Convencer y NO Vencer en base a EVIDENCIAS

Lean-‐Six Sigma: La ventaja compe33va de las

organizaciones que aprenden

“La importancia de los DATOS y las Herramientas para Convencer, No Vencer, con EVIDENCIAS”

Dra. Lourdes Pozueta

LinkedIn

[email protected]

Licenciada Matemá3cas (Universidad de Zaragoza) Master in Science (University of Madison-‐Wisconsin) Doctor por la UPC en Estadís3ca Industrial (ETSEIB-‐UPC, Barcelona) Master Black-‐Belt en metodología Six Sigma Profesor en excedencia de la UPC. 2 años Jefe de proyecto en TECNALIA. Socio fundador de Avancex+i, miembro fundador Ideas2value. Vocal Comité Seis Sigma de la AEC. Colaboradora formación a profesionales en la Mondragon Unibertsitatea.

Nuestro lema es "EXperimentar para AVANzar” a través de comprender y aprender sobre lo que nos rodea.

Trabajamos con personas que desean aprender rápido del comportamiento de sus productos-‐máquinas-‐procesos-‐tecnologías (su variabilidad, las condiciones ópUmas ...) para lograr mejorarlas o innovar.

Fomentamos la sistemáUca y el rigor, la observación consciente, el diagnósUco y la experimentación, el trabajo comparUdo con un equipo, ... y tratamos de hablar en base

a DATOS y EVIDENCIAS.

4.

Ingeniería de la Calidad

Herramientas Estadís3cas

aplicadas a Mejora de Producto/Proceso

Ru3nas para el logro de habilidades de

Diagnós3co, Experimentación,

análisis, ….

Despliegue de Metodologías de Mejora Avanzada en Empresa. Sistemá3ca RP basada en datos

Cursos-‐Talleres

Consultoría on-‐line

ESTUDIOS CONCRETOS

Protocolos Aceptación líneas Protocolos de aceptación de lotes Op3mización parámetros de Proceso Diseño de recetas de mayonesas

Lean-‐Six Sigma para BB Diseño de Experimentos Control estadís3co de procesos (SPC) Taller Crea3vidad

Ges3ón de la Innovación Procesos de Crea3vidad

Diseño Robusto

Six Sigma, Calidad Total…a medida

SERVICIOS

ASESORÍA estadís3ca

Planes recogida de Datos Tratamiento Datos Visualización información Homologación productos Perito estadís3co en juicios

La importancia de los DATOS y las Herramientas para

Convencer, No Vencer, con EVIDENCIAS

Dra. Lourdes Pozueta (avancex+i)

Movilicémonos PARA QUE las habilidades para APRENDER a contestar preguntas a través de DATOS, que aumentan la compe33vidad, lleguen a nuestras organizaciones.

¿Qué ocurre en mi proceso? ¿cómo podría ahorrar, mejorar la calidad, fabricar más, lograr más visitas en mi web, reducir despilfarro, crear algo nuevo, …? ¿Qué me interesa? ¿Qué es lo que verdaderamente importante MEDIR?

¿Hay algo Importante detrás de estos DATOS? ¿Cuáles son los pocos factores clave que afectan a mi rendimiento?

7.

“La cuentas y los cuentos”…NO convencen en la toma decisiones …

èRelato riguroso con Evidencias que se VEAN

No avanzamos si no superamos el obstáculo mental de no cambiar

DATOS para APRENDER eficientemente en entornos no evidentes PARA el futuro que Emerge=è ADAPTARNOS

•  Habilidades para adquirir Conocimientos

•  Tratar con lo no evidente •  Recoger Modelos mentales •  Estructura información •  Recopilar y analizar Datos •  DiagnosUcar •  Experimentar con método •  Colaborar con otros

•  Habilidades para comunicar y Convencer •  Contar relatos con rigor •  Proceso de conocimiento •  Evidencias visual

Aprender Rápido (con Proyectos de Mejora e Innovación) 1.   Conocimiento: para cambiar el entorno 2.   Habilidades: para aprender a aprender rápido

9.

