Siedem podstawowych narzędzi zarządzania jakością – przegląd zastosowań

Wprowadzenie: czym jest siedem podstawowych narzędzi jakości i gdzie pasują w cyklu doskonalenia?

Wzrost liczby braków, niestabilne wyniki pomiarów czy powracające reklamacje wymagają odpowiedzi na różne pytania. Najpierw trzeba ustalić, co faktycznie się dzieje, następnie wybrać problem do rozwiązania, rozpoznać jego przyczyny i sprawdzić skuteczność zmian. Siedem podstawowych narzędzi zarządzania jakością pomaga przejść od obserwacji i przypuszczeń do decyzji opartych na danych.

To zestaw prostych metod zbierania, porządkowania, przedstawiania i analizowania informacji o procesie. Nie tworzą one jednej procedury, którą zawsze należy wykonać w całości. Każde narzędzie służy innemu celowi, a ich dobór zależy od pytania, na które zespół chce odpowiedzieć. Znajdują zastosowanie nie tylko w produkcji, lecz także w logistyce, usługach czy obsłudze klienta.

Jakie narzędzia należą do podstawowej siódemki?

W tradycyjnym zestawie wyróżnia się poniższe narzędzia. Warto od razu rozdzielić ich funkcje, ponieważ podobna forma graficzna nie oznacza tego samego zastosowania.

• Arkusz kontrolny służy do uporządkowanego rejestrowania obserwacji, np. rodzaju i liczby niezgodności.
• Histogram pokazuje rozkład wyników — pozwala ocenić ich zróżnicowanie i miejsca skupienia.
• Analiza Pareto pomaga ustalić priorytety, wskazując kategorie problemów o największym udziale w przyjętej mierze, np. liczbie zdarzeń lub kosztach.
• Diagram Ishikawy porządkuje potencjalne przyczyny problemu; sam w sobie nie potwierdza, które z nich rzeczywiście go wywołują.
• Wykres rozrzutu umożliwia wstępną ocenę zależności między dwiema zmiennymi, ale nie dowodzi związku przyczynowo-skutkowego.
• Karta kontrolna pozwala obserwować zmienność procesu w czasie i wykrywać sygnały jego niestabilności.
• Stratyfikacja polega na rozdzielaniu danych na grupy, np. według maszyn, zmian lub partii materiału, aby ujawnić różnice niewidoczne w wynikach zbiorczych.

Spotyka się również warianty zestawu, w których zamiast stratyfikacji występuje schemat blokowy procesu lub wykres przebiegu. Dlatego określenie „siedem narzędzi jakości” nie zawsze oznacza identyczną listę.

Miejsce narzędzi w cyklu PDCA

W cyklu PDCA — zaplanuj, wykonaj, sprawdź, działaj — narzędzia wspierają kolejne etapy doskonalenia, ale nie są do nich sztywno przypisane. Podczas planowania pomagają opisać stan wyjściowy, określić skalę problemu, ustalić priorytety i sformułować hipotezy dotyczące przyczyn. Na etapie wykonania umożliwiają konsekwentne zbieranie danych z próby wdrożenia zmiany.

Podczas sprawdzania służą do oceny efektów oraz ustalenia, czy obserwowana poprawa jest trwała, czy może wynikać ze zwykłej zmienności procesu. Etap działania oznacza utrwalenie skutecznego rozwiązania albo powrót do analizy, jeśli wyniki nie potwierdzają oczekiwań. O wartości analizy decydują jasno postawione pytanie i wiarygodne dane, a nie liczba przygotowanych wykresów. Narzędzia wspierają ocenę procesu, lecz nie zastępują jego znajomości ani weryfikacji przyczyn.

Arkusz kontrolny (check sheet): jak zbierać dane o jakości procesu

Arkusz kontrolny to prosty formularz służący do systematycznego rejestrowania zdarzeń, wyników pomiarów lub zaobserwowanych niezgodności. Jego wartość nie polega na rozbudowanej formie, lecz na tym, że różne osoby zbierają dane według tych samych zasad. Dzięki temu zapisy z poszczególnych zmian, maszyn czy partii można rzetelnie porównywać.

Nie należy mylić go z listą kontrolną, czyli checklistą, która pomaga sprawdzić, czy wykonano określone czynności. Arkusz kontrolny odpowiada przede wszystkim na pytania: co wystąpiło, ile razy i w jakich warunkach? Nie jest też kartą kontrolną SPC — sam zapis wyników nie pozwala jeszcze ocenić statystycznej stabilności procesu.

Kiedy warto stosować arkusz kontrolny?

Narzędzie sprawdza się tam, gdzie dane trzeba zbierać bezpośrednio przy stanowisku pracy: podczas kontroli wyrobów, rejestrowania przestojów, obserwacji błędów montażowych czy ewidencjonowania przyczyn poprawek. Może mieć postać papierowego formularza, prostego pliku albo formularza elektronicznego. Najważniejsze, aby zapis był szybki i jednoznaczny.

Arkusz może służyć do zliczania rodzajów wad, zapisywania wartości pomiarowych lub zaznaczania miejsc uszkodzeń na szkicu wyrobu. Układ formularza powinien wynikać z pytania, na które mają odpowiedzieć dane. Jeśli celem jest porównanie maszyn, trzeba rejestrować oznaczenie maszyny; jeśli porównanie zmian — również zmianę i liczbę skontrolowanych sztuk.

Przygotowanie arkusza krok po kroku

W Cognity często słyszymy pytania, jak praktycznie podejść do przygotowania arkusza kontrolnego — odpowiadamy na nie także na blogu.

