Dorian Shainin, la Red X y otras técnicas estadísticas para la resolución de problemas

Claramente influenciado por su mentor y colega Joseph Juran, el ingeniero estadounidense Dorian Shainin es considerado una de las personalidades que más aportaron al desarrollo de técnicas para la resolución de problemas en el campo de la  calidad y la industria de manufactura. La mayor parte de estas técnicas poseen origen estadístico y siguen aplicándose en la actualidad, o son punto de partida para el desarrollo de nuevos métodos. Shainin falleció en el año 2000, y durante toda su carrera asesoró a numerosas empresas líderes de diversos rubros, incluyendo desde organizaciones automotrices y fabricantes textiles, hasta organismos estatales como el Departamento de Defensa de los Estados Unidos. Su empresa, fundada en 1947, sigue prestando servicios de asesoría a las organizaciones en la resolución de problemas complejos (https://shainin.com/).

Durante la década del 40, Juran se encargó de aggiornar el Principio de Pareto y aplicarlo a la variación de las causas de un problema, para determinar cuáles tenían influencia realmente sobre el problema en sí. Shainin se basó en esta aplicación, y fue un poco más alla: de las múltiples causas que podían originar el problema, sólo una de ellas era la principal. A esta la denominó la “Gran X Roja” (Big Red X o, simplemente, Red X). Para la determinación de esta causa principal, Shainin planteó la utilización de métodos completamente empíricos. Como en otras oportunidades, no entraremos en profundidad en desarrollos estadísticos. Sólo mencionaremos algunas de las técnicas más difundidas de Shainin y cuál es su aplicación.

Lot Plot

Lot Plot es en realidad una técnica de muestreo, que busca evitar la necesidad de que se realice una inspección del 100% de un lote. En un lote donde se sabe que existen piezas defectuosas, la idea es aplicar esta técnica para no llegar al extremo de tener que inspeccionar pieza por pieza. Para esto se utilizan gráficas, basadas en conceptos previos del estadístico Walter A, Shewart. Con esta técnica, Shainin buscaba mayor efectividad en el proceso de inspección.

“Habla con las partes; son más listas que los ingenieros.” (Dorian Shainin)

Lot Plot - FUENTE: Wikilean

Comparación Pareada o Apareada (Paired Comparisons)

La Comparación Pareada forma parte de un conjunto de herramientas esenciales del Diseño de Experimientos (DOE) según lo define Shainin. Aquí hay históricamente una especie de rivalidad entre él y Taguchi por la efectividad de sus técnicas en esta disciplina, pero vamos a dejarlo de lado por el momento.

Para hacerlo sintético, este método consiste en tomar una muestra de igual cantidad de productos considerados conformes ("buenos") y de productos no conformes ("malos). Se deben identificar cuáles son los parámetros que se están teniendo en cuenta para esta diferenciación, y deben poder cuantificarse. Deben ser medibles. Por ejemplo, podemos hablar de la longitud de una pieza, de su dureza, del espesor, etc. A estos parámetros se los ordena de una determinada manera en función de su importancia en el resultado final (conforme-no conforme). Por cada parámetro tendremos dos valores (el "bueno" y el "malo"). Todos estos valores se listan en orden descendente o ascendente, sin importar su clasificación. En función de los cambios de malo a bueno, o de bueno a malo, se va realizando una gráfica. Luego se realiza un conteo que determina, de acuerdo al resultado, si ese parámetro es realmente causa del problema que se está analizando, o no, con una confiabilidad que depende del número de muestras tomadas (por ej, 90% para 6 muestras, 99% para 10 muestras). 

