🗂

Para el proyecto final colaborarás con 3–5 estudiantes más, aplicando las herramientas analíticas de clase a problemas del mundo real. Completar el proyecto es obligatorio para la certificación Six Sigma Black Belt a través de este curso.

Objetivos

1. Una pregunta pertinente: identifica un proyecto de diseño o investigación de black belt Six Sigma relacionado con la fiabilidad y/o la calidad de sistemas.
2. Investigación de fondo: haz investigación de fondo y una revisión de literatura para definir y justificar tu proyecto.
3. Métodos de diseño: construye un enfoque o una solución originales, y aplica las herramientas de fiabilidad y/o de calidad Six Sigma apropiadas al tema.
4. Evaluar resultados: entrega una redacción coherente de tu trabajo.

Herramientas y enfoques

Usa al menos uno de los modelos de control de calidad Six Sigma y/o de fiabilidad de sistemas cubiertos en clase (abajo), o consigue aprobación previa de un instructor. Define y estrecha tu tema temprano para que pueda (1) producir resultados significativos en un semestre de forma viable, y (2) nombrar un concepto, producto, servicio o sistema concreto. Algunos temas no se cubren hasta más adelante en el semestre, así que habla el tema con un instructor en lugar de esperar.

• El enfoque Six Sigma (definir, medir, analizar, mejorar, controlar)
• Análisis de modos de fallo y efectos (también una herramienta Six Sigma)
• Árboles de fallos y de eventos bajo incertidumbre (también una herramienta Six Sigma)
• Fiabilidad de componentes y de sistemas
• Modelos de aceleración física
• Gráficos de control estadístico de procesos, para detectar cuándo el desempeño se deteriora y para identificar causas raíz
• Optimización del diseño del sistema para calidad y fiabilidad (p. ej. diseño de experimentos; métodos de superficie de respuesta)
• Análisis de varianza (ANOVA)
• Análisis de regresión

Entregables

• Las actividades del proyecto — los diez pasos calificados de la escalera de entregables arriba.
• La presentación del póster.
• El informe final.

Todos se entregan en Canvas.

Recursos

Resúmenes de ejemplo, artículos de ejemplo e informes y pósters completos de equipos anteriores están publicados en Canvas para estudiantes inscritos — ver los recursos abajo. Para cumplir el requisito de certificación black belt, esperamos un estudio minucioso y completo.

¿Sientes el aaah de diseñar tu proyecto y buscas consejo? Buenas noticias.

Tu equipo y tema es el punto de partida. Cuanto más definido esté, menos de este material tendrás que rehacer después.

Los proyectos exitosos suelen caer en cuatro tipos. Los dos primeros se recomiendan especialmente.

• Datos experimentales en el campo
• Datos observados en el campo
• Datos simulados usando parámetros de estudios previos
• Datos observados de otras fuentes

---

1 · Datos experimentales en el campo

Resumen

Asignas tratamientos al azar de forma directa y registras los resultados. Esta opción puede ser genuinamente divertida.

Quieres tratamientos fáciles de manipular que se puedan probar muchas veces. Piensa a qué productos tienes acceso, qué problemas de fiabilidad podrías querer medir y qué tratamientos podrías aplicar. Luego usa modelos estadísticos, pruebas t, etc., para poner a prueba tus hipótesis.

¿Cuándo debería usar esto?

Los datos experimentales son lo que quieres cuando estimas el valor agregado de una elección concreta. ¿Uso el topping A o el B en mi dona? ¿Cuál mejora más el sabor, o la disposición a pagar?

Hornear, hacer cola, la posición de un sensor, encuestas conductuales cortas, encuestas de disposición a pagar, champú — todo fácil de implementar y barato. Incluso intervenciones de producto «simples» hacen muy buenos proyectos Six Sigma, porque la técnica abarca muchos sectores de la economía. No tienes que construir una nave espacial. Lo que importa es demostrar el método en un producto o proceso comercialmente viable.

¿Qué análisis sostiene esto?

Los datos experimentales son el estándar de oro para la inferencia causal en planificación de negocios, ingeniería, salud y la ciencia en general. Se usan con pruebas t, ANOVA, diseño factorial, regresión y metodología de superficie de respuesta — aunque funciona con casi cualquier herramienta, así que trae otras ideas.

Ejemplos

Armar tu primer experimento pide algo de creatividad. Aquí hay ideas de arranque que un equipo podría implementar rápido. (Hay puntos extra pequeños como incentivo si necesitas que compañeros participen en tu investigación.)

