Manufacturing hoạt động

Phân tích nguyên nhân gốc

Root Cause — Truy nguyên nguyên nhân

Đã chạy được. Mục này có công cụ tính toán thật trên nền tảng, không phải mô tả lộ trình.

Phân loại ABC từ file Pareto theo giá trị cho danh mục hàng nghìn mục

Tải danh mục hàng, khách hàng hay nhà cung cấp lên và nhận ngay phân loại ABC — nền của mọi chính sách tồn kho và chăm sóc khác biệt theo nhóm.

Đang chạy trên dữ liệu mẫu, không phải dữ liệu của bạn. Các ô còn nguyên mẫu dựng sẵn: Danh sách (tên, giá trị). Chọn nguồn dữ liệu khác ở cột bên trái rồi chạy lại để có kết quả của riêng bạn.
Nhóm A 3 mục
Nhóm B 2 mục
Nhóm C 5 mục
Tổng giá trị 367,210.00
① Nguồn dữ liệu

Nhận dấu phẩy, chấm phẩy hoặc tab; tự nhận dòng tiêu đề; hiểu cả 1.234.567 lẫn 1.234,56.

Chỉ tải http/https tới địa chỉ công khai; địa chỉ nội bộ bị từ chối.

② Tham số

Giá trị mặc định là ví dụ chạy được — bấm Tính ngay để xem kết quả, rồi thay dữ liệu của bạn vào.

Đường Pareto — giá trị luỹ kế

Đường Pareto — giá trị luỹ kế107.482.0156.6631.3112345678910

Trục dọc là % giá trị luỹ kế. 20% mục đầu chiếm 59.5%. Đường càng cong lên nhanh thì phân loại ABC càng có ích; đường gần thẳng nghĩa là mọi mục quan trọng như nhau.

Diễn giải nhanh

Nhóm A: 3 mục (30% số mục) chiếm 74% giá trị

Đây là nhóm đáng bỏ công kiểm soát chặt: đếm thường xuyên, dự báo riêng, thương lượng giá riêng.

20% mục đầu chiếm 59.5% giá trị

Quy tắc 80/20 chỉ là quan sát kinh nghiệm. Dưới 60% nghĩa là danh mục này khá phẳng và phân loại ABC ít giá trị hơn bình thường.

Nhóm C: 5 mục chiếm 9.0% giá trị

Nhóm này nên quản lý bằng quy tắc đơn giản. Bỏ công tối ưu ở đây thường tốn nhiều hơn phần tiết kiệm được.

Khi nào con số này sai: Phân loại ABC theo giá trị KHÔNG nói gì về độ biến động. Một mặt hàng nhóm A nhưng nhu cầu thất thường cần chính sách hoàn toàn khác một mặt hàng nhóm A ổn định — đó là lý do có thêm trục XYZ.

Chi tiết

Nhóm A 3 mục (30.0%) · 73.7% giá trị
Nhóm B 2 mục (20.0%) · 17.3% giá trị
Nhóm C 5 mục (50.0%) · 9.0% giá trị
5 mục lớn nhất SKU-004 (38.7%) · SKU-006 (20.8%) · SKU-001 (14.2%) · SKU-010 (10.6%) · SKU-008 (6.8%)
Tỷ lệ 20% đầu 59.5% giá trị
Ngưỡng dùng A ≤ 80% · B ≤ 95% giá trị luỹ kế

Đường Pareto — giá trị luỹ kế

Đường Pareto — giá trị luỹ kế107.482.0156.6631.3112345678910

Trục dọc là % giá trị luỹ kế. 20% mục đầu chiếm 59.5%. Đường càng cong lên nhanh thì phân loại ABC càng có ích; đường gần thẳng nghĩa là mọi mục quan trọng như nhau.

10

Nhóm ANhóm BNhóm C
10Nhóm A: 270,500 (73.7%)Nhóm B: 63,700 (17.3%)Nhóm C: 33,010 (9.0%)10

Chia theo GIÁ TRỊ, không theo số lượng mục.

