Kitobni o'qish: «Практическое руководство по статистическому управлению процессами», sahifa 3

Наконец, еще одна причина неприятия миром открытия У. Шухарта состоит в том, что развитие общества в ХХ в. сначала пошло по пути господства рынка изготовителя⁸, а в тех условиях, каким отвечал этот рынок в первой половине прошлого века, изготовителям оказалось удобнее действовать иначе при обеспечении качества продукции, а именно с помощью выборочного контроля качества (основоположники которого Г. Додж и Г. Ромиг работали в той же Bell Laboratories, что и У. Шухарт). Дж. Джуран, который работал в те годы в Хоторне на заводе Western Electric, тесно связанном с Bell Laboratories, оставил воспоминания об этом периоде [Juran 1997]. Дж. Джуран поступил на работу в 1924 г., а в конце 1925 г. шеф У. Шухарта д-р Р. Джонс предложил шефу Дж. Джурана У. Робертсону провести совместные исследования по трем направлениям: выборочные методы и их вероятностное обоснование, новоиспеченные контрольные карты и рейтинг качества производственной продукции. Предложение было принято, и работа началась.

Со стороны Bell Laboratories в команду, как упоминает Дж. Джуран, входили известные нам Дж. Эдвардс, У. Шухарт, Г. Додж и др. Причем интеллектуальным лидером команды Дж. Джуран называет Дональда Кварлеза, сделавшего впоследствии блестящую карьеру в промышленности и в правительстве США, где он занимал пост исполнительного секретаря (т. е. министра) Министерства вооружений. Понятно, что работы У. Шухарта велись не на пустом месте, они вписаны в широкий исторический контекст, что отмечено в публикации [Provost, Norman 1990] и в очень интересной книге по истории статистики [Salsburg 2001]. Только в конце 80-х – начале 90-х гг. ХХ в., когда обострилась конкуренция, резко сократился жизненный цикл большинства видов продукции и индустриальный мир перешел к рынку потребителя, человечество стало возвращаться к идеям У. Шухарта, которые к тому времени дополнил и развил другой выдающийся специалист в области качества – Э. Деминг. Этому процессу способствовало накопление реального опыта анализа вариабельности процессов, который в широких масштабах появился только в середине 1950-х гг. во времена расцвета так называемого массового производства. Этот опыт показал неэффективность борьбы за качество с помощью системы допусков, т. е. сам ход развития общества продиктовал возврат к идеям У. Шухарта как к методологии совершенствования процессов производства. До этого, т. е. пока не было практического опыта каждодневного столкновения с изменчивой реальностью, концепция вариабельности, так же как, впрочем, и концепция качества в широком смысле, просто не входила в систему ключевых ценностей менеджеров [Adler, Shper 2000].

Глава 3
Основы теории вариабельности (продолжение). Анализ стабильности процессов. Игра «Красные бусы»

К сожалению, за последние примерно 20 лет ситуация с освоением концепции вариабельности У. Шухарта хотя и изменилась в лучшую сторону, но настолько незначительно, что эти изменения трудно заметить. Больше всего они коснулись японской промышленности, которая в силу многочисленных причин⁹ оказалась весьма восприимчивой к идеям Шухарта в их полном объеме [Golomski 1967, Godfrey 1986]. В англоязычном мире, в первую очередь благодаря бурной деятельности Э. Деминга и его учеников и последователей (Г. Нива, М. Трайбуса и др.), имя У. Шухарта стало широко известным, переизданы его главные книги [Shewhart 1931, 1939], проводятся многочисленные семинары и т. п. Тем не менее применение этого подхода в промышленности (и тем более в сфере услуг) остается довольно ограниченным. В основном оно сводится к построению контрольных карт для процессов производства той или иной детали, тогда как уже давно стало ясно, что «самое важное применение принципов статистического контроля качества… это управление людьми» [Deming 1993]. По-прежнему многие высшие менеджеры не знакомы с теорией Шухарта – Деминга, поскольку ее изучают только в некоторых школах MBA (Master of Business Administration – магистр делового администрирования). По-прежнему многие рассматривают подход Шухарта как инструмент, например, всеобщего управления на основе качества (TQM) или систем качества на основе стандартов ИСО, тогда как на самом деле – это система взглядов на то, как устроен мир и как в этом мире принимать разумные решения.

