Optimizacija poslovnih in tehnoloških procesov Aleksander Janeš Robert Pavlin Znanstvene monografije Fakultete za management Optimizacija poslovnih in tehnoloških procesov Aleksander Janeš Robert Pavlin Optimizacija poslovnih in tehnoloških procesov Aleksander Janeš in Robert Pavlin Recenzenta · Tomaž Kern in Maja Meško Lektoriranje · Davorin Dukič Tehnična ureditev · Tajda Senica Prelom · Primož Orešnik Fotografija na naslovnici · Freepik Izdala in založila · Založba Univerze na Primorskem Titov trg 4, 6000 Koper · www.hippocampus.si Glavni urednik · Jonatan Vinkler Vodja založbe · Alen Ježovnik Koper, 2024 © 2024 Aleksander Janeš in Robert Pavlin https://www.hippocampus.si/ISBN/978-961-293-388-3.pdf https://www.hippocampus.si/ISBN/978-961-293-389-0/index.html https://doi.org/10.26493/978-961-293-388-3 Izid monografije je finančno podprla Javna agencija za znanstvenoraziskovalno in inovacijsko dejavnost Republike Slovenije iz sredstev državnega proračuna iz naslova razpisa za sofinanciranje znanstvenih monografij Kataložni zapis o publikaciji (c i p) pripravili v Narodni in univerzitetni knjižnici v Ljubljani cob i s s . s i -i d 223223299 i s b n 978-961-293-388-3 (p df) i s b n 978-961-293-389-0 (h t m l) Vsebina Seznam slik • 7 Seznam preglednic • 8 Krajšave • 11 Povzetek • 13 Summary • 14 1 Uvod 1 • 15 1.1 Opredelitev področja in opis problematike 1.1 · 17 1.2 Predmet raziskovanja 1.2 · 22 1.3 Razvoj hipotez 1.3 · 26 1.4 Raziskovalne metode 1.4 · 29 1.5 Predpostavke in omejitve raziskave 1.5 · 33 1.6 Prispevek k znanosti 1.6 · 34 2 Pregled stanja obravnavane problematike in osnove uspešnega obvladovanja podjetja2 • 37 2.1 Management poslovnih procesov 2.1 · 37 2.2 Merjenje uspešnosti procesov 2.3 · 42 2.3 Merjenje razvoja 2.4 · 52 2.4 Validacija meritev 2.5 · 53 2.5 Ključni kazalniki poslovanja 2.6 · 54 3 Management poslovnih procesov 3 • 57 3.1 Planiranje in vodenje timov · 58 3.2 Management projektov 3.2 · 60 4 Sistem kazalnikov 4 • 67 4.1 Teoretični okviri za izdelavo sistemov 4.1 · 67 4.2 Definiranje tehnološkega procesa 4.2 · 67 4.3 Nabor orodij za spremljanje tehnoloških procesov 4.3 · 71 4.4 Analiza primernosti podatkov 4.4 · 73 4.5 Testiranje in validacija sistema 4.5 · 73 5 Vsebina 5 Empirična raziskava 5 • 77 5.1 Predstavitev podjetja 5.1 · 77 5.2 Metode zbiranja podatkov 5.2 · 78 5.3 Reprezentativni sistem 5.3 · 83 5.4 Metode analize podatkov 5.4 · 84 5.5 Preverjanje in način testiranja hipotez 5.5 · 146 5.6 Prispevek k znanosti 5.6 · 181 6 Sklep 6 • 183 6.1 Izpolnjevanje ciljev 6.1 · 183 6.2 Preverjanje hipotez 6.2 · 184 6.3 Ključne ugotovitve 6.3 · 184 6.4 Možnosti za nadaljnje raziskovanje 6.4 · 185 Literatura • 187 Recenziji • 201 6 Seznam slik 1.1 Procesna arhitektura podjetja · 17 1.2 Splošen proces · 18 1.3 Proces merjenja · 23 1.4 Konceptualni model raziskave · 24 2.1 Shema tehnološkega procesa · 40 2.2 Tehnološki proces priprave in montaže · 41 5.1 Diagram lastnih vrednosti vijačenje – navor · 99 5.2 Strojna zmožnost vijačenje – Navor_0L; Navor_0D; Navor_00L; Navor_00D; Navor_1L · 111 5.3 Strojna zmožnost vijačenje – Navor_1D; Navor_2L; Navor_2D; Navor_3L; Navor_3D · 113 5.4 Grafični prikaz verjetnosti procesa vijačenje – Navor_0L; Navor_0D; Navor_00L; Navor_00D; Navor_1L · 114 5.5 Grafični prikaz verjetnosti procesa vijačenje – Navor_1D; Navor_2L; Navor_2D; Navor_3L; Navor_3D · 115 7 Seznam preglednic 5.1 Opisna statistika izhodiščnih kazalnikov · 92 5.2 Opisna statistika vijačenje – navor · 94 5.3 Korelacijska matrika vijačenje – navor · 95 5.4 Test KMO in Bartlettov test sferičnosti vijačenje – navor · 96 5.5 Antislikovna matrika vijačenje – navor · 97 5.6 Komunalitete vijačenje – navor · 98 5.7 Skupna pojasnjena varianca vijačenje – navor · 98 5.8 Faktorska matrika vijačenje – navor · 99 5.9 Test ustreznosti vijačenje – navor · 100 5.10 Ponovljene korelacije vijačenje – navor · 100 5.11 Matrika transformacije faktorjev vijačenje – navor · 102 5.12 Matrika koeficientov faktorskih ocen vijačenje – navor · 103 5.13 Komunalitete končnih kazalnikov po tretji optimizaciji – faktorska analiza · 105 5.14 Procesni podatki vijačenje – navor · 107 5.15 Splošna zmožnost vijačenje – navor · 107 5.16 Potencial znotraj zmožnosti vijačenje – navor · 109 5.17 Opazovana uspešnost vijačenje – navor · 109 5.18 Eksplicitna notranja zmožnost vijačenje – navor · 110 5.19 Eksplicitna splošna zmožnost vijačenje – navor · 110 5.20 Kritična strojna zmožnost CMK z vsemi optimizirani kazalniki · 116 5.21 Kritična procesna zmožnost · 117 5.22 Uspešnost poslovnega procesa, merjena s kazalnikoma OEE in ROI · 118 5.23 Regresijski modeli za odvisnost kritične procesne zmožnosti (funkcija, skladnost z dokumentacijo) – druga optimizacija kritične strojne zmožnosti, OEE in ROI · 120 5.24 Regresijski modeli za odvisnost kritične procesne zmožnosti (dimenzijska ustreznost, skladnost z dokumentacijo) – tretja optimizacija za kritično strojno zmožnost, OEE in ROI · 121 5.25 Regresijski modeli za odvisnost kritične strojne zmožnosti (navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja, končna kontrola časa) – druga optimizacija za kritično procesno zmožnost, OEE in ROI · 122 8 Seznam preglednic 5.26 Regresijski modeli za odvisnost kritične strojne zmožnosti (navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja, končna kontrola časa) – tretja optimizacija za kritično procesno zmožnost, OEE in ROI · 124 5.26 Nadaljevanje s prejšnje strani · 125 5.27 Opisna statistika med ROI3 in kazalniki kritične strojne zmožnosti (CMK) · 126 5.28 Korelacijski koeficienti med ROI3 in kazalniki kritične strojne zmožnosti (CMK) · 127 5.29 Korelacije med ROI3 in kazalniki kritične procesne zmožnosti (CPK) · 128 5.30 Korelacije med OEE L3 in kazalniki kritične procesne zmožnosti (CPK) L3 · 129 5.31 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke OEE · 130 5.32 Korelacije kazalnikov CPK z odvisno spremenljivko OEE · 131 5.33 Korelacije med OEE L3 in kazalniki kritične strojne zmožnosti (CMK) L3 · 133 5.34 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke OEE · 134 5.35 Korelacije kazalnikov CMK na odvisno spremenljivko OEE · 136 5.36 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Navor3 (CMK) · 138 5.37 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Čas vijačenja3 (CMK) · 139 5.38 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Število obratov3 (CMK) · 140 5.39 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Temperatura lepila3 (CMK) · 140 5.40 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Temperatura komponent3 (CMK) · 141 5.41 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Masa lepila3 (CMK)1 · 142 5.42 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Čas