Gráficas Multi-Vari (Multi-Vari Charts)

La gráficas o cartas Multi-Vari fueron desarrolladas en realidad por Leonard Seder en la década del 50, aunque se popularizaron gracias a Shainin, quien las incluyó dentro de su conjunto de herramientas. Estas gráficas tienen como objetivo determinar las fuentes de variabilidad de un proceso, cuantificarlas e identificar las más influyentes. Para esto, se clasifican a las variaciones de tres maneras posibles, según su ocurrencia. Pueden ser:

• Variaciones posicionales: cuando la variación aparece dentro de lote, entre máquinas, entre operadores, entre plantas, etc.
• Variaciones cíclicas: cuando la variación se produce entre lotes de piezas. 
• Variaciones temporales: la variación aparece entre períodos de tiempo (hora a hora, turno a turno, semana a semana).

En resumen, las graficas Multi-Vari son una representación visual de un análisis de varianza, de los resultados en función de las fuentes de variabilidad.

Gráfica Multi-Vari - FUENTE: asq.org

Pre-Control

Pre-Control es una técnica estadística cuyos principios son similares al Control Estadístico de Procesos (SPC), que vimos en una publicación anterior, aunque se aplica generalmente al comienzo de la fabricación de una pieza. Sirve para poner a punto el proceso desde el arranque.

Test de Confiabilidad B vs. C (Six Pack Test)

Esta prueba compara muestras del proceso actual con un proceso mejorado o nuevo. De ahí viene su nombre: la "C" representa el estado actual (Current) y la "B" el estado mejorado (Better). Para realizar esta comparativa, se toman 3 muestras de cada estado, 6 en total. También se la conoce como Six Pack Test (la "prueba del paquete de seis"), por esta razón. A través de una combinatoria matemática entre las "B" y las "C", podemos rankearlas en función de sus resultados. Si las "B" quedan mejor posicionadas que las "C", podemos decir que nuestro proceso ha mejorado, con una confiabilidad del 95%.

Otras técnicas de Shainin

Existen otras técnicas popularizadas por Shainin, entre las que podemos destacar:

• Factoriales Completos (Full Factorial)
• Gráficas de Dispersión (Scatter Plot) (no la desarrolló, aunque la incluyó dentro de sus herramientas)
• Overstress Testing 
• Paralelogramo de Tolerancia (Tolerance Parallelogram)
• Secuencia Aleatoria (Randomized Sequencing)
• Isoplot
• ANOVA por Orden de Rango (Rank Order ANOVA)

Aplicación de las técnicas de Shainin en la fase de Análisis de DMAIC en Six Sigma, y vigencia de su uso

Es muy habitual que se utilicen técnicas de Shainin en la fase de Análisis del DMAIC en Six Sigma. Hemos tratado muy superficialmente cada técnica. Para conocer más en detalle cada una de ellas, su base estadística y ejemplos de aplicación, recomendamos leer el libro "World Class Quality: Using Design of Experiments to make it happen" de Keki R. Bothe y Adi K. Bothe (1991).

Después de casi 80 años de aplicación de sus técnicas, Shainin sigue contando con muchos seguidores (y con algunos detractores, también). Hoy en día, su legado sienta las bases para diferentes metodologías estadísticas para la resolución de problemas. Muchas de ellas no se siguen realizando o aplicando con frecuencia tal como han sido planteadas, ya que hoy se cuenta con herramientas poderosas de software. Minitab™, por ejemplo, incluye prácticamente todos sus métodos, o variantes mejoradas o optimizadas de éstos. 

Otros artículos relacionados

• El Método Taguchi, la Ingeniería Robusta y el Diseño de Experimentos
• La Trilogía de Juran
• ¿Qué es Six Sigma?
• DMAIC: Las 5 fases del proceso de implementación de Six Sigma
• ¿Mi proceso está bajo control? Gráficas de control y cómo detectar desvíos.
• Principio de Pareto: Pocos vitales, muchos triviales + Ejemplo en Excel para descargar