1. Ustal cel i zakres obserwacji. Zamiast ogólnego „sprawdzenia jakości” przyjmij konkretne zadanie, np. ustalenie częstości występowania wad obudów po obróbce. Określ wyrób, stanowisko i okres zbierania danych.
2. Zdefiniuj, co będzie liczone. Rozróżnij liczbę niezgodności od liczby sztuk niezgodnych. Jeden detal może mieć kilka wad, ale nadal jest jedną sztuką niezgodną. Przy pomiarach wskaż badaną cechę i jednostkę.
3. Ustal kategorie i kryteria kwalifikacji. Nazwy takie jak „zadzior”, „zarysowanie” czy „wymiar poza tolerancją” powinny mieć jednoznaczne definicje, oparte na wymaganiach wyrobu. W razie potrzeby dołącz zdjęcia wzorcowe. Określ też sposób zapisu wad, które nie pasują do istniejących kategorii.
4. Zaprojektuj minimalny zestaw pól. Uwzględnij datę, identyfikację wyrobu lub partii, potrzebne informacje o procesie oraz miejsce na wyniki. Dodaj liczbę skontrolowanych sztuk — bez niej trudno porównywać okresy o różnej wielkości kontroli.
5. Uzgodnij sposób zbierania danych. Ustal, kto dokonuje zapisów, kiedy i według jakiego planu kontroli. Jeśli badana jest próbka, sposób jej pobierania nie powinien zależeć od wygody osoby kontrolującej.
6. Przetestuj formularz i zweryfikuj zapisy. Krótka próba na stanowisku pokaże, czy kategorie są zrozumiałe, a wypełnianie nie utrudnia pracy. Po korekcie stosuj jednolite zasady i sprawdzaj kompletność danych.

Typowe błędy, które obniżają wiarygodność danych

Najczęstszym problemem są nieprecyzyjne kategorie. Jeśli jedna osoba zapisuje wadę jako „uszkodzenie powierzchni”, a druga jako „rysę”, zestawienie może odzwierciedlać różnice w nazewnictwie zamiast rzeczywistego przebiegu procesu. Podobny skutek daje zmiana definicji kategorii w trakcie obserwacji bez oznaczenia tego w dokumentacji.

Wiarygodność obniża także uzupełnianie arkusza z pamięci pod koniec zmiany oraz rejestrowanie wyłącznie wad, bez liczby sprawdzonych wyrobów. Dziesięć wad przy kontroli stu sztuk oznacza inną sytuację niż dziesięć przy kontroli tysiąca. Warto również odróżniać zapis „0” od pustego pola: pierwszy potwierdza brak zdarzeń, drugie może oznaczać brak obserwacji.

Nie należy nadmiernie rozbudowywać formularza ani traktować go jako dowodu przyczyny problemu. Arkusz pokazuje zaobserwowane fakty; wyjaśnienie, dlaczego wystąpiły, wymaga dalszego sprawdzenia.

Przykład z produkcji: kontrola detali po obróbce

Załóżmy, że podczas jednej zmiany skontrolowano 200 metalowych detali. W arkuszu odnotowano 10 przypadków zadziorów, 6 zarysowań i 4 wymiary poza tolerancją. Łącznie zarejestrowano więc 20 niezgodności, które dotyczyły 18 sztuk — dwa detale miały po dwie różne wady, a pozostałe niezgodne sztuki po jednej.

Udział sztuk niezgodnych wyniósł 9%, a nie 10%: do jego obliczenia wykorzystuje się 18 niezgodnych detali, nie 20 zapisanych wad. Ten przykład pokazuje, dlaczego jednostkę zliczania trzeba ustalić przed rozpoczęciem kontroli. Oddzielny zapis liczby wad, liczby sztuk niezgodnych i liczby skontrolowanych wyrobów pozwala uniknąć błędnych wniosków już na etapie gromadzenia danych.

3. Histogram: kiedy używać, jak przygotować i interpretować

Średnia wartość pomiarów może mieścić się w tolerancji, mimo że część wyrobów nie spełnia wymagań. Histogram pozwala dostrzec to, czego nie pokazuje pojedyncza liczba: rozkład wyników, ich rozproszenie oraz skupiska. Powstaje przez podzielenie zakresu wartości na przedziały i przedstawienie liczby obserwacji w każdym z nich za pomocą przylegających słupków.

Kiedy histogram jest przydatny?

Histogram sprawdza się przy analizie danych liczbowych, takich jak średnica detalu, masa opakowania, grubość powłoki czy czas wykonania operacji. Pomaga ocenić, czy wyniki skupiają się wokół wartości docelowej, czy występują długie ogony rozkładu i czy dane mogą pochodzić z kilku różnych warunków pracy procesu. Można też wykorzystać go do porównania wyników przed zmianą ustawień i po niej, pod warunkiem zachowania porównywalnego sposobu zbierania danych oraz tych samych przedziałów.

W odróżnieniu od wykresu słupkowego przedstawiającego kategorie wad histogram pokazuje częstość występowania wartości w kolejnych przedziałach liczbowych. Nie zachowuje jednak kolejności pomiarów w czasie, więc sam nie pozwala ocenić stabilności procesu. Nie wyjaśnia również przyczyn zaobserwowanego rozkładu — dostarcza wskazówek do dalszego badania.

Jak przygotować histogram krok po kroku?

