Hur ser nuläget ut kopplat till avvikelser?

Det stod innan studien började klart att många N3 avvikelseutredningar inte håller den uppsatta 10 dagars målet enligt EFA:s nyckeltal. Detta kunde genom styrdiagramet

verifieras samt ytterligare visualiseras se figur 13. Styrdiagramet indikerar på stor variation i ledtiden för utredning. Variationer i ett system kan ha flera orsaker det kan tillexempel bero på systematiska eller slumpmässiga variationer (Sörqvist, 2004)

Styrgränsen som skulle kunna antas för styrdiagramet som visualiserar ledtiden är

Övrestyrgräns, Sö (3σ): 24, Målvärde: ≤10 se figur 27. I och med att processen gärna får ha ett utfall som är lägre än 10 dagar antas ingen undre styrgräns. Sörqvist menar att punkter utan för den övre styrgränsen visar på systematisk variation (2004). För avvikelserna på EFA 2020 förekommer tre avvikelseutredningar utanför den övre styrgränsen. Utifrån nuläget av spridningen kan processen konstateras att den i nuläget inte är duglig. För att uppnå duglighet kommer förbättringsarbete krävas för att minska ledtiderna för att nå önskvärt måltillstånd ≤10 dagars utredningstid för N3 avvikelser. För att kunna styra ytterligare behövs en toleransgräns definieras. Toleransgränsen skulle placeras mellan målvärdet och den övre styrgränsen. Avvikelser eller utfall som hamnar inom

toleransgränsen kommer anses som godtagbara.

Figur 27: Styrdiagram för N3 avvikelseutredning uträknad övrestyrgräns Sö: 24, Målvärde:

≤10.

Ett system eller i det här fallet en process berörs av många olika faktorer vilka alla har påverkan på det slutgiltiga resultatet (Magnusson, et al., 2016). Genom att arbeta standardiserat kan slumpmässiga variationer reduceras. De systematiska variationerna behöver studeras individuellt för att förstå orsaken till de specifika systematiska

av avvikelsen har ändrats, det skulle även kunna bero på att externa leverantörer varit inblandade vilket fördröjer utredningen då samarbete externt måste föras.

Avvikelsetrenderna som tagits fram visar på en sjunkande trend i det övergripande medelvärdet. Från 2017 till 2019 har medelvärdet för N3avvikelser sjunkit se tabell 6. Tabell 6:

Medelvärde antal avvikelser 2017-2019

Antal avvikelser 2017 Antal avvikelser 2018 Antal avvikelser 2019

Medelvärde: 14 Medelvärde: 10 Medelvärde: 11 Antal N3 Antal N3 Antal N3 Medelvärde: 11 Medelvärde: 9 Medelvärde: 8 Antal N2 Antal N2 Antal N2 Medelvärde: 3 Medelvärde: 1 Medelvärde: 2 Andel N1 Andel N1 Andel N1 Medelvärde: 0 Medelvärde: 0 Medelvärde: 0

Not: Tabellen redovisar medelvärdet för antalet avvikelser 2017-2019

Pareto-diagramen som uppförs för avvikelser koder visar på att den mest vanliga problemorsaken är oförändrad oavsett vilket år som belyses.

Den vanligaste felorsaken är ”Man-skills and knowledge”, resultatet från paretodiagramet stämmer överens med respondenternas uppfattning om att handhavande är det vanligaste orsaken till att avvikelser uppstår.

”Man-skills and knowledge” innebär en att avvikelsen har bedömts bero på orsaker som: - Bristfällig dokumentation

- Felaktigt beslut

- Ouppmärksamhet på detaljer

Orsakskoden används primärt avvikelseteamet för att identifiera trendande avvikelser. Men informationen kan också användas för att beskriva nuläget kopplat till huvudprocessens vanligaste felorsaker, vilket i sin tur kan användas för vidare kunna felreducera där det krävs som mest.

”Production-documentation” och ”Production-operation” vad de problem koder som var mest förekommande under 2018–2020.

