Home > Expert Speaks > تحلیل ریشه‌ای مشکلات چیست؟ راهنمایی برای بهبود تولید و فرآیند

تحلیل ریشه‌ای مشکلات چیست؟ راهنمایی برای بهبود تولید و فرآیند

root cause analysis

نکات کلیدی

  • RCA در مورد یافتن علت صحیح است بدون وجود یک مشکل، اقدامات اصلاحی بدون جهت هستند و احتمال عود نقص‌ها وجود دارد.
  • همبستگی، علیت نیسترایج‌ترین اشتباه در RCA، ربط دادن تصادفی دو عامل هم‌بسته بدون اعتبارسنجی یک رابطه علت و معلولی واقعی است.
  • داده‌های کلیدی اغلب وجود ندارند یا ناقص هستندو این امر، ایجاد درک علّی از شواهد موجود با استفاده از تکنیک‌های ساختاریافته مانند تحلیل مسیر، تحلیل چرا-چرا و نگاشت فرآیند را ضروری می‌سازد.
  • علل ریشه‌ای متعددی می‌توانند دخیل باشند به یک مسئله واحد، و علت اصلی شناسایی شده ممکن است بسته به اینکه چه کسی در حال بررسی است، اپراتور، سازنده ابزار یا مدیریت، متفاوت باشد، و این امر هدف و دامنه RCA را حیاتی می‌کند.
  • RCA یک فرآیند محدود است محدود به هزینه، زمان و خطر تصمیمات اشتباه، مستلزم استدلال منظم و مقاومت در برابر فرضیات یا نتیجه‌گیری‌های زودهنگام است.
  • اقدام اصلاحی دائمی نیاز به تأیید داردیافته‌ها باید از طریق آزمایش اعتبارسنجی شوند، با سطوح اطمینان مستند شوند و قبل از بسته شدن تحقیقات، با اقدامات مهار موقت پشتیبانی شوند.

ظاهر می‌تواند فریبنده باشد. به خصوص زمانی که یک شکست می‌تواند نتیجه چندین عامل باشد که به صورت جداگانه یا ترکیبی عمل می‌کنند. دقیقاً به همین دلیل است که تحلیل ریشه‌ای علت یا RCA رویکردی ظریف و دقیق را برای رسیدن به ریشه مسائل اتخاذ می‌کند.

تحلیل ریشه‌ای علل به ندرت مهارتی است که در شرح وظایف شغلی ذکر می‌شود. با این حال، انصافاً باید گفت که هر مدیری به طور معمول RCA را انجام می‌دهد تا بتواند تصمیمات آگاهانه‌ای بگیرد. هر معامله‌ای نیاز به تحقیقات پیش‌زمینه‌ای مشابه RCA دارد. خواندن مطالعات موردی و روش‌های RCA فقط به اندازه راهنمایی‌های نظری برای کاربرد واقعی خوب هستند. RCA عمدتاً در مورد مشاهدات خوب، درک خوب از اصول اولیه آمار و توانایی تسلیم‌ناپذیر در پایبندی به دانسته‌های خود بدون فرضیه‌سازی یا نتیجه‌گیری شتاب‌زده است.

RCAها اغلب خسته‌کننده هستند زیرا فهرست بلندی از احتمالات و چندین سطر توضیحات ظاهراً منطقی وجود دارد که منجر به یک مسئله‌ی واحد می‌شوند. اکثر توضیحات قابل قبول یا غیرقابل تأیید هستند یا به دلیل رویکرد غیرمنطقی یا هزینه‌ی بالاتر، به بن‌بست آزمایش منجر می‌شوند.

RCA اغلب شبیه پروژه‌ای با محدودیت‌های هزینه، زمان و ریسک تصمیمات اشتباه است. معمولاً انتظار می‌رود RCA یک علت اساسی را اصلاح کند، که تنها با گذشت زمان قابل کشف است. گاهی اوقات، RCAها با تخصیص جریمه‌ها مرتبط هستند و گره‌گشایی از آنها، یعنی مرتبط کردن علت و معلول بدون اشتباه گرفتن یکی با دیگری، می‌تواند بسیار دشوار باشد.