lepljenja3 (CMK) · 142 5.43 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Končna kontrola časa 3 (CMK) · 143 5.44 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke Funkcije3 (CPK) · 144 5.45 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke Dimenzijska ustreznost3 (CPK) · 146 5.46 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke Skladnost z dokumentacijo3 (CPK) · 147 9 Seznam preglednic 5.47 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke ROI3 · 147 5.48 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke ROI3 · 148 5.49 Opisna statistika hipoteza 1 · 150 5.50 Opisna statistika hipoteza 2 · 153 5.51 Opisna statistika hipoteza 3 – funkcije_3L in kazalniki CMK · 158 5.52 Opisna statistika, hipoteza 3 – Dimenzijska ustreznost_3L in kazalniki CMK · 160 5.53 Opisna statistika, hipoteza 3 – Skladnost z dokumentacijo_3L in kazalniki CMK · 161 5.54 Opisna statistika, hipoteza 4 – Navor_3L in kazalniki CPK · 163 5.55 Korelacijska matrika, hipoteza 4 – Navor_3L, optimizacija 3 · 165 5.56 Opisna statistika, hipoteza 4 – Čas vijačenja_3L in kazalniki CPK · 165 5.57 Korelacijska matrika, hipoteza 4 – Čas vijačenja_3L, optimizacija 3 · 166 5.58 Opisna statistika, hipoteza 5 – ROI_3L in kazalniki CMK · 173 5.59 Opisna statistika, hipoteza 6 – ROI_3L in kazalniki CPK · 175 5.60 Korelacijska matrika, hipoteza 6 – ROI_3L in kazalniki CPK, optimizacija 3 · 177 5.61 Povzetek rezultatov optimizacij kritičnih strojnih in procesnih zmožnosti, OEE in ROI – primerjava optimizacij 1, 2 in 3 · 180 10 Krajšave AI Artificial Intelligence (umetna inteligenca) ANP Analytic Network Process (analitični mrežni postopek) BAM Business Activity Monitoring (spremljanje poslovne aktivnosti) BPM Business Process Management (management poslovnih procesov) BSC Balanced Scorecard (uravnoteženi kazalniki) CMK Critical Machine Capability (kritična strojna zmožnost) CP Process Capability Index (zmožnostni koeficient procesa) CPK Critical Process Capability (kritična procesna zmožnost) CPI Continuous Process Improvement (stalno izboljševanje procesov) CSF Critical Success Factors (ključni dejavniki uspešnosti) DFMEA Design Failure Mode and Effects Analysis (analiza možnih napak in njihovih posledic pri načrtovanju) DRL Daytime Running Lights (dnevne luči) DTC Design-to-Cost (planiranje prihrankov) EBIT Earnings before Interest and Taxes (poslovni izid pred obrestmi in davki) EBITDA Earnings before Interest, Taxes, Depreciation and Amortization (dobičkonosnost pred obrestmi, davki, odpisi in amortizacijo) HR Human Resource (človeški viri) IT Information Techonology IOT Internet of Things (internet stvari) LED Light Emitting Diode (svetleča dioda) KPI Key Performance Indicators (ključni kazalniki poslovanja) LEAN vitko proizvajanje; proizvodna praksa, s stalno težnjo po odpravljanju vseh potrat ali izgub v procesu proizvajanja LSL Lower Specification Limit (spodnja meja specifikacije) 11 Krajšave MANOVA Multivariate Analysis Of Variance (multivariatna analiza variance) MSA Measurement Systems Analysis (analiza merilnih sistemov) NA numerical aperture (numerična odprtina) NQE Non Quality Expenses (stroški nekakovosti) OEE Overall Equipment Effectiveness (skupna učinkovitost opreme) PCD Process Control Diagram (procesni kontrolni diagram) PFMEA Process Failure Mode