Статистическое мышление: современные трактовки

Иногда в качестве эквивалента концепции статистического мышления рассматривается так называемое «статистическое управление процессами – СУП» (SPC) или, что встречается реже, – «статистический контроль качества – СКК» (SQC). Единого понимания этого термина также нет. В онлайновом Глоссарии в области качества Американского общества качества (ASQ) термин SPC определен так:

«Применение статистических методов для управления процессом» (https://asq.org/quality-resources/quality-glossary/s), на сайте «Википедии» это «метод управления качеством с помощью статистических методов мониторинга и управления процессами» – http://en.wikipedia.org/wiki/Statistical_process_control, на сайте известной компании PQ Systems (www.pqsystems.com/proveyourquality/statistical-process-control.php) – «текущий анализ данных с помощью контрольных карт, гистограмм и анализа воспроизводимости» и т. д.

К сожалению, дело не ограничивается лишь несовершенством терминологии. Так, в статье Г. Нива [Neave 2002] описаны результаты исследования процесса обучения и применения SPC в Великобритании. Исследование проводилось в компаниях, производящих самую разнообразную продукцию, с численностью работающих от 10 до 400 человек. Оно показало, что методы SPC используются в основном на уровне цеха для наблюдения за процессом производства и охватывают от силы 3 % возможной области применения. Ясно, что даже высокоэффективное применение SPC в трех случаях из ста не может существенно повлиять на состояние организации.

Нам представляется, что ни SPC, ни SQC не должны заменять подход Шухарта – Деминга, но и с концепцией статистического мышления эти понятия не совпадают. Попробуем определить место данной методологии в общей системе SPC.

Здесь мы должны обратить внимание читателей на то, что среди не очень большой части последователей идей Шухарта – Деминга в конце 1980-х – начале 1990-х гг. возникла еще одна тенденция, нашедшая отражение в приведенном ниже понятии «статистическое мышление» [Britz 1996, 2000, Hoerl, Snee 2002, Leitnaker 2000]:

«Статистическое мышление – это философия обучения и действий, основанная на следующих фундаментальных принципах:

● любая работа осуществляется в системе взаимосвязанных процессов;

● во всех процессах есть вариации;

● понимание и снижение вариаций – ключ к успеху».

Эта формулировка была предложена статистическим отделением Американского общества качества в 1996 г. Стоит заметить, что сам термин «статистическое мышление» впервые (насколько это нам удалось установить) появился в цитате знаменитого писателя-фантаста Герберта Уэллса, которая была приведена в качестве одного из эпиграфов к известной книге Даррелла Хаффа «Как лгать при помощи статистики» [Huff 1954, Хафф 2015]: «Придет время, и статистическое мышление станет таким же необходимым качеством для истинного гражданина, как умение читать и писать».

При этом нам не удалось выяснить, что понимал под статистическим мышлением сам Г. Уэллс. Термин «статистическое мышление» в использованной ASQ интерпретации, согласно информации, полученной нами от авторов книги [Hoerl, Snee 2002], был введен Рональдом Сни (R. Snee) в 1986 г. в статье «В погоне за всеобщим качеством» [Snee 1986].

Говоря об англоязычной терминологии в области статистического мышления, нельзя не упомянуть о предложениях по ее изменению, сделанных одним из наиболее известных в этой области специалистов Дональдом Уилером. В работе «Скромное предложение» [Wheeler 1998] он пишет: «Статистическое управление процессами – это не статистика, это не мониторинг процессов и это не соответствие допускам… Это постоянное совершенствование процессов и их результатов. И, прежде всего и более всего, – это способ мышления плюс некоторые сопутствующие инструменты». И далее Д. Уилер предлагает заменить:

● SPC – на постоянное совершенствование;

● контрольные карты – на карты поведения процесса;

● управляемый процесс – на предсказуемый процесс, соответственно, неуправляемый процесс – на непредсказуемый;

● контрольные пределы для индивидуальных значений – на естественные границы процесса и т. д.

В русскоязычной литературе термин «статистическое мышление», как правило, используется в его прямом и очевидном смысле: мышление с пониманием и привлечением статистических методов. Число отечественных публикаций, где обсуждается подход У. Шухарта, довольно ограниченно (подробнее см. в [Адлер, Шпер 2015]).

