zahoření. Jsou prováděny opravy produktů či jejich komponentů, vlastních náhradních dílů nebo je zajištěn autorizovaný servis nakupovaných komponentů. Kontrola procesů je prováděna metodami z oblasti řízení kvality. Základním cílem je udržet stabilitu a rozptyl produkce v přípustných mezích (statisticky zvládnutý proces), zároveň poznání vlivu jevů na spolehlivost a kvalitu produktu. Obvykle se provádí: Analýza procesů (procesy řízení jakosti). Vyhodnocení účinnosti testování. Sledování kritických prvků. Sledování kvality dodavatelů a jejich produktů. Účinnost nápravných opatření (a to platí pro všechny etapy produktu a související procesy). Statistická přejímka nahrazována komplexním sledováním kvality dodavatele. Instalace V této etapě života je výrobek instalován, uveden do provozu (předveden) a předán. Zákazník je zaškolen a seznámen s obsluhou v míře odpovídající složitosti a charakteru produktu. Sledování výskytu prvních poruch (nejpravděpodobnější výskyt poruch je u komponentů s nejvyšší intenzitou poruch). Vyhodnocení účinnosti zahoření. Statistické zpracování nalezených chyb z předchozích etap života produktu a souvisejících procesů (nedodržení technologické kázně, chyba projekce nebo montáže, návrhu adresného SW, výrobní dávka s nižší kvalitou či vyšším rozptylem apod.). Vyhodnocení zkušebních provozů. Rozbor diagnostických archívů první informace o interakci produktu s okolím a naopak, první údaje o provozním prostředí daného výrobku (skutečný provozní profil). Provoz a servis Během této etapy je produkt provozován v rámci jeho technických podmínek nebo specifikace, je prováděna jeho údržba, analýza poruch a jejich vyhodnocení, jsou prováděna opatření k odstranění ložisek problémů, optimalizace souvisejících procesů. Cílem je udržení kvality a spolehlivosti produktu. Výstupy z analýz provozních dat jsou například podkladem pro: Získání a udržení kontroly nad spolehlivostí a kvalitou produktů. Prokázání parametrů produktu a jeho sledovaných komponentů. Dosažení lepšího poznání chování produktu a jeho interakce s okolím v daných podmínkách provozu a prostředí.
Zpřesnění hodnocení nákladů životního cyklu. Technicko-ekonomická optimalizace údržby produktu, předcházení poruchám jeho funkce. Optimalizace logistického zásobování. Hodnocení kvality dodavatelů, monitorování potřeb zákazníka. Zpětná vazba do všech souvisejících činností s kvalitou a spolehlivostí produktu ve všech jeho etapách života (koncepce, projekce, obchodní činnost, ). Optimalizace a rozvoj systému řízení spolehlivosti (FRACAS, SixSigma) Likvidace V této životní etapě dojde k vyřazení produktu z provozu a jeho likvidaci. Prvořadým požadavkem při odstavení produktu z provozu je uchování parametrů souvisejících procesů, systémů či zabránění nepříznivému vlivu na okolní prostředí (personál, ekologii, apod.) Jedná-li se o velké investiční zařízení, strategický produkt firmy, rozsáhlý systém, sledovaný komponent nebo produkt nasazený v netypickém provozním prostředí (což muže být i provoz v nové geografické oblasti ) s problematickými či rizikovými prvky, jsou obvykle cenným zdrojem informací: Zbytkové zkoušky životnosti (degradace produktu a jeho chování v daném provozním prostředí). Vyhodnocení parametrů spolehlivosti produktu (komponentu, prvku, SW modulu) a jejich trendu včetně identifikace kritických částí a souvisejících procesů v průběhu celého života produktu. Výměna informací s dodavateli nakupovaných komponentů. Závěr Je na každé společnosti do jaké míry chce využívat informace uložené ve svých datech a využít je na všech stupních rozhodování. Důležité je, že existují prostředky a postupy, které umožňují vydolovat z dat potřebné informace, a ještě v lepším případě poznatky, o chování daného produktu, oblasti trhu, vlivu lidského faktoru či potřebách zákazníků. Jedním z takovýchto prostředků je modulární SW systém STATISTICA, jenž se dá využít pravděpodobně ve všech oblastech lidské činnosti. Nelze očekávat, že vybudování nebo zlepšení stávajícího zpracování dat a toku informací napříč celou společností (malou nebo nadnárodní) lze bez finančních prostředků (i s takovým ideálem jsem se setkal). Jakákoliv investice se musí projevit ziskem společnosti. SW produkt a samotné zpracování dat je jen jeden článek řetězce. Jakékoli zavedení nebo úprava zpracování a toku dat bude mít vliv na stávající činnosti, ale také vede k zprůchodnění toku informací. V drtivé většině každá firma, která dokázala pokročit ve využití svých dat, doplatila na to zvýšením produkce jak v objemu, tak zavedením většího počtu nových výrobků nebo služeb na trh. Jedním z příkladů může být firma o 125 zaměstnancích v ČR. Do dvou let plná návratnost rozsáhlé investice, do pěti let se rozrostla na 197 zaměstnanců - nebylo možné ve stávajícím počtu
pracovníků zvládnout poptávku (firma působí v oboru elektro a strojírenství). [1] RNDr. Šárka Došlá, Využití statistických metod ve financích, managementu a marketinku, Finanční manažér 1/2010 [2] Ing. Milan Němeček, Ing. René Kolliner, Spolehlivost produktu a jeho kritické prvky, přednáška na SYMA 2010 v České společnosti pro jakost [3] Ing. Milan Němeček, Statistické vyhodnocení spolehlivosti, StatSoft, 2008