and Effects Analysis (analiza možnih procesnih napak in njihovih posledic) PPM Parts per Million (delež v milijonu) PMM Performance Management and Measurement (management in merjenje uspešnosti) PMS Performance Measurement Systems (sistemi za merjenje uspešnosti) PM Project Management (management projektov) PTP poslovni in tehnološki procesi RCA Root Cause Analysis (vzročna analiza) R & D Research and Development (raziskave in razvoj) ROA Return on Assets (čista donosnost sredstev) ROI Return on Investment (dobičkonosnost vloženega kapitala) SF Success Factors (dejavniki uspešnosti) SME Small and Medium-sized Enterprises (mala in srednje velika podjetja) SMT Senior Management Team (vršni managerski tim) SOA Service Oriented Architecture (storitveno usmerjena arhitektura) SPC Statistical Process Control (statistični procesni nadzor) USL Upper Specification Limit (zgornja meja specifikacije) 12 Povzetek Kazalniki poslovanja so izjemno pomembni v poslovnih in tehnoloških procesih, saj pomagajo pri spremljanju uspešnosti in učinkovitosti procesov ter njihovem izboljševanju. Vendar pa izbira pravih kazalni-kov zahteva veliko raziskav. S predmetno raziskavo je bilo ugotovljeno, da ni veliko uporabne literature, ki bi povezala tehnološke procese s poslovnimi. V raziskavi je opisan sistem za management ter monito-ring poslovnih in tehnoloških procesov, ki omogoča učinkovitejše ter natančnejše merjenje poslovnih in tehnoloških procesov. Raziskava predstavlja vpogled v izbor pravih kazalnikov in njihovo uporabo v proizvodnih procesih. Poudarek je na optimizaciji poslovnih in tehno-loških procesov s pomočjo ustreznih kazalnikov poslovanja. Ključne besede: management in merjenje poslovanja, sistemi za mer-jenje poslovanja, ključni kazalniki poslovanja, skupna učinkovitost opreme, dobičkonosnost vloženega kapitala, analiza sposobnosti stro-ja, analiza sposobnosti procesa 13 Summary Optimization of business and technological processes. Performance indicators are extremely important in business and technology processes, as they help to monitor and improve the effi-ciency and effectiveness of processes. However, choosing the right in-dicators requires a lot of research. The present study found that the-re is not much useful literature linking technological processes with business processes. The study describes a management and monito-ring system for business and technology processes that enables more effective and accurate measurement of business and technology pro-cesses. The study provides insights into the selection of the right in-dicators and their use in manufacturing processes. The focus is on the optimisation of business and technological processes through the use of appropriate performance indicators. Keywords: performance management and measurement, performance measurement systems, key performance indicators, overall equipment effectiveness, return on investment, machine capability index, process capability index. 