Будущее действительно широкого внедрения статистического мышления в России, как нам кажется, зависит от того, пойдет ли наша страна по пути индустриально развитых стран или будет опять искать некий свой путь. Если мы будем развиваться в русле мирового прогресса, то сама жизнь раньше или позже заставит нас внедрять идеи У. Шухарта, поскольку ничего лучшего для совершенствования процессов пока никто не придумал.

Интерпретация общих и специальных причин вариаций У. Шухартом

Сам У. Шухарт подходил к определению общих и особых причин вариаций исключительно прагматично и опирался на то, сколько стоит поиск соответствующих причин и окупится ли он. Шухарт назвал особые причины assignable, что в дословном переводе означает «те, что можно приписать к чему-то определенному». Другими словами, это те причины, которые достаточно легко выявляются или поиск и обнаружение которых не связаны с чрезмерными затратами. Вот что писал У. Шухарт в 1939 г. [Shewhart 1939, с. 30–31]:

«…Мы начнем с фразы "особые (assignable) причины". Особая причина вариаций в том смысле, как этот термин используется в работах по контролю качества, это такая причина, которую можно экспериментально обнаружить с затратами, не превышающими те потери, из-за которых ее стоит искать. Определенная таким образом, особая причина сегодня может не оставаться таковой завтра из-за изменения экономических факторов стоимости и ценности обнаружения этой причины. Точно так же критерий, который указывает на особую причину для одного производственного процесса, совсем не обязательно окажется удовлетворительным для других процессов.

Очевидно, что не существует априорного, формального и математического метода установления критерия, который будет указывать на особую причину в каждом конкретном случае. Напротив, единственный способ, оправдывающий использование любого критерия, – это интенсивный эксперимент. Тот факт, что использование любого заданного критерия надо обосновать опытным путем, подчеркивается здесь для того, чтобы избежать путаницы между таким критерием и критериями статистической значимости… Здесь достаточно напомнить, что любой тест на статистическую значимость – это дедуктивный вывод, основанный на некоторых фундаментальных допущениях… Напротив, когда наблюдаемая нами статистика находится за контрольными пределами, то подразумевается индуктивный вывод о том, что присутствует особая причина. Чтобы проверить этот индуктивный вывод, надо обратиться к объективному доказательству» (курсив и жирный шрифт наши, А.Ш.).

Определение, приведенное нами выше, есть следствие простого факта: практика многократного использования подхода У. Шухарта показала, что особые причины, как правило, связаны с чем-то, чего в нормальном ходе процесса не происходит. Тем не менее следует иметь в виду, что после того, как все аномалии устранены, нас может не устраивать общая вариабельность процесса. И тогда мы должны приняться за общие причины вариабельности. И если теперь какую-то присущую процессу причину вариаций можно выявить (т. е. вычленить ее конкретное влияние на параметры/характеристики процесса), то она естественным образом перейдет из разряда общих в разряд особых причин. Другими словами, при определенных условиях между двумя этими группами нет никакой иной разницы, кроме того, что мы либо не можем определить, как каждая из многих причин влияет на процесс, либо это слишком дорогое удовольствие, которое не окупится этим приобретенным знанием. Может быть, для особых причин вариаций, которые до того были общими, следовало бы придумать какое-либо иное название, чтобы отличать их от тех, какие оказываются посторонними для процесса. Но, с другой стороны, как только мы выяснили какую-либо конкретную причину вариабельности, она тем самым автоматически становится особой причиной в том смысле, что сама возможность ее устранения приводит к этому выводу. Для практики, однако, важно не погружение в эти философские дебри, а понимание того, что само разделение причин вариаций на общие и особые принципиально важно для принятия решений и последующих действий, и именно в этом смысле мы говорим о принципиальном различии общих и особых причин вариаций.

Операциональные определения

Приведенные выше определения общих и особых причин вариаций хотя и понятны, но бесполезны с практической точки зрения. В самом деле, как с помощью таких определений можно ответить на вопрос: какие причины вариаций присутствуют в том или ином конкретном процессе, а какие – нет? К сожалению, подобных определений в самых различных сферах человеческой деятельности очень много, и именно поэтому У. Шухарт, а затем и Э. Деминг постоянно уделяли внимание тому, как избавиться от неоднозначности понимания разными людьми одних и тех же слов. Для этого они предложили использовать понятие об «операциональных определениях».