در این مقاله می‌خواهم برخی از نکات ظریف RCA را به عنوان مقدمه‌ای برای شروع گفتگو با خوانندگان وبلاگ به اشتراک بگذارم. بر اساس بازخوردها و پاسخ‌ها به این مقاله، می‌توانیم مطالب بعدی را که به طور عمیق به فرآیند دقیق RCA، فرآیند خلاقانه و همچنین فرآیند تکراری و تعریف‌شده، می‌پردازد، به اشتراک بگذاریم.

چرا تحلیل ریشه‌ای مشکلات (RCA) در تولید اهمیت دارد؟

حل یک چالش مستلزم یافتن علت صحیح آن است. در غیر این صورت، تلاش‌های اصلاحی بی‌هدف و بی‌فایده خواهند بود. هدایت عیب‌یاب‌ها در مسیر درست، RCA است.

اجزای اصلی یک RCA عبارتند از:

  • یافته‌های فوری و اقدامات مهار موقت – ارزیابی ICA؛
  • تمام یافته‌های ممکن و واقعی که در شکست نقش دارند – ارزیابی و استدلال برای همه عوامل؛
  • تأیید علت ریشه‌ای؛
  • اقدام اصلاحی دائمی؛ و
  • نکاتی در مورد آزمایش‌ها و اعتبارسنجی‌های انجام‌شده، سطح اطمینان و درصد سهم عوامل در شکست.

شرکت Efficient Innovations روی RCA های متعددی برای مشتریان محترم خود در زمینه قالب‌های پلاستیک، فرآیند قالب‌گیری، ماشین‌آلات، اتوماسیون بسته‌بندی و ماشین‌آلات خط پرکن کار کرده است.

اشتباهات رایج در RCA: اجتناب از سوگیری همبستگی تصادفی

مردم تمایل دارند به روش‌های خاصی فکر کنند که می‌تواند منجر به انحرافات سیستماتیک از قضاوت منطقی شود. رایج‌ترین و بدنام‌ترین سوگیری، سوگیری همبستگی تصادفی است.

هر داده آماری را می‌توان برای یافتن همبستگی تجزیه و تحلیل کرد – اگر در آن داده‌ها رگرسیونی یافت شود، تمایل رایج انسان به همبستگی تصادفی بین عوامل است. اگرچه رگرسیون را می‌توان توضیح داد، اما لزوماً علتی ندارد. این عامل اصلی است که من دریافته‌ام در اصلاح امور یک سیستم یا در نتیجه‌گیری یک استنتاج آماری از اهمیت بسیار بالایی برخوردار است.

ما در EIPL، طی سال گذشته تحلیل‌های RCA و مبتنی بر داده زیادی انجام داده‌ایم که همگی به اصلاح یک اشتباه رایج منجر شده‌اند – همبستگی علّی عوامل وابسته و مستقل دخیل در تحلیل؛ جایی که یک رگرسیون به درستی شناسایی شده، به اشتباه علت تلقی می‌شد.

مثال موردی: RCA در خطوط قالب‌گیری تزریقی و بسته‌بندی

بگذارید با یک مثال از صنعت قالب‌گیری تزریقی توضیح دهم. هر بار که یک قطعه در خط مونتاژ یا خط بسته‌بندی دچار نقص می‌شود، ما در نتایج اندازه‌گیری قطعه و نتایج تست عملکردی، داده‌های پرت را بررسی می‌کنیم.

اتفاقاً، نشتی‌های بیشتر در خط بسته‌بندی می‌تواند در کنار افزایش موارد نیروهای برداشتن پلک پایینی در آزمایشگاه رخ دهد. در حالی که این دو عامل کاملاً مرتبط و از نظر منطقی سازگار به نظر می‌رسند، اما نمی‌توانند همبستگی علّی داشته باشند.

