Verwendung eines Streudiagramms für die Ursachenanalyse

Nehmen wir an, Sie haben in Ihrem Werk ein Förderband, das immer wieder Ausfallzeiten verursacht, wobei die Instandhaltung genau dieses Förderband wiederholt repariert. Sie wenden die 5-Why-Methode an, um mögliche Ursachen zu ermitteln, und stellen fest:

• Teile auf dem Förderband könnten zu heiß sein
• Das Förderband ist alt und wird nicht häufig genug gewartet
• Die Instandhaltung führt die Reparaturen nicht korrekt durch
• Ausfallzeiten werden fälschlicherweise gemeldet, um ein anderes Problem zu verdecken

Von diesen möglichen Ursachen möchten Sie wissen, welche einen Einfluss auf das Problem haben. Eine Möglichkeit, diese Frage zu bewerten, ist ein Streudiagramm.

Ein Streudiagramm ist eine grafische Darstellung des Zusammenhangs zwischen zwei Variablen und zeigt, wie eng zwei Merkmale miteinander verknüpft sind. Schauen wir uns an, wie Sie ein Streudiagramm verwenden, um diese Zusammenhänge zu identifizieren.

Laden Sie unser kostenloses Info-Blatt herunter, damit Sie mit wenigen einfachen Schritten ganz unkompliziert Ihre eigenen Streudiagramme für die Ursachenanalyse erstellen können!

Auswahl der Variablen

Der erste Schritt beim Erstellen eines Streudiagramms besteht in der Auswahl Ihrer unabhängigen und abhängigen Variablen. Mit anderen Worten: Welcher Prozessparameter (unabhängige Variable) verursacht das Problem (abhängige Variable)? Diese Variablen entsprechen jeweils der x- und der y-Achse.

Beim Erstellen Ihres Streudiagramms ist es von entscheidender Bedeutung, Variablen zu wählen, die einfach, messbar und so objektiv wie möglich sind.

Beginnen wir mit der ersten Option auf der Liste: Teile auf dem Förderband könnten zu heiß sein. Wenn Sie diese Annahme überprüfen möchten, könnten Sie untersuchen, ob die Temperatur der Teile mit der Anzahl der Arbeitsaufträge auf dem Förderband korreliert.

Messen von Variablen und Organisieren von Daten

Nun, da Sie Ihre Variablen ausgewählt haben, ist es an der Zeit, diese zu messen – entweder durch Beobachtung des Prozesses oder durch das Abrufen von Daten aus einer digitalen Quelle wie einem Teilemesssystem, einem Instandhaltungssystem oder einer mobilen Audit-Software.

Angenommen, Ihre Daten sehen wie folgt aus:

Dies ist die Grundlage, die Sie zur Generierung Ihres Streudiagramms verwenden. Wenn Ihre Hypothese lautet, dass die Teile zu heiß sind und das Förderband beschädigen, müssten steigende Temperaturen mit mehr Arbeitsaufträgen korrelieren.

Erstellen Ihres Streudiagramms

Sobald Sie Ihre Daten gesammelt haben, ist das Erstellen des Streudiagramms und das Auswerten der Korrelation in einer Tabellenkalkulation ganz einfach. In unserem Beispiel betrachten Sie, wie viele Arbeitsaufträge bei den jeweiligen Temperaturen angefallen sind. Das bedeutet, dass die Temperatur auf die x-Achse und die Anzahl der Arbeitsaufträge auf die y-Achse kommt.

Auswertung der Ergebnisse

In diesem Beispiel erkennen wir ein klares Muster. Es ist offensichtlich, dass die Datenpunkte einen Aufwärtstrend aufweisen. Dies bedeutet, dass eine direkte Korrelation zwischen der Temperatur des Teils und der Anzahl der Arbeitsaufträge besteht, die für das Fördersystem erstellt werden. Dies ist ein solider Beleg, der Ihre Hypothese stützt, dass die Hitze der Teile Schäden verursacht.

Wenn Sie dies weiter untermauern möchten, könnten Sie eine lineare Regression in Excel durchführen, um den R²-Wert zu ermitteln, der Ihnen Auskunft über die Stärke der Korrelation gibt. Die American Society for Quality (ASQ) beschreibt eine Korrelation als eine enge „Umarmung“ entlang einer Linie in einem Diagramm.

R² oder das Bestimmtheitsmaß ist ein Wert dafür, wie gut Änderungen von x die Änderungen von y in Ihren Daten vorhersagen. Je näher der R²-Wert bei 1 liegt, desto vorhersehbarer sind Ihre Daten.

Nächste Schritte

Da Sie nun eine Korrelation zwischen der Temperatur der Teile und dem Ausfall von Anlagen festgestellt haben, verfügen Sie über eine datenbasierte Argumentation, um eine mögliche Ursache anzugehen.

Was die nächsten Schritte betrifft, so erinnern Sie sich an den früheren Teil des Beispiels, in dem mehrere Punkte als mögliche Verursacher von Mängeln aufgeführt wurden. Bisher haben wir nur einen davon bewertet.

Weitere Werkzeuge zur Ursachenanalyse, die Sie zur Bewertung der anderen aus der 5-Why-Methode aufgeführten Punkte verwenden können, umfassen:

• FMEA: Zum Testen, ob das Fördersystem häufig genug gewartet wird
• 5 Whys: Zur Überprüfung, ob die Instandhaltung die Reparaturen nicht korrekt durchführt
• Ursache-Wirkungs-Diagramm: Um festzustellen, ob Ausfallzeiten fälschlicherweise gemeldet werden, um ein anderes Problem zu kaschieren

Streudiagramme sind für Datensätze unterschiedlicher Größe nützlich, um die Korrelation zwischen einem Ergebnis und einer potenziellen Ursache darzustellen. Es ist jedoch wichtig zu beachten, dass Korrelation nicht gleichbedeutend mit Kausalität ist. Das heißt, nur weil eine starke Korrelation zwischen zwei Variablen besteht, bedeutet dies nicht, dass Sie die wahre Ursache gefunden haben.

Letztendlich sollten Sie Streudiagramme in Kombination mit anderen Werkzeugen zur Ursachenanalyse einsetzen, um zu ermitteln, wie die Ressourcen Ihres Werks für die kontinuierliche Verbesserung eingesetzt werden sollten. Die Betrachtung eines Problems aus verschiedenen Blickwinkeln ist der Schlüssel zu dessen Lösung – und zur Entwicklung dauerhafter Korrekturen, die Mängel von vornherein verhindern.

Falls Sie es zuvor verpasst haben: Wir haben ein sehr einfaches und leicht verständliches Merkblatt entwickelt, damit Sie Ihre eigenen Streudiagramme erstellen und schnell mit der Analyse Ihrer Ergebnisse beginnen können! Laden Sie es hier herunter.