Inom kategorin ”Man skills and knowledge” visade tabell 1, 2 och 3 att avvikelserna övervägande kom från dokumentations fel och handhavande fel i produktion. Vilket skulle kunna bero svårförståeliga instruktioner, inte tillräcklig utbildning, bristande

uppmärksamhet, låg uppteckningsgrad av fel, högt tempo, stress, bristande fokus. De problemorsaker som analyserats i pareto-diagramen kan på grund av olika källor av sekundärdata inte slås samman med produkthärledningen.

EFA:s nyckeltal som redovisar antalet avvikelsefria fira batcher differentierar inte produkter. Genom att istället för en generalisering av avvikelsefrekvensen differentiera produkter kan ett mer beskrivande läge visualiseras och nuläget kopplat till respektive produkt identifieras. Avvikelsefrekvensen per produkt A, B och C visade att produkt B trots att den till verkas i lägre kvantitet har en högre felfrekvens per producerad batch, än

produkt C. Resultatet från 2020 är inte fullständigt rättvisande då datan som använts endast härstammar från tre månaders produktion vilket gör resultatet från 2020 svårt att jämföra

med 2018 och 2019 års resultat. Andelen avvikelser per batch visar hur produkt B har en högre andel avvikelser per tillverkad batch än produkt A och C se tabell 5.

När andelen N3 avvikelser fördelat på totala antalet avvikelser för produkt A, B och C räknas ut blir produktkategorierna jämförbara år till år trots att tillverkningsmängden ökat. Genom att fördela avvikelser över de utvalda produkterna går det att utläsa vilken produkt som genererar störst andel avvikelser se tabell 7. På grund av avgränsningar tas inte andra produkter i beaktande, men systemet går att expandera i stötte skala för att ge en mer målande översikt över hela EFA:s produktion.

Tabell 7:

Procentuell fördelning av N3 avvikelser

2018 2019 2020

A andel avvikelser: 18% A andel avvikelser: 5% A andel avvikelser: 20% B andel avvikelser: 22% B andel avvikelser: 14% B andel avvikelser: 40% C andel avvikelser: 60% C andel avvikelser: 82% C andel avvikelser: 40%

Not: Tabellen visar den procentuella fördelningen av N3 avvikelser per produkt

Koppling till orsakskoder har inte kunnat genomföras då sekundärdatan i sin form inte visar på specifik produkt tillsammans med orsakskoder.

Troligt är att orsakskoderna skulle avspegla resultatet som genererats genom

pareto-diagrammen där ”Man-skills and knowledge” identifierats som vanligaste orsakskod för avvikelserna.

Att studera utfallet av avvikelsefrekvensen och andel per produkt kan ses som en fas av förbättringscykeln, eller Deming hjulet (Moen och Norman, 2006) (Bergman och Klefsjö, 2012) där studera eller study utgör analyser av processensförmåga. Mätningarna och analysens resultat bör antas som en lärdom och vidare användas som grund för att planera och genomföra förbättringsinsatser eller kaizen arbete (Bergman och Klefsjö, 2012). Strategin av att grunda förändringsbeslut på fakta delas av flertalet ledning strategier så som offensivkvalitetsutveckling (Bergman och Klefsjö, 2012) och processledning (Egnell, 1994) (Isaksson, 2018) Six sigma (Magnusson, et al., 2016).

Att tyda informationen i form av mätningar av en process krävs ett tolkningsmedium. Att utforma en visuell styrning kan vara fördelaktigt för tolkning av signaler. Kaoru

Ishikawa hävdade att 95% av alla kvalitetsproblem kan elimineras genom användningen av visuella verktyg, de verktyg som Ishikawa syftade på var processkartor, Pareto-diagram, orsakan-verkandiagram, histogram, och styrdiagram. (Tezel, et al., 2009). Visuell styrning är används inom TPS och benämns i lean princip 7 ”Använd visuell styrning så att inga problem förblir dolda” (Liker, 2009, s. 196).