1. Określ cechę i zakres analizy. Wskaż, co mierzysz, w jakiej jednostce i z jakiego okresu pochodzą dane. Zapisuj informacje o maszynie, zmianie czy partii materiału, aby w razie potrzeby rozdzielić wyniki.
2. Zbierz reprezentatywne pomiary. Nie wybieraj wyłącznie wyrobów podejrzanych o niezgodność. Sprawdź, czy przyrząd ma odpowiednią rozdzielczość i czy sposób pomiaru jest jednakowy. Przy niewielkiej liczbie obserwacji kształt histogramu może być przypadkowy.
3. Wyznacz przedziały. Na początek przyjmij jednakową szerokość przedziałów. Zbyt szerokie ukryją istotne różnice, a zbyt wąskie stworzą pozorne skupiska i luki. Warto sprawdzić, czy niewielka zmiana szerokości przedziałów nie zmienia zasadniczo interpretacji.
4. Zlicz wyniki i narysuj słupki. Każdy pomiar musi trafić dokładnie do jednego przedziału. Przyjmij jednoznaczną zasadę przypisywania wartości granicznych, np. przedział obejmuje dolną granicę, ale nie obejmuje górnej. Oś poziomą opisz nazwą cechy i jednostką, a pionową — liczebnością lub częstością względną.
5. Dodaj punkt odniesienia. Jeśli analizujesz zgodność wyrobu, zaznacz wartość docelową oraz granice specyfikacji. Są to wymagania wobec produktu, a nie granice kontrolne wyznaczane z danych procesu.

Jak interpretować rozkład wyników?

Zacznij od położenia głównego skupiska względem wartości docelowej, a następnie oceń szerokość rozkładu. Wąski rozkład przesunięty w stronę granicy tolerancji wskazuje na inną sytuację niż rozkład wycentrowany, lecz szeroki. Nie należy jednak utożsamiać wizualnie małego rozrzutu z potwierdzoną zdolnością procesu.

Asymetria, dwa wyraźne szczyty lub odosobnione wyniki wymagają sprawdzenia kontekstu. Dwa szczyty mogą wynikać z połączenia pomiarów z dwóch maszyn o różnych ustawieniach, ale nie stanowią dowodu takiej przyczyny. Asymetria może wiązać się z naturalną właściwością mierzonej cechy, ograniczeniem technologicznym albo selekcją wyrobów. Nie każdy poprawnie działający proces musi dawać rozkład zbliżony do normalnego.

Typowe błędy

Najczęstszym błędem jest bezrefleksyjne łączenie danych z różnych produktów, maszyn lub warunków pracy. Powstały histogram może nie opisywać żadnej z tych grup osobno. Równie mylące jest usuwanie nietypowych wyników tylko dlatego, że zaburzają wygląd wykresu — najpierw trzeba sprawdzić, czy są skutkiem błędu pomiarowego, czy rzeczywistym sygnałem z procesu.

Przy porównywaniu histogramów należy zachować te same granice przedziałów i skalę osi poziomej. Jeżeli próbki mają różną liczebność, lepiej porównywać częstości względne niż same liczby obserwacji. Dokładnej liczby niezgodności nie należy odczytywać ze słupka przeciętego granicą tolerancji; trzeba policzyć ją na podstawie pojedynczych wyników. Brak pomiarów poza tolerancją w próbce również nie gwarantuje zgodności całej produkcji.

Przykład z produkcji: średnica toczonego wałka

Załóżmy, że wymagana średnica wałka wynosi 20,00 ± 0,10 mm. W hipotetycznej próbce 100 kolejnych sztuk średnia wynosi 20,04 mm, a więc mieści się w tolerancji. Histogram pokazuje jednak skupienie wyników powyżej wartości docelowej oraz część rozkładu przekraczającą górną granicę specyfikacji. Sprawdzenie danych źródłowych potwierdza, że dziewięć wałków ma średnicę większą niż 20,10 mm.

Wniosek nie brzmi: „proces jest dobry, bo średnia spełnia wymagania”. W zbadanej próbce występują niezgodności, a rozkład jest przesunięty w stronę górnej granicy tolerancji. Należy zweryfikować pomiar i sprawdzić m.in. ustawienie korekcji narzędzia oraz warunki obróbki. Po wprowadzeniu uzasadnionej zmiany kolejny histogram, przygotowany dla porównywalnej próbki i z tymi samymi przedziałami, pomoże ocenić zmianę położenia oraz rozrzutu wyników.

4. Analiza Pareto: jak wskazać problemy wymagające działania w pierwszej kolejności

Analiza Pareto pomaga ustalić, które rodzaje niezgodności odpowiadają za największą część strat i od czego warto rozpocząć doskonalenie procesu. Porządkuje kategorie problemów według wybranej miary, na przykład liczby wystąpień, kosztu braków lub czasu przestoju. Dzięki temu zespół nie wybiera priorytetów na podstawie najgłośniejszej reklamacji albo ostatniej awarii, lecz korzysta z porównywalnych danych.

Wykres Pareto łączy słupki ułożone od największej do najmniejszej wartości z linią udziału skumulowanego. Słupki pokazują znaczenie poszczególnych kategorii, a linia wskazuje, jaką część całkowitego wyniku obejmują kolejne kategorie rozpatrywane łącznie. Popularna reguła 80/20 jest wskazówką, a nie wymogiem ani prawem statystycznym — w konkretnym procesie proporcje mogą wyglądać inaczej.

Kiedy stosować analizę Pareto?

Narzędzie sprawdza się wtedy, gdy występuje wiele powtarzających się problemów, a zasoby na ich rozwiązanie są ograniczone. Można nim porównywać rodzaje wad wyrobu, powody reklamacji, kategorie przestojów czy źródła kosztów przeróbek. W cyklu doskonalenia wspiera przede wszystkim wybór obszaru interwencji, a po wdrożeniu zmian pozwala ponownie ocenić strukturę problemów.

