Nella fase di ANALYZE si procede all’analisi qualitativa e poi quantitativa dei dati raccolti. L’Analisi Quantitativa mette in evidenza differenze statisticamente significative all’interno del campione o della popolazione, stratificando eventualmente, secondo categorie scelte in fase di Measure, mentre l’Analisi Qualitativa indaga invece, su queste differenze di performance tra i diversi gruppi.
ANALISI QUALITATIVA
L’analisi qualitativa si concentrerà sul problema, stilando un elenco di cause potenziali al fine di poterle organizzare in maniera visiva in appositi diagrammi qualitativi per evidenziare eventuali rapporti di causa – effetto. Esistono molteplici diagrammi per l’analisi qualitativa, qui riporto quelli maggiormente utilizzati:
• Diagramma di ISHIKAWA
Questo diagramma ha l’obiettivo di individuare le cause alla radice del problema, cioè che impattano maggiormente sulla CTQ. Per costruirlo è necessaria una fase di Brainstorming con i membri del Team di Progetto, per definire le possibili cause (uomo, materiali, misura, madre natura, macchine e metodi) che originano il problema.
“Ogni decisione deriva da un consenso molto ampio frutto di un processo volto a minimizzare l’impatto degli errori. Il metodo, per quanto rallenti le decisioni, ha anche in altro vantaggio: le decisioni prese vengono, poi adottate da tutti come proprie e nessuno rema contro.” Toyota
Di seguito una rappresentazione grafica:
57
• 5 WHYS
Il Metodo dei 5 WHYS è nato in Toyota negli anni ’30 e si è affermato negli anni ’70 con il TPS (Toyota Production System). La strategia di fondo persegue la massima focalizzazione sul problema ponendosi per 5 volte la domanda “WHY?” (perché). Lo scopo finale è quello di investigare il “nocciolo” della questione al fine di rimuovere in maniera definitiva le cause alla radice profonda del problema esaminato. È uno strumento con le seguenti caratteristiche:
- Semplice: non richiede la conoscenza approfondita di strumenti o conoscenze avanzate
- Flessibile: può essere utilizzato singolarmente o abbinato ad altri strumenti volti al miglioramento della qualità
- Efficace: ha un livello di comprensibilità elevato - Coinvolgente: riesce a stimolare il lavoro in team
- Globale: aiuta a determinare le relazioni tra cause legate a più problemi. Una volta identificate le cause vitali si potrà utilizzare uno strumento che le valuti riguardo a due dimensioni: Impatto (entità di influenza delle cause sul problema iniziale) e Controllabilità (quanto è possibile agire sulla causa e tenerla sotto controllo) al fine di comprendere quanto la gestione di tali cause possa essere impattante sul problema e quanto sia il livello di controllabilità sia possibile. Le cause che dovrebbero essere aggredite con priorità maggiore sono quelle che si posizionano nel quadrante “alto impatto/alta controllabilità”, mentre dovrebbero essere tralasciate le cause a “basso impatto/bassa controllabilità”. Tale matrice è compilata dal Team a cui il progetto di miglioramento è affidato, secondo il parere e le metriche di decisione del Tea. Di seguito la matrice di cui sopra si elencavano i criteri di scelta:
58
ANALISI QUANTITATIVA
In questa fase si vuol dimostrare statisticamente l’esistenza di rapporti causa/effetto tra le variabili indipendenti (X), fonti di variabilità e le variabili dipendenti (Y), output del processo. Si utilizzano gli strumenti statistici più idonei in relazione al tipo di processo, al tipo di variabile dipendente Y, alle diverse variabili indipendenti.
• ANALISI DI CORRELAZIONE
La presenza di una relazione tra due parametri può' esser messa in evidenza tramite un grafico nel quale compaiano sui due assi, due variabili in esame; tale diagramma è chiamato Scatter Plot.
