Ανάλυση κατά Pareto: Παίρνοντας την σωστή απόφαση

H ανάλυση κατά Pareto είναι μία τεχνική στατιστικής ανάλυσης που βοηθάει στην σωστή λήψη αποφάσεων για την βελτίωση μίας κατάστασης. 
Με την ανάλυση Pareto δεν επικεντρωνόμαστε σε όλες τις αιτίες ενός προβλήματος, αλλά μόνο στις πιο σημαντικές.

Ποιες είναι όμως οι αιτίες, από ένα σύνολο αιτιών, που
συνεισφέρουν περισσότερο σε ένα πρόβλημα;

Vilfredo Pareto

Ο Νόμος του 80/20

Την απάντηση δίνει η παραπάνω τεχνική ανάλυση, η οποία βασίζεται στον παγκόσμιο νόμο του 80/20. Ο νόμος του 80/20 είναι η βασική αρχή της ανάλυσης κατά Pareto και η οποία σημαίνει ότι:

Με μόνο 20% της προσπάθειας επιτυγχάνεται βελτίωση κατά 80% ή το 80% των παραγόντων που δημιουργούν ένα συνολικό πρόβλημα (αστοχία υλικού στην ποιότητα, προληπτική συντήρηση μηχανών, βλάβες μηχανών, πτώση ή αύξηση πωλήσεων, αύξηση κερδοφορίας ή μείωση κερδών στα οικονομικά, κατανομή πλούτου κλπ) συνεισφέρει μόνο στο 20% του συνολικού προβλήματος ή αλλιώς από όλα τα αίτια μόνο το 20% αυτών αξίζει να ασχοληθεί κανείς μαζί τους.

Στα τέλη του 1940 ο Joseph M. Juran, ο γκουρού στην διαχείριση και διασφάλιση ποιότητας, πρότεινε την αρχή αυτή που αργότερα πήρε το όνομα του Ιταλού οικονομολόγου Vilfredo Pareto. Ο Pareto παρατήρησε ότι το 80% των εσόδων στην Ιταλία προέρχεται από το 20% του πληθυσμού και επίσης ότι το 20% του πληθυσμού κατέχει το 80% της γης. Ο Pareto έκανε και άλλες έρευνες σε άλλες χώρες και διαπίστωσε με έκπληξη ότι η αρχή του 80/20 ίσχυε παντού.

Μερικά παραδείγματα:

• Το 20% του αέρα είναι υπεύθυνο για την ζωή στη γη, αφού αποτελείται από οξυγόνο και το υπόλοιπο 80% από άζωτο (αυτό που δεν φέρει ζωή). 
• Το 80% των παραπόνων των πελατών προέρχεται από το 20% των προϊόντων ή των παροχών υπηρεσίας μίας επιχείρησης. 
• Το 80% των μηχανικών καθυστερήσεων προέρχεται από το 20% των μηχανών μας. 
• Μόνο το 20% των προϊόντων ή των υπηρεσιών, μιας επιχείρησης, δίνει το 80% των κερδών της 
• Μόνο το 20% των πωλήσεων συνεισφέρει στο 80% των εσόδων 
• Μόνο το 20% των ελαττωμάτων προκαλεί μείωση κατά 80% στην ποιότητα ενός προϊόντος κοκ. 

Και για να είμαστε πάντα επίκαιροι με την παρούσα κατάσταση της αγοράς, μόνο το 20% των οφειλετών μας συνεισφέρει στο 80% των απωλειών μας σε κέρδη.

Έτσι, αντί να επικεντρωνόμαστε σε όλους τους πελάτες, που μας χρωστάνε χρήματα, καλό θα ήταν να «κυνηγάμε» την πληρωμή μας από το 20% των συνολικών οφειλετών μας. Έτσι θα καταφέρουμε βελτίωση στα κέρδη μας κατά 80%.