W odróżnieniu od histogramu, który przedstawia rozkład wartości liczbowych, wykres Pareto porównuje kategorie. Nie wyjaśnia jednak mechanizmu powstawania wad. Wskazuje, czym zająć się najpierw, ale sam nie potwierdza przyczyny źródłowej. Jeśli kategoriami są objawy, takie jak zarysowania czy nieszczelność, wynik pozostaje rankingiem objawów, a nie dowodem ich pochodzenia.

Wykonanie analizy Pareto krok po kroku

Na szkoleniach Cognity pokazujemy, jak przeprowadzić analizę Pareto krok po kroku — poniżej przedstawiamy skrót tego postępowania.

1. Określ cel i zakres. Ustal, jakiego procesu, wyrobu i okresu dotyczy analiza. Pytanie „które wady generują największe koszty braków na tej linii?” daje bardziej użyteczny punkt wyjścia niż ogólne „co jest problemem z jakością?”.
2. Wybierz jedną miarę. Liczba wystąpień służy ograniczaniu najczęstszych niezgodności, koszt pomaga szukać największych strat finansowych, a czas przestoju — strat dostępności. Nie łącz różnych jednostek w jednym rankingu.
3. Ustal kategorie i zasady zliczania. Kategorie powinny być jednoznaczne i nie nakładać się znaczeniowo. Zdecyduj, czy liczysz wadliwe sztuki, poszczególne niezgodności, czy zdarzenia. Jeden wyrób z trzema wadami może oznaczać trzy niezgodności, ale nadal tylko jedną wadliwą sztukę.
4. Zbierz i sprawdź dane. Zweryfikuj kompletność zapisów, spójność klasyfikacji oraz brak podwójnego zliczania tego samego zdarzenia. Okres obserwacji powinien odpowiadać badanemu problemowi i obejmować istotne warunki pracy procesu.
5. Zsumuj wartości i uporządkuj kategorie malejąco. Dla każdej kategorii oblicz udział procentowy: wartość kategorii podziel przez sumę wszystkich wartości i pomnóż przez 100%. Następnie wyznacz kolejne udziały skumulowane.
6. Przygotuj wykres i wybierz priorytety. Na osi poziomej umieść kategorie, na lewej osi pionowej wybraną miarę, a na prawej udział skumulowany od 0 do 100%. Wybierz obszary do dalszej analizy, uwzględniając także ryzyko, wymagania klienta i możliwości działania.

Przykład z produkcji: wady detali wtryskowych

W poniższym przykładzie obliczeniowym zarejestrowano 200 niezgodności detali wtryskowych. Jednostką zliczania jest pojedyncza niezgodność, nie wadliwy detal. Celem analizy jest wskazanie najczęściej występujących rodzajów wad.

Wypływki i niedolewy stanowią łącznie 70% zarejestrowanych niezgodności. To uzasadnia rozpoczęcie dalszej analizy od tych dwóch kategorii, jeżeli priorytetem jest ograniczenie liczby wad. Objęcie działaniami również zapadnięć rozszerzyłoby zakres do kategorii odpowiadających za 85% wystąpień. Nie oznacza to jednak, że samo podjęcie działań usunie taki odsetek problemów.

Gdyby celem była redukcja kosztów, należałoby przygotować osobny ranking oparty na wartości strat. Rzadsza wada powodująca złomowanie całego wyrobu może mieć większe znaczenie finansowe niż częsta niezgodność usuwana niewielkim nakładem pracy.

Typowe błędy i pułapki interpretacyjne

• Mechaniczne stosowanie progu 80%. Linia skumulowana pomaga wyznaczyć zakres prac, ale nie zastępuje oceny ryzyka. Rzadka wada krytyczna dla bezpieczeństwa może wymagać pilniejszej reakcji niż najczęstszy defekt wizualny.
• Zbyt szerokie lub niespójne kategorie. Dominująca pozycja „inne” utrudnia wybór działań, a równoległe używanie nazw „uszkodzenie powierzchni” i „zarysowanie” może prowadzić do niejednoznacznej klasyfikacji.
• Mieszanie nieporównywalnych danych. Łączny ranking dla różnych wyrobów lub technologii bywa użyteczny do oceny całkowitych strat, lecz może ukrywać problemy lokalne. Zakres danych musi odpowiadać pytaniu, na które ma odpowiedzieć analiza.
• Uznawanie największego słupka za przyczynę źródłową. Najczęstszy rodzaj wady jest punktem wyjścia do badania procesu, nie gotowym wyjaśnieniem problemu.
• Ocena efektów wyłącznie przez zmianę udziałów procentowych. Udział jednej kategorii może wzrosnąć dlatego, że ograniczono pozostałe. Po zmianach warto porównywać również liczbę niezgodności w przeliczeniu na taką samą wielkość produkcji, przy zachowaniu tych samych zasad pomiaru.

5. Diagram Ishikawy (rybiej ości): analiza przyczyn źródłowych

Diagram Ishikawy pomaga uporządkować możliwe przyczyny konkretnego problemu jakościowego. W „głowie ryby” zapisuje się analizowany skutek, na głównych „ościach” umieszcza kategorie przyczyn, a na mniejszych odgałęzieniach — coraz bardziej szczegółowe czynniki, które mogły doprowadzić do niezgodności. Taki układ ułatwia spojrzenie na proces szerzej niż przez pryzmat pierwszego podejrzenia.

Diagram nie dowodzi, co jest przyczyną źródłową. Przedstawia hipotezy, które trzeba następnie sprawdzić na podstawie obserwacji, pomiarów lub kontrolowanych prób. Jego wartość polega przede wszystkim na uporządkowaniu wiedzy zespołu i wskazaniu, czego jeszcze nie wiadomo.

Kiedy warto zastosować diagram przyczynowo-skutkowy?

