Časy procesního toku
Při mapování procesu ve fázi MEASURE měříme časy, jak dlouho co trvá. Tyto časy potřebujeme pro procesní analýzu ve fázi ANALYZE:
Jakmile měříme časy na procesu, nevycházíme pouze z jednoho měření, ale nabíráme vzorek dat, tj. měříme několikrát.
Potřebujeme totiž znát střední hodnotu, nejčastěji průměr každého času, proto se snažíme (pokud je to reálné) mít vždy alespoň 10 měření (viz velikost vzorku pro výpočet statistiky).
Je celkem logické, že pokudy bychom takto počítali průměry několikrát (tj. měli vícero vzorků např. o 10 datech), pokaždé by se tento průměr lišil. V jakém rozmezí by se pohyboval nám ukáže interval spolehlivosti pro průměr. Jestliže by byl moc široký, museli bychom nabrat více dat. A kolik bychom zjistili pomocí velikosti vzorku pro interval spolehlivosti.
Jestliže má náš naměřený vzorek dat příliš vysokou variabilitu, není průměr přiliš vypovídající. K tomu dochází častěji ve službách než ve výrobě. V takovém případě doporučujeme zjistit, zda je vysoká variabilita dat způsobená nějakou zvláštní příčinou nebo se jedná pouze o široké rozpětí dat.
Pokud zjistíme, že máme v datech zvláštní příčinu, většinou ji nezapočítáváme do výpočtu průměru, Příčinu se snažíme odhalit pomocí RCA a (pokud to lze) odstranit. V případě širokého rozpětí dat je vysoká pravděpodobnost, že mícháme data z více populací. Důvody mohou být různé:
- nezvolili jsme správně jeden typ (rodinu) výrobku (v případě služeb se může totiž jednat o náročnější záležitost)
- procesní krok byl vykonáván za různých podmínek, tj. nemáme homogenní data
- měření nebylo prováděno pokaždé stejně
- atd.
Časy měřené na procesu mají formu spojitých dat a lognormální rozdělení, neboli: kdybychom chtěli histogram procesních časů (který ukazuje četnost výskytu dat ve vzorku) simulovat pravděpodobnostním matematickým modelem (který ukazuje pravděpodobnost výskytu hodnot dat v populaci odpovídající relativní četnosti dostatečně velkého vzorku dat), použili bychom pravděpodobnostní model lognormálního rozdělení.