Τα Βήματα της Μεθόδου

1ο Βήμα: Εύρεση όλων των αιτιών του προβλήματος
Δημιουργούμε μία λίστα των αιτιών (1η στήλη Πιν.1) που είναι υπεύθυνες για την δημιουργία του προβλήματος και δίπλα τη στήλη με τα στατιστικά στοιχεία (χρόνος, τεμάχια, χρήματα, αριθμός επαναλήψεων, αριθμός ατόμων, τιμές χημικών αναλύσεων και οτιδήποτε είναι σε μέγεθος μετρήσιμο).

Πίνακας 1: Αρχικά Δεδομένα

2ο Βήμα: Μετατροπή των μετρήσιμων μεγεθών σε ποσοστά επί του συνόλου των αιτιών (2η στήλη Πίν.1)

3ο Βήμα: Ταξινόμηση των αιτιών κατά φθίνουσα σειρά
Το μεγαλύτερο ποσοστό της αιτίας έρχεται πρώτο και ακολουθούν τα υπόλοιπα μέχρι το ελάχιστο ποσοστό.

4ο Βήμα: Μετατροπή των μετρήσιμων μεγεθών σε συσσωρευτικό ποσοστό (3η στήλη Πίν.1)
Δηλαδή, το ποσοστό της επόμενης αιτίας να είναι ίσο με το ποσοστό της προηγούμενης συν το ποσοστό της [69.8% = 20.9% + 48.8%], [83.7% = 14% + 69.8%] κλπ.

Όλα τα παραπάνω βήματα φαίνονται στον Πίνακα 1

5ο Βήμα: Δημιουργία του διαγράμματος Pareto
Το διάγραμμα Pareto έχει στον άξονα των X τις περιγραφές των αιτιών του προβλήματος, που θέλουμε να επιλύσουμε, και στον αριστερό άξονα Y το ποσοστό της αιτίας (2η στήλη Πίν.1) σε μορφή ραβδογράμματος (bar chart). Το συσσωρευτικό ποσοστό απεικονίζεται σε μορφή καμπύλης με τον ίδιο άξονα Χ και ως άξονας Υ έχει τον δεξιό άξονα του διαγράμματος. Η κλίμακα του δεξιού άξονα πρέπει να είναι από 0 ως 100%.

Διάγραμμα Pareto

Από τον δεξιό άξονα φέρνουμε παράλληλη γραμμή ως προς τον άξονα Χ, ξεκινώντας από το σημείο του 80% του δεξιού άξονα Υ (συσσωρευτικό ποσοστό) μέχρι να συναντήσει την καμπύλη και από εκεί φέρνουμε κάθετη γραμμή στον άξονα των Χ.
Η κάθετη γραμμή δείχνει τον διαχωρισμό των σημαντικών από τις ασήμαντες αιτίες του προβλήματος. Έτσι, από την αριστερή πλευρά της καθέτου έχουμε το 20% περίπου των αιτιών που είναι σημαντικά και που εάν επιλυθούν θα μας φέρουν μία βελτίωση 80%.

Φυσικά για να παρθούν οι σωστές αποφάσεις και να προχωρήσουμε στην επίλυση ενός προβλήματος, πολλές φορές ίσως να πρέπει να δούμε και άλλες παραμέτρους. Όσα περισσότερα στατιστικά στοιχεία διαθέτουμε, τόσο πιο εύκολο είναι να στοχεύσουμε στις πραγματικές αιτίες και να πάρουμε τις σωστές αποφάσεις.

Παράδειγμα Ανάλυσης κατά Pareto: Προληπτική Συντήρηση Μηχανών

Συχνά στην παραγωγική διαδικασία ενός προϊόντος αντιμετωπίζουμε προβλήματα απόδοσης των μηχανών, οι οποίες οφείλονται στις συχνές διακοπές λόγω μη σωστών ρυθμίσεων ή μη σωστής συντήρησης. Αυτό έχει ως αποτέλεσμα την μείωση της παραγωγικότητας της γραμμής και την αύξηση των λειτουργικών εξόδων (χαμένες εργατοώρες, σπατάλη Α ' υλών, αύξηση του κόστους της επισκευής και επιδιόρθωση των μηχανών κλπ).