14 1 Uvod 1 Management poslovnih in tehnoloških procesov predstavlja eno od ključnih funkcij v vsakem podjetju (Drucker 1954; 2002; 2008). Osre-dotoča se na obvladovanje delovnih sredstev in ustvarjanje dodane vrednosti za stranke (André 2019). Predmet raziskave se je osredotočil na analizo poslovnih in tehno- loških procesov (PTP) ter ključnih kazalnikov poslovanja v kontekstu proizvodnega podjetja. Raziskava je temeljila na relevantni literaturi (Drucker 1954; Kaplan in Norton 1996; Neely 1999; Parmenter 2010 Porter 1985). V raziskavi smo preučili korelacijo tehnoloških procesov z dobič- konosnostjo proizvodnje. Analizirali smo področja načrtovanja upora-be sredstev, zaporedja tehnoloških procesov in njihove učinkovitosti. Pridobljeni rezultati so ponudili pomembne informacije o kazalni- kih poslovanja, ki so bili ključni za učinkovito obvladovanje tehnolo-ških procesov v podjetju. Ti rezultati so podjetju omogočili boljše pre-poznavanje možnosti za izboljšave učinkovitosti tehnoloških procesov. To pa je bilo v pomoč pri oblikovanju učinkovitih marketinških strate-gij, prepoznavanju ključnih dejavnikov za poslovanje ter vzpostavljanju naprednih modelov za napovedovanje trendov. Posledično je izboljša-nje storitev in izdelkov podjetju omogočilo povečanje zadovoljstva ter zvestobe strank (Sivaev 2013; Sydler, Haefliger in Pruksa 2014). V okviru raziskave smo razvili integriran sistem za merjenje PTP, prilagojen za uporabo v izbranem podjetju. Sistem je temeljil na anali-zi znanstvene in strokovne literature ter uporabljal statistične analize za definiranje ključnih kazalnikov poslovanja PTP. Poudarek smo na-menili merjenju tehnoloških procesov priprave in montaže, vključno z njihovimi podprocesi, ter merjenju procesne in strojne zmožnosti skladno s standardom ISO 22514–7:2012 (International Organization for Standardization 2012). Pri vsaki operaciji priprave in montaže smo se posluževali kritičnih procesnih ter strojnih zmožnosti za natančen opis posameznih proce- 15 1 Uvod sov. Merjenje procesov je trajalo več mesecev, pri čemer smo v neka-terih primerih izvedli večkratne optimizacije procesov in naprav ter ponovno merjenje, da smo dosegli ustrezne rezultate. Cilj raziskave je bil dokazati, da lahko neustrezno opisovanje tehno-loških procesov korelira s poslovnimi procesi in s tem posledično tudi z uspešnostjo podjetja. Rezultati raziskave so koristni za izboljšanje procesov tehnološke priprave in za učinkovito obvladovanje tehnolo-ških procesov v podjetju. Raziskovali smo problematiko sistema kazalnikov za merjenje teh-noloških procesov v podjetju. Teoretični del raziskave je temeljil na preučitvi literature, pri čemer smo analizirali elemente, ki jih mora vsebovati učinkovit sistem kazalnikov. V empiričnem delu smo izved-li raziskavo, v kateri smo samostojno merili tehnološke procese. Med ključnimi projektnimi kazalniki, ki smo jih preučevali, so bili: čas in stroški inštalacije naprav, čas in stroški zagona naprav, delovni cikli, optimizacijski krogi, stroški, maksimalna zmožnost, izmet po kompo-nentah in končni izmet ter analiza robustnosti procesa. Slednja je te-meljila na dimenzijskih in funkcionalnih merjenjih, analiza celotnega tehnološkega procesa pa se je izvajala za vsako operacijo z merjenjem na vsaj 50 zaporedno proizvedenih kosih (izdelkih) na vsaki operaciji. Kritična analiza procesne zmožnosti se je izvajala za vsako operacijo posebej. Meritve in postopki merjenja so bili jasno definirani, saj smo ugotovili, da lahko merjenje nepomembnih lastnosti korelira z nega-tivnimi učinki na kakovost, čas in stroške procesa. S tem smo potrdili, da je za nadzor kakovosti, časa in stroškov ter izboljšanje procesov v podjetju ključnega pomena učinkovit