مطالعه موردی – طراحی ساختار سیستم در قالب نمودار حالت-جریان

توضیح: در اینجا دو شبکه حالت و جریان به هم پیوسته وجود دارد: اول، جریان فیزیکی مواد که در محصولات ساخته شده و به مشتریان ارسال می‌شود. دوم، جریان سفارشات. این دو شبکه به هم مرتبط هستند زیرا رابطه مستقیمی بین محموله‌های فیزیکی و تحویل سفارش وجود دارد (با فرض عدم وجود اشکالات حسابداری یا کمبود موجودی!) – هر بار که یک محصول به صورت فیزیکی ارسال می‌شود، سفارش از انبار حذف می‌شود و به عنوان تکمیل شده نشان داده می‌شود. لینک بین نرخ ارسال و نرخ انجام سفارش یک پیوند اطلاعاتی است، نه یک جریان مواد. توجه داشته باشید که در نظر گرفتن واحدهای اندازه گیری به شناسایی پیوندهای بین دو زنجیره حالت و جریان کمک می‌کند.

واحد‌های اندازه گیری:

• همه جریان‌ها در زنجیره مواد: تعداد / دوره زمانی
• مواد و حالات موجودی: تعداد
• جریان سفارش: سفارشات / دوره زمانی
• نرخ انجام سفارش: دوره سفارش/زمان (زیرا تعداد ویجت‌های ارسال شده در هر دوره تقسیم بر تعداد ویجت‌ها در هر سفارش است).

فقط پیوندهای اطلاعاتی که مستقیماً شبکه‌های حالت و جریان را به هم متصل می‌کنند، ضبط می‌شوند. سایر پیوندهای اطلاعاتی که باید وجود داشته باشند نشان داده نمی شوند. به عنوان مثال، نرخ حمل و نقل باید به موجودی کالاهای نهایی بستگی داشته باشد (اگر هیچ موجودی نباشد ،حمل و نقل نیز وجود ندارد). با این حال، هدف از این تمرین ترسیم حالات و جریان‌ها است، بنابراین فعلاً می‌توان این بازخوردها را حذف کرد. توجه داشته باشید که نرخ حمل و نقل، نرخ ورود مواد و نرخ انجام سفارش در گروه متغیرهای ذکر شده در توضیحات گنجانده نشده است، اما باید برای تکمیل شبکه حالت و جریان معرفی شود. همچنین، راه‌حل، ساختاری را حذف می‌کند که ممکن است در صورت نیاز به هدف مدل اضافه شود، مانند کاهش موجودی و جریان‌های لغو سفارش و تکمیل محصول (موجودی که توسط محموله‌ها پر می‌شود). این مدل را می‌توان بیشتر هم تفکیک کرد، به عنوان مثال، سفارش‌های عقب‌افتاده را به دو بخش، «سفارش‌های منتظر تأیید اعتبار» و «سفارش‌های تأیید شده» تقسیم کرد. میزان جزئیات بستگی به هدف از ساخت مدل دارد.

B1-شرکت‌ها اغلب در ارائه محصولات جدید به بازار به موقع و با کیفیت و عملکرد مورد نیاز مشتریان با مشکل مواجه هستند. حالات و جریان‌های فرآیند توسعه محصول جدید را برای یک شرکت معمولی با فناوری پیشرفته ترسیم کنید. توسعه محصول شامل مراحل زیر است: طراحی مفهومی، طراحی جزییات، نمونه سازی، آزمایش و راه اندازی. در هر مرحله، پروژه‌ها مورد ارزیابی قرار می‌گیرند و برخی ادامه می‌یابند و بقیه لغو می‌شوند.