برای اینکه رگرسیون، رابطه علت و معلولی باشد، باید آنها به اندازه کافی از هم جدا باشند تا بتوان آنها را به صورت جداگانه آزمایش کرد یا اینکه نباید آزمون‌های منفی کاذب را نقض کنند.

چالش‌های کلیدی در انجام RCA

  • اطلاعات از دست رفته و محدودیت‌های داده‌ها

از آنجا که داشتن تمام داده‌ها و نگهداری/نظارت بر آنها برای مدت طولانی غیرممکن است، داده‌های کلیدی مورد نیاز برای RCA اغلب ممکن است وجود نداشته باشند یا به سختی به دست آیند. یا با توجه به ترتیب زمانی رویدادها غیرممکن باشند.

بنابراین، مهارت کلیدی در توانایی تشخیص روابط علی بر اساس اطلاعات موجود خلاصه می‌شود. در RCA فنی، دیدگاه آماری اغلب در نظر گرفته نمی‌شود یا ناشناخته است.

رویکردهایی مانند تحلیل مسیر، مطالعه‌ی خویشاوندی سلسله مراتبی و کاهش مقادیر برای داده‌های پرت وجود دارد، مقادیر معناداری که باید قبل از تعیین وزن عوامل مؤثر احتمالی در نظر گرفته شوند.

  • جمع‌آوری شواهد و فرآیندهای نقشه‌برداری

جمع‌آوری داده‌ها و شواهد برای تعیین توالی رویدادها.

طوفان فکری و ترسیم نقشه ارزش برای RCA

این می‌تواند جامع باشد زیرا ممکن است لازم باشد تولیدکنندگان اصلی تجهیزات (OEM) و تیم‌های مختلف با هم طوفان فکری کنند تا مسیرهای ممکن برای جمع‌آوری اطلاعات را تعیین کنند. کلید رسیدن به این مرحله، تهیه نمودارهای دقیق نقشه‌برداری فرآیند، چه در صفحات اکسل و چه روی کاغذ، با استفاده از نظرات افرادی است که فرآیند را به بهترین شکل می‌شناسند.

درک علل ریشه‌ای متعدد و لایه‌های دیدگاه

تعدد لایه‌های علل ریشه‌ای و دیدگاه‌ها: این نکته بسیار جالبی در تحلیل علل ریشه‌ای است.

کاملاً محتمل است که عوامل مختلفی در وضعیت یا وقوع مسئله مورد بررسی نقش داشته باشند. با این حال، یکی دیگر از عوامل مؤثر، تعدد این عوامل است که با هم اتفاق می‌افتند. آیا آنها همیشه با هم اتفاق می‌افتند؟

وقتی می‌گوییم به علت اصلی رسیده‌ایم، ممکن است از دیدگاه آن بخش خاص چنین باشد.

برای مثال، تحلیل چرایی-چرا منجر به این درک شده است که مسائلی مانند تلرانس‌های تولید می‌توانند نتیجه تلرانس‌های موجود در ابزار تزریق مستقیم یا قطعه مغزی باشند، علاوه بر بسیاری از عوامل دیگر مانند تلرانس‌های انباشت، روش‌های مونتاژ، کیفیت کار یا شیوه‌های نگهداری.

برای مشتری و همچنین سازنده قالب، این موارد می‌توانند «علت اصلی» باشند.

اگر این علت ریشه‌ای با سرپرست فنی شرکت در میان گذاشته شود، او ممکن است عمیق‌تر به بررسی این موضوع بپردازد که چرا تلرانس‌های تولید برای تک تک اجزا رعایت نشده است و متوجه شود که الکترودهای مورد استفاده فرسوده شده‌اند، روش هم‌ترازی معیوب بوده، تعداد دفعات بررسی با ابزار فرز کافی نبوده، انتخاب ابزار نادرست بوده یا ترکیبی از برخی از این عوامل دخیل بوده‌اند.