L’ analisi di correlazione rileva e quantifica il legame che intercorre tra due variabili e determina quindi, quali hanno un’influenza diretta con la CTQ. Quindi ogni Y di difetto (output di processo non conforme), verrà correlato ad una X identificata da una causa della non qualità, al fine di trovare la causa radice del problema. Attenzione però, che non sempre una relazione evidenziata dallo Scatter Plot (grafico solitamente utilizzato per l’ analisi della correlazione) evidenzia una relazione di causa-effetto tra le due variabili. Affinché ciò sia possibile è necessario che vi sia significatività pratica oltreché statistica.
Di seguito un esempio di Scatter Plot:
59
In questo esempio, ogni punto rappresenta delle coppie di misure tra la variabile “Year” (input, causa, X) ed il “Local Index “(output, effetto, Y”). Per determinare la forza della correlazione che lega le due variabili esaminate si calcolano indici opportuni, come l’Indice di Pearson.
• REGRESSIONE LINEARE
Strumento che consente di formulare, se possibile, un modello matematico in grado di descrivere una relazione esistente tra una variabile di Input ed una di Output. Se esiste una relazione spiegabile con un modello matematico, è possibile prevedere e quantificare il comportamento della variabile in uscita (Output) ad una variazione in ingresso (Input). Risulta quindi possibile manipolare le condizioni di processo per evitare risultati indesiderati ottenendo una massima governabilità del processo.
• TEST DELLE IPOTESI
Utilizzeremo in questa fase la Statistica Inferenziale che ci sarà utile per prendere decisioni sul comportamento della popolazione basandoci sull’osservazione fatta sul campione determinato nella fase Measure. Utilizzeremo questi Test per creare dei confronti tra le Medie, le Varianze e le Proporzioni dei diversi gruppi di dati rilevati, quando non si è certi che le differenze evidenziate dalle osservazioni siano o meno significative dal punto di vista statistico o se la loro differenza sia dovuta ad una variazione casuale legata alla normale variabilità del processo o se ci sono differenze reali.
Esistono vari tipi di Test delle Ipotesi per valutare la significatività della variabilità. Di seguito se ne riporta un elenco per completezza di esposizione, senza entrare in dettaglio di spiegazione.
60 Figura 27: Tipologie di Test delle Ipotesi
Come mostrato dalla tabella per seguire il confronto in base alle Medie del campione con una media di riferimento nota, si potrà utilizzare il 1 Sample T-Test, mentre se i campioni sono due allora utilizzeremo il 2 Sample T-Test, mentre se fossero più di due utilizzeremo l’Anova Test. Il Paired T-Test consente invece il confronto tra la media di due misure effettuate sulle stesse part in modo accoppiato (es. la rilevazione del numero di lotti prodotto, durante il turno di lavoro 1 e con gli operatori A e B). Per quanto riguarda il confronto tra le varianze si utilizza il Test delle Varianze utile per rispondere alla domanda:” i due campioni in questione provengono da una popolazione con la stessa varianza?”. Per il confronto di proporzioni ci sarà altrimenti utile il Chi-Square Test che ci evidenzierà se esiste una differenza significativa tra le proporzioni osservate e le proporzioni attese cioè teoriche, per due o più gruppi indipendenti.
In ogni test condotto, per decidere, con un certo livello di confidenza (probabilità di trasferire la caratteristica del campione alla popolazione senza commettere errori), se la relazione esiste o meno, il valore che ci permetterà di discriminare e quindi accettare l’ipotesi Nulla o Alternativa sarà il p-value, infatti il suo valore maggiore o minore di 0,05 (perché ci riferiamo ad un livello di confidenza del 95%) ci permetterà di considerare i due gruppi rispettivamente uguali o diversi. Le ipotesi su cui applichiamo il test sono:
61
• Nulla, equivale all’evidenziazione statistica della non differenza riguardo ad una certa caratteristica tra due o più campioni (si verifica pertanto l’ipotesi Nulla Ho)
• Alternativa, evidenzia che i gruppi sono significativamente diversi rispetta alla caratteristica indagata 8si verifica l’ipotesi alternativa Ha).