Nousevien laatuongelmien varhainen tunnistaminen takuu- ja reklamaatiodatasta
Seppänen, Sami (2024)
2024
Automaatiotekniikan DI-ohjelma - Master's Programme in Automation Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2024-10-07
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202408308443
https://urn.fi/URN:NBN:fi:tuni-202408308443
Tiivistelmä
Reklamaatiot tarjoavat yritykselle korvaamattoman näkymän tuotteiden laatuun ja luotettavuuteen asiakaskokemuksen kautta. Sen vuoksi takuu- ja reklamaatiodata on keskeinen resurssi liiketoiminnan jatkuvalle parantamiselle ja sen huolellinen käsittely ja analysointi on erityisen tärkeää. Takuu- ja reklamaatiodatan hyödyntäminen eri toimintojen päätöksenteossa voi tuoda merkittäviä säästöjä tulevaisuudessa huonon laadun kustannusten vähentyessä.
Valitettavasti datan täyttä potentiaalia hyödynnetään usein vain osittain. Reklamaatioiden perusteella tehdyt johtopäätökset perustuvat joko asiantuntijoiden tuntumaan ja kokemukseen tai yksinkertaisiin kuvaileviin analyyseihin ja visualisointeihin. Edistyneempiä tilastollisia menetelmiä hyödynnetään vain harvoin, eikä niiden käyttö ole systemaattista tai automaattista. Tärkeitä havaintoja voi jäädä tekemättä.
Tässä diplomityössä tutkittiin työkoneiden reklamaatiodatan hyödyntämistä nousevien laatuongelmien varhaisessa tunnistamisessa tilastollisten menetelmien avulla. Tutkimus jakautui kahteen vaiheeseen: 1) tulevan reklamaatiokehityksen ennustaminen ja 2) poikkeavan kehityksen tunnistaminen ennustetusta aikasarjasta.
Reklamaatioiden määrää mitattiin 'reklamaatiota per kone' -mittarilla (engl. Failures Per Machine, FPM). FPM12-mittari laskee koneiden keskimääräisen reklamaatiomäärän kypsässä 12 kuukauden iässä. Mittarin heikkoutena on viive: alle 12 kuukauden ikäisten koneiden FPM12 jatkaa vielä nousuaan, eikä ole verrattavissa kypsien koneiden lukemaan.
Varhaisen tunnistamisen mahdollistamiseksi kypsymättömien koneiden reklamaatiokehitys ennustettiin käyttäen lineaariregressiota ja tässä työssä kehitettyä kasvukäyräennustetta. Näissä menetelmissä huomioitiin koneiden ikä ja koneille siihen mennessä kohdistetut reklamaatiot. Ennusteiden avulla kypsää FPM12-aikasarjaa jatkettiin nykyhetkeen.
Poikkeava kehitys ennustetusta FPM12-aikasarjasta tunnistettiin EWMA-kontrollikortin avulla. Kortin normaalin vaihtelun rajat määritettiin kypsien koneiden historiallisen kehityksen perusteella. Säädettävinä parametreina olivat hälytysrajojen leveys alfa ja liukuvan keskiarvon painotus lambda.
Menetelmiä testattiin maailman suurimpiin kuuluvan raskaita työkoneita valmistavan yrityksen takuu- ja reklamaatiodatalla. Testaus tapahtui simuloimalla historiallista datavirtaa, johon menetelmiä sovellettiin. Tutkimuksen tulokset osoittivat, että reklamaatiodatasta voidaan tunnistaa laatuongelmiin viittaavia muutoksia. Malli havaitsi parannusprojekteihin johtaneet reklamaatiokehitykset keskimäärin 12 viikkoa asiantuntijoita aikaisemmin 82 %:n tarkkuudella. Väärät hälytykset (6 %) ja havaitsematta jääneet tapaukset (12 %) johtuivat yleensä siitä, että reklamaatiomäärien nousu ei aina ole ainoa kriteeri parannustoimenpiteiden aloittamiseksi.
