린(Lean) 제조와 식스 시그마(Six Sigma)의 대칭성을 실현하세요.

린 제조(Lean Manufacturing)와 식스 시그마(Six Sigma)는 경쟁적인 방법론이었습니다. 오늘날 많은 제조업체는 이 두 가지가 어떻게 함께 사용하면 더 좋은지 알아냈습니다. 게티 이미지

린 제조의 기원은 1950년대 도요타 생산 시스템으로 거슬러 올라가며, 더 나아가 헨리 포드(Henry Ford)가 디트로이트 외곽의 리버 루즈(River Rouge) 단지에서 이룩한 제조 혁신으로 거슬러 올라갑니다. 린이라는 용어는 1980년대 미국 자동차 산업에 대한 제임스 워맥(James Womack)과 다니엘 T. 존스(Daniel T. Jones)의 연구 "세상을 바꾼 기계"를 통해 생겨났습니다. 오늘날 우리가 알고 있는 린(Lean) 지식 체계는 풍부한 유산과 많은 저명한 기여자를 보유하고 있습니다.

식스 시그마는 1980년대 모토로라의 선도적인 사상가들의 작업으로 등장했습니다. 그들은 제조 공정을 이해하고 제어하는 ​​데 큰 가치가 있다는 것을 인식했습니다. 통계 분석은 변동을 줄이기 위한 목표 대응책에 대한 깊은 이해와 개발의 기반이 되었습니다. Six Sigma 지식 체계가 등장하면서 GE, Allied Signal, IBM, Honeywell과 같은 다른 대기업도 동참했습니다.

수년 동안 린(Lean) 및 식스 시그마(Six Sigma) 지식 체계는 지속적인 개선의 전장에서 치열한 경쟁자였습니다. 어리석게 들리겠지만, 그것은 작업 현장과 기업 사무실에서 개선 작업을 수행하는 사람들이 수행하는 방식이었습니다. 다행스럽게도 선도적인 사상가들은 결국 둘 사이의 시너지 효과를 인식하고 둘 사이에 "and" 없이 린 식스 시그마 측면에서 운영하기 시작했습니다. 이것이 미미해 보일 수도 있지만 이는 엄청난 차이를 가져오고 우리의 지속적인 개선 행동을 변화시킵니다.

사람에 대한 존중과 겸손한 운영을 포함한 특정 중요한 개념은 전체 린 식스 시그마 스펙트럼에 적용되어야 한다는 점을 명심하십시오. 이는 지속적인 개선 접근 방식의 매우 기본입니다.

그리고 명확하게 하려면 각 개선 접근 방식의 다양한 초점을 이해해야 합니다. 동료들과 함께 이 주제를 탐색하면서 다음 정의를 고려하십시오.

매우 간단하면서도 매우 명확하고 강력한 이러한 정의는 두문자어와 전문 용어에 대한 두려움과 소음이 없는 출발점 역할을 합니다. 작업 현장에서 일하든 회사 사무실에서 일하든 상관없이 이러한 정의를 작업 방식에 맞게 조정할 수 있습니다.

벤다이어그램에 린(Lean)과 식스 시그마(Six Sigma)를 넣으면 상당한 중복 영역을 볼 수 있습니다. "순수한" 측면에서는 효과적인 구현을 위해 적당한 데이터만 필요한 분석 도구와 개선 기술을 찾을 수 있습니다. 예를 들어 심층적인 정량 분석을 수행하지 않고도 5S 및 시각적 제어를 구현할 위치와 방법을 결정할 수 있습니다. 때로는 합리적인 장소를 선택하고 시작하기만 하면 됩니다. 택트타임과 사이클타임 분석도 마찬가지다. 주기 시간, 양, 필요한 리소스를 이해하려면 데이터를 수집해야 하지만 일반적으로 기본 수학 이상의 통계 분석은 해당 노력에 포함되지 않습니다.

두 원이 겹치는 린과 식스 시그마의 교차점에는 보다 발전된 린 아이디어와 기본적인 식스 시그마 아이디어가 만나는 곳이 있습니다. 이는 식스 시그마 그린 벨트 실무자와 고급 린 사상가가 집중할 수 있는 영역이라고 생각할 수 있습니다. 라인 밸런싱 분석을 수행하면 변동 원인에 대한 더 깊은 이해를 발전시킬 수 있습니다. F-테스트 분석을 사용하여 주어진 흐름 개선에 대한 특정 처리량의 확률을 이해할 수 있었습니다. 기본적인 Six Sigma 통계 분석을 공격적인 린 플로우 애플리케이션에 적용함으로써 훨씬 더 풍부한 솔루션을 얻을 수 있습니다.

순수 6시그마 영역에는 통계적 방법을 사용하는 경향이 있는 보다 정교한 데이터 수집, 분석 및 개선 도구가 필요합니다. 여기에서 식스 시그마 블랙 벨트 실무자는 가장 귀중한 기여자입니다. 분석의 예로는 생산 부품의 두 모집단을 연구하여 통계적으로 유사한지 확인하고 실험 계획(DOE)을 수행하여 어떤 요소와 설정 수준이 예상 결과를 생성할 가능성이 가장 높은지 확인하는 것이 포함될 수 있습니다.