Операциональное определение – определение, которое понятно всякому разумному человеку и которым можно воспользоваться на практике [Wheeler 1993]. Иначе: операциональным называют определение, передающее значение некоторого понятия, конкретизируя как способ измерения той или иной величины, так и условия применения соответствующих результатов. Таким образом, операциональное определение должно:

● давать точное понимание смысла написанных или высказанных слов так, чтобы все участники процесса воспринимали этот смысл одинаково;

● пояснять, как данное слово или фраза применяется в конкретных обстоятельствах и ситуациях.

Более строгое определение выглядит так.

Операциональные определения – это такие определения, которые понятны и для которых указан практический способ их однозначной реализации.

Другими словами, операциональные определения – это конкретизация значения того или иного термина применительно к данной конкретной системе и для данных конкретных людей, в ней задействованных. Работоспособность или действенность операционального определения проверяется только практикой его применения: если оно помогает людям в достижении цели системы – оно работает, если нет – то нет.

Потребность в операциональных определениях продиктована многозначностью слов языка и неоднозначностью их трактовки людьми в зависимости от ситуации. Такие слова, как «хороший», «плохой», «дефектный», «надежный», «однородный» и т. д., могут пониматься людьми по-разному, что будет приводить к непониманию, потерям времени и ресурсов, увеличению вариабельности наших процессов.

Идея операциональных определений восходит к работам лауреата Нобелевской премии, английского физика П. Бриджмена – основоположника нового направления в философии физики, названного «операционализмом» [Bridgman 1927]. Этот подход получил развитие и подвергался критике в работах многих выдающихся физиков, склонных к философии, например Ф. Франка [Франк 1960] и Р. Карнапа [Карнап 1971].

Однако, как и все на свете, операциональные определения – не панацея. Они ведут к некоторым серьезным трудностям. И главная из них, видимо, заключается в том, что у тех, кто применяет операциональные определения, не совпадают объемы понятий, вкладываемых даже в обыденные слова, через которые даются операциональные определения. Более того, эти объемы еще и меняются во времени, что вносит дополнительные осложнения. Поэтому желательно, чтобы операциональное определение состояло из следующих трех элементов:

● процедуры измерения параметра или характеристики;

● критерия оценки результата этого измерения;

● правила принятия решения о соответствии или несоответствии результата требованиям критерия.

Пусть, например, мы с вами решили открыть «забегаловку» с вывеской «Горячий кофе». Чтобы она успешно работала, в числе многих прочих условий должно быть и операциональное определение понятия «горячий кофе» (в противном случае те люди, которые будут у нас работать, будут определять смысл слова «горячий» в соответствии со своими личными ощущениями, что приведет к росту числа недовольных посетителей). Для этого следует собрать данные о температуре кофе и личных ощущениях достаточно большой группы наших потребителей, обработать эти данные, после чего может получиться нечто следующее: «Мы будем считать кофе горячим, если температура напитка, измеренная 100-градусным ртутным или спиртовым термометром с ценой деления 1 °C, лежит в диапазоне от 87 до 96 °C, при условии что точка измерения находится посередине (на глаз) объема, занимаемого напитком, и момент измерения отстоит от момента налива не более чем на 2 минуты, измеряемые по обычным наручным часам».

Здесь описана процедура – где, что, когда и чем измерять, критерий – диапазон температур и правило принятия решения – кофе считается горячим, если его температура (измеренная указанным способом) лежит в указанном диапазоне. Применительно к системам качества операциональность определений можно интерпретировать как такое описание процедур, когда результат их выполнения не зависит от личности выполняющего.

И У. Шухарт, и Э. Деминг уделяли очень большое внимание проблеме операциональных определений. Вот несколько выдержек из книги д-ра Деминга [Деминг 2007].

■ Практика более требовательна, чем чистая наука; более требовательна, чем обучение.