Aprender Haciendo con Proyectos: Ciclo DMAIC de Lean-‐Six Sigma

•  C: Cambio de estándares. Monitorización Explotación resultados

•  I: Ideas y pruebas piloto monitorizadas. Soluciones consolidadas; evidencias

•  A: Causas raíz clave que afectan con evidencias de ello

•  M: Qué ac3vidades hay? Qué sospechas? Cómo salen los resultados? Variabilidad? ¿qué no es? ¿dónde centrarse?

•  D: Proyecto: QUIÉN cliente? Qué le interesa más? Impacto?

Tengo interés?

Tengo proyecto?

Caracterizar

Expediciones con experiencias diferentes

10.

La mejor habilidad: el Método cienkfico

Datos, hechos, experiencias,…

Hipótesis, conjeturas, modelos, …

INDUCCIÓN

Mirar Imaginar

Cuestionarse

Plan recogida de datos orientada a encontar evidencias

Mostrar Nuevo Conocimiento de modo evidente

Ver

CONVENCER

DEDUCCIÓN

Especular

COLECTIVO APRENDIZAJE INDIVIDUAL

Oir

Modelo mental

Almacenar de forma peculiar (innato)

¿me engaña mi cerebro?

¿Evidencias esperadas?

11.

Ru3nas a potenciar: “método cienkfico”

PASOS

1.  De qué sospechas: hipótesis

2.  Qué te IMAGINAS VER cuando MIRES: deducción

3.  Qué utilizarás para analizar y mostrar evidencias: herramientas

4.  Qué datos necesitas: Plan

•  ¿Es completo o alguien lo pondrá en juicio?

•  Seguimiento plan y recogida de datos del entorno

5.  Qué VEN tus ojos: Pistas

•  ¿Es suficiente evidencia o puede ser azar? ¿Pasa test estadístico?

6.  Qué has aprendido: ¿Qué tienes que hacer diferente?

¿Cómo lo mostraráa al resto de la organización?

1

2 3 4

5

67

Hay muchos pseudociengfico con “falacia narraUva” OJO!!!

¿Qué ocurre en mi proceso? ¿cómo podría ahorrar, mejorar la calidad, fabricar más, lograr más visitas en mi web, reducir despilfarro, crear algo nuevo, …? ¿Qué me interesa? ¿Qué es lo que verdaderamente importante MEDIR? ¿Hay algo Importante detrás de estos DATOS?

¿Dónde poco el foco? Allí donde puedas y que

haya impacto!! (No podemos trabajar con LSS en proyectos raros o solución conocida o Kpo “resolver el hambre en el mundo”)

13.

Algunos ejemplos •  Reducción del defectivo en piezas por falta de llenado

•  Reducción defectivo soldadura por ola

•  Aseguramiento control de fuga en válvula

•  Aumento disponibilidad de máquina

•  Reducción costes transporte

•  Reducción defectivo aletas de condensador

•  Aumento productividad calandrado

•  Optimización embalaje y sistema envío

•  Identificación de factores afectan al FRF (vibración piezas)

•  Diseño de utillajes robustos

•  Reducción ppm en Cliente

•  Ahorro en materias primas caracterizando relación materias primas y propiedades mecánicas

•  Reducción defectivo en mecanizado

•  Caracterización propiedades mecánicas en tubos

•  Reducción coste de Hornos por control de parámetros de Horno

•  Reducción coste de compras de materias primas modificando estándares de trabajo en proceso

•  Optimización parámetros de forja

•  Reducción tiempo de respuesta en líneas de crédito

•  Reducción errores en trámites burocráticos

•  Reducir coste aseguradora médica (por medio de diseño de protocolos de visitas y comunicación)

•  Reducción % de líneas de crédito rechazadas

•  Reducción despilfarro: informes excesivos, controles sin valor, exceso movimientos

Aumentar compeUUvidad

Aumentar habilidades

14.