با آگاهی از همین علت ریشه‌ای، مدیر عامل شرکت ممکن است بررسی کند که چرا روش درست نبوده یا چرا انتخاب ابزار نادرست بوده است. مدیر عامل ممکن است کشف کند که بودجه کافی برای نگهداری برش‌دهنده‌ها وجود نداشته، پرسنل بیش از حد کار کرده‌اند، ابزار از ارزان‌ترین پیشنهاد دهنده خریداری شده است و غیره.

بنابراین، اینکه چه کسی و با چه نیتی درخواست RCA را می‌دهد، بسیار مهم می‌شود.

روش‌های RCA: از تحلیل چرا-چرا تا رویکردهای آماری

خواندن مطالعات موردی و روش‌های RCA فقط به اندازه راهنمایی‌های نظری برای کاربرد واقعی مفید هستند.

RCA عمدتاً در مورد مشاهدات خوب، درک خوب از اصول اولیه آمار و توانایی سرسختانه در پایبندی به دانسته‌های خود بدون فرضیه‌سازی یا نتیجه‌گیری عجولانه است.

رویکردهایی مانند تحلیل چرا-چرا، تحلیل مسیر، مطالعه‌ی وابستگی سلسله مراتبی و تکنیک‌های ارزیابی آماری به تعیین وزن عوامل مؤثر و جلوگیری از تفسیر نادرست رگرسیون به عنوان رابطه‌ی علیت کمک می‌کنند.

 

بهترین شیوه‌ها برای انجام مؤثر RCA

RCA شبیه پروژه‌ای با محدودیت‌های هزینه، زمان و ریسک تصمیمات اشتباه است.

RCAها اغلب خسته‌کننده هستند زیرا فهرست بلندی از احتمالات و چندین سطر توضیحات ظاهراً منطقی وجود دارد که منجر به یک مسئله‌ی واحد می‌شوند. اکثر توضیحات محتمل یا غیرقابل تأیید هستند یا به دلیل رویکرد غیرمنطقی یا هزینه‌ی بالاتر، به بن‌بست آزمایش منجر می‌شوند.

معمولاً انتظار می‌رود RCA علت اصلی را اصلاح کند، که تنها با گذشت زمان قابل کشف است. همچنین ممکن است جنبه‌های حساسی مانند تخصیص جریمه‌ها را در بر بگیرد، و این امر ارتباط دقیق علت و معلول را بدون سردرگمی بسیار مهم می‌کند.

نتیجه‌گیری: RCA به عنوان ابزاری برای اقدامات اصلاحی و بهبود مستمر

حل یک چالش مستلزم یافتن علت صحیح آن است. در غیر این صورت، تلاش‌های اصلاحی بی‌هدف و بی‌فایده خواهند بود. هدایت عیب‌یاب‌ها در مسیر درست، RCA است.

در مقاله بعدی، جنبه خلاقانه تحقیقات جنایی در صنعت پیام‌رسانی فوری را بررسی خواهیم کرد. تا آن زمان، منتظر شنیدن دیدگاه‌ها و نظرات شما هستیم.

از شما دعوت می‌کنیم برای کسب اطلاعات بیشتر در مورد چگونگی کمک تیم ما در انجام یک تحلیل جامع ریشه‌ای برای مشکلات رایج خود، با ما همکاری کنید. سوالات شما برای ما مهم است و ما متعهد به ارائه راهنمایی‌های لازم برای کمک به شما در عبور مؤثر از این چالش‌ها هستیم.

سوالات متداول

  1. تحلیل ریشه‌ای مشکلات (RCA) در قالب‌گیری تزریقی چیست؟تحلیل ریشه‌ای مشکلات (RCA) در قالب‌گیری تزریقی، یک فرآیند بررسی ساختاریافته است که برای شناسایی علت اساسی نقص‌ها یا خرابی‌ها استفاده می‌شود. RCA به جای پرداختن به علائم سطحی، بر کشف عوامل اساسی مؤثر در کیفیت، عملکرد یا مشکلات فرآیند تمرکز دارد.
  2. چرا انجام بررسی و تحلیل تشخیصی برای حل مشکلات قالب‌گیری مهم است؟
    یک بررسی کامل تضمین می‌کند که اقدامات اصلاحی، علت واقعی مشکل را هدف قرار می‌دهند، نه فقط علائم آن را. بدون تشخیص مناسب، ممکن است تلاش‌ها به اشتباه هدایت شوند و منجر به نقص‌های مکرر، اتلاف منابع و افزایش زمان توقف تولید شوند.
  3. مراحل کلیدی در فرآیند بررسی ریشه‌ای مشکلات در تولید چیست؟
    مراحل کلیدی شامل شناسایی یافته‌های فوری، اجرای اقدامات مهار موقت، ارزیابی تمام عوامل مؤثر احتمالی، تأیید علت اصلی از طریق آزمایش، تعریف اقدامات اصلاحی دائمی و مستندسازی نتایج اعتبارسنجی و سطوح اطمینان است.
  4. چگونه هنگام تشخیص نقص‌ها، بین همبستگی و علت واقعی تمایز قائل می‌شوید؟
    همبستگی نشان می‌دهد که دو عامل با هم حرکت می‌کنند، اما رابطه‌ی علیتی را تأیید نمی‌کند. برای تعیین علت واقعی، متغیرها باید جدا شده و به طور مستقل آزمایش شوند و اطمینان حاصل شود که رابطه بدون نقض معیارهای اعتبارسنجی آماری یا منطقی برقرار است.
  5. چه اشتباهات رایجی در طول RCA در تشخیص قالب‌گیری تزریقی رخ می‌دهد؟
    یک اشتباه رایج این است که فرض کنیم همبستگی برابر با علیت است. سایر اشتباهات شامل فرض کردن بدون داده‌های کافی، نادیده گرفتن ارزیابی آماری، نادیده گرفتن عوامل مؤثر یا نتیجه‌گیری زودهنگام از تحقیق بدون تأیید مناسب است.
  6. چگونه جمع‌آوری داده‌ها و ترسیم نقشه فرآیند، تشخیص مؤثر را پشتیبانی می‌کند؟
    جمع‌آوری دقیق داده‌ها و ترسیم دقیق فرآیندها به بازسازی توالی رویدادهایی که منجر به شکست می‌شوند، کمک می‌کند. طوفان فکری مشارکتی و مستندسازی سیستماتیک به تیم‌ها اجازه می‌دهد تا مسیرهای ممکن را شناسایی کرده و عوامل مؤثر را به صورت عینی ارزیابی کنند.
  7. هنگام تشخیص خرابی در فرآیندهای قالب‌گیری، معمولاً با چه چالش‌هایی مواجه می‌شویم؟
    چالش‌های رایج شامل داده‌های ناقص یا مفقود، دشواری در تعیین جدول زمانی، متغیرهای متعددِ در تعامل، و محدودیت‌های هزینه یا زمان است. این عوامل، جداسازی علت اصلی را پیچیده کرده و نیازمند رویکردهای تحلیلی منظم است.
  8. آیا چندین علت ریشه‌ای می‌توانند در یک مشکل قالب‌گیری تزریقی واحد نقش داشته باشند؟
    بله، عوامل متعددی می‌توانند به طور همزمان یا متوالی برای ایجاد یک نقص عمل کنند. علل ریشه‌ای ممکن است بسته به دیدگاه – اپراتور، سازنده ابزار، مهندس کیفیت یا مدیریت – متفاوت باشند که اهمیت تعریف واضح دامنه بررسی را برجسته می‌کند.
  9. چگونه یک بررسی تشخیصی مؤثر می‌تواند کیفیت تولید را بهبود بخشد و تکرار مشکلات را کاهش دهد؟
    با شناسایی و پرداختن به علت اصلی، RCA اقدامات اصلاحی هدفمند را امکان‌پذیر می‌کند. این امر باعث کاهش عود نقص، بهبود پایداری فرآیند، افزایش کیفیت محصول و پشتیبانی از بهبود مستمر در عملیات تولید می‌شود.

Author