El Control Estadístico de Procesos para la gestión de la calidad

¿Haciendo cambios? ¿Quieres observar su impacto y medir el nivel de mejora? Entonces piensa en utilizar el Control Estadístico de Procesos (CEO) o Statistical Process Control (SPC).

¿Comprobando el desempeño de tus procesos? ¿Quieres controlarlos y aplicar mejoras basándote en datos, y tomar decisiones? Piensa también en ello.

La gestión por procesos es uno de los requisitos de la calidad en la Norma ISO 9000. Mediante el control de procesos tenemos más probabilidades de satisfacer los requisitos finales, es decir, producir productos conformes. Si además buscamos la mejora continua de estos, conseguimos mejorar la eficacia y eficiencia en nuestra actividad y reducir la variabilidad.

Las organizaciones que implementan la mejora continua de procesos como parte de su estrategia utilizan diferentes herramientas y técnicas para medir el grado de desviación de sus procesos productivos. Una de ellas es el Control Estadístico de Procesos CEP (o SPC, Statistical Process Control en inglés).

Si bien es cierto que existen tantas formas de definirlo como estadísticos hay en el mundo, comencemos con la siguiente explicación:

‘’SPC se puede definir como el uso de herramientas y técnicas estadísticas para mejor un proceso de producción y detectar cambios en el mismo’’ [Webber and Wallace, 2011]

Esta definición del control estadístico de procesos es, aunque correcta, algo incompleta. Cuando usamos esta técnica, disponemos de mediciones personalizadas de los procesos donde nos centramos en reducir la variabilidad y aumentar la calidad final, reduciendo además los desechos.

El SPC es una filosofía, una estrategia y un conjunto de métodos de la mejora continua de sistemas, procesos y resultados. Se basa principalmente en aprender de los datos para reducir problemas y analizar el impacto de nuestros cambios.

Esta medición del proceso resulta en conjuntos de variables que son identificadas a través de mapas de procesos (entre otros métodos). Normalmente, son sólo de interés un número reducido de estas variables. Estas ‘’variables de interés’’ son las que comúnmente cobran el nombre de características Críticas para la Calidad (CTQ, Critical To Quality en inglés) y cuyos estándares de rendimiento deben cumplirse siempre.

Cuando hablamos de reducir la variabilidad para aumentar de la calidad, no nos referimos a eliminarla. Esto es imposible ya que siempre existe un margen de desviación debido a causas naturales en cualquier proceso.

En el sector agroalimentario la sistematización del control de calidad no puede estar tan arraigada como en otras industrias, por razones debidas a las variabilidades intrínsecas de los factores: cada manzana es diferente, cada animal tiene sus propias características y respuestas a -por ejemplo- variaciones en la temperatura, …

Lo que sí podemos hacer, y de ahí la razón de establecer un control estadístico de la calidad, es controlar las causas asignables de variabilidad que son detectables y que está a nuestro alcance eliminar. De hecho, muchas veces no somos conscientes de la mejora que se puede conseguir aún cuando tenemos los procesos bajo control si sacamos el máximo partido a la información que nos rodea.

Detectar estas causas especiales de variación nos ayuda a identificar cuando algo fuera de lo normal está pasando y poder reaccionar a ello antes de que se convierta en un problema mayor. Detectando el momento justo del proceso en el que se ha generado el cambio negativo, podemos solucionarlo rápidamente y evitar mayores desperdicios.

Pero esto también nos indica cuándo no tomar acción. Puede ser que hayas detectado una tendencia rara o especial en tu proceso de producción y supongas la razón. Haciendo uso de la estadística podemos detectar si nuestras predicciones son ciertas o no. ¿Qué es peor? ¿No detectar un problema a tiempo o creer que hay uno e implementar errores a procesos que están bajo control y funcionan perfectamente?

¿Alguna vez habéis oido hablar de los ya tan conocidos Gráficos de Control (Control Charts, en inglés)?

Los gráficos de control son gráficos en dos dimensiones, donde el eje vertical representa el valor de la variable de interés. Sobre ese eje, se presentan tres líneas, la línea central (CL, center line) y los límites superior (UCL, upper control limit) e inferior (CLC, lower control limit).

La línea central representa alguna medida de centralización de los datos, por ejemplo la media. Los límites superior e inferior representan alguna medida de dispersión de los datos, como la distancia entre la media y tres desviaciones típicas.

Lo que hacemos al controlar los procesos mediante gráficos de control es realmente un contraste continuado de hipótesis para comprobar si el proceso está bajo control.

¿Cuándo está un proceso bajo control? Cuando la variación observada es natural y se achaca al azar, estando tanto la media como la desviación típica de la muestra dentro de los límites naturales.

Ejemplo de un gráfico de control CUSUM extraído con el software Síagro:

Al final, con lo que tenemos que quedarnos son una idea principal: Necesitamos conocer, entender e interpretar nuestros datos correctamente para tomar decisiones, corregir errores y aumentar nuestra productividad y rentabilidad.

Una última reflexión:

Lo que no se define no se puede medir. Lo que no se mide, no se puede mejorar. Lo que no se mejora, se degrada siempre. Lod Kelvin.