Toàn bộ chỉ số

Nhóm A 3 mục (30.0%) · 73.7% giá trị
Nhóm B 2 mục (20.0%) · 17.3% giá trị
Nhóm C 5 mục (50.0%) · 9.0% giá trị
5 mục lớn nhất SKU-004 (38.7%) · SKU-006 (20.8%) · SKU-001 (14.2%) · SKU-010 (10.6%) · SKU-008 (6.8%)
Tỷ lệ 20% đầu 59.5% giá trị
Ngưỡng dùng A ≤ 80% · B ≤ 95% giá trị luỹ kế

Cách dùng

  1. Điền tham số ở cột trái. Mọi ô đã có sẵn giá trị ví dụ chạy được, nên bạn có thể bấm Tính ngay trước rồi sửa sau.
  2. Với ô dữ liệu: dán vài chục dòng để thử, hoặc tải file CSV/TXT lên để chạy thật. File tối đa 32 MB, 200.000 dòng; bộ đọc nhận dấu phẩy, chấm phẩy hoặc tab, tự nhận dòng tiêu đề, và hiểu cả 1.234.567 lẫn 1.234,56.
  3. Đọc thẻ số ở trên cùng, rồi mục Diễn giải nhanh để biết con số đó nói gì.
  4. Đọc dòng “Khi nào con số này sai” trước khi dùng kết quả để quyết định — đó là giả định vỡ đầu tiên.
Giới hạn chung. Công cụ này tính đúng công thức của nó trên dữ liệu bạn đưa vào. Nó không kiểm tra dữ liệu của bạn có phù hợp với giả định của phương pháp hay không — phần đó vẫn là việc của người dùng, và mục “sai ở đâu” bên dưới trang liệt kê các chỗ hỏng thường gặp.

Phân tích nguyên nhân gốc là gì

Phân tích nguyên nhân gốc tìm nguyên nhân thật sự thay vì triệu chứng. Về mặt định lượng, công việc là thu hẹp không gian nghi ngờ bằng dữ liệu chứ không bằng thâm niên người phát biểu.

Làm thế nào

  1. Phân tầng dữ liệu lỗi theo ca, máy, lô nguyên liệu, thời gian.
  2. Dùng biểu đồ Pareto để chọn nhóm chiếm phần lớn vấn đề.
  3. Kiểm định giả thuyết trên từng yếu tố nghi ngờ.
  4. Xác nhận bằng cách tái tạo lỗi có chủ đích khi khả thi.

Đo bằng chỉ số nào

Pareto 80/20 nhóm nguyên nhân chiếm phần lớn số lỗi
Tỷ lệ tái diễn sau khắc phục phép thử duy nhất cho 'gốc'

Sai ở đâu

Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.

! D
!
! n
! g
!
!
!
! n
! g
! u
! y
! ê
! n
!
! n
! h
! â
! n
!
! đ
!
! u
!
! t
! i
! ê
! n
!
! t
! ì
! m
!
! t
! h
!
! y
!
! v
! ì
!
! n
! ó
!
! k
! h
!
! p
!
! v
!
! i
!
! l
! i
! n
! h
!
! c
!
! m
!
! b
! a
! n
!
! đ
!
! u
! .

Mô hình định lượng dùng trong Manufacturing

Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.

Tất cả mô hình →
Monte Carlohoạt động

Lấy mẫu ngẫu nhiên để ước lượng phân phối kết quả.

XGBoostbeta

Gradient boosting trên cây, tối ưu hoá mạnh.

Support Vector Machinesắp có

Tìm siêu phẳng phân tách với biên lớn nhất.

CNNsắp có

Tích chập cho dữ liệu có cấu trúc không gian.

Câu hỏi thường gặp

Phân tích nguyên nhân gốc là gì?

Phân tích nguyên nhân gốc tìm nguyên nhân thật sự thay vì triệu chứng. Về mặt định lượng, công việc là thu hẹp không gian nghi ngờ bằng dữ liệu chứ không bằng thâm niên người phát biểu.

Phân tích nguyên nhân gốc được làm như thế nào?

1. Phân tầng dữ liệu lỗi theo ca, máy, lô nguyên liệu, thời gian. 2. Dùng biểu đồ Pareto để chọn nhóm chiếm phần lớn vấn đề. 3. Kiểm định giả thuyết trên từng yếu tố nghi ngờ. 4. Xác nhận bằng cách tái tạo lỗi có chủ đích khi khả thi.

Phân tích nguyên nhân gốc hay sai ở đâu?

D ừ n g ở n g u y ê n n h â n đ ầ u t i ê n t ì m t h ấ y v ì n ó k h ớ p v ớ i l i n h c ả m b a n đ ầ u .

Đo phân tích nguyên nhân gốc bằng chỉ số nào?

Pareto 80/20 — nhóm nguyên nhân chiếm phần lớn số lỗi; Tỷ lệ tái diễn sau khắc phục — phép thử duy nhất cho 'gốc'.

Phân tích nguyên nhân gốc trên QuantHub đã dùng được chưa?

Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.

Chủ đề khác trong Quality

Toàn bộ Manufacturing
SPC AQL Defect Detection Yield Prediction AI Vision