Lean-‐Six Sigma implica dedicar Uempo a hacer otras ac3vidades diferentes al día-‐día

(idenUficar quién las Uene que hacer, especialistas con apUtudes)

Que harán más compeUUva la Organización

Reflexionar Imaginar evidencias

Explicitar ideas

Construir

modelos

mentales

Preguntar estratégicamente

Planificar recoger datos

Realizar gráficos

VER pistas en los gráficos

Construir modelos predicKvos

EsKmar capacidad

Validar equipos medida

Monitorizar procesos

experimentar

IdenKficar desperdicios Hacer mapas Visualizar información

Flujo

Prueba piloto

AMFE

estandarizar Panel kanban

15.

Reflexionar, Escucha de alto nivel, Imaginar, explicitar modelos mentales

¿Quién es el Cliente principal de mi Proyecto y cómo le puedo hacer su trabajo más fácil? ¿Quiénes son las partes interesadas y cómo me tengo que relacionar? ¿Qué métricas son de interés y cómo las mediremos? ¿Qué acOvidades se hacen realmente? ¿Posibles causas del problema?

VACIAR lo que se sabe y ABRIRSE a lo que saben OTROS

Introducción Metodología

Material y recursos formativos

Objetivos

Dirección y organiza-ción del programa

Si una organización ya tiene un producto o servicio que el mercado valora, y que por consiguiente está dispuesto a comprar, se ha de preguntar de forma permanente: ¿Dónde tengo inefi ciencias? ¿Por qué haciéndolo igual sale diferente, e incluso mal?, ¿Cómo lo puedo diseñar o producir de forma más robusta y efi ciente?.

Este curso ayuda a dar respuestas a las preguntas anteriores.

Los Programas de Mejora “Lean” y “Six Sigma” abarcan metodologías y herramientas que ayudan a lograr los conocimientos y las habilidades para llevar a cabo las actividades anteriores, enfocándose en proyectos de “adelgazar” procesos para reducir costes y en proyectos de identifi car causas raíz de la variabilidad de los procesos para reducirla o para aplicar el conocimiento en el diseño de productos y procesos robustos.

La observación consciente es fundamental en la mejora y parte de esta observación ha de dirigirse a la identifi cación de actividades de “despilfarro” que no aportan valor y a cuestionarse el modo de organizar los procesos.

El perfi l de los alumnos y de las organizaciones que han pasado por alguna de las ediciones del curso es muy variado. Estas experiencias nos han servido para replantearnos el modo de entrenar a las personas y adaptar continuamente los materiales y el método de enseñanza.

No hay mejor analogía a la de una “expedición de montaña” para refl ejar el modo que hemos diseñado este curso.

Partiendo de las experiencias de más de 20 años impartiendo formaciones similares, hemos identifi cado 5 factores clave para el logro del éxito del curso (o expedición):1. Seleccionar empresas-proyectos-líder con interés de participar

en la experiencia, con “Cimas-objetivos” alcanzables y recursos disponibles.

2. Marcar un ritmo de aprendizaje perseverante de 1 día/semana durante 5 meses. Lograr tono muscular poco a poco y sin abandonarlo.

3. Elaborar una Hoja de Ruta DMAIC para toda la expedición con soporte en herramientas, rutinas, casos,… que faciliten el aprendizaje y permitan sortear las difi cultades cada momento. Profesores expertos en conocimiento y en metodología. Lograr que la mochila se sepa utilizar.

4. Caracterizar los Proyectos que los alumnos traen al curso e identifi car el modo que cada equipo ha de llevar la expedición con recursos y herramientas adecuadas. Acuerdos previos al curso.

5. Emprender la expedición conjuntamente compartiendo las experiencias y aprendiendo tanto de los ejercicios como de los casos reales. Aclimatación conjunta. Presentaciones en hitos clave.

