Realizzare la simmetria tra produzione snella e Six Sigma

La produzione snella e Six Sigma erano metodologie concorrenti. Oggi molti produttori hanno scoperto che i due funzionano ancora meglio insieme. Immagini Getty

Le origini della produzione snella risalgono agli anni '50 con il Toyota Production System e ancora più indietro alle innovazioni produttive realizzate da Henry Ford nel complesso del River Rouge, fuori Detroit. Il termine lean è nato negli anni '80 con lo studio di James Womack e Daniel T. Jones sull'industria automobilistica americana, "La macchina che ha cambiato il mondo". Il corpo scarno di conoscenze che conosciamo oggi ha una ricca eredità e molti contributori di spicco.

Six Sigma è emerso negli anni '80 grazie al lavoro svolto dai principali pensatori di Motorola. Hanno riconosciuto l’enorme valore nella comprensione e nel controllo dei processi produttivi. L'analisi statistica è servita come base per questa profonda comprensione e sviluppo di contromisure mirate per ridurre la variazione. Con l’emergere del patrimonio di conoscenze Six Sigma, altre grandi aziende come GE, Allied Signal, IBM e Honeywell salirono a bordo.

Per anni i concetti Lean e Six Sigma sono stati feroci concorrenti sul campo di battaglia del miglioramento continuo. Per quanto sciocco possa sembrare, era il modo in cui le persone che si occupavano di miglioramento si comportavano nelle officine e negli uffici aziendali. Per fortuna i principali pensatori alla fine riconobbero la sinergia tra i due e iniziarono a operare in termini di lean Six Sigma, senza una "e" tra di loro. Sebbene ciò possa sembrare sottile, fa un’enorme differenza e modifica il nostro comportamento di miglioramento continuo.

Tieni presente che alcuni concetti generali, tra cui il rispetto per le persone e l'operare con umiltà, dovrebbero applicarsi all'intero spettro del lean Six Sigma. Questi sono fondamentali per qualsiasi approccio di miglioramento continuo.

E per essere chiari, dovresti comprendere i diversi focus di ciascun approccio di miglioramento. Mentre esplori questo argomento con i tuoi colleghi, considera le seguenti definizioni:

Così semplici ma anche immensamente chiare e potenti, queste definizioni servono come punto di partenza senza il rumore percepito e la paura degli acronimi e del gergo. Indipendentemente dal fatto che lavori in officina o in ufficio aziendale, puoi adattare queste definizioni al tuo modo di lavorare.

Metti lean e Six Sigma su un diagramma di Venn e vedresti aree significative di sovrapposizione. Dal lato "puro lean", troverai strumenti di analisi e tecniche di miglioramento che richiedono solo dati modesti per un'implementazione efficace. Ad esempio, puoi decidere dove e come implementare le 5S e i controlli visivi senza eseguire analisi quantitative approfondite. A volte basta scegliere un posto ragionevole e iniziare. Lo stesso vale per l'analisi del takt-time e del tempo di ciclo. È necessario raccogliere dati per comprendere i tempi di ciclo, i volumi e le risorse richieste, ma lo sforzo generalmente non include analisi statistiche oltre alla matematica di base.

All'intersezione tra Lean e Six Sigma, dove i due cerchi si sovrappongono, è dove si incontrano le idee Lean più avanzate e le idee di base del Six Sigma. Potresti considerare questa come l'area in cui potrebbero concentrarsi i professionisti della Six Sigma Green Belt e i pensatori Lean avanzati. Eseguendo un'analisi del bilanciamento delle linee, potrebbero sviluppare una comprensione più profonda delle fonti di variazione. Utilizzando un'analisi F-test, hanno potuto comprendere la probabilità di un determinato rendimento per un dato miglioramento del flusso. Applicando l'analisi statistica di base Six Sigma all'applicazione aggressiva del flusso snello, si possono ottenere soluzioni molto più ricche.

L'area Six Sigma pura richiede strumenti di raccolta, analisi e miglioramento dei dati più sofisticati che tendono a utilizzare metodi statistici. Qui, il praticante Six Sigma Black Belt è un contributore molto prezioso. Esempi di analisi potrebbero includere lo studio di due popolazioni di parti della produzione per determinare se sono statisticamente simili e la conduzione di un disegno di esperimento (DOE) per determinare quali fattori e a quale livello di impostazioni hanno maggiori probabilità di produrre un risultato atteso.