sistem kazalnikov za merjenje tehnoloških procesov. V dosegljivi literaturi smo pregledali obstoječe modele in koncepte merjenja poslovanja. V empiričnem segmentu raziskave smo se osre-dotočili na analizo trenutnih poslovnih in tehnoloških procesov izbra-nega podjetja ter na razvoj prilagojenega sistema merjenja poslovanja. Pri oblikovanju tega sistema smo se opirali na izbor ključnih kazalni-kov poslovanja, ki so bili skladni s strateškimi cilji in z nameni podjetja. Vključen je bil tudi mehanizem za redno posodabljanje in prilagajanje kazalnikov, da bi zagotovili njihovo stalno ustreznost v dinamičnem poslovnem okolju. Rezultati naše raziskave so potrdili, da integrirani sistem merjenja poslovanja za podjetje predstavlja učinkovito orodje pri usmerjanju njegovih dejavnosti k doseganju strateških ambicij. Sistem ne le da 16 Opredelitev področja in opis problematike 1.1 omogoča identifikacijo in odpravo morebitnih neučinkovitosti v pro-cesih, ampak tudi zagotavlja kontinuirano spremljanje in vrednotenje napredka v smeri ciljev. Ta pristop tako podjetjem omogoča, da osta-nejo agilna in usklajena s svojimi strateškimi usmeritvami, kar je ključ-no za njihova dolgoročna uspeh in rast. 1.1 Opredelitev področja in opis problematike 1.1 Management PTP predstavlja ključno in občutljivo funkcijo v vsakem podjetju. Njegova glavna naloga je zagotoviti usklajenost operativnih dejavnosti s poslanstvom, smotri, cilji in strategijo podjetja (Porter 2008). Posebna pozornost je namenjena učinkovitemu obvladovanju delovnih sredstev podjetja s ciljem ustvarjanja dodane vrednosti za stranko (Biloslavo, Bagnoli in Rusjan Figelj 2013). Management PTP igra ključno vlogo pri hitrem odzivanju na spre- membe in pripravljenosti na nenehno prilagajanje tržnim razmeram (Verle in Markič 2012; Verle idr. 2014). Učinkovito vodenje poslovnih procesov prispeva k rasti podjetja z izboljšanjem učinkovitosti, s po-večanjem produktivnosti ter z doseganjem boljše učinkovitosti zapo-slenih, kar posledično vodi do izboljšanih storitev za stranke (Choong 2013; Adamides 2015; Gębczyńska 2016). Vse izboljšave izhajajo iz opti-mizacije poslovnih procesov, ki neposredno prispeva k doseganju zas-tavljenih ciljev (Underdahl 2011; Kohlborn idr. 2014). Poslovne procese lahko razdelimo v tri ključne skupine (slika 1.1): management, temeljni in podporni procesi (Harmon 2007). Med Management poslovnih procesov Management Temeljni Podporni (operativni) procesi procesi računovodstvo Management Management Management Management financ in Raziskave in Tehnološki Informacijska vrednostne projektnih Proizvodnja z zaposlenimi Vzdrževanje razvoj procesi tehnologija verige tveganj (HR) o Priprava Priprava Priprava Montaža Montaža Montaža Podprocesi Slika 1.1 Procesna arhitektura podjetja Povzeto po Harmon (2007). 17 1 Uvod SPLOŠEN PROCES Vhod Operacija Izhod Slika 1.2 Splošen proces Povzeto po Harmon (2007). temeljne procese sodi tehnološki proces, ki opisuje postopke dela z uporabo sredstev (Johnson in Kaplan 1987). Management in mer-jenje učinkovitosti sta vzajemno dopolnjujoča procesa (Neely 1999; Thomas 2006a; 2006b). Pomembno vlogo v proizvodnem podjetju igrajo temeljni procesi, še posebej tehnološki proces, ki vključuje pri-pravo in montažo ter je povezan z ostalimi temeljnimi procesi (Har-mon 2007). Poslovni proces predstavlja niz aktivnosti, s