Business Processes Hoorcollege 9 (Lecture 9) - VU Amsterdam
0 view 0 purchase
Course
Business Processes
Institution
Vrije Universiteit Amsterdam (VU)
In dit document vind je een duidelijke en alomvattende uitwerking van hoorcollege 9 van business processes dat wordt gegeven in jaar 1 van de opleiding bedrijfskunde op de VU Amsterdam.
Bevalt dit document jou? Kijk dan ook naar de andere documenten van BP of naar de andere vakken :)
L9a
Er is een relatie aan te wijzen tussen kwaliteit en procesvariatie.
Een proces dat vrij is van defecten betekent niet dat elk product dat wordt afgeleverd ook
precies hetzelfde is. Er zal altijd een klein verschil tussen het ene en het andere product
zitten, door bijv. slijtage van de machines, door een menselijke factor etc.
Het is dus niet uit te sluiten dat er nimmer variaties zitten in een bepaald product.
Dit is niet erg zolang het product voldoet aan de zogeheten Critical To Quality (CTQ).
Dan hebben we het niet zo zeer over of het product nu wel of niet defect is, maar of het
voldoet aan de kwaliteitseisen die door de klant worden opgemerkt.
CTQ betekent letterlijk cruciaal voor de kwaliteit, en zijn dus:
De interne kritische kwaliteits parameters waar een productieproces volgens de klant aan zal
moeten voldoen.
M.a.w.: In hoeverre conformeert jouw product nu aan de kwaliteitsstandaarden die
voorkomen uit de behoefte van de klant.
Conformantie/conformance definiëren we als de mate waarin jouw product of dienst nog
steeds aan de CTQ voldoet.
Conformance is onze maatstaf (Bankstel van 2m, hoeveel mag het afwijken, een meter?
centimeter of miss zelfs maar een millimeter?).
Onze conformance aan de CTQ laat zich ook wel illustreren door het ‘schot in de roos’
ofterwijl de Bullseye analogy.
In deze analogie wordt de roos gedefinieerd door CTQ.
Bij het stellen van bepaalde kwaliteitseisen aan je producten zal je een bepaalde
specificatie opleggen (Bankstel zal een specificatie van 2m meegeven).
Daaromheen bestaat een bepaalde variatie die behoort tot het toegestane bereik (dus bij
een bankstel bijv de afwijking van 1 mm korter of langer).
Het doel op een schietschijf is precies het midden. Maar er zijn ook afwijkingen van het
exacte middelpunt, dat is het gele gebied in het figuur.
Je proces zal altijd een bepaalde mate van variatie vertonen.
Als we naar het linker plaatje kijken dan zie je dat er maar 1 product daadwerkelijk voldoet
aan de CTQ.
Dit is een voorbeeld van een proces dat wel gecentreerd is rond het doel, maar zelden ook
aan de CTQ voldoet. Je kunt dan proberen de variaties meer te centreren zoals is gebeurd
in figuur 2.
,Dus waar we links zagen dat een bankstel zowel 1 cm langer als 1`cm korter kan zijn, zien
we in het middelste plaatje dat een bank alleen tussen de 0 en 1 cm langer afwijkt.
De variaties zijn mooier gegroepeerd, maar halen nog steeds zelden tot niet het doel.
Dit proces voldoet dus ook niet aan de CTQ.
Waar en hoe moeten we die specificatie limieten opstellen.
In werkelijkheid ziet een proces er bijna nooit uit als een schietschijf met een schot in de
roos, tenzij je op een schietbaan werkt.
Hoe kun je dan in werkelijkheid vaststellen of je proces verspreid is rond het doel, zich
enigszins groepeert rond de bullseye of precies in de bullseye zich bevindt.
In de meeste gevallen is het mogelijk om de data te presenteren in een bepaald
frequentiedistributie, in zo’n frequentieverdeling laten we het aantal of het percentage
zien van de process outputs die allemaal in hetzelfde bereik vallen van een bepaalde
dimensie.
Als we deze verdeling gaan plotten in een histogram, dan komen we meestal uit op een Bell
Curve.
Alle drie de figuren zijn verschillende varianten op de Bell Curve.
De hoogte van deze Bell Curve geeft aan hoe vaak we relatief een bepaalde output
hebben waargenomen.
In het meest linker plaatje zien we dat de outputs die we het meest waarnemen ook
precies daar ligt waar onze doelstelling ligt. Dit figuur komt het meest overeen met het
linker plaatje van de schietschijf. Alle schoten zijn mooi verdeeld rondom het doel, dus het
gemiddelde zal rondom het doel liggen, maar we zien dat er een hoop variatie is rondom dit
doel.
Als we onszelf een bepaald specificatie limiet hebben opgelegd, vergelijkbaar met de gele
randen van de bullseye analogy, dan zullen we merken dat een aanzienlijk proportie buiten
deze specificatie limieten vallen.
Op diezelfde manier komt het tweede figuur overeen met de tweede van de bullseye
analogy.
Allereerst valt op dat de top veel hoger is, dus onze waarnemingen over de dimensie van
onze outputs ligt veel geconcentreerder rond een bepaalde waarde. Dat betekent dan ook
dat de variatie die we in ons proces observeren een stuk minder is.
Het is prettig dat we minder variatie tussen de producten observeren in ons proces, ze zijn
dus gelijkmatiger.
, Maar het is niet prettiger als blijkt dat het gemiddelde van al deze variaties ver buiten onze
specificatie limieten valt. We hebben nauwkeurig ‘geschoten’, maar niet op het doel
waarop we hadden moeten richten.
We streven natuurlijk naar een situatie zoals het rechter plaatje. Hier is de variatie klein.
En de variatie is gecentreerd rondom onze target.
We gebruiken ook wel het begrip process capability om aan te geven welke proportie van
onze totale output er nu binnen onze opgegeven specificatie limieten valt.
In het figuur rechts is de process capability dus 100%.
In processen kun je twee type variatie onderscheiden:
● Assignable variation: De vorm van variatie, die op dit moment nog zichtbaar
is in ons proces maar waar we in ieder geval factoren
voor kunnen aanwijzen en mogelijkerwijs kunnen gaan
managen. (Aanwijsbare variatie)
● Common or normal variation: Een bepaalde ruis in het proces die we niet
helemaal kunnen pinpointen en die ook lastig
of niet te managen is (bijv. wind bij schieten
schietschijf). Dit is inherent aan ieder
productieproces.
Deze twee verschillende vormen van variatie werden eigenlijk al vastgesteld door dr.
Shewhart, die de grondlegger is van Statistical Process Control.
Deming populariseerde deze ideeën maar gaf deze twee variaties een andere label.
Assignable variation → Common cause variation
Common or normal variation → Special cause variation
Hij maakte dus niet zozeer het onderscheidt op basis van of de variatie wel of niet
controleerbaar was, maar op basis van een oorzaak of dit nu normaal of speciaal is.
De opvattingen van Deming en Shewhart waren nagenoeg hetzelfde.
Hoe kun je in het proces onderscheidt maken tussen assignable en common or normal
variation. Hoe kun je deze dus identificeren.
Om dat te doen ontwierp Shewhart control charts.
Deze gebruikte hij om de data over de tijd te kunnen gaan plotten.
Door dit op een gestructureerde manier te doen kon hij assignable variation en common
or normal variation identificeren.
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller DaniTreep. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $3.26. You're not tied to anything after your purchase.