Con la fi nalidad de hacer las partes 3. y 4. más efi cientes, está previsto preparar con antelación el lanzamiento y para ello se captarán empresas interesadas en la experiencia y se llevarán a cabo sesiones preparatorias.

Es recomendable que durante el curso el alumno desarrolle un proyecto real de la metodología Six Sigma. Dispondrá de tutores como apoyo de forma puntual o intensiva.

- El material ha sido desarrollado y adaptado teniendo en cuenta las difi cultades que encuentran los alumnos en el aprendizaje y aplicación de herramientas.

- Además de los recursos “tradicionales”, los alumnos tendrán acceso a la plataforma virtual de MU para resolver dudas mediante foros, tutorizaciones Online,…

- MINITAB: Para el tratamiento estadístico de datos.

La adquisición de este software correrá por cuenta de la organización. MU dará la posibilidad de acceder a MINITAB durante el curso.

- Para la realización de la formación, será necesario que cada alumno asista con un ordenador portátil desde donde accederá a la plataforma online del curso, donde trabajará en los ejercicios y proyecto.

Al fi nalizar el curso los asistentes estarán más capacitados para:- Identifi car oportunidades de mejora con impacto y abordables

con la metodología.- Liderar y asesorar a equipos que trabajen en proyectos de

complejidad media.- Diagnosticar procesos e identifi car en qué situaciones es

conveniente aplicar cada una de las técnicas disponibles con éxito.

- Formar a otras personas en las habilidades y herramientas aprendidas durante el curso.

Lourdes PozuetaSocia Fundadora AVANCEX+I

Aitor OrueDepartamento de Mecánica

y Producción Industrial de MONDRAGON UNIBERTSITATEA

SESIÓN DE LANZAMIENTO

- METODOLOGÍA- METODOLOGÍA testeado con éxito

- PROFESORADO:- PROFESORADO: Expertos en materia

- SOPORTE WEB...- SOPORTE WEB...

- APOYO TUTORES- APOYO TUTORES

- PLAN ENTRENAMIENTO FLEXIBLE:- PLAN ENTRENAMIENTO FLEXIBLE:

- Material adaptado

- Rutinas para potenciar hábitos

- Casos prácticos

- Proyectos compartidos

Campamento base para aclimatar: puesta en común y debate constructivo

HITO 1

HITO 2

• Importancia e impacto proyecto• Cliente y requisitos• Alcance: procesos y personas

DEFINIR

MEDIR

ANALIZAR

IMPROVE

CONTROL

• Conocer proceso• Medir y valorar las salidas del proceso (efectos)• Diagnóstico situación de partida

• Idear soluciones• Verificar resultados• Exportar aprendizaje

• Estandarizar y acreditar proceso• Verificar resultados• Explotar aprendizaje

• Determinar las entradas clave (causas raiz)• Decidir acciones de cambio

DINÁMICASHERRAMIENTASENTRENAMIENTO APROPIADO1

- IDENTIFICAR- IDENTIFICAR organizaciones interesadas

- PROYECTOS- PROYECTOS con retorno

- PROMOTOR DE APOYO- PROMOTOR DE APOYO (Champion)

- LÍDER- LÍDER motivado para acudir al curso

- ROLES- ROLES claros

- OPERATIVA/PREPARATIVOS- OPERATIVA/PREPARATIVOS previos

PREPARAR UNA EXPEDICIÓN COMPROMETIDA3

HOJA DE RUTA DMAICDMAIC EN EXPEDICIÓN

D-‐M

PREGUNTAS “con sospecha”:

Si hago un Pareto para Porta-electrodos, ¿Se observa efecto Pareto concentrado en la misma localización, el mismo motivo,

la misma planta-horno,…?

Cómo ha evolucionado en el tiempo? Más concentrado en unas fechas?

¿Relacionado con “edad” o Tn producidas?

DATOS necesarios (¿los tengo?)