Rybią ość warto wykorzystać, gdy problem powraca, może mieć wiele powiązanych przyczyn albo poszczególne działy inaczej tłumaczą jego występowanie. Sprawdza się na przykład przy analizie nieszczelności, wad powierzchni, niezgodności wymiarowych czy niestabilnych wyników montażu. Najlepiej pracować nad nim z osobami, które znają proces z różnych perspektyw: operatorami, technologami, pracownikami jakości i utrzymania ruchu.

W odróżnieniu od analizy Pareto, która pomaga ustalić priorytety problemów, diagram Ishikawy służy do poszukiwania ich możliwych przyczyn. W cyklu PDCA wspiera przede wszystkim etap Plan: zrozumienie problemu przed wyborem działań. Nie zastępuje późniejszej oceny ich skuteczności.

Budowa diagramu Ishikawy krok po kroku

1. Precyzyjnie opisz skutek. Zamiast „niska jakość opakowań” zapisz „nieszczelność zgrzewu opakowania wykrywana podczas próby szczelności”. Określ wyrób, operację, miejsce występowania oraz analizowany okres. Opis powinien wskazywać obserwowaną niezgodność, a nie z góry zakładać jej przyczynę.
2. Ustal zakres analizy. Zdecyduj, czy badacie jedną linię, rodzinę wyrobów, konkretną operację czy cały przepływ procesu. Zbierz dostępne informacje o warunkach występowania problemu. Ważne są również sytuacje, w których wada nie występuje — mogą pomóc odrzucić nietrafione hipotezy.
3. Narysuj główną oś i wybierz kategorie. W produkcji często stosuje się układ 6M: człowiek, maszyna, metoda, materiał, pomiar i środowisko. To punkt wyjścia, nie obowiązkowy schemat. Kategorie powinny odpowiadać badanemu procesowi, a nie wymuszać sztuczne przyporządkowanie pomysłów.
4. Zapisz potencjalne przyczyny. Dla każdej kategorii pytaj, co mogło wywołać określony skutek. Zamiast ogólnego „problem z maszyną” wpisz konkretną hipotezę, np. „nierównomierny docisk szczęk zgrzewających”. Na tym etapie nie odrzucaj propozycji wyłącznie dlatego, że nie pasują do dominującej opinii zespołu.
5. Rozwiń odgałęzienia. Pytaj, dlaczego dany czynnik mógł wystąpić. Przykładowo nieprawidłowa nastawa może wynikać z braku zatwierdzonej receptury albo niejednoznacznej instrukcji przezbrojenia. Pomocniczo można zastosować pytania „dlaczego?”, bez wymuszania określonej liczby odpowiedzi i bez dopisywania spekulacyjnych wyjaśnień.
6. Zaplanuj weryfikację. Wybierz hipotezy do sprawdzenia i dla każdej określ potrzebne dane, sposób badania, osobę odpowiedzialną oraz termin. Priorytet powinien wynikać z przesłanek i znaczenia potencjalnej przyczyny, nie tylko z głosowania. Oddzielaj przyczyny potwierdzone od odrzuconych i nadal nierozstrzygniętych.

Typowe błędy podczas analizy

Zbyt szeroko zdefiniowany problem prowadzi do diagramu pełnego ogólników. „Dużo reklamacji” obejmuje zwykle różne skutki, które mogą wymagać osobnych analiz. Równie mylące jest wpisanie przyczyny w miejsce problemu, np. „brak przeszkolenia operatorów” — takie sformułowanie zawęża poszukiwania jeszcze przed rozpoczęciem pracy.

Zatrzymanie się na „błędzie operatora” nie wyjaśnia mechanizmu powstawania niezgodności. Warto sprawdzić dostępność instrukcji, czytelność nastaw, zabezpieczenia przed pomyłką, organizację pracy i warunki wykonania zadania. Kategoria „człowiek” ma pomagać analizować proces, a nie wskazywać winnego.

Mieszanie przyczyn z rozwiązaniami utrudnia ocenę hipotez. „Wprowadzić dodatkową kontrolę” jest propozycją działania, nie przyczyną wady. Najpoważniejszym błędem pozostaje jednak uznanie gotowego diagramu za zakończoną analizę. Liczba zapisanych pomysłów ani przekonanie zespołu nie zastępują dowodów.

Przykład z produkcji: nieszczelny zgrzew opakowania

W przykładowej analizie zespół bada nieszczelności opakowań powstające na jednej zgrzewarce. W kategorii „maszyna” zapisuje nierównomierny docisk szczęk, w „materiale” — zmienność właściwości folii, a w „metodzie” — niewłaściwy czas zgrzewania. Uwzględnia też możliwe zabrudzenie strefy zgrzewu oraz, w kategorii „pomiar”, nieprawidłowe wskazanie temperatury. Wszystkie te wpisy pozostają hipotezami.

Załóżmy, że pomiar rozkładu temperatury ujawnia niedogrzanie jednego fragmentu szczęki, a położenie tego fragmentu odpowiada miejscom nieszczelności. Kontrola techniczna wykazuje uszkodzenie elementu grzejnego. Jest to mocna przesłanka wyjaśniająca mechanizm wady, ale zespół powinien jeszcze sprawdzić, dlaczego niesprawność nie została wcześniej wykryta.

Jeżeli dalsza weryfikacja potwierdzi, że przegląd obejmował wyłącznie odczyt temperatury z panelu, bez oceny jej rozkładu, działania mogą objąć zarówno naprawę grzania, jak i zmianę zakresu kontroli technicznej. Skuteczność należy potwierdzić wynikami prób szczelności w reprezentatywnych warunkach produkcji, a nie samym faktem wymiany części. Dopiero takie sprawdzenie pozwala ocenić, czy rozpoznany mechanizm rzeczywiście odpowiadał za analizowaną niezgodność.