Reklamaatiodatan potentiaali voidaan hyödyntää tehokkaammin automatisoimalla edistyneitä analysointiprosesseja. Tutkimusta varten luotu nousevia laatuongelmia tunnistava malli on automatisoitavissa, niin että se analysoi reklamaatiovirtaa reaaliajassa ja hälyttää asiantuntijoita havaitsemistaan poikkeamista. Malli ei korvaa asiantuntijoita, mutta voi tuottaa heille enemmän informaatiota työn ja päätöstenteon tueksi.
Valitettavasti datan täyttä potentiaalia hyödynnetään usein vain osittain. Reklamaatioiden perusteella tehdyt johtopäätökset perustuvat joko asiantuntijoiden tuntumaan ja kokemukseen tai yksinkertaisiin kuvaileviin analyyseihin ja visualisointeihin. Edistyneempiä tilastollisia menetelmiä hyödynnetään vain harvoin, eikä niiden käyttö ole systemaattista tai automaattista. Tärkeitä havaintoja voi jäädä tekemättä.
Tässä diplomityössä tutkittiin työkoneiden reklamaatiodatan hyödyntämistä nousevien laatuongelmien varhaisessa tunnistamisessa tilastollisten menetelmien avulla. Tutkimus jakautui kahteen vaiheeseen: 1) tulevan reklamaatiokehityksen ennustaminen ja 2) poikkeavan kehityksen tunnistaminen ennustetusta aikasarjasta.
Reklamaatioiden määrää mitattiin 'reklamaatiota per kone' -mittarilla (engl. Failures Per Machine, FPM). FPM12-mittari laskee koneiden keskimääräisen reklamaatiomäärän kypsässä 12 kuukauden iässä. Mittarin heikkoutena on viive: alle 12 kuukauden ikäisten koneiden FPM12 jatkaa vielä nousuaan, eikä ole verrattavissa kypsien koneiden lukemaan.
Varhaisen tunnistamisen mahdollistamiseksi kypsymättömien koneiden reklamaatiokehitys ennustettiin käyttäen lineaariregressiota ja tässä työssä kehitettyä kasvukäyräennustetta. Näissä menetelmissä huomioitiin koneiden ikä ja koneille siihen mennessä kohdistetut reklamaatiot. Ennusteiden avulla kypsää FPM12-aikasarjaa jatkettiin nykyhetkeen.
Poikkeava kehitys ennustetusta FPM12-aikasarjasta tunnistettiin EWMA-kontrollikortin avulla. Kortin normaalin vaihtelun rajat määritettiin kypsien koneiden historiallisen kehityksen perusteella. Säädettävinä parametreina olivat hälytysrajojen leveys alfa ja liukuvan keskiarvon painotus lambda.
Menetelmiä testattiin maailman suurimpiin kuuluvan raskaita työkoneita valmistavan yrityksen takuu- ja reklamaatiodatalla. Testaus tapahtui simuloimalla historiallista datavirtaa, johon menetelmiä sovellettiin. Tutkimuksen tulokset osoittivat, että reklamaatiodatasta voidaan tunnistaa laatuongelmiin viittaavia muutoksia. Malli havaitsi parannusprojekteihin johtaneet reklamaatiokehitykset keskimäärin 12 viikkoa asiantuntijoita aikaisemmin 82 %:n tarkkuudella. Väärät hälytykset (6 %) ja havaitsematta jääneet tapaukset (12 %) johtuivat yleensä siitä, että reklamaatiomäärien nousu ei aina ole ainoa kriteeri parannustoimenpiteiden aloittamiseksi.
Reklamaatiodatan potentiaali voidaan hyödyntää tehokkaammin automatisoimalla edistyneitä analysointiprosesseja. Tutkimusta varten luotu nousevia laatuongelmia tunnistava malli on automatisoitavissa, niin että se analysoi reklamaatiovirtaa reaaliajassa ja hälyttää asiantuntijoita havaitsemistaan poikkeamista. Malli ei korvaa asiantuntijoita, mutta voi tuottaa heille enemmän informaatiota työn ja päätöstenteon tueksi.