✔Para cada rotura, fecha, lugar rotura, motivo, horno…. ✖ Edad del electrodo, tn fabricadas por el horno entre cambios ✖ èrecoger

Revisar MODELO MENTAL

IMAGINAR síntomas al MIRAR

HERRAMIENTAS

RESPUESTAS / CONCLUSIONES Buscar Pistas: EVIDENCIAS

“NO ES” “PUEDE SER”



Objetivos



































- Material adaptado


- Casos prácticos



HITO 1

HITO 2


DEFINIR

MEDIR

ANALIZAR

IMPROVE

CONTROL














M-‐A

Entender Proceso, Cues3onar, Reducir alcance, Caracterizar

Herramientas para Visualizar y Diagnos3car con MINITAB a par3r de Datos

Cuándo van a dominarlas los ingenieros, químicos, msicos, informáUcos, médicos, economistas, …. al salir de la Universidad??? Cuándo las van a dominar gerentes, managers, comunicadores, ….??



Objetivos



































- Material adaptado


- Casos prácticos



HITO 1

HITO 2


DEFINIR

MEDIR

ANALIZAR

IMPROVE

CONTROL














M-‐A

61,9

58

61,946

61,9

34

61,9

22

61,9

10

61,8

98

61,8

86

LSL USL

LSL 61,903Target *USL 61,935Sample Mean 61,9177Sample N 28370StDev (Within) 0,0066973StDev (O v erall) 0,00870023

Process Data

C p 0,80C PL 0,73C PU 0,86C pk 0,73

Pp 0,61PPL 0,56PPU 0,66Ppk 0,56C pm *

O v erall C apability

Potential (Within) C apability

% < LSL 1,99% > USL 0,65% Total 2,64

O bserv ed Performance

% < LSL 1,42% > USL 0,49% Total 1,90

Exp. Within Performance

% < LSL 4,57% > USL 2,33% Total 6,90

Exp. O v erall Performance

WithinOverall

Process Capability of ROD 1

LARGO PLAZO => NO es CAPAZ Cp=0,61 6,90 % DefectuosoCORTO PLAZO => NO es CAPAZ Cp=0,8; 1,90% defectuosoCAPACIDAD2,64% malas

9080706050403020101

400

380

360

340

320

300

Index

Dat

a

TP9_REALTP9

Variable

Time Series Plot of TP9_REAL; TP9

Part-to-PartReprodRepeatGage R&R

300

150

0

Pe

rce

nt

% Contribution% Study Var% Tolerance

300

150

0Sa

mp

le R

an

ge

_R=120,4

UC L=254,6

LC L=0

1 2

3100

3000

2900

Sa

mp

le M

ea

n

__X=3018,2

UC L=3087,7

LC L=2948,8

1 2

54321

3200

3100

3000

Pieza

21

3200

3100

3000

operator

54321

3100

3000

2900

Pieza

Av

era

ge 1

2

operator

Gage name: Date of study:

Reported by: Tolerance: Misc:

Components of Variation

R Chart by operator

Xbar Chart by operator

frecuencia-4 by Pieza

frecuencia-4 by operator

operator * Pieza Interaction

Gage R&R (Xbar/R) for frecuencia-4

1130

1120

1110

430

425

420

1610

1600

1590

1120

1100

1080

80

75

70

488

484

480

0,304

0,296

0,288

0,20

0,15

0,10

0,20

0,15

0,10

80,0

77,5

75,0

H TB4

Fecha

1125

1120

H Extracción H TG41610

1600

H Kwh/t gas

H Kwh/t elect H Ev Fe2O3_1 CR2O3_1

T1000_1 Redox_1

Gráfica de series de tiempo de H TB4; H Extracción; H TG4; ...