Η σωστή εφαρμογή της προγραμματισμένης συντήρησης των μηχανών θα αυξήσει την απόδοση της γραμμής και το συνολικό κόστος του παραγόμενου προϊόντος θα μειωθεί.

Επομένως το πρόβλημα μπορεί να διατυπωθεί ως εξής:

“Η γραμμή παραγωγής έχει μειωμένη απόδοση εξαιτίας των συχνών βλαβών των μηχανών μου”

και τα ερωτήματα που γεννιούνται είναι:

“Ποιες από τις μηχανές μου εμφανίζουν βλάβες και σε ποια μηχανή ή μηχανές θα πρέπει να επικεντρώσω την προσοχή μου ώστε με το ελάχιστο κόστος συντήρησης και επισκευής να αυξήσω την απόδοση της παραγωγικής διαδικασίας;”

Τα στατιστικά δεδομένα που χρειάζομαι (τα ιστορικά στοιχεία ενός έτους είναι ένα καλό στατιστικό δείγμα) είναι:

1. Ο αριθμός βλαβών ανά μηχανή ανά ημερομηνία
2. Τις μέρες που πέρασαν (ή τις ώρες λειτουργίας) από την τελευταία βλάβη ανά μηχανή

Φυσικά όσο περισσότερο μεγεθύνουμε την εικόνα του προβλήματος, μπορούμε να βρούμε ανά μηχανή και ποια μέρη της απαιτούν την προσοχή μας για να προσδιορίσουμε επακριβώς τις εργασίες συντήρησης (μηχανικά κινούμενα μέρη, ηλεκτρολογικό σύστημα, πνευματικό σύστημα, σύστημα λίπανσης κλπ)

Το πρώτο δεδομένο θα μας επικεντρώσει στην/στις μηχανές που μας μειώνει/μειώνουν την απόδοσή και το δεύτερο θα μας προγραμματίσει την συντήρηση (εβδομαδιαία προληπτική συντήρηση, μηνιαία, ετήσια κλπ).

Στον Πίν.1 τα δύο δεδομένα φαίνονται στην 4η (αριθμός βλαβών ανά μηχανή) και 5η στήλη (μέρες που πέρασαν από την τελευταία βλάβη ανά μηχανή) ανά έτος.

Ακολουθώντας τα παραπάνω βήματα της ανάλυσης προκύπτει το παραπάνω Pareto διάγραμμα. Βλέπουμε λοιπόν ότι από τις 8 μηχανές, μόνο η γεμιστική (filler) και η πωματέζα (capper) συνεισφέρουν σημαντικά στην μειωμένη απόδοση της γραμμής.

Αναλύοντας και το δεύτερο δεδομένο, όπως φαίνεται παρακάτω

Διάγραμμα Συχνότητας Συντήρησης

βλέπουμε ότι στην γεμιστική μηχανή θα μπορούσε να συντηρηθεί στην αρχή της δεύτερης εβδομάδας ή στο τέλος της πρώτης, η πωματέζα στο τέλος της τρίτης και το συρρικνωτικό (shrinker) στο τέλος της δεύτερης, έτσι ώστε να υπάρχει και μία “απόσταση”ασφαλείας από τις επικίνδυνες ημέρες εμφάνισης της βλάβης.

Κλείνοντας με αυτή την ανάλυση θα ήθελα, με αφορμή τα παραπάνω, να προτείνω στους κυβερνώντες να εφαρμόσουν αυτές τις απλές αρχές (νόμος του 80/20) που διατυπώθηκαν στις αρχές του 20ου αιώνα και θα διαπιστώσουν ότι το 80% του πλούτου βρίσκεται στο 20% του πληθυσμού.

Αρκεί η σωστή στατιστική ανάλυση και η λήψη της σωστής πολιτικής απόφασης χωρίς να θιγεί η αξιοπρέπεια και η υπερηφάνεια του 80% του λαού μας.

απο το roscovnicoff.blogspot.com