6. Wykres rozrzutu: badanie zależności między zmiennymi

Czy wzrost temperatury kleju wiąże się ze spadkiem jego lepkości? Czy większa prędkość linii towarzyszy częstszym wadom powłoki? Wykres rozrzutu pozwala sprawdzić, czy dwie zmienne wykazują zależność i jaki jest jej charakter. Każdy punkt przedstawia parę wartości odnoszących się do tej samej obserwacji, na przykład temperaturę materiału i wynik badania próbki pobranej w tych warunkach.

W odróżnieniu od histogramu, który pokazuje rozkład jednej cechy, wykres rozrzutu zestawia dwie cechy ze sobą. Przydaje się przede wszystkim podczas weryfikowania hipotez o czynnikach wpływających na jakość oraz oceny, czy warto przeprowadzić bardziej szczegółowe badanie. Sam wykres nie potwierdza jednak związku przyczynowo-skutkowego.

Jak przygotować wykres rozrzutu krok po kroku

1. Sformułuj pytanie. Wybierz dwie mierzalne zmienne, między którymi podejrzewasz zależność. Zamiast ogólnego pytania o wpływ ustawień maszyny na jakość określ konkretnie, na przykład: „Czy prędkość posuwu wiąże się z chropowatością powierzchni?”.
2. Ustal sposób parowania pomiarów. Obie wartości muszą dotyczyć tej samej sztuki, próbki lub odpowiednio dobranego okresu pracy. Jeśli efekt pojawia się z opóźnieniem, uwzględnij czas przejścia materiału przez proces. Zestawienie bieżących nastaw z wynikami wyrobów wykonanych wcześniej może zafałszować obraz.
3. Zbierz dane z istotnego zakresu pracy procesu. Zapisuj jednostki oraz informacje pomocnicze, takie jak partia surowca, maszyna czy wariant produktu. Sprawdź wiarygodność pomiarów. Zbyt mała liczba obserwacji lub bardzo wąski zakres wartości utrudniają ocenę zależności.
4. Nanieś pary wartości na układ współrzędnych. Na osi X zwykle umieszcza się potencjalny czynnik wpływu, a na osi Y — badaną odpowiedź procesu. Opisz osie i jednostki, dobierz czytelne skale. Nie łącz punktów linią, ponieważ nie jest to wykres przebiegu w czasie.
5. Oceń układ punktów i sprawdź kontekst. Szukaj kierunku zależności, krzywizny, oddzielnych skupisk oraz obserwacji odstających. Jeśli dane pochodzą z różnych maszyn lub produktów, oznacz grupy odmiennymi kolorami i porównaj ich zachowanie.

Jak interpretować układ punktów

Zależność dodatnia występuje wtedy, gdy wyższym wartościom X zwykle towarzyszą wyższe wartości Y. Przy zależności ujemnej wzrostowi X towarzyszy spadek Y. Im ciaśniej punkty układają się wokół określonej linii lub krzywej, tym wyraźniejsza jest zależność w zebranych danych. O jej sile nie świadczy samo nachylenie widocznego pasma punktów — jego wygląd zależy również od skali osi.

Bezładna chmura punktów oznacza brak wyraźnego wzorca w badanym zbiorze, a nie dowód, że zmienne nigdy nie są ze sobą powiązane. Związek może być nieliniowy, ujawniać się dopiero w szerszym zakresie nastaw albo pozostawać przesłonięty wpływem innych czynników. Pomocniczo można obliczyć współczynnik korelacji Pearsona, ale opisuje on zależność liniową: wynik bliski zeru nie wyklucza na przykład układu w kształcie litery U.

Typowe błędy i ich konsekwencje

Najpoważniejszym błędem jest utożsamianie korelacji z przyczynowością. Dwie wielkości mogą zmieniać się jednocześnie pod wpływem trzeciego czynnika. Przed zmianą parametrów procesu trzeba więc sprawdzić możliwe wyjaśnienia, a w razie potrzeby przeprowadzić kontrolowaną próbę.

Inną pułapką jest łączenie nieporównywalnych danych. Zbiorczy wykres dla kilku gatunków materiału może sugerować zależność, której nie ma wewnątrz poszczególnych grup. Nie należy też usuwać punktów odstających wyłącznie dlatego, że nie pasują do oczekiwanego obrazu — mogą wskazywać błąd pomiaru, ale również rzeczywiste, nietypowe warunki produkcji. Ryzykowne jest ponadto przewidywanie wyników poza zakresem zebranych obserwacji.

Przykład z produkcji: temperatura i lepkość kleju

Rozważmy przykład ilustracyjny: podczas nakładania kleju pojawiają się wahania grubości warstwy. Zespół sprawdza hipotezę, że jednym z istotnych czynników jest temperatura kleju. Zbiera sparowane pomiary temperatury i lepkości dla tej samej receptury, stosując jednakową metodę badania lepkości i rejestrując temperaturę próbki podczas pomiaru.

Jeżeli punkty utworzą wyraźne opadające pasmo, będzie to wskazówka, że wyższej temperaturze towarzyszy niższa lepkość. Nie dowodzi to jeszcze, że właśnie ten mechanizm odpowiada za wahania grubości warstwy. Należy osobno zweryfikować związek z wynikiem nanoszenia, uwzględniając między innymi ciśnienie dozowania i prędkość linii. Wykres rozrzutu pomaga zawęzić obszar poszukiwań; decyzję o zmianie nastaw powinny uzasadniać dodatkowe dane i sprawdzenie efektu w kontrolowanych warunkach.

7. Karta kontrolna (SPC): monitorowanie stabilności procesu

Karta kontrolna pozwala rozpoznać, czy proces zmienia się w sposób przewidywalny, czy pojawił się sygnał wymagający zbadania. Przedstawia wyniki w kolejności ich uzyskania, wraz z linią centralną oraz granicami kontrolnymi wyznaczonymi na podstawie zmienności procesu. Jest jednym z podstawowych narzędzi statystycznego sterowania procesem, czyli SPC.

Jej najważniejsze zadanie to odróżnienie zmienności wynikającej z przyczyn wspólnych, stale obecnych w danym procesie, od sygnałów przyczyn specjalnych, takich jak uszkodzenie narzędzia, zmiana ustawienia maszyny czy nietypowa partia materiału. Dzięki temu zespół może reagować na rzeczywiste zakłócenia, zamiast korygować ustawienia po każdym przypadkowym wahaniu wyniku.

Stabilność procesu a zgodność ze specyfikacją

Granice kontrolne nie są granicami tolerancji. Pierwsze opisują zachowanie procesu, drugie wynikają z wymagań dotyczących wyrobu. Proces może być stabilny, a mimo to regularnie wytwarzać elementy poza tolerancją. Może też chwilowo produkować wyłącznie zgodne wyroby, lecz wykazywać niestabilność, która utrudnia przewidywanie kolejnych wyników.

Kartę stosuje się przede wszystkim przy powtarzalnych procesach i regularnie zbieranych danych: do nadzorowania wymiarów, masy, czasu operacji lub udziału wyrobów niezgodnych. W cyklu PDCA pomaga sprawdzić skuteczność zmiany i utrzymać osiągnięty rezultat. Nie wskazuje jednak samodzielnie przyczyny zakłócenia — sygnalizuje, kiedy należy jej szukać.

Wdrożenie karty kontrolnej krok po kroku

1. Wybierz nadzorowaną cechę. Powinna mieć znaczenie dla jakości wyrobu lub przebiegu procesu. Ustal jednostkę, metodę pomiaru i odpowiedzialność za zapis danych. Sprawdź, czy system pomiarowy pozwala wiarygodnie wykrywać istotne zmiany.
2. Dobierz rodzaj karty do danych. Dla pojedynczych pomiarów wartości ciągłych często stosuje się kartę I-MR, a dla małych podgrup pomiarowych — parę kart X̄-R. Udział wyrobów niezgodnych można monitorować kartą p. Dobór zależy również od liczebności próbek, sposobu ich pobierania i założeń statystycznych.
3. Ustal plan pobierania próbek. Określ częstotliwość i liczebność pomiarów. Przy kartach podgrupowych twórz racjonalne podgrupy: obserwacje w jednej próbce powinny pochodzić z możliwie jednorodnych warunków, aby różnice między próbkami ujawniały zmiany zachodzące w czasie.
4. Zbierz dane początkowe i wyznacz granice. Dane powinny reprezentować typową pracę procesu. Oblicz linię centralną i granice zgodnie z wybranym typem karty; ich konstrukcja zwykle opiera się na poziomie odpowiadającym trzem odchyleniom standardowym monitorowanej statystyki. Zbadaj sygnały niestabilności, zanim przyjmiesz granice do bieżącego nadzoru. Nie usuwaj niewygodnych wyników bez udokumentowanej przyczyny.
5. Ustal reguły sygnalizacji i plan reakcji. Podstawowym sygnałem jest punkt poza granicą kontrolną. Wybrany zestaw reguł może uwzględniać także serie punktów po jednej stronie linii centralnej lub trendy. Zapisz, kto weryfikuje pomiar, sprawdza warunki procesu i podejmuje decyzję o dalszych działaniach.
6. Prowadź monitoring i dokumentuj interwencje. Zaznaczaj zmiany materiału, ustawień, narzędzi i inne istotne zdarzenia. Granice przeliczaj po uzasadnionej, trwałej zmianie procesu i zebraniu reprezentatywnych danych, a nie po to, aby zniknął alarm.

Typowe błędy w stosowaniu SPC

Najczęstszy błąd to ocenianie karty wyłącznie przez pryzmat tolerancji: wynik zgodny ze specyfikacją nie unieważnia sygnału niestabilności. Równie problematyczne jest mieszanie danych z różnych maszyn lub strumieni produkcyjnych bez sprawdzenia, czy można traktować je jako jeden proces. Taka agregacja może ukrywać lokalne zakłócenia.

Innym błędem jest nadmierne regulowanie stabilnego procesu. Korekta po każdym wzroście lub spadku pomiaru może zwiększać rozrzut zamiast go ograniczać. Z kolei stosowanie wielu dodatkowych reguł bez uzasadnienia zwiększa ryzyko fałszywych alarmów. Karta powinna prowadzić do ustalonej reakcji, a nie jedynie do rejestrowania odchyleń.

Przykład z produkcji: kontrola średnicy po obróbce

Załóżmy, że na stanowisku obróbki co godzinę mierzy się średnicę pięciu kolejnych detali. Zespół wykorzystuje kartę X̄ do obserwowania średnich z próbek oraz kartę R do nadzorowania rozrzutu wewnątrz próbek. Po ustaleniu granic dla stabilnego okresu produkcji jedna ze średnich przekracza górną granicę kontrolną, choć wszystkie zmierzone detale nadal mieszczą się w tolerancji.