• Calificación de un problema de producto — ropa: ¿qué tan mal destiñe la marca X al lavarse, comparada con la marca Y?
• Disposición a pagar por el producto X: tu grupo tiene un producto de consumo de interés y quiere saber por cuál intervención potencial pagarían más los consumidores.
  • Escribe una encuesta corta que muestre al azar la versión 1 o la versión 2 del producto, y luego pregunta cuánto pagarían por ella.
  • Asigna al azar a los encuestados a una versión y compara resultados. Idealmente, prueba muchas combinaciones.
  • Bien adaptado a productos relevantes para el consumidor que de otro modo son técnicamente difíciles de tratar en tiempo real.
• Diseño de proceso — ciencia de alimentos: Six Sigma encaja extremadamente bien para hacer comida mejor, más barata y más sabrosa.
  • Toma una receta simple y haz varios lotes, variando las cantidades — pan con un poco más de harina, o un poco menos de agua.
  • Bien adaptado a experimentos factoriales o a metodología de superficie de respuesta, ambas excelentes técnicas de optimización de diseño.
  • El mismo enfoque aplica a experimentos químicos. (Los instructores se ofrecen como sujetos de prueba.)
• Resultado de producto/proceso — el método «no-poo»: una tendencia a no lavarse el cabello con champú, que para algunas personas aparentemente da un beneficio estético. Si tus seres queridos te quieren mucho, recluta unos cuantos participantes, asígnalos al azar a un régimen con champú o sin champú durante varios días, y que reporten satisfacción diaria. La misma filosofía aplica a cualquier otro producto comercial.
• Calificación de un problema de producto — tonos de llamada: ¿qué tan molesto es ese tono, en serio? Un experimento conductual rápido, fácil de correr a escala.
  • Elige varios tonos; asigna al azar a las personas un tono y un nivel de volumen, y pide que califiquen lo molesto.
  • La misma filosofía aplica a cualquier otro producto comercial.
• Experimento factorial — cepillos de dientes 🪥: compra 12 cepillos (3 de cada una de 4 marcas) y 12 tubos de pasta (3 de cada uno de 4 tipos). Asigna al azar un cepillo y una pasta a cada compañero de grupo, luego mide atributos de los cepillos y del resultado después de un número fijo de usos.

Formato de datos de ejemplo

A menudo ayuda recoger datos con un formulario en línea, para que la hoja subyacente se comparta con tus colaboradores y se llene en tiempo real.

---

2 · Datos observados en el campo

Resumen

Recoges datos en el campo, siguiendo uno o más resultados de interés más uno o más tratamientos o covariables potenciales. A diferencia de la recolección experimental, el tratamiento o la variable independiente no se asigna al azar. Eso hace esenciales las variables de control estadístico cuando modelas los datos.

¿Cuándo debería usar esto?

Úsalo cuando no puedas asignar el tratamiento al azar — política, planificación urbana, comportamiento del consumidor observado sin intervención. Equipos anteriores, por ejemplo, han salido al campo y seguido métricas en autobuses locales.

Consideraciones

Podrías elegir este tipo de recolección si…

• Te interesa un resultado que puedes observar pero no puedes intervenir fácil o éticamente. Por ejemplo: ¿qué tiendas ven más tráfico peatonal?
• Quieres controlar las condiciones bajo las que se recogen los datos — una muestra aleatoria de autobuses, en una muestra aleatoria de días, en una muestra aleatoria de lugares.
• Quieres estudiar una población sin buenos datos existentes que crees que puedes alcanzar con facilidad.

Ideas de estudio de campo

• Estacionamiento: el estacionamiento disponible en el centro, en el mercado de agricultores o donde quieras suele ser difícil de encontrar. ¿Qué predice la disponibilidad? Selecciona al azar conjuntos de lugares dentro de un área de interés, selecciona al azar horarios para revisarlos, y registra si el lugar está libre, qué tipo de auto hay, y — si puedes quedarte una hora o más — cuánto se queda ese auto. Si eso es demasiado granular, cuenta el uso total por calle a lo largo de varios días y evalúa los rasgos de esos días.
• Servicio de transporte: el servicio de autobús del condado tiene métricas visibles y rastreables. ¿Cuántas personas no pueden subir porque el bus está lleno? ¿Cuántas van a bordo en una parada dada? ¿Minutos de retraso? Selecciona rutas al azar a horas al azar, viaja una hora y registra con discreción conteos no invasivos.
• Bebederos: muchos bebederos del campus son automáticos y muestran el total de botellas u onzas llenadas desde la instalación — esencialmente su vida útil de uso hasta hoy. Selecciona bebederos al azar y ponlos a prueba: ¿cuántos segundos bajo el sensor antes de que detecte la botella? ¿Cuántos intentos para llenar una botella a un nivel consistente?

---

3 · Datos simulados usando parámetros de estudios previos

Resumen

Usas funciones de fiabilidad, diagramas de bloques, árboles de fallos y herramientas similares para aproximar la fiabilidad de un sistema en el tiempo.

¿Cuándo debería usar esto?

La simulación ayuda para procedimientos difíciles de observar o de probar experimentalmente — productos caros como naves espaciales, o procesos sensibles como cirugías y dispositivos médicos. La Familia I del catálogo es la lista de partida.

¿Qué análisis sostiene esto?

Simulas cuánto cambia la fiabilidad del sistema, o la chance de fallo, si el tiempo medio hasta el fallo del componente A se desplaza en cierta cantidad versus que el componente B se desplace en otra. ¿En cuál componente deberíamos gastar dinero para arreglarlo y mejorarlo?