• فراموش نکنید که در این مثال «ابرها را به چالش بکشید». پس از عرضه محصولات جدید چه اتفاقی می‌افتد؟ محصولات جدید چه مدت در بازار باقی می‌مانند؟

 یک سازنده کامپیوتر یک مرکز تماس بزرگ برای رسیدگی به سوالات مشتری دارد. مشتریانی که سؤال یا مشکلی دارند با یک شماره تلفن رایگان برای راهنمایی تماس می‌گیرند. در این شرکت، تماس‌های دریافتی توسط یک سیستم تشخیص صدا پاسخ داده می‌شود که تماس‌ها را به یک سیستم خودکار یا، در صورت انتخاب مشتری، به نماینده خدمات مشتری زنده (CSR) هدایت می‌کند. تماس‌ها به‌طور پیش‌فرض به سیستم خودکار می‌رسد، اما مشتریان می‌توانند در هر لحظه شماره داخلی خود را بگیرند و یا با اپراتور صحبت کنند. تماس گیرندگانی که تصمیم می‌گیرند با یک کارشناس صحبت کنند، ممکن است تا زمانی که یک نماینده در دسترس قرار گیرد، در حالت انتظار قرار گیرند. اگر قبل از اینکه مشتری ناامید شود و تلفن را قطع کند به تماس پاسخ داده شود، کارشناس ممکن است بتواند مشکل را حل کند. با این حال، اغلب کارشناسان قادر به حل مشکل نیستند و تماس را به یک سرپرست یا بخش تخصصی مانند پشتیبانی فنی ارسال می‌کنند. ممکن است این مشکل توسط این متخصصان حل شود یا خیر. ساختار حالت و جریان تماس‌ها را هنگام عبور از سیستم ترسیم کنید.

• در واقع، درخواست‌های مشتری از طریق تلفن، ایمیل و چت زنده از وب‌سایت شرکت دریافت می‌شود. لازم نیست این کانال‌ها را جداگانه در نظر بگیرید. به همین ترتیب، سعی نکنید تماس‌های ورودی را به دسته‌های مختلف مانند مشکلات صورت‌حساب یا سؤالات پشتیبانی فنی تفکیک کنید. فرض کنید یک جریان واحد از تماس‌ها به سیستم وارد می‌شود. سپس این تماس‌ها به آنهایی که سیستم خودکار را انتخاب می‌کنند و آنهایی که تصمیم می‌گیرند با یک نماینده صحبت کنند، تقسیم می‌شوند.

۳-  دینامیک انباشت

حالت‌ها، انباشته هستند. تفاوت بین ورودی و خروجی یک جریان انباشته می‌شود و سطح متغیر حالت را تغییر می‌دهد. فرآیند انباشت به متغیر حالت اینرسی و حافظه می‌دهد و تاخیر ایجاد می‌کند. از آنجایی که مدل‌های واقع گرایانه برای حل با تحلیل رسمی بسیار پیچیده هستند، درک رابطه بین جریان‌ها و رفتار متغیر حالت به طور شهودی مهم است.

• هدف، توسعه شهود خود در مورد حالت و جریان است. سیستم زیر را در نظر بگیرید:

نمودار بالا و زیر رفتار دو جریان یا نرخ را نشان می‌دهد: جریان ورودی (خط توپر) و خروجی (خط چین) برای حالت است. در نمودار ارائه شده در زیر، مسیر حالت را با توجه به نرخ ورودی و خروجی نشان داده شده ترسیم کنید. مقادیر عددی را برای هر ماکزیمم یا حداقل و برای مقادیر حداکثر یا حداقل شیب برای متغیر حالت مشخص کنید. مقدار اولیه موجود در انبار را 100 واحد فرض کنید.

۴- مدل سازی فرآیندهای هدف جو (حلقه‌های منفی)

تمام فرآیندهای هدف جو شامل حلقه‌های بازخورد متعادل کننده (منفی) است. در یک حلقه متعادل کننده، وضعیت سیستم با یک هدف مقایسه می‌شود و شکاف یا اختلاف ارزیابی می‌شود. اقدامات اصلاحی با توجه به بزرگی شکاف تعریف می‌شود و وضعیت سیستم را با هدف هماهنگ می‌کند.