Jidoka: automatización con un toque humano

Antes que los Toyoda se conviertesen en líderes indiscutidos del mercado automotriz mundial a través de lo que hoy conocemos como Grupo Toyota, su actividad se desarrollaba en el campo de la industria textil. Sakichi Toyoda inventó en 1896 el primer telar autoalimentado. Poco a poco fue perfeccionándolo con el agregado de dispositivos que detectaban situaciones anormales, como por ejemplo la rotura del hilo, lo que hacía detener automáticamente la máquina. En 1924, Toyoda creó el primer telar completamente automatizado del mundo: el telar Tipo G. Este salto tecnológico aumentó notablemente la productividad con una ventaja adicional: dado que la máquina se detenía ante una situación anormal, no se producían productos defectuosos. Aquí comenzó a utilizarse el término jidoka (自動 o jidōka) aplicable a máquinas que pueden tomar decisiones sin intervención del operador, que 'se mueven por sí solas'. Esto requiere de un mínimo número de operarios que realicen las maniobras iniciales. Del resto se encarga la máquina.

Jidōka no es más que un proceso de control de calidad que funciona a través de una serie de pasos, lo que puede representarse mediante un ciclo como el que se muestra en la siguiente gráfica:

El concepto de jidoka se aplica actualmente en los Sistemas de Producción Toyota (TPS) y Lean Manufacturing. Dentro de una planta industrial bajo TPS o Lean conviven numerosas máquinas automatizadas con una participación acotada de los operarios. Para facilitar la detección de fallas y paradas en las máquinas se utiliza el control visual. Este control visual se implementa generalmente a través del uso de tableros conocidos como andon (en homenaje a las tradicionales 'lámparas japonesas'). Un andon es un tablero en el que aparecen los estados de todas las máquinas en un único lugar, facilitando la comunicación y la identificación de los problemas. En general, se utilizan códigos de colores para hacer aún más intuitiva la interpretación de los datos. La practicidad de un sistema visual integral permite tomar acciones correctivas rápidamente. Hoy los sistemas andon no solo se utilizan para visualizar localmente el estado operativo de las máquinas. También se integran a los sistemas de control y de información de la planta. Esto permite monitorear el estado de los procesos de manera remota. Por ejemplo, podemos obtener una réplica virtual de nuestro andon de planta y monitorearlo desde Internet. Hoy la tecnología permite también que tomemos decisiones también de manera remota. 

Para la eliminación de la causa del problema, es fundamental identificarlo claramente. Para esto pueden utilizarse las herramientas ya conocidas de identificación de causas raíz: los Diagramas de Ishikawa, la técnica de los 5 '¿por qué?' o el Diseño de Experimentos (DOE), solo por mencionar algunas. 

Basándonos en la filosofía japonesa del kaizen que se aplica en estos sistemas productivos, todo aprendizaje obtenido luego de aplicar una solución a un nuevo problema nos enriquece y nos ayuda a mejorar el proceso. La mejora continua se logra a través de esta forma de ver los problemas como oportunidades de crecimiento y perfeccionamiento.

Otros artículos relacionados

• Las claves del Sistema de Producción Toyota (TPS): Las 4P y los 14 Principios
• Kaizen como filosofía de trabajo y de vida
• Los 5 ¿Por qué?: Una herramienta tan sencilla como poderosa
• ¿Cómo utilizamos el Diagrama de Ishikawa?
• Taylorismo, Fordismo, Toyotismo y Postfordismo: las corrientes que cambiaron la industria, la vida de los trabajadores y la sociedad
• ¿Qué es Lean Manufacturing? El pensamiento Lean desde cero.
• Glosario Japonés de la Calidad (para descargar)

El Método Taguchi, la Ingeniería Robusta y el Diseño de Experimentos

Gen'ichi Taguchi, estadístico e ingeniero japonés, fue uno de los personajes más importantes en el desarrollo de técnicas estadísticas para la mejora de los procesos de manufactura. Taguchi fue el principal propulsor de lo que se conoce como Ingeniería Robusta, método que apunta a una reducción en la variabilidad de los outputs de los procesos. Históricamente, se buscaba reducir la variabilidad de los procesos a través de la eliminación de las fuentes de ruido que la producían, algo bastante utópico y complejo de realizar. El Método Taguchi, en cambio, se basa en eliminar o minimizar los efectos de los ruidos, y no los ruidos en sí.

La variabilidad de los procesos son provocados por parámetros que no pueden ser controlados. A estos parámetros se los conoce como ruidos de proceso. El Diseño de Experimentos (DOE, por las iniciales en inglés de Design of Experiments) es una disciplina que permite analizar qué efectos provocan los ruidos sobre los procesos de manera cuantitativa. Esta relación causa-efecto es modelada mediante una relación funcional, la cual se logra con ayuda experimental. La información obtenida empíricamente permite entender el 'peso' de cada fuente de ruido sobre la variabilidad del proceso. Muchos parámetros de ruido podrán tener efectos considerables, otros leves, y otros despreciables.

Taguchi fue también el creador del concepto de ingeniería de calidad, que contempla control de calidad en línea y fuera de línea (on-line y off-line). El control en línea contempla toda actividad de control y mantenimiento de procesos, apoyado generalmente por el uso de gráficas de control. El control fuera de línea es un concepto algo más innovador y se utiliza en la etapa de diseño de los productos y los procesos involucrados. La técnica utilizada en este caso es el DOE.

14 pasos para el Diseño de Experimientos

El DOE se basa en datos empíricos. Éstos pueden ser obtenidos si se siguen los siguientes pasos fundamentales:

1. Se define el objetivo del análisis, en cuanto al alcance, los costos y el fin.
2. Se conforma un equipo de trabajo para el proyecto de mejora mediante DOE.
3. Se especifica concretamente el problema. Se puede utilizar alguna técnica de análisis de problemas, como los Diagramas de Ishikawa o Pareto, cuyos datos se pueden obtener de un brainstorming.
4. Se evalúa el entorno técnico y humano.
5. Se define y valida el sistema de medida.
6. Se construye el DOE, mediante ensayos de factibilidad y procedimientos específicos de trabajo.
7. Se preparan los ensayos.
8. Se ejecutan los ensayos.
9. Se miden los ensayos.
10. Se analizan los resultados, discriminando señal de ruido, y se realiza el modelado.
11. Se eligen los valores óptimos de los parámetros.
12. Se realizan nuevas experiencias para confirmar.
13. Se informan los resultados.
14. Se comparan los progresos obtenidos con los objetivos planteados en los primeros puntos.

La Función de Pérdida de la Calidad de Taguchi

La Función de Pérdida de la Calidad de Taguchi permite calcular y cuantificar cuánto nos alejamos del valor esperado (objetivo) de un parámetro en particular. Esta valorización se realiza en unidades monetarias. Cuanto más alejado esté el parámetro del valor esperado (objetivo o target), mayor será la pérdida monetaria asociada que se transfiere al cliente.

Función de Pérdida de Taguchi

Este crecimiento es exponencial y está definido por la siguiente ecuación:

L(x) = k · (x - T)²

en donde L(x) es el resultado de la función de pérdida, x el valor de la característica analizada, T su valor esperado y k una constante de conversión a unidades monetarias. Por lo tanto, si L = 0, estamos ante la calidad esperada. A medida que L se aleja de 0, en cualquier sentido, vamos perdiendo calidad y aumentando los costos. Existen límites de tolerancia, en donde L toma un valor máximo permitido: el Límite Inferior de Especificación  y el Límite Superior de Especificación. Se observa una diferencia con el enfoque tradicional de tolerancia, en el que se considera que dentro de los límites no hay pérdida alguna.

Enfoque tradicional del concepto de la tolerancia
(dentro de la tolerancia hay cero pérdida)

Otros artículos relacionados

• ¿Mi proceso está bajo control? Gráficas de control y cómo detectar desvíos.
• Las 7 herramientas básicas de la Calidad