Değişkenliği ortadan kaldırılması bir şey olarak düşünmemeliyiz çünkü bu imkânsızdır. Yapabileceğimiz ise süreçlerimizi izleyerek ve veriye dayalı kararlar vererek değişkenliği en aza indirmektir.
Pazarlama Müdürü
Tests and Trials
"Değişkenlik kalitenin düşmanıdır". Bu sözü kaç kez duymuşuzdur? Ancak bu yine de tamamen doğru değildir.
Değişkenlik hayattan doğal olarak gelir ve tüm süreçlerin doğasında vardır. Yani onu ortadan kaldırmak bizim kontrolümüzde değildir. Değişkenliği ortadan kaldırılması bir şey olarak düşünmemeliyiz çünkü bu imkânsızdır. Yapabileceğimiz ise süreçlerimizi izleyerek ve veriye dayalı kararlar vererek değişkenliği en aza indirmektir.
İstatistiksel Proses Kontrolü (SPC) bununla ilgilidir. 1920'lerin başında Walter A. Shewhart tarafından tasarlanan ve ilk olarak Motorola tarafından uygulanan bu analiz, müşterilerin memnuniyet ve karlılık kayıtlarının devamlılığını sağlamak için kaliteyi kontrol etmenin ve sürekli iyileştirmenin kritik önem taşıdığı işletmelerde yaygın olarak kullanılmaktadır. Bununla birlikte, birincil sektörde bu araç hakkında bilgi eksikliği vardır ve ayrıca birçok şirket bunu operasyon sistemlerinde uygulamamaktadır.
İstatistiksel Proses Kontrolü: Şirketin karlılığını artırmaya yönelik bir teknik
SPC, aşağıdaki gibi soruları cevaplar: Şartlara uygun ürünler üretiyor muyum? Prosesimin performansı nasıl? Çok fazla açıklanamayan değişkenliğim var mı? Bu değişiklik istatistiksel olarak anlamlı mı? Proseslerim yeterince verimli mi yoksa harekete geçmeli miyim? Böyle bir durumda nereye öncelik vermeliyim?
Bu araç, ürün çıktısının ölçülebildiği herhangi bir prosesi izleyebilir ve kontrol edebilir ve bunu etkileyen faktörler değişkenler olarak ele alınabilir. Bu yöntemin sağladığı bir avantaj, kalite kaybının erken tespit edilmesi ve sorunların gerçek zamanlı olarak çözülebilmesidir. Başka bir deyişle, ekipler proaktif hareket ederek denetim sayısını ve israfı azaltır.
Şekil 1: “Domuzların ortalama doğurganlığı” değişkeninin Kontrol Tablosu örneği
Değerlendirilen proses, tüm değişiklikleri (olumlu veya olumsuz) tespit etmek için zaman içerisinde izlenir ve yöntem, prosesteki değişikliğin istatistiksel olarak anlamlı olduğunu kanıtlamak için analizde (kontrol) ne kadar veri veya tekrar gerektiğini tahmin edebilir.
Bir SPC analizi gerçekleştirmek için birincil teknik, Kontrol Grafiklerinin kullanılmasıdır ve değişken doğasına bağlı olarak (sürekli veya kategorik) kullanılan birkaç tip vardır. Hem küçük hem de büyük sapmaları tespit edebilirler ve temsili Altı Sigma felsefesini takip eder.
Kontrol çizelgeleri, yatay eksenin zamanı (saat, gün, hafta, ay, vs.) ve dikey eksenin ise ilgilenilen değişkenin değerini temsil ettiği iki boyutlu grafiklerdir. Bu eksen üzerinde Orta Çizgi (CL) ve üst limit (UCL, Üst Kontrol Limiti) ve alt limit (CLC, Alt Kontrol Limiti) olmak üzere üç çizgi vardır.
CL, verilerin merkezileştirilmesinin bir ölçüsünü temsil eder (ortalama, standart sapma…). Çoğu prosesin normal bir Gauss dağılımını takip ettiği varsayılarak, limitler arasındaki mesafe ±3ó olacaktır. ó, numunenin standart sapmasıdır.
Prosesimiz stabil ve varyasyon rastgele olduğu zaman, proses “kontrol altında” ve numuneler doğal limitler içerisindedir. Limitlerin dışındaki herhangi bir nokta, prosesi stabilize etmek ve istediğimiz yöne yönlendirmek için analiz etmemiz gereken özel bir varyasyon sebebine işarettir.
Kontrol çizelgeleri aracılığıyla prosesleri kontrol ederken, prosesin kontrol altında olup olmadığını tespit etmek için sürekli hipotez testi yaparız.
Müşterilerime ürünlerimin kalitesini (kendi şartları altında) nasıl gösterebilirim?
Bir sonraki makalede SPC'nin teknik bir açıklaması ile bu konuya döneceğiz. Şimdi SPC'nin neden bir satış noktası olarak kullanıldığını açıklamaya odaklanmak istiyoruz. Buna “deneme ikilemi” diyoruz.
Araştırma denemelerinde …
• Tekrarlar sınırlı sayıdadır.
• Genetik, (genellikle endüstriyi yansıtmayan) diyetler ve sağlık durumu tanımlanır.