¿Qué datos debo recoger?

Estimaciones de parámetros clave para cada componente de tu sistema — por lo general el tiempo medio hasta el fallo de los componentes A, B, C, etc.

¿Cómo lo recojo?

Normalmente buscas estudios previos y estadísticas sobre tu dispositivo de interés, y encuentras o derivas los parámetros que necesitas.

Busca con Google Scholar. Busca trabajos muy citados publicados en los últimos cinco a diez años, y usa el filtro para estrechar a artículos de revisión — un tipo de artículo que revisa decenas de papers previos. Algunos artículos de revisión son meta-análisis; a menudo reportan decenas de estadísticas de distintos estudios en una sola tabla y las comparan, que es una forma rápida de armar tu propia tabla de parámetros. Aquí hay un ejemplo de una revisión así — sus parámetros de interés son la sensibilidad y la especificidad de monitores continuos de glucosa, y dispone mucha metadata de estudio en una tabla. Muchos de tus proyectos querrán tasas de fallo en su lugar, pero la forma de la tabla es la misma.

Consejos para recoger datos

• Recoge cualquier parámetro o estadístico que encuentres.
• Los parámetros pueden ser de distintos tipos — toma cualquiera que encuentres. A menudo podemos derivar un valor de otro más tarde. Por ejemplo, cualquiera de: tiempo medio hasta el fallo; probabilidad de fallo en un tiempo t específico; tasa de fallo en fallos por hora o por millón de horas.
• Registra siempre las unidades — por hora, por mil horas, por día, número de unidades fallidas, probabilidad. Sin unidades el número no significa nada.
• Recoge tamaño de muestra y lapso de tiempo donde sea posible.
  • Si una fuente reporta un tiempo medio hasta el fallo, esa media vino de n fallos observados en t horas totales. Captúralo si puedes.
  • Si una fuente reporta una probabilidad de fallo, al final la convertirás a un tiempo medio hasta el fallo o a una tasa de fallo — lo que necesita un tamaño de muestra n y un lapso t.
• Recoge errores estándar y/o desviaciones estándar con tamaños de muestra donde sea posible; son lo que hace posible un análisis de incertidumbre más tarde. A veces simplemente no se reportan.
• No todo componente habrá sido investigado antes. En esos casos o bien (a) asumimos que nunca falla, (b) asumimos que siempre falla, o (c) derivamos un valor supuesto razonable y justificamos la elección. Eso se puede manejar más tarde.
• Descarga siempre una copia del documento y su información de citación.
• Cita siempre de dónde vino la estimación.
• Si tienes acceso a datos crudos podrías estimar el valor tú, pero a menudo no.

Tu dataset se verá más o menos así…

---

4 · Datos observados de otras fuentes

Resumen

Análisis estadístico de datos preclectados, siguiendo métricas de múltiples productos en el tiempo o el espacio bajo condiciones variables. Cualquier rasgo, tratamiento o intervención se observó en el mundo en lugar de asignarse al azar — lo que significa que no es apropiado sacar conclusiones causales directamente de datos observados.

¿Cuándo debería usar esto?

Los datos observados son útiles cuando un tema se ha estudiado mucho en el dominio público, cuando hay poco o ningún problema de privacidad individual o riesgo comercial al compartirlos, y cuando los sistemas de recolección ya están bien desarrollados. Se estudian con modelos estadísticos como la regresión. Buenos para un análisis exploratorio inicial, pero se prefieren diseños experimentales donde sea posible. Suele necesitar al menos 100 observaciones, y más agudiza tus estimaciones.

Un modelo estadístico de estos datos aún puede identificar qué rasgos mejoran la calidad en un contexto específico. Por lo general requiere métricas de calidad observadas en el tiempo para varios grupos — vidas de baterías de VE en el tiempo por vehículo, por ejemplo, o el desempeño de un manantial termal en el tiempo.

¿Qué datos debo recoger?

El dataset entero, cumpliendo estos requisitos:

• Debe quedar completamente claro qué significa una fila y qué significa cada columna o variable.
• Las unidades deben ser claras para cada variable usada — si no, el análisis es ininterpretable.
• Debe haber variación en los rasgos observados, o no hay variación que analizar.
• El tamaño de muestra debe ser lo bastante grande. Al menos 100 filas es un buen referente; más es mejor.
• La fuente y la calidad de los datos deben ser buenas. Si no queda claro quién los recogió, cómo y cuándo, no son lo bastante buenos para presentarlos a un cliente — y de eso se trata este proyecto.

Consejos para recoger datos

• Usar datos preclectados puede parecer la opción más fácil. A menudo no lo es.
• La calidad de los datos varía enormemente, y el objetivo no es meramente correr un modelo estadístico — es producir un análisis empíricamente válido y útil de una tecnología para la mejora de la calidad.
• Toma esta ruta solo si tienes un dataset de alta calidad, conectado de forma significativa a tu proyecto, y con una fuente clara, válida y bien documentada.

Tu dataset se verá más o menos así…