به عنوان مثال، برنامه‌هایی را در نظر بگیرید که برای بهبود کیفیت یک فرآیند در یک شرکت طراحی شده اند. این فرآیند می‌تواند در تولید، مدیریت، توسعه محصول یا هر فعالیتی در سازمان باشد. فعالیت بهبودی تکراری است. اعضای یک تیم بهبود، منابع نقص را در یک فرآیند شناسایی می‌کنند، و اغلب مزایای تصحیح آنها را با استفاده از نمودار پارتو رتبه‌بندی می‌کنند. سپس راه‌هایی برای از بین بردن منبع نقص طراحی می‌کنند و تا زمانی که راه‌حلی پیدا شود، آزمایش‌هایی را امتحان می‌کنند. سپس آنها به سمت بحرانی ترین منبع نقص بعدی حرکت می‌کنند. متخصصان کیفیت از این چرخه تکراری به عنوان چرخه “Plan-Do-Check-Act” یا “PDCA” یاد می‌کنند (همچنین به عنوان چرخه دمینگ، بر اساس استاد قدیمی کیفیت W. Edwards Deming شناخته می‌شود). در فرآیند PDCA، تیم بهبود: (1) آزمونی را برای آزمایش یک ایده بهبود برنامه ریزی می‌کند، (2) آزمایش را انجام می‌دهد، (3) بررسی می‌کند که آیا این ایده کار می‌کند یا خیر، سپس (4) اقدام می‌کند – یا اگر آزمایش اول شکست خورد، آزمایش جدیدی را برنامه ریزی می‌کند یا راه حل را اجرا می‌کند و سپس برنامه ریزی آزمایش‌های جدید برای از بین بردن سایر منابع نقص انجام می‌دهد. این تیم به چرخش در اطراف حلقه PDCA ادامه می‌دهد و به طور متوالی به بررسی و اصلاح علل ریشه ای نقص در این فرآیند می‌پردازد. این حلقه یادگیری منحصر به TQM نیست: همه برنامه‌های یادگیری و بهبود، از جمله شش سیگما، از یک فرآیند تکراری مشابه چرخه PDCA پیروی می‌کنند.

شکل زیر داده‌های مربوط به عیوب فرآیند ساخت ویفر(صفحه اتصال نیمه رسانا) را در یک شرکت نیمه‌هادی سایز متوسط ​​نشان می‌دهد (از شکل 4-5 در دینامیک کسب و کار). این شرکت برنامه TQM خود را در سال 1987 آغاز کرد، زمانی که نقص‌ها با نرخ تقریباً 1500 عیب در میلیون (ppm) تولید می‌شد. پس از اجرای TQM، میزان نقص به طور چشمگیری کاهش یافت، تا اینکه در سال 1991 به نظر می‌رسید نقص‌ها به تعادل جدیدی نزدیک به ppm 150 رسیدند – یک بهبود چشمگیر 10 درصدی. توجه داشته باشید که کاهش در ابتدا سریع است، سپس با کاهش تعداد نقص‌ها روند کند می‌شود.

یک مدل از فرآیند بهبود شرح داده شده در بالا ایجاد کنید و رفتار آن را با داده‌های شرکت نیمه‌هادی مقایسه کنید. هنگامی که مدل خود را فرموله کردید، مطمئن شوید که واحدهای هر معادله سازگار هستند.