• Kontrol ve deney grup(ları) vardır.
• İstatistiksel bir analiz yapmak mümkündür.
• Daha düşük bir stok yoğunluğu vardır ve zaman açısından maliyetlidir.
Bu, bazı soruları cevapsız bırakıyor: İsabetli bir tahmin var mı? Şartlar gerçek dünyayı yansıtıyor mu?
• Daha fazla tekrar vardır (ancak bu da ticari realitelerle sınırlıdır).
• Farklı genetikler ve şartlar söz konusudur (diyetler, binaların özellikleri, suluklar,…). Ayrıca, sağlık durumu partiler arasında değişim gösterir.
• Tüm bu faktörlerle birlikte, kendimizi hata yapmanın kolay olduğu ve istatistiksel olarak isabetli bir karşılaştırmanın mümkün olmayabileceği bir durumda buluyoruz.
O halde burada, cevaplanmamış olan başlıca sorular şunlardır: Sonucu etkileyen bu kadar çok faktör varsa, onları nasıl kontrol edebiliriz? Burada isabetli bir tahmin söz konusu mu?
SPC ile bu belirsizlik kalmaz:
• Gerçek dünya verilerini kullanarak isabetli tahminler elde ediyoruz.
• Bu analizi gerçekleştirmek için büyük popülasyonlar kullanıyoruz ve stoklama yoğunluğu da bu tahminin bir parçası.
• Kontrol ve deney grupları var.
• Tahmin yapılırken; genetik değişkenlik, diyet performansı ve sağlık durumu hesaba katılır.
• Temsili sonuçlar elde etmek için çok fazla veriye ihtiyacımız olduğu için zaman alır ancak elde edilen bilgiler istatistiksel olarak geçerlidir..
Aşağıda belirtildiği gibi, SPC ile herhangi bir hayvansal üretim sisteminden gelen verileri kullanabiliriz. Sadece ilgilendiğimiz üretken değişkenlerimizin neler olduğunu bilmemiz, bunları bir veri tabanında düzenlememiz ve tesis veya tesislerdeki bilgileri kayıt altına almamız gerekiyor.
1Ortalama Günlük Kazanç, 2Ortalama Günlük Yem Alımı, 3Yemden Yararlanma Oranı, 4Ölüm yüzdesi, 5Sütten kesilen yavru sayısı, 6İlaçlar (tüm sağlık müdahaleleri)
Ürünün (veya proseste yeni bir dozaj, yeni bir baskül kullanımı, ham maddede daha fazla protein yüzdesi vb. gibi yaptığınız herhangi bir değişikliğin) nasıl çalıştığı veya performans gösterdiğini ve açık denemelerdeki durumunu biliyor olacağız. Neticede, sonuçlar müşterilere bir şeyin kendi şartlarında nasıl çalıştığını söyler ve siz izlenimler veya tahminler yerine kanıtları kullanırsınız. Müşterilerinizden bir şeye para yatırmalarını isteyecekseniz, ürünlerinizi kullanarak elde edecekleri faydalardan emin olmayı hak ederler.
Bunu kısa bir örnekle görelim
Çiftlikten ayrılacak bir domuz için 156 haftalık üretime ait verilerin elinizde bulunduğunu varsayalım. Burada, tüm mevsimsel değişkenlikleri hesaba katmış oluyorsunuz (çünkü SPC'de içsel değişkenliğin hesaba katılır ve böyle özel varyasyondan ayrılabilir). Bu tarihsel veritabanı herhangi bir değişkene sahip olabilir. Bazı üretken parametre örnekleri (tablodaki veriler hayalidir ve amacı makalenin anlaşılmasını kolaylaştırmaktır):
Bu “kontrol” sürecinin ardından, ana hedef değişkenin önemli bir varyasyonunu gözlemlememiz için kaç hafta (parti) gerektiğini tahmin eden örneklem büyüklüğünü (ARL, Ortalama Tekrar Uzunluğu) hesaplamak önemlidir (yeni deneysel koşul altında en az bir yıllık üretim tavsiye edilir).
Şimdi, proses performansını izlemek ve değişip değişmediğini (ve değişimin yönünü) analiz etmek istediğimiz yeni ürünümüzü tanıtmaya başladığımızı varsayalım. Hayvanlara “deneme” ürünü eklendiği için bu aşamaya “deney süreci” adı verilir. Bu noktada, çiftlikten tüm üretken verileri aldığımızdan emin olmak oldukça önemlidir.
ARL'ye ulaşılıp tüm veriler kayıt altına alındıktan sonra, sistemin değişip değişmediği kontrol edilir. Sonuçlara bağlı olarak iki seçeneğimiz var: bu bilgilere dayanarak karar vermek ve bunu dahili iyileştirme veya satış noktası olarak kullanmak veya daha uzun süre daha fazla veri kaydetmeye devam etmek.
Sonuç
Gördüğümüz gibi, SPC, değişiklikleri izlemek ve üretimi ve karlılığı azaltabilecek herhangi bir sapmayı tespit etmek üzere hayvansal üretim endüstrisinde uygulanmaya son derece uygundur. Şirketlerin bunu operasyon sistemlerinde uygulamaya başlaması sadece an meselesi.