■ Как чистая, так и прикладная науки постоянно ужесточают требования к точности и сходимости… Тем не менее прикладная наука, особенно в массовом производстве взаимозаменяемых деталей, даже более требовательна по отношению к некоторым аспектам точности и сходимости, чем чистая наука. Например, теоретик проводит серию измерений и на их основе делает то, что он считает наилучшими оценками точности и сходимости, безотносительно к тому, как мало измерений у него есть. Он охотно согласится, что будущие исследования могут доказать ошибочность этих измерений. Возможно, все, что он сможет про них сказать, это то, что они настолько хороши, насколько любой разумный специалист мог получить на основе тех данных, какие были доступны в момент, когда проводились измерения. Но давайте теперь посмотрим на практика. Он знает, что если бы он действовал на основе тех скудных данных, какие доступны теоретику, то он сделал бы такие же ошибки, как и теоретик. Он также знает, что из-за его ошибки кто-то может потерять кучу денег, или получить травму, или и то и другое.

■ У специалиста на производстве есть и другие основания для беспокойства. Он знает, что допуски на показатели качества, включающие требования к фиксированной точности и сходимости, могут стать основой контракта, и он знает, что любая неопределенность в значении любого термина, используемого в требованиях, включая такие, как точность и сходимость, может привести к взаимному непониманию и даже к юридическим последствиям. Следовательно, практик считает желательным продвинуться столь далеко в установлении определенных и операционально подтверждаемых значений таких терминов, насколько это только представляется разумным.

■ Не существует точных значений; не существует истинных значений ни для чего на свете.

■ (Рассмотрим) Подсчет людей, находящихся на некоторой площади. Ожидается, что две процедуры измерения или подсчета (назовем их А и Б) приведут к различным результатам. Ни одна из двух цифр не правильна и не ложна. Однако специалисты в данной области могут иметь предпочтения в отношении метода А по сравнению с методом Б… Предпочтительная процедура отличается тем, что она, предположительно, дает или давала бы результаты, наиболее близкие к тому, что нужно для конкретного случая; а также тем, что ее альтернатива дороже или требует больше времени, или ее нельзя осуществить… Так как предпочтительная процедура всегда подвержена модификации или устареванию, мы вынуждены заключить, что ни точность, ни смещение никакой процедуры никогда не могут быть известны в строго логическом смысле…

■ Не существует истинного числа жителей при проведении переписи.

■ …среднее процесса будет зависеть от метода, каким берутся выборочные партии, а также от метода испытаний и установленных критериев. Измените метод взятия выборок или метод испытаний, и вы получите новое число дефектов в данной партии и новое среднее процесса. Таким образом, не существует истинного значения для числа дефектных изделий в заданной партии, и не существует истинного значения для среднего процесса.

■ …не существует истинного значения для скорости света. Результаты, получаемые для скорости света, зависят от метода, используемого экспериментатором (микроволны, интерферометр, электрооптический дальномер, молекулярный спектр). Более того…

■ метод измерения не существует, если только результаты не демонстрируют состояние статистической управляемости…

■ Каждый считает, что он знает, что такое загрязнение, до тех пор пока он не попытается объяснить это кому-то еще. Требуется операциональное определение загрязнения рек, загрязнения почвы, загрязнения улиц. Эти слова не имеют смысла, пока они не определены статистически. Например, недостаточно сказать, что воздух, содержащий 100 частиц окиси углерода на миллион, опасен. Надо конкретизировать: а) что это или большее количество опасно, если оно присутствует в любой момент, или б) что это или большее количество опасно, если оно присутствует в воздухе в течение рабочей смены. И как эта концентрация должна измеряться?

■ Означает ли загрязнение, что (например) окись углерода в достаточной концентрации приведет к заболеванию после трех вдохов, или имеется в виду, что окись углерода в достаточной концентрации приведет к заболеванию, если вдыхать ее постоянно в течение пяти дней? И, в любом случае, как это влияние будет выявлено? С помощью какой процедуры будет обнаружена окись углерода? Как диагностировать или каков критерий отравления? Люди? Животные? Если люди, то как они будут отбираться? Сколько их? Сколько человек в выборке должно удовлетворять критерию отравления от окиси углерода для того, чтобы можно было заявить о небезопасности воздуха при нескольких вдохах или при постоянном вдыхании? Те же вопросы, если речь идет о животных.

■ Даже прилагательное «чистый» не имеет значения в бизнесе, если только оно не определено операционально через метод испытаний и критерий. Чистый означает одно для тарелок, ножей и вилок в ресторане – и нечто другое в производстве твердых дисков для компьютера или в производстве транзисторов.

■ Каков смысл закона о том, что масло, поступающее в продажу, должно иметь 80 % молочного жира? Означает ли это 80 или более процентов молочного жира в каждом фунте, который вы покупаете? Или это означает 80 % в среднем? Что вы имели бы в виду, говоря о 80 % молочного жира в среднем? Среднее по всем вашим покупкам масла в течение года? Или вы имели бы в виду среднее производство всего масла за год или ваши и других людей покупки в определенном месте? Сколько фунтов вы бы проверили, чтобы вычислить среднее? Как бы вы выбирали масло для проверочных испытаний? Были бы вы обеспокоены вариацией содержания молочного жира от фунта к фунту?

■ Очевидно, что любая попытка определить операционально, что такое 80 % молочного жира, тут же приводит к появлению статистических методов и критериев. Таким образом, слова «80 % молочного жира» сами по себе бессмысленны.

■ Операциональные определения нужны для экономики и надежности. Без операциональных определений того, что такое (например) безработица, загрязнение, безопасность продукции и устройств, эффективность (например, лекарств), побочные эффекты, длительность дозы до того, как проявятся побочные эффекты, все эти концепции не имеют смысла, если только они не определены статистически. Без операциональных определений исследования проблем будут дорогостоящими и неэффективными, почти наверняка приводя к бесконечным спорам и противоречиям.

Вернемся теперь к общим и специальным причинам вариаций. Как мы уже отмечали, приведенное выше определение общих и специальных причин вариаций не операционально, т. е. не пригодно для практического использования. Однако У. Шухарт в том же далеком 1924 г. создал и операциональное определение общих и специальных причин вариаций. Для этого как раз и служат изобретенные им контрольные карты.

Контрольная карта Шухарта (ККШ) – это временной график, показывающий расположение последовательных значений некоей характеристики/параметра процесса, нанесенных в виде точек в выбранном масштабе, относительно центральной линии и одной или двух контрольных границ, определяемых по специальным правилам (рис. 3.2).

Операциональное определение общих и особых причин вариаций

Общими причинами вариаций называют те причины, при которых все отклонения параметров/характеристик процесса на подходящей контрольной карте находятся внутри заданных границ и не обнаруживают ни серий, ни других неслучайных структур. В этом случае процесс называют статистически управляемым или стабильным.

Особыми причинами вариаций называют причины, которые на подходящей контрольной карте соответствуют либо выходящим за контрольные границы точкам, либо точкам, показывающим серии и/или другие неслучайные структуры. Если особые причины вариаций присутствуют на контрольной карте, то процесс называют статистически неуправляемым или нестабильным.

На рис. 3.2 все точки, кроме 16-й, находятся внутри границ контрольной карты, т. е. все они соответствуют общим причинам вариаций, а 16-я точка вышла за границу – т. е. это точка особой причины – она сигнализирует о вмешательстве в процесс.

На рис. 3.3 показано, почему в случае наличия только общих причин вариабельности процесс называют управляемым или предсказуемым, а при наличии особых причин его называют неуправляемым или непредсказуемым (этот рисунок взят нами из руководства по SPC для поставщиков автомобильной промышленности [SPC 2005 или СУП 2006, рис. 1.2]).

В верхней левой части рис. 3.3 показана ситуация, когда присутствуют только общие, или внутренние системные, причины вариабельности. Картинка показывает, что в этом случае мы имеем вариабельность, которая не меняется во времени. То есть разброс есть (поскольку его не может не быть), но он постоянен (пока постоянна сама система)¹⁰. Это означает, что мы можем предсказывать будущее, по крайней мере в среднем. То есть мы, конечно, не можем предсказать, какое конкретное значение будет получено при следующем измерении, однако можем с большой достоверностью предсказать, каков будет выход годных для данного процесса, каковы будут его среднее значение и стандартное отклонение (что такое среднее, читатель данной книги должен знать. Что такое стандартное отклонение, мы объясним ниже).