pomočjo katerih načr-tujemo enega ali več tipov vhodov (vložkov, t. i. »inputov«) ter ustvar-jamo izhod (izide, t. i. »outpute«) (Tbaishat 2017; Laguna in Marklund 2019). Izhod je običajno proizvod (izdelek ali storitev), ki podjetju omogoča ustvarjanje dobička (Hammer in Champy 2003). Slika 1.2 na-zorno prikazuje splošen poslovni proces, kjer se vhodne komponente transformirajo v izhodne produkte. Na levi strani so različne vhodne komponente, na desni strani pa izhodni produkti. V sredini so prika-zane aktivnosti kot operacije, ki se izvajajo med pretvorbo vhodov v izhode. Namen slike je vizualizirati koncept poslovnega procesa ter prikazati, kako se s pravilnim načrtovanjem aktivnosti vhod učinko-vito pretvori v izhod. Tehnološki proces predstavlja ključni temeljni proces v domeni upravljanja poslovnih procesov (angl. business process management – BPM) (Röglinger, Pöppelbuß in Becker 2012; Brocke in Schmiedel 2015). Opredeljujemo ga kot opis postopka dela, ki ga določamo na podlagi virov, ki so na voljo v podjetju (Harmon 2007). Pri načrtovanju tehnološkega procesa upoštevamo uporabo posameznih sredstev za delo in zaporedje tehnoloških postopkov. Management in merjenje učinkovitosti sta dva ključna procesa, ki ju ni mogoče ločiti, saj sledita drug drugemu. Oba se lahko merita s ključnimi dejavniki uspešnosti (angl. critical success factors – CSF) in ključnimi kazalniki poslovanja (angl. key performance indicators – KPI). Ti omogočajo hitre korektivne ukrepe in usmerjanje podjetja v skladu 18 Opredelitev področja in opis problematike 1.1 z zastavljenimi cilji (Thomas 2006a; 2006b; Crandall in Crandall 2008; Howell 2010; Waal in Kourtit 2013; Fritzenschaft 2014). 1.1.1 Širše področje raziskave Širše področje naše raziskave je predstavljalo preučevanje PTP s pou-darkom na ključnih kazalnikih poslovanja. Različni avtorji, kot so Bi-loslavo (2008), Drucker (2002; 2013), Drucker in Wartzman (2010), Ka-plan in Norton (2008), Neely (2002), Parmenter (2010; 2016) in Porter (1985; 2008), so poudarili, da so ustrezni ključni kazalniki poslovanja nujno potrebni za uspešno obvladovanje podjetja. Še posebej Neely (2002) in Parmenter (2010; 2016) sta izpostavila prilagoditev sodob-nim tehnologijam ter upoštevanje ključnih dejavnikov uspešnosti in nefinančnih kazalnikov. Kljub temu se nobeden od omenjenih avtorjev ni posebej posvetil tehnološkim procesom, ki so sestavni del managementa poslovnih procesov in bodo v prihodnosti igrali pomembno vlogo pri uspešnosti podjetja. Naša raziskava je usmerjena tudi v reševanje raziskovalnega izziva, ki se pojavi pri opredelitvi merjenja in spremljanja učinkovito-sti ter uspešnosti monitoringa PTP. Danes so se mnogi raziskovalci in praktiki posvetili managementu in merjenju učinkovitosti (angl. performance management and measure-ment – PMM). Prišli so do spoznanja, da tradicionalni finančni kazalni-ki merjenja poslovanja managerjem niso zagotavljali dovolj informacij za odločanje (Kaplan in Norton 2001; Neely 2002; Drucker 2012; 2013; Edgeman idr. 2017; Robert, Giuliani in Gurau 2022). Sodobni poslovni procesi se razlikujejo od tradicionalnih zaradi ce- lovitosti in kritičnosti, kar je managerje spodbudilo k iskanju boljših metod za merjenje uspešnosti podjetja (Hammer in Champy 2003). Ti poslovni procesi so zasnovani z namenom, da vključujejo nefinančