您的位置:主页 > 六西格玛专栏 >

       通常,理解六西格玛培训数据的最佳方式就是直接“看看”这些数据针对我们提出的问题所出的回答。在AutoRec公司的案例中,我们已经看到过几个这类直观的数据分析工具,在这里,我们将对最常见的4个技巧进行背景介绍,并举例说明怎样使用这些工具:帕累托图、直方图、链图以衣散点图。
 
       帕累托图或帕累托分析。帕累托图被用来把数据按从大到小的顺序分成不同的群组。作为一种特殊的柱状图,帕累托图有助于人们识别出最常发生的问题,或导致问题最常见的原因。然而,采用帕累托图,我们需要确保数据是离散型数据或按类别区别的数据,帕累托图不适用于诸如重量或温度这类计量数据(即连续型数据)。帕累托分析的依据是“80/20法则”--观点/观念,80%的成本或痛苦在组织中的是由20%的问题造 成的。这两个数字并不正好总是80和20,但效果通常都一样。大家可以在以下各种情况下采用帕累托图:

1、对按地区分组的数据进行排序,用以发现哪个地区出现的问题最多。

2、按照缺陷类型对数据进行比较,看看最常见的是哪一种缺陷。
按照星期几(每个月中的不同日期或一天中的不同时间)对问题进行对比,看看哪个时间段发生的问题最多。

3、把客户有投诉按种类进行区分、排序,了解投诉最多的是哪一种类。
   
直方图或频率分布图。直方图用来呈现一组数据(众所周知的“总体”)的区间范围以及变化大小。严格来说,直方图只能用来呈现连续型数据的分布情况,而频率分布图则可以展示计数型离散数据的分布情况(例如,缺陷的个数)。在这两种工具中,数据都是沿着横轴/横坐标(x)以连续增加的顺序排列,纵轴/纵坐标(y)表示的事件发生的次数。尽管对直方图常见的考虑是看其是否是一个钟形曲线,但在流程改进过程中,直方图的应用则是对数据进行排序、分组,并用柱状图来表示各组数据。我们可以利用直方图或频率分布图:
 
1、查看连续型因子的区间范围及分布(比如每批运货的重量、每次采购的花费、每个打孔的大小、每台电脑重启需要的时间)。

2、了解流程在满足顾客标准/需求方面的表现与变化(例如尺寸大小、问题、成本,只适用于连续型因子)。

3、搞清楚一批不合格事物中每单个产品所出现的缺陷数(当每单个产品都存在出现多种错误的可能性时,这些缺陷可能包含着各种互不相关的特性)。

4、了解各个关键“计数”特性在某个群组或总体中是如何分布的(例如客户每年采购的次数、公司对供货商进行质量审核的评分)。
 
链图或时间序列图。链图显示某个流程、产品或其他因子随着时间的改变而出现的变化,正是由于流程天生就是在不断变化的,因此链图是了解流程的一个很有价值的工具。链图(也被称作“趋势图”或者“曲线图”)及其表亲--控制图,都是显示从一个时刻到另一时刻、从某一天到另一天,等等,事物是在怎样发生着变化,这使得他们成为对持续的活动进行跟踪或跟踪绩效表现的最佳工具。在构建链图时,横轴或x轴从左到右永远都是时间或事物发生的顺序。纵(Y)轴可以用来代表任何连续型指标或计数型指标,包括百分比、缺陷个数以及温充,等等。每个观察或多个观察值中的样本,都按照其发生的时间及实际数值被标注在图上相应的位置。
 
  我们可以运用链图或时间序列图:
  1、了解某个流程或产生随着时间的改变而发生变化的大小及规律(例如,不同日期之间的测试数据有多大差别,产品与产品的加工周期之间的差异有多大)。

2、识别出现变化的潜在时间规律(比如说,是不是以每个星期为一个周期?流程中出现的变化与某些事件的发生相吻合?)

3、看看某个流程或关键因子怎样对变化做出反应(例如,流程改进如何对绩效产生样影响,新的电话系统对来电人员持机等候时间有什么样的影响)。

   散点图或相关图。散点图为大家呈现出两个因子之间的联系或“相关性”,这种联系体现在计数型或连续型数值的变化上。散点图揭示出两个因子之间可能存在的因果关系。举个简单的例子,冰缴凌的销量与高温天气之间很容易表现出相关性:天气越热,人们就会买更多的冰激凌,这个结论太合理了。然而,仅仅因为两个因子之间存在相关性,就理所当然地认为是其中一个因子变化导致了另一个因子发生变化,这么做会很危险。比如说,泳池用品商店的含氯消毒剂可能与冰激凌一样,销量都在增长(也就是说,两者之间有正相关性,)但是我们相当确定并不是两者中的某个产品销量增加导致了另一个产品销量的增加。另一个原因--酷热的天气,也许?正好同时对这两者都产生了影响。
 
尽管如此,散点图仍然是我们用来检验可疑原因与某个问题之间相互关系的有效工具。如果我们运用常识也得出了相同的结论,那么强列的相关性可能就意味着我们的假设是合理的。

大家会遇到下述几种类型的相互关系:
1、正相关。前面已经涉及过,正相关就是一个因子随着另一个因子的增大而增大。

2、负相关。在这种情况下,随着一个因子的增大会减少,另一个因子则会朝着与之相反的方向变化。

3、非线性相关(或曲线相关)。有点像是散点图版本的“物极必反”,在达到某个点之前,因子之间的相互关系一直都是正相关或负相关,一旦超过该点,因子之间的相互关系就完全反过来了。

如果因子间不存在相关性,那么散点图上数据点的分布就会几乎像一片云彩一样,毫无规律可循,一个因子的变化对另一个因子的变化没有任何影响。利用常见的大多数电脑程序表格,大家可以很容易地计算出两个因子之间具有统计学意义的相互关联。

我们可以利用散点图或相关图来:
1、了解某个因子的数值或性能表现的增加,与其他因子的数值增加或减少之间的关系程度。

2、检查某个被怀疑是导致问题的根本原因与问题水平大小之间的关系(缺陷数、成本,等等)。
  
 
   

随机推荐

图文聚集

热门排行

最新文章