Autor: Anthony Welsh
Ahora comprende cómo utilizar la fórmula Y=f(x) + N para construir una cultura de pensamiento basada en datos. Aquí nos hemos centrado en la salida, Y, y la entrada, x. Asegúrese de leer los primeros tres artículos de esta serie para obtener una visión completa.
Continuando hacia el lado derecho de la ecuación, hablemos de N. Si hay algo que dificulta nuestro progreso cuando intentamos aprender es el ruido. El ruido es voluble y puede resultar una molestia para los nuevos experimentadores. En este último artículo, analicemos estrategias para afrontarlo.
captar el ruido
Me encanta esta cita del autor y estadístico Donald Wheeler: “Todos los datos contienen ruido, pero algunos datos contienen una señal. Antes de que se pueda detectar la señal, se debe eliminar el ruido”. Ampliar este concepto y explicar no sólo los datos, sino también cómo se recopilaron en primer lugar.
¿Qué tipo de ruido hay en los datos? Quizás, lo que es más importante, ¿qué ruido hicieron? no tener ¿captura? Te guste o no, el ruido siempre estará ahí. Si es posible, recuerde su clase de física en la escuela intermedia o secundaria donde su maestro le pidió que asumiera que conocía superficies sin fricción, sin resistencia al viento, gravedad constante, densidad uniforme, propiedades conocidas de los materiales, etc., por favor. Los profesores hacen esto para simplificar las cosas. Puedes aprender conceptos. Pero en el mundo real, siempre hay variaciones que aparecen en sus datos y afectan sus procesos y productos. No basta con funcionar bien en el laboratorio o en un prototipo. Necesitamos diseños robustos que funcionen en presencia de ruido del mundo real.
ten cuidado con el ruido
Algunas de las estrategias disponibles se aplican trasero Tenemos datos, pero hay otros datos que se pueden aplicar. cómo Recopilamos datos. La peor estrategia, si se le puede llamar así, es ignorar conscientemente el ruido. Esto significa probar un único prototipo, cambiar la configuración de la máquina basándose en un único resultado, creer que sólo tu propia experiencia es posible, intercambiar ideas con tu equipo y “formular bien” tus ideas. Puede ser similar a probar sólo un candidato una y otra vez. otra vez. tenemos que hacerlo mejor.
Considere los siguientes factores al planificar su experimento: dientes Operaciones y lo que haces. no es operando. ¿Qué significa eso? Piense fuera de lo común y preste atención a posibles variables de fondo, sistemas de medición, tamaños de muestra, poder estadístico, oportunidades de replicación, etc. Concéntrese en lo que puede cambiar entre tratamientos además de los factores. Pregúntese: ¿fueron constantes las cosas que intentaba mantener constantes durante todo el tratamiento? Es cierto que lo que elegimos manipular en nuestros experimentos no es necesariamente una lista completa de todos los efectos activos. A veces, lo que no manipulas en tu experimento resulta ser el aprendizaje más importante de tu investigación.
Gestionar el ruido estratégicamente
Hay muchas estrategias contra el ruido a considerar. La formación Six Sigma examina las estrategias más aplicadas para ayudar a los nuevos profesionales a evitar errores. Describiremos cinco estrategias que debe utilizar si es posible.
-
Verifique siempre su sistema de medición. Para evitar grandes variaciones en el proceso de recopilación de datos, asegúrese de utilizar un sistema de medición válido. Optimizar tu sistema de medición y reducir el ruido en tus números te hará la vida más fácil a la hora de aprender sobre factores. El análisis del sistema de medición (MSA) también puede cuantificar específicamente los errores de medición. Esto puede resultar útil.
-
Estudiar los procesos que se controlan. Esto significa que exhibe una cantidad estable, predecible y consistente de ruido aleatorio (variación). Cuando hay una variación impredecible en un proceso, resulta difícil intentar cualquier tipo de esfuerzo de mejora. La mejor opción es aplicar técnicas de estandarización y causa raíz para comprender por qué el proceso no es estable. Dado que esa es la señal más grande, primero resolveremos esto y luego procederemos a cuantificar Y = f (x).
-
La aleatorización siempre es una buena idea. Supongamos que hay algún ruido de fondo del que no eres consciente. La aleatorización toma este ruido y lo aplica aleatoriamente a cada observación, esencialmente distribuyendo su efecto de manera uniforme entre todas las muestras. Eso es bueno porque no queremos que coincida con sus operaciones de factores. Otra ventaja de la aleatorización está en el paso de análisis, donde ayuda a cumplir con los supuestos estadísticos. Admito que la aleatorización no siempre es posible. Por tanto, si no es posible, hay que tenerlo en cuenta en el análisis para llegar a la conclusión correcta. Si la aleatorización no es posible en su entorno, aprenda cómo hacerlo en las clases Six Sigma Black Belt y Advanced DOE.
-
Toma muchas notas. Alguien me dijo una vez que la memoria humana no es tan fiable. Profundizar en el tema de la memoria revela cosas como sesgos en retrospectiva, correlaciones ilusorias, sesgos egoístas y amnesia de la fuente. Nuestra memoria es completamente diferente a la de una computadora, así que no confíes en ella. Durante su investigación, debe tomar muchas notas que puedan resultar útiles. ¿Notó que alguien no siguió las instrucciones en un paso en particular? Escríbalo. ¿A alguien se le cayó alguna de las piezas en algún momento?, anótalo. Al completar su análisis, utilice estas notas para proporcionar evidencia real en lugar de confiar en la memoria.
-
Repetir. Si puedes repetir tratamientos sin mucho costo adicional, aprovecha siempre esa opción. La repetición como estrategia puede aumentar el tamaño de la muestra para un tratamiento particular. Un tamaño de muestra más grande nos ayuda a obtener medidas promedio que coincidan mejor con lo que debería ser la “verdad” subyacente. Ahora sabes que ciertos puntos de datos no son perfectos. El efecto observado es en realidad el efecto real más algo de ruido. Para comprobarlo toma una segunda medida y debería ser diferente a la primera. De lo contrario, probablemente tengas un problema de discriminación, que ya deberías haber solucionado en la Estrategia 1. Cada observación contiene ruido, por lo que no es una respuesta perfecta. En promedio, muchas observaciones individuales nos permiten estimar muy bien la verdad. El número de repeticiones varía según la situación, pero suele ser un buen punto de partida.
4 ejes de ruido
Para ayudarle a navegar su estrategia de ruido, exploramos lo que la clase Six Sigma llama los cuatro ejes del ruido. Primero, identifique la fuente de ruido, luego evalúela basándose en cuatro dimensiones: su capacidad para medir el ruido, si puede controlarlo, cuánto sabe sobre el ruido y, finalmente, con qué frecuencia cambia el ruido. Pensar en estos ejes puede ayudarle a determinar qué estrategias de ruido residual son útiles.
Seis Sigma en el Centro
Anthony Welsh es un Master Black Belt Six Sigma con 20 años de experiencia en la ejecución de proyectos para la industria automotriz y de productos de consumo. En su puesto en The Center, Anthony comparte sus herramientas expertas en pensamiento crítico y toma de decisiones basada en datos para ayudar a los clientes a lograr resultados reales utilizando la metodología Six Sigma.categoría: Liderazgo/Cultura, Six Sigma, Centro