To sygnał do sprawdzenia procesu, a nie automatyczne stwierdzenie niezgodności wyrobów. W tym hipotetycznym przypadku weryfikacja ujawnia błędnie wprowadzoną korekcję narzędzia. Po jej poprawieniu kolejne pomiary służą potwierdzeniu powrotu procesu do wcześniejszego zachowania. Karta umożliwiła więc reakcję na zmianę, zanim kontrola zgodności wykazała przekroczenie tolerancji.

8. Stratyfikacja i diagram przebiegu (run chart): rozwarstwianie danych i obserwacja trendów

Zbiorczy wynik procesu może ukrywać problem występujący tylko na jednej maszynie, przy konkretnym materiale lub w określonych godzinach. Stratyfikacja pozwala rozdzielić dane na sensowne grupy i sprawdzić, gdzie pojawiają się różnice. Diagram przebiegu (run chart) pokazuje natomiast, jak wybrana miara zmienia się w czasie. Narzędzia te odpowiadają na dwa uzupełniające się pytania: „w jakich warunkach występuje problem?” oraz „kiedy następuje zmiana?”. W różnych zestawieniach siedmiu podstawowych narzędzi jakości jako siódme narzędzie wymienia się m.in. stratyfikację lub diagram przebiegu.

Kiedy stosować stratyfikację, a kiedy diagram przebiegu?

Stratyfikacja jest przydatna, gdy dane pochodzą z różnych źródeł, a wspólny wynik nie wyjaśnia rozbieżności. Kryteriami podziału mogą być maszyna, zmiana robocza, partia surowca, wariant produktu czy sposób przezbrojenia. Nie jest to jeden określony typ wykresu, lecz sposób porządkowania danych, który można wykorzystać w wielu analizach.

Diagram przebiegu służy do obserwacji kolejnych pomiarów, np. dziennego odsetka braków, czasu przezbrojenia lub liczby przestojów w tygodniu. Na osi poziomej umieszcza się czas albo kolejność obserwacji, a na pionowej — wartość mierzonej cechy. Punkty łączy się zgodnie z ich kolejnością; często dodaje się również medianę jako linię odniesienia. W odróżnieniu od karty kontrolnej run chart nie zawiera statystycznie wyznaczonych granic kontrolnych, dlatego sam nie wystarcza do potwierdzenia stabilności statystycznej procesu.

Jak przygotować analizę krok po kroku?

1. Określ pytanie i miarę. Ustal, czy analizujesz np. udział wyrobów niezgodnych, czas operacji czy wielkość odchylenia wymiaru. Zachowaj jednakową definicję miary przez cały okres obserwacji.
2. Zapisuj kontekst każdego pomiaru. Oprócz wyniku i czasu rejestruj informacje potrzebne do podziału danych, np. numer maszyny, partię materiału i wariant wyrobu. Brak tych oznaczeń może uniemożliwić późniejszą stratyfikację.
3. Podziel dane według uzasadnionego kryterium. Zacznij od podziału wynikającego ze znajomości procesu. Sprawdź liczebność grup i porównywalność warunków. Przy różnej wielkości produkcji porównuj odsetki braków, a nie tylko ich liczbę.
4. Przedstaw wyniki w kolejności czasowej. Przygotuj diagram przebiegu dla całego procesu lub osobne wykresy dla wybranych grup. Przy porównywaniu wykresów zachowaj takie same skale i zaznacz momenty zmian, np. wymiany narzędzia.
5. Sprawdź wzorce i zweryfikuj hipotezy. Zwróć uwagę na utrzymujące się przesunięcia poziomu, trendy i powtarzalne wahania. Do formalnej interpretacji stosuj ustalone reguły analizy run chart, zamiast uznawać dowolną serię wzrostów za dowód zmiany.

Typowe błędy

Najczęstszy błąd stratyfikacji to porównywanie grup różniących się nie tylko analizowanym czynnikiem. Wyższy odsetek braków na jednej zmianie nie świadczy automatycznie o problemie z jej pracą — może wynikać z produkowania trudniejszego asortymentu. Z kolei zbyt szczegółowy podział tworzy małe grupy, w których pojedyncza niezgodność silnie zmienia wynik.

W diagramie przebiegu błędem jest sortowanie wyników według wartości zamiast czasu, pomijanie niewygodnych obserwacji oraz łączenie pomiarów wykonywanych według różnych zasad. Mylące bywa również porównywanie okresów o odmiennej intensywności kontroli. Różnica między grupami ani zbieżność zmiany wyniku z interwencją nie dowodzą jeszcze związku przyczynowego.

Przykład z produkcji

Rozważmy hipotetyczną sytuację: w zakładzie wzrasta udział detali z zadrapaniami. Wynik dzienny obejmuje dwie linie pakowania. Po rozdzieleniu danych według linii okazuje się, że pogorszenie dotyczy przede wszystkim jednej z nich. Dodatkowy podział według wariantu opakowania wskazuje, że problem koncentruje się na konkretnym formacie.

Zespół przygotowuje diagram dziennego odsetka zadrapanych detali dla tej kombinacji linii i opakowania. Zaznacza datę regulacji prowadnic, a następnie obserwuje wyniki po zmianie. Stratyfikacja zawęża obszar poszukiwań, a diagram przebiegu pomaga ocenić, czy poprawa utrzymuje się w kolejnych dniach. Weryfikacja wymaga zachowania porównywalnego sposobu kontroli oraz sprawdzenia, czy równocześnie nie zmieniono materiału, prędkości pakowania lub innych warunków procesu.

Podczas szkoleń Cognity pogłębiamy te zagadnienia na konkretnych przykładach z pracy uczestników.

Jak zwiększyć wydajność produkcji dzięki DOE i metodologii Six Sigma? 02 listopada 2026

Najważniejsze narzędzia statystyczne wykorzystywane w Six Sigma 31 października 2026