Сократите общие затраты на качество за счет раннего и частого развертывания ИИ в производственном процессе.
Какова стоимость качества?
Американское общество качества (ASQ) предполагает, что затраты на качество (COQ) обычно составляют около 15–20% продаж, а в некоторых организациях часто достигают 40%. Другими словами, стремление к более высокому качеству, а часто и неудача в этом стремлении, напрямую влияет на прибыль и вашу прибыль.
Стоимость качества обычно составляет около 15–20% от продаж, а в некоторых организациях часто достигает 40%.
ASQ определяет COQ как методологию, которая позволяет организации определить, в какой степени ее ресурсы используются для действий, которые предотвращают низкое качество, которые оценивают качество продуктов организации или службы, а также в результате внутренних и внешних сбоев.
Логически можно подумать, что COQ привязан к стоимости хорошего качества (COGQ). Это затраты на попытки производить товары более высокого качества и предотвращать появление или ускользание товаров более низкого качества.
COGQ = Затраты на профилактику + Затраты на оценку
На самом деле, в среднем 60 % COQ связаны с так называемой стоимостью низкого качества (COPQ). Это внутренние затраты на дефекты, такие как брак и доработка, или, что еще хуже, внешние затраты. связанных с вопросами качества, такими как претензии по гарантии, ремонт, потенциальная юридическая ответственность и риск для репутации.
COPQ = внутренние отказы + внешние отказы
Неспособность исправить проблемы на ранней стадии процесса приводит к гораздо большим затратам в будущем.
Предиктивная аналитика в процессе обеспечения качества
Благодаря расширенной аналитике и машинному обучению этапы могут выполняться на более ранних этапах процесса. Сосредоточив внимание на COGQ, компании могут резко сократить COPQ и, следовательно, общий COQ в целом.
Стоимость хорошего качества
Стоимость профилактики
Затраты на профилактику составляют наименьшую часть общих затрат на качество, но в качестве первой линии защиты они предлагают наибольшую область для улучшения с помощью ИИ.
Затраты на профилактику – это расходы, связанные с действиями, направленными на сведение отказов к минимуму. Исторически сложилось так, что расходы на профилактику связаны с людьми и процессами, такими как обучение, разработка процедур обеспечения качества, а также разработка спецификаций продукта и руководств по тестированию.
На этапе предотвращения можно использовать машинное обучение для прогнозирования качества конечного продукта. Учитывая историческую информацию, такую как измерения или атрибуты входных материалов, в сочетании с настройками машины или заданными значениями, прогностическая аналитика может изучать закономерности в данных, чтобы предсказать конечный результат качества. Другими словами, ИИ может помочь спрогнозировать качество вашего продукта, позволяя оптимизировать настройки и снизить вероятность получения некачественного результата.
Усиление ваших профилактических мер — это наилучшая возможность предотвратить производство некачественной продукции, что снижает вероятность более высоких внутренних и внешних затрат в будущем.
(Нажмите здесь, чтобы узнать, как можно развернуть решение elipsa без кода для обеспечения качества)
Стоимость оценки
Затраты на оценку включают проверку и тестирование сырья, незавершенного производства и готовой продукции. Кроме того, аудит качества, выборка и статистический контроль процессов также подпадают под категорию затрат на оценку.
Тесты и аудиты проводятся на различных этапах производственного процесса с целью выявления дефектных продуктов. Исторически это был очень ручной процесс, подверженный ошибкам и промахам. По мере развития Интернета вещей, когда машины собирают все большие объемы данных, можно внедрить ИИ для автоматизации и улучшения этих шагов, помогая повысить точность при перераспределении ценного времени сотрудников.
Высокие затраты на оценку часто связаны с ручным аспектом инспекций и аудитов. Учитывая ручной трудоемкий характер процесса, проверки и аудиты часто выполняются на выборке данных, а не на всех продуктах. Это позволяет некачественным продуктам ускользать, что приводит к более высоким внешним издержкам.
С помощью компьютерного зрения можно использовать искусственный интеллект для автоматизации процесса проверки. Решения без кода позволяют сотрудникам создавать модели, обучающие систему искать дефекты, характерные для их бизнеса и линейки продуктов, без необходимости в специалисте по обработке и анализу данных.
(Нажмите здесь, чтобы узнать, как можно развернуть решение elipsa без кода для обнаружения дефектов)
Стоимость низкого качества
Внутренние затраты
Внутренние издержки возникают, когда дефекты качества обнаруживаются до того, как они доходят до покупателя. Другими словами, дефект возник, но этапы оценки выявили дефект, не позволяющий продукту попасть к покупателю.
Затраты на дефекты высоки, поскольку они включают в себя чрезмерный брак и переработку продукта. Уделение меньшего внимания затратам на предотвращение и оценку приводит к гораздо большему количеству внутренних ошибок на последующих этапах.
В дополнение к дефектам, внутренние расходы также включают стоимость центра города из-за отказа оборудования в производственном процессе. Благодаря использованию машинного обучения можно использовать профилактическое обслуживание для интеллектуального мониторинга состояния критически важного оборудования. Датчики IoT в сочетании с искусственным интеллектом могут предоставлять заблаговременные предупреждения о проблемах с машиной. Это позволяет планировать время простоя, более разумно использовать профилактическое обслуживание и продлевать срок службы ваших машин.
Внешние затраты
Наконец, внешние затраты реализуются, когда дефекты обнаруживаются после того, как покупатель получает продукт. Внешние затраты возникают после крупного сбоя в процессе управления качеством и приводят к гораздо большим затратам компании. Примеры могут быть связаны с дефектными продуктами, а также с продуктами низкого качества в целом. Продукт не может быть дефектным в том смысле, что он отличается от одной версии к другой, но все продукты имеют более низкое общее качество, что приводит к частым проблемам, приводящим к гарантийным претензиям, отзывам и даже юридическим или репутационным проблемам.
ИИ может помочь компаниям выйти за рамки контроля качества, связанного с производственным процессом. С появлением устройств, подключенных к Интернету вещей, компании могут включать датчики в свои конечные продукты, что позволяет ИИ интеллектуально отслеживать устройства в полевых условиях и продлевать срок их службы.
Профилактическое обслуживание, как указано в разделе внутренних затрат, может использоваться в ваших собственных продуктах для обеспечения превосходного постоянного качества или ваших клиентов и даже для увеличения потока доходов для вашей организации.
Вывод
Низкие меры по обеспечению качества профилактики могут привести к высоким внутренним затратам вашей организации. Низкие показатели качества оценки могут привести к высоким внешним издержкам.
Искусственный интеллект в форме машинного обучения предлагает новые инструменты, которые можно использовать на протяжении всего процесса обеспечения качества. Инвертируя общую стоимость снижения качества, ИИ можно использовать на этапах предотвращения и оценки. Благодаря использованию ИИ на этих ранних этапах компании могут значительно снизить общую стоимость при одновременном повышении общего качества.
Кроме того, ИИ можно интегрировать в готовые продукты, чтобы помочь интеллектуально контролировать их текущее состояние и работу. Это не только помогает снизить затраты, но и предлагает компаниям новые возможности получения дохода в виде расширенных гарантий и других дополнительных услуг.
