Taller Seis Sigma

¿ QUÉ ES SEIS SIGMA?

✓ Seis Sigma es la más efectiva metodología de resolución

de problemas disponible en la actualidad.

✓ Usamos Seis Sigma para mejorar continuamente el desempeño de

nuestros procesos, mejorar el servicio, la satisfacción del cliente, mejorar
la capacidad del proceso, reducir el tiempo de producción de un lote, reducir
costos y minimizar defectos y fallas.

✓ Seis Sigma es un término estadístico para un proceso que produce

menos de 3.4 defectos en un millón de unidades producidas. Cuantos
defectos esta produciendo tu proceso?
 DONDE PODRÍAMOS APLICAR SEIS
SIGMA?

❖ Seis Sigma no es sólo una metodología de mejora de la calidad

de un producto. Es un método de mejora que puede aplicarse para
minimizar errores en cualquier proceso comercial.

Cadena de Suplimiento

Cliente Forecast Ordenes Producción suministro

Seis Sigma se puede aplicar aquí

¿DE QUE MANERA TRABAJA SEIS SIGMA ?

Seis Sigma se centra en los asuntos críticos para el cliente. CTC

Asegura la alta calidad y confiabilidad de los productos, servicios y
transacciones.

Seis Sigma esta relacionado con algunas métricas claves

Reducir los costos, reducir el tiempo de ciclo, menos defectos

Seis Sigma está orientando al proceso.

- Se concentra en el desarrollo del modo más efectivo y eficiente de
convertir las entradas en resultado según lo requerido por el
cliente.
 -
-
-5.809469699
-5.170367913
-4.531266127
-3.892164341
-3.253062555
-2.613960769
-1.974858983
-1.335757197
-0.696655411
-0.057553626

Defectos
0.58154816
1.220649946

LSL
1.859751732
2.498853518
3.137955304
3.77705709
4.416158876
5.055260662
5.694362448
6.333464233
6.972566019
7.611667805
8.250769591
8.889871377
9.528973163
10.16807495
USL

10.80717673
11.44627852
12.08538031
12.72448209
“Variación es lo que sus clientes ven”.

13.36358388
Defectos
POR QUÉ USAR SIX SIGMA?

14.00268566
“La variación es el enemigo del cliente”.

14.64178745
- Es muy simple …..todo se debe a variación

15.28088924
15.91999102
16.55909281
LSL
USL
In spec
Out spec left
Out spec right
 ¿QUÈ PRODUCE VARIACIÓN?

Todo se determina por … Entrada Procesos Resultado

x… y
y =f(x)

(Y) es el resultado que usted desea /necesita.

(X) representa las entradas, factores que se necesitan para
crear el resultado.
(f) es la función o procesos por los cuales las entradas se
transforman en el resultado.
Gestion Basada en el Conocimiento
 Es una filosofia Gerencial basada en hacer buenas
decisiones usando el conocimiento y los datos en lugar
de opiniones. Para obtener conocimiento de los datos
necesitamos del uso de herramientas estadisticas.
 Esta filosofia esta basada en 3 elementos:

1. Preguntas que los Gerentes necesitan responder

2. Herramientas y tecnicas para responder las
preguntas y mejorar el scorecard o puntuación
 Preguntas que los Gerentes
necesitan responder
1. Que percepcion tienen los clientes de sus productos
y servicios? Como lo sabe usted? Esta haciendo
usted las preguntas correctas?
Salida

Proceso

Proceso: Lo que tienen que hacer para conseguir sus productos o servicios

Salida: Cuan bien se satisfacen sus necesidades

 Preguntas que los Gerentes
necesitan responder

2. Usted cree que los problemas de calidad son

importantes para su compañía? Porque? Cuales?
3. Cual es el porcentaje de mercado de su compañía en
el mercado total? Pueden los esfuerzos de mejora
asistirlo a usted a incrementar su participacion de
mercado y a incrementar la ganancia de su
compañía?
Preguntas que los Gerentes necesitan
responder