Caracterizar situación par3da

1211109876543210

200

150

100

50

0

1211109876543210

nºbloq_Prf_Rz

Frec

uenc

ia

nºbloq_Prf_Cara

Histograma de nºbloq_Prf_Rz; nºbloq_Prf_Cara

varios bloques?de falta de fusión de¿problemas en pared

parte resanada?pasadaProblemas en una

de fusión de varios bloques?¿problemas en pared de falta

SUELDA!!!MIENTRAS SESE VE

SUELDA!!!SEMIENTRASSE VE

Ancho

Larg

o

3,02,52,01,51,0

12

10

8

6

4

2

> – – – – – < 750

750 775775 800800 825825 850850 875

875

Tª 1ero

Gráfica de contorno de Tª 1ero vs. Largo; Ancho

Desigualdad Tª de horno

700

600

500

400

300

200

100

7271

7069

6867

6665

64Index

Peso

Predicción MA (n=2)

Límites a 1,5 gr.

0,3040,2960,288 9,59,08,5 80,077,575,0 430425420 161016001590 112011001080 807570 4884844801130

1120

1110

0,304

0,296

0,288

9,5

9,0

8,580,0

77,5

75,0430

425

420

1610

1600

15901120

1100

108080

75

70

H TB4

Fe2O3

T1000

Redox

H Extracción

H TG4

H Kwh/t gas

H Kwh/t elect

H Ev

resto de parámetros de vidrio u hornoParece ser aberrante, no relacionado con elUN dato de T1000 anómalo (el último día)

Relación parámetros Horno y Vidrio SIN desfase

19.

Iden3ficar Evidencias Introducción Metodología


Objetivos



































- Material adaptado


- Casos prácticos



HITO 1

HITO 2


DEFINIR

MEDIR

ANALIZAR

IMPROVE

CONTROL














M-‐A

Posición

ALTURA

AAAAAAAAAAVVVVVVVVVVAAAAAAAAAAVVVVVVVVVV

10987654321109876543211098765432110987654321

10

5

0

-5

-10

-15

-20

Dat

os

0

Diámetro 0Diámetro 20Diámetro 90Diámetro 340

Variable

Cambio en Diámetro por efecto TratamientoOF 1663

Zona 1 Zona 2 Zona 3 Zona 4

7,5 mm

510470

15,4

15,3

15,2

15,1

15,0

14,9

14,8

14,7510470

1275

Golpe 5

Espe

sor

1305

470510

Golpe 4

Multi-Vari Chart for Espesor by Golpe 4 - TemperaturaTemperatura

Exp. 1a, 1b, 1c

Exp. 2

Exp. 3

Exp. 4

Exp. 5

Exp. 6

Exp. 7

Exp. 8

9080706050403020100

250

200

150

100

50

0

Salto Tª max

Salt

o t-

1º m

in.

Incremento en Tiempo de Precalentamiento por cada grado de diferencia/AROSalto t-1º min. = 2,35 Salto Tª max

Por cada Grado de diferencia del úl3mo Termopar respecto 1º aumenta en 2,5 minutos paroximadamente el 3empo de Pre-‐calentamiento

98654321

100

0

-100

-200

-300

98654321

7

Termopar

Ran

go

8

0-20

20

CloseEjectOpenSpy1Spy2

ProcesoFases del

Multi-Vari Chart for Rango by Fases del Proceso - Simulación

Panel variable: Simulación

20.

Experimentar con rigor: diseño de pruebas que permita tomar decisiones

Entrenamiento a Experimentar

Entrenamiento. PrácUca curso DOE en empresa “Homogeneidad de Chips (Fagor Electrónica)” “Reducción defecKvo (Polsa.VelaKa”

DOE en Horno para evaluar procedimiento colocación y parámetros Horno-‐carga en coste y deformación

A

B

A

B

-‐ D +

Diseñar pruebas experimentales para SIMULADOR è Iden3ficación cotas clave. Modelo predic3vo



Objetivos



































- Material adaptado


- Casos prácticos



HITO 1

HITO 2


DEFINIR

MEDIR

ANALIZAR

IMPROVE

CONTROL














A-‐I

21.