• دستورالعمل‌های زیر را دقیقا دنبال کنید. ساختاری فراتر از آنچه مشخص شده است اضافه نکنید.
• وضعیت سیستم میزان نقص است که بر حسب ppm اندازه گیری می‌شود. میزان نقص در سال 1987 1500 ppm بود.
• نرخ عیب یک نرخ جریان نیست، بلکه موجودی است که وضعیت سیستم را مشخص می‌کند – در این مورد، نسبت تعداد قطعه‌های معیوب به تعداد تولید شده است.
• زمانی که تیم بهبود علت اصلی عیوب را شناسایی و از بین می‌برد، میزان نقص کاهش می‌یابد. این خروجی را با «نرخ رفع نقص» مشخص کنید.
• میزان رفع نقص به تعداد عیوبی که با اعمال فرآیند بهبود قابل رفع است و میانگین زمان لازم برای رفع عیوب بستگی دارد.
• تعداد عیوب قابل رفع تفاوت بین نرخ عیب فعلی و حداقل میزان نقص نظری است. حداقل نرخ تظری تولید با نقص با فرآیندی که مدل سازی می‌کنید و نحوه تعریف «عیب» متفاوت است. برای بسیاری از فرآیندها، حداقل نظری صفر است (به عنوان مثال، حداقل نرخ نظری تحویل دیرهنگام صفر است). برای سایر فرآیندها، حداقل نرخ نظری بزرگتر از صفر است (به عنوان مثال، حتی در بهترین شرایط قابل تصور، زمان لازم برای ساخت خانه یا زمان چرخه ساخت نیمه‌هادی بیشتر از صفر خواهد بود). در این حالت، حداقل سطح نقص نظری را صفر فرض کنید.
• میانگین زمان لازم برای رفع عیوب این فرآیند در این شرکت حدود 0.75 سال (9 ماه) برآورد شده است. میانگین زمان بهبود تابعی از میزان بهبودی است که می‌توان به طور متوسط ​​در هر تکرار چرخه PDCA و زمان چرخه PDCA به دست آورد. هرچه در هر چرخه ،بهبود بیشتری حاصل شود و هر سال چرخه‌های بیشتری انجام شود، میانگین زمان مورد نیاز برای رفع عیوب کمتر خواهد بود. این پارامترها با پیچیدگی فرآیند و زمان مورد نیاز برای طراحی و انجام آزمایش‌ها تعیین می‌شوند. در یک کارخانه نیمه‌هادی، فرآیندها نسبتاً پیچیده هستند و زمان مورد نیاز برای اجرای آزمایش‌ها با زمان لازم برای اجرای ویفر در فرآیند ساخت و تجزیه و تحلیل نتایج تعیین می‌شود. داده‌های جمع آوری شده توسط شرکت قبل از شروع برنامه TQM نشان می‌دهد که زمان 9 ماهه معقول بوده است.
• فرسودگی تجهیزات، تغییرات در تجهیزات، جابجایی کارمندان و تغییرات در ترکیب محصول می‌تواند منابع جدیدی از عیوب را معرفی کند. نرخ معرفی نقص در 250 ppm در سال ثابت برآورد می‌شود.

D2 -مدل خود را با این پارامترهای کیس پایه اجرا کنید.

•  به طور خلاصه رفتار مدل را شرح دهید.
•  شبیه سازی شما چقدر با داده‌های تاریخی مطابقت دارد؟ اگر هدف شما درک پویایی بهبود فرآیند و طراحی برنامه‌های بهبود موثر باشد، آیا تفاوت‌ها احتمالاً مهم هستند؟
• آیا پس از 9 ماه (میانگین زمان رفع نقص) موجودی عیوب به تعادل می‌رسد؟ با اشاره به ساختارهای مدل خود، توضیح دهید که چرا یا چرا.

D3- با مقادیر مختلف برای میانگین زمان رفع نقص آزمایش کنید. زمان رفع نقص چه نقشی در تأثیرگذاری بر رفتار سایر متغیرها دارد؟

D4- نرخ حالت زمانی به تعادل می‌رسد که جریان‌های ورودی آن با جریان‌های خروجی آن برابری کند. آن معادله را تنظیم کنید و نرخ نقص تعادل را بر حسب سایر پارامترها حل کنید.

•  چه چیزی سطح تعادل (نهایی) عیوب را تعیین می‌کند؟ چرا؟
•  آیا نرخ نقص تعادلی به میانگین زمان لازم برای رفع عیوب بستگی دارد؟ چرا نه؟

D5-حساسیت نتایج مدل خود را به انتخاب گام زمانی یا «dt» (برای «دلتای زمان») بررسی کنید.

• گام زمانی مدل خود را از 0.125 سال به 0.0625 سال تغییر دهید. آیا تفاوت اساسی در رفتار می‌بینید؟
• وقتی dt برابر با 0.5 سال باشد چه اتفاقی می‌افتد؟ چرا مدل همانطور که می‌کند رفتار می‌کند؟
• وقتی dt برابر با 1 سال باشد چه اتفاقی می‌افتد؟ چرا شبیه سازی این گونه رفتار می‌کند؟