4. Esta usted activamente buscando proyectos de mejora

continua en su area de responsabilidad que se vinculan con
valor a los ojos del cliente?
5. Cuantas horas a la semana usted dedica a temas
estrictamente de remocion de desperdicio y de reducción
de la variación ?
6. Estan su gente debidamente entrenada en las mejores
herramientas de mejora continua?
 uso del tiempo del gerente promedio
1

30 0.9

0.8
25

0.7

20 0.6

0.5
15

0.4

10 0.3

0.2
5
0.1

0 0
Apagar fuegos Trabajo Papeleria Reuniones Viajes Otros Prevencion de Fuego
Actividad
 Uso ideal
1

30 0.9

0.8
25

0.7

20 0.6
# Observations

0.5
15

0.4

10 0.3

0.2
5

0.1

0 0
Prevencion de Fuegos Trabajo Papeleria Reuniones Viajes Otros Apagar fuegos
Actividad
 Metodología DMAIC
La metodología básica de Lean & Seis Sigma es DMAIC
El ciclo que debe seguir un proyecto Seis Sigma es:
Definir Identificar que un problema existe
Definir el proyecto seis sigma

Medir El problema se describe y analiza con datos. (reunir datos sobre

el estado actual)
Analizar Se trabaja hacia una solución conducida por datos, en lugar de
una solución «Yo creo». ( La gran pregunta es porque hay una
diferencia entre la situación actual y lo requerido)

Mejorar Implementar una solución que sea práctica.

Controlar Asegurar una sostenibilidad usando controles efectivos de

procesos
 DIAGRAMA IPO
❖Los diagramas IPO son usados para describir las
entradas y las salidas de un proceso.
❖Pueden ser aplicados tanto a procesos administrativos
como a los productivos.
❖Suelen ser usados como el primer paso en el camino
para mejorar o investigar un proceso. Si definimos el
proceso nos aseguramos que todos los involucrados
están de acuerdo en lo que es requerido para
completar el proceso.
 DIAGRAMA IPO
❖
❖Las entradas son definidas como los requerimientos
específicos del proceso y son identificados por
categorías como: Materiales, gente, equipos,
políticas, procedimientos, métodos y ambiente.
❖Generalmente las salidas del proceso caen en estas
categorías: realizar un servicio, producir un producto
o completar una tarea.
❖Puede ser usado a nivel macro o a un nivel de detalle
para describir un paso especifico del proceso.
 DIAGRAMA IPO
Entrada Procesos Resultado
Velocidad Peso de la Capleta
Presion

Granulado Dureza de la Capleta

Proceso
De
Profundidad del punzon Espesor de la Capleta
Manufactura
De Tabletas
MP

Training del operador

Definir el proceso nos permite determinar cuales entradas podrian afectar

la bondad de la salida
 POR QUÉ NECESITAMOS DATOS?

•Para separar opiniones de hechos

•Todo el mundo tiene una opinión
•“Muéstreme los datos ” no debe ofender

Base para la toma de decisiones Tipos de problemas afrontados

1. Intuición, opinión Simple
2. Recolectamos datos de nuestro procesos
3. Analizamos los datos
4. Decidimos sobre qué nos dicen los datos complejos
Medidas de Tendencia Central
ESTADÍSTICA DE MUESTRA VS PARÁMETROS
DE POBLACIÓN
Generalmente deseamos información sobre una
población. Por ejemplo
¿Altura promedio de los varones en Panamá ?
Sin embargo, es difícil conseguir información sobre toda
la población.
-Difícil de medir todos los individuos…
Por lo tanto, recurrimos a las muestras para obtener
información sobre una población dada.
Usamos estadísticas de muestras para estimar los
parámetros de la población
ESTADÍSTICA DE MUESTRA VS PARAMETROS
DE POBLACIÓN

Población Muestra

Parámetros de la población Estadística de la Muestra

Media
μ
Promedio

σ2 Varianza

Desviación
σ Std
 MEDIDAS DE UBICACIÓN CENTRAL: LA MEDIA DE LA
MUESTRA

•La media es lo que usualmente denominamos “promedio”

•Esta influenciada por los valores extremos. Si tenemos un valor
alto la suma aumenta y así aumenta la media. Si procesamos el salario
promedio en Panamá, uno solo con un sueldo alto distorsiona el
promedio.
Ejemplos:
Calcular el salario promedio para el siguiente grupo de datos :
18.000 15.000
20.000 28.000 Es una buena predicción la media de la muestra?
24.000 250.000 Por que esta aumentada?
22.000 16.000
 MEDIDAS DE UBICACIÓN CENTRAL: LA
MEDIANA DE LA MUESTRA
La mediana:

• Valor del medio, si n es impar

• El promedio de los dos valores del medio si n es par

Nota: los datos deben ser clasificados en orden ascendente , ej: x1,x2,x3,xn

La mediana es más robusta para elementos extremos ya que

se basa en un orden de clasificación
Ejemplo: calcular la mediana para el conjunto de datos de los
salarios anterior. ¿ Cómo se compara este valor con la media?
¿Qué valor predice mejor la tendencia central?
Variabilidad y Distribuciones
MANEJO DE LA VARIABILIDAD: EJEMPLO

La métrica de cantidad de los lotes buenos para su planta es muy inferior

con respecto al mismo periodo del año anterior
Su Jefe le pide una explicación y acciones inmediatas
En base a estos dos puntos, ¿ qué piensa del comportamiento de la
métrica sobre el ultimo año?

90
80
80%
70
60 50%
50
Serie1
40
30
20
10
0
0
Ene 5 10
Ene 15
 VARIACIÓN PUESTA EN CONTEXTO
¿Sería el mismo el curso de acción para ambos casos?

Causa
Comun
Causa
especial

90 100
80 90
70 80
60 70
60
50
Serie1 50 Serie1
40
40
30 30
20 20
10 10
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13

Ambas situaciones tienen problemas. Una tiene un valor atípico, la otra tiene
Mucha variación.
 VARIACIÓN EN CONTEXTO
Variación de Causa Común
-Variación controlada, “aleatoria ”, presente en la mayoría
de los procesos.
-Si solo hay causa común, los resultados de un proceso tendrán una
distribución estable en el tiempo

Variación de Causa Especial

-Variación descontrolada, causada por ocurrencias únicas
-Las causas especiales conducen a resultados de procesos no
predecibles
-Debe observarse que la variación de causa especial no siempre es
mala, a veces alguna causa especial puede dar realmente un mejor
resultado del proceso.
 Medidas de variación: Ejemplo
X y z

✓Los tres conjuntos de datos x, y, z

30 10 10

30 30 20
Tiene el mismo promedio y mediana
30 30 30
(ambas 30) 30 30 40

✓Son bastante diferentes(el set de data) 30 50 50

Promedio 30 30 30
Mediana 30 30 30

Conjunto de datos con mismo centro pero diferente dispersión.

 MEDIDAS DE VARIACIÓN
•Podría usarse el Rango de los datos ( Max- Min) para
describir la dispersión
•En el ejemplo, Y y Z tendríamos el mismo rango (40)
•La mejores medidas de dispersión alrededor de la
medias son la desviación estándar (DE) o la varianza
2
V=DE X y z

30 10 10

30 30 20

30 30 30

30 30 40

30 50 50
Promedio 30 30 30
Mediana 30 30 30
Rango 0 40 40
Varianza 0 200 250
Desv. Std 0 14.14 15.81
 MEDIDAS DE VARIACIÓN:
LA DESVIACIÓN ESTÁNDAR

La desviación estándar de la muestra (s), es la estimación

usada más comúnmente de variabilidad TOTAL en un
conjunto de datos
La formula para s se da por

Desviación Estándar: es la dispersión de la media … Se puede

pensar como una distancia “promedio” de cada punto desde
la media, excepto que tenemos la raíz cuadrada de la
distancia promedio al cuadrado
MEDIDAS DE VARIACION: LA VARIANZA
La varianza de la muestra , S2es el cuadrado de la Desviación estándar

Es una desviación cuadrada “ promedio” de cada observación desde el

promedio.

Sus unidades son “ unidades cuadradas ” de las unidades de medición

originales

Ejemplo con excell

 DEMOSTRACIÓN: PESO
Para los datos de peso ( escritos en orden creciente
para calcular la mediana)
La media es ( 124.280+…173.833)/30=151.736 gr
La mediana es el promedio de
( + ) /2=154.166gr
Observar que para una distribución simétrica la media y
la mediana son muy similares
124.280 128.408 135.298 135.897 136.708 138.465
138.939 139.041 140.605 142.228 146.462 147.301
147.851 151.246 153.888 154.443 154.853 155.792
156.954 158.828 161.259 162.352 162.353 163.010
164.967 166.528 168.342 169.413 172.540 173.833

Variable N promedio mediana minimo maximo

peso 30 151,7361 154,1655 124,28 173.8330
Sumary Stat Data
Como se ve la variacion de los datos
Normal Distribution
Histogram Mean = 0.2905
5 Std Dev = 0.8848
KS Test p-value = .6374

4.5

3.5

3
# Observations

2.5

1.5

0.5

0
-1.557 to <= - -0.794 to <= - -0.031 to <= 0.732 to <=
0.794 0.031 0.732 1.495
Class
Como se ve la variacion en los datos
Normal Distribution
Histogram Mean = 0.2164
7 Std Dev = 1.0297
KS Test p-value = .5721

5
# Observations

0
-1.638 to <= - -0.845 to <= -0.053 to <= 0.74 to <= 1.532 to <=
0.845 -0.053 0.74 1.532 2.325
Class
Como se ve la variacion
Histogram
en los datos Normal Distribution
Mean = -0.0232193326
14 Std Dev = 1.2577
KS Test p-value = .6924

12

10
# Observations

0
-2.716 to <= -1.901 to <= - -1.087 to <= -0.273 to <= 0.542 to <= 1.356 to <= 2.17 to <=
-1.901 1.087 -0.273 0.542 1.356 2.17 2.984
Class
 ¿COMÓ SE VE LA VARIACIÓN EN LOS DATOS?
N de manzanas

Peso de las manzanas

Peso

Si la variación es Natural , entonces veremos una curva

típica “tipo acampanada” o una distribución “Normal”
 MEDIDAS DE VARIACION

Media o promedio μ , es el centro

de los datos en nuestra población
N de manzanas

Peso
Rango
Mayor valor-Menor valor

La media y la desviación estándar son todo lo que

necesitamos para describir un curva Normal
CARASTERISTICAS DE LAS DISTRIBUCIONES
NORMALES

Extensión
(desviación Ubicación
standard) (Media)

σ1

σ σ
σ2

u U1 u2
Carasteristicas de una Distribuccion Normal
Areas bajo una Curva Normal

Ya que virtualmente el 100% de los datos en un proceso normal

Caen dentro de -3 /+ 3 Desviaciones Estándar esto se usa normalmente
para definir la amplitud del proceso o las tolerancias naturales
Carasteristicas de una Distribucción Normal
Perfomance y Capacidad del Proceso
Relación entre Tolerancia natural y limites de especificación

Limites de Control
LCL y UCL

Voz del proceso

Voz del cliente

Nuestros Clientes tanto internos como externos determinan los limites de

Especificacion de modo que tenemos que asegurarnos que la amplitud
del proceso +/- 3S sea menor que la amplitud de la especificación
Curva -No Normal
 Medición de Variabilidad
Valores grupo rango Desviacion dentro del grupo
18.8939 1 1.9889
19.6462 1
19.7851 1 0.78
20.5
Run Chart 20.8828 1
18.5 19.0605 1
11.4967 2
16.5
9.2229 2
Y Axis

14.5 11.301 2 2.2739 0.95

12.5
11.3888 2
11.2352 2
10.5
s= 4.67
8.5
1 2 3 4 5 6 7 8 9 10
X Axis
 Medición de Variabilidad

20.5
Run Chart
18.5

16.5
Variabilidad Total
Y Axis

14.5

12.5

10.5

8.5
1 2 3 4 5 6 7 8 9 10
X Axis
Variación de Corto Plazo
Variación de Largo Plazo
BONUS SLIDE
 EL IMPACTO DE LA VARIACIÓN
Antes, el foco estaba en lograr niveles de productos y
servicios que se encontraran dentro del rango
especificado por el cliente:
Perdida

Perdida
Sin Perdida

LSL Medición USL

Esto implica que todo lo que cae dentro de los limites es

igualmente bueno.
En tanto el producto o servicio se encuentre dentro de
las especificaciones del clientes, no hay perdidas
 VARIACIÓN – VISIÓN DE TAGUCHI
Perdida Perdida Perdida

Taguchi enseña que hay perdida monetaria en cualquier momento en que un

producto o servicio varíe de un objetivo definido.
Estas perdidas monetarias vienen de fuentes que incluyen:
-Aumento en el desgaste o reducción del desempeño de partes
que no se adaptan en forma precisa
-Aumento en llamadas de servicio para reparación post venta
Repetidos llamados por información o por re-entrega de un
servicio
 ESTUDIO DE CASO TAGUCHI-FORD MOTOR
COMPANY
En la década de 1980, Ford Motor Company exportó la construcción de un sub-
montaje a varias de su plantas propias y a su fabricante japonés (Mazda)
Ambas plantas de EE UU y Japón produjeron partes que cumplieron las
especificaciones; ambos grupos de partes tuvieron cero defectos.
En los años siguientes, la cantidad de demandas de garantía en los productos
construido en EE UU fue mucho más alto que para los productos japoneses
La diferencia? Los japoneses habían trabajado para controlar y reducir la variación-
es decir, lograr que las parte se adecuaran al objetivo real lo más posible. Las
plantas de EE UU simplemente habían producido “dentro de la especificación.”
El producto japonés fue más consistente; las partes encajaban mejor. El resultado
mejor desempeño y costos más bajos debidos a menos desperdicios, menos
trabajos nuevos y menos inventario con problemas.
LSL USL
Distribucion Distribución
entregada de entregada de
partes del partes del
proveedor proveedor
japones de EEUU
 USANDO DIAGRAMAS PARA
EXTRAER INFORMACION DE LOS
DATOS
 DIAGRAMAS DE PARETO
Son esencialmente gráficos de barras ordenadas de manera tal que las
barras se reducen en tamaño de izquierda a derecha
Puede usarse en diversos modos ej.:

Causas de calidad deficiente

Quejas de clientes Pocos

No de Fallas
vitales
Muchos
Tribiales
Usados para ilustrar la predominancia de
las causas de Variación de la pobre
Calidad.
A B C D E F G H I J
Fallas

La idea es identificar los pocos parámetros vitales importantes (80% de la

variabilidad se debe al 20% de los parámetros)
La información puede categorizarse de distintas maneras, las mas
comunes son
Frequencia
Costo
Tiempo
 CON QUE TIPO DE DEFECTO DEBEMOS
TRABAJAR PRIMERO?
Pareto Chart Pareto Chart
1 1
140

0.9 1200 0.9

120
0.8 0.8
1000
Frecuencia de defectos

0.7
100 0.7
800 0.6
0.6

Costo
80
0.5
0.5 600
0.4
60
0.4
400 0.3
0.3
40
0.2
0.2 200
0.1
20
0.1
0 0
Manchas Rotulado Pinchados secador otros
0 0
Rotulado Manchas Pinchados secador otros
Group
Group
 Datos
Pareto
Pareto Chart
1

40 0.9

35 0.8
Convertidos a
30 Entendimiento del proceso 0.7

0.6
# Observations

25

0.5
20
0.4

15
0.3

10
0.2

5 0.1

0 0
Type A Type C Type E Type B Type D Type F Type G Type H
Group