Predecir comportamientos “estables”

Modelo para Forja

Espesor = 15,112 – 0,102 Temp. -0,085 Golpe 5 S = 0,073mm R2= 82,04

Peso = 0,501 – 0,0056 Temp. -0,0052 Golpe 5 S = 0,0051gr R2= 72,82%

Modelo para controlar espesor a través de báscula de peso mediante DOE y Regresión

Modelo para caracterizar influencia de materiales en las propiedades mecánicas

685

3

4

Porosidad

Temperatura695

705Temperatura685

695

5

820810

715

870860

850840 Presión830820

880870

Presión

Surface Plot of Porosidad

2,87862 3,22419 3,56976 3,91533 4,26090 4,60647 4,95204 5,29761 5,64318 5,98875 6,33432 6,67989 7,02546 7,37103 7,71660 725715705695685675

900

890

880

870

860

850

840

830

820

810

800

Temperatura

Pre

sión

Contour Plot of Porosidad

Estimated Regression Coefficients for Porosida

Term Coef SE Coef T PConstant 6,1017 0,04508 135,345 0,000temperat -0,2950 0,05521 -5,343 0,013Presion 0,3300 0,05521 5,977 0,009

S = 0,1104 R-Sq = 95,5% R-Sq(adj) = 92,6%

Analysis of Variance for Porosida

Source DF Seq SS Adj SS Adj MS F PRegression 2 0,78370 0,78370 0,391850 32,13 0,009 Linear 2 0,78370 0,78370 0,391850 32,13 0,009Residual Error 3 0,03658 0,03658 0,012194 Lack-of-Fit 2 0,01853 0,01853 0,009267 0,51 0,702 Pure Error 1 0,01805 0,01805 0,018050Total 5 0,82028

22.

Otros ejemplos:

•  Ver:

hrp://www.slideshare.net/lpozueta/reduccin-‐de-‐la-‐variabilidad-‐en-‐forja-‐en-‐alcorta-‐forging-‐group

23.

Comunicar y Convencer UUlizar estándares de Informes Visualizar trabajo/avance en Panel

ComparUendo hábitos de trabajo. Alumnos del Curso Lean-‐Seis Sigma en MU conociendo la experiencia Lean Seis Sigma de Indar

24.

Comunicación conocimiento

Un poster puede ser una manera de divulgar conocimiento, hábitos ciengficos, uUlización de herramientas, reconocer el trabajo de equipos, dar imagen a clientes,… Experiencia en FAGOR EDERLAN desplegando el modelo de mejora conUnua KALDA apoyada en Lean-‐Seis SIgma

FORMACIÓN para Adquirir Habilidades

25.

Curso avanzado en Programas de Mejora Continua

LEAN-SIX SIGMA Nivel Black Belt

CODIRECCIÓN TÉCNICA

Certifi caciónHasta el momento no existe una certifi cación ofi cial del título de Black Belt, y por ello MU y Avancex+i deciden que aquellos alumnos que hayan asistido a toda la formación recibirán un certifi cado de Curso Avanzado.

Si además complementan la formación con el desarrollo de un proyecto real en la organización siguiendo el ciclo DMAIC y aplicando conocimientos del curso, el alumno recibirá un certifi cado Black Belt.

Precio4.500!

A las organizaciones que manden más de una persona comprometidas con el proyecto, se les aplicará descuentos importantes.

Las empresas pueden fi nanciar la Formación Continua principalmente a través de estas vías:Hobetuz: Convocatoria del Departamento de Educación, Universidades e Investigación gestionada por la Fundación Hobetuz. Fundación Tripartita: Sistema de Bonifi caciones de la Seguridad Social gestionado por la Fundación Tripartita para la Formación y el Empleo (FTFE).

Profesorado• Lourdes Pozueta. Doctora por la Universitat Politècnica de

Catalunya, Máster en Estadística industrial por la University of Wisconsin (EE. UU.), en excedencia como profesora de la UPC. Socia fundadora de Avancex+i, S.L. en el área de mejora continua e innovación. Es Master Black Belt y lleva más de 20 años asesorando a empresas sobre la mejora de productos o procesos.

• Aitor Orue. Ingeniero en Organización Industrial. Profesor del Dpto. de Mecánica y Organización Industrial de MONDRAGON UNIBERTSITATEA. Ha trabajado en diferentes puestos de responsabilidad en empresas como, Fagor Ederlan S. Coop, Fagor Arrasate S. Coop y Ulma Packaging S. Coop.

• Jose Alberto Eguren. Es doctor Ingeniero en Organización y profesor del departamento de Organización Industrial de MONDRAGON UNIBERTSITATEA. Amplia experiencia asesorando sobre la mejora de productos o procesos a empresas.

• Jaione Ganzarain. Doctorado en Ingeniería Industrial. Profesora de Innovación en el departamento de Organización Industrial de MONDRAGON UNIBERTSITATEA. Actividades de Dirección de proyectos y Formación Continua para distintas empresas industriales de la CAPV. Experiencia laboral previa en el CCTT Tekniker.

• Ivan Navarro. Ingeniero en Organización Industrial. Profesor del Dpto. de Mecánica y Organización Industrial de MONDRAGON UNIBERTSITATEA. Ha sido responsable de parte de la operativa logística de Exel Logistics, S.A en la factoría de Mercedes Benz España y Responsable de producción en Fagor Electrodomésticos S. Coop.

• OSCAR FERNÁNDEZ DE RETANA. Ingeniero Industrial y Máster en Administración de Empresas por la Universidad del País Vasco y Máster Black Belt certifi cado por General Electric. Cuenta con más de 20 años de experiencia en posiciones de Dirección General, Dirección de Operaciones, Dirección de Ingeniería y Mejora Continua en General Electric.

• Otros. Invitados de organizaciones donde se aplica Lean Six-Sigma.

MÁS INFORMACIÓN:

Isabel Mangana: [email protected]

http://www.mondragon.edu/cursos/lean-six-sigmaPROFESIONALENTZAKO PRESTAKUNTZA

FORMACIÓN PARA PROFESIONALESPROFESSIONAL LEARNING SPACE

PROFESIONALENTZAKO PRESTAKUNTZAFORMACIÓN PARA PROFESIONALES

PROFESSIONAL LEARNING SPACE

Desde que realicé el curso, en todos los proyectos de desarrollo e industrialización de nuevos productos se aplica la metodología de trabajo basada en el análisis riguroso de los datos de proceso y propiedades de producto.

Pilar EstebanDep. R&D, Tubacex Innovation

La metodología Six Sigma no sólo es de una utilidad enorme en la mejora de procesos, sino que una vez dominada y aplicada, se convierte en la manera de abordar cualquier problema en la empresa.

Denis GarmendiaAdjunto a Gerencia, Grupo Altube, Burgos

(España)

M1: ESTADÍSTICA Y TOMA DE DECISIONES (15h) M2: DOE: ANOVA Y DISEÑOS FACTORIALES (20h) M3·∙:DOE Avanzado: MSR, DISEÑO ROBUSTO Y SHAININ (20)

En colaboración con MU

Febrero-‐Julio 2016



Objetivos



































- Material adaptado


- Casos prácticos



HITO 1

HITO 2


DEFINIR

MEDIR

ANALIZAR

IMPROVE

CONTROL














Curso Avanzado en Programas de Mejora ConUnua Lean-‐Six Sigma

Diseño de Experimentos (3 módulos)

Alumno aplicando DOE en Fagor Electrónica

Diciembre 2015-‐Feb 2016

Otras htas para Visualizar hvps://youtu.be/rizqbX6l8Sg

Convencer y NO Vencer en base a EVIDENCIAS

Engineering

Transcript of Convencer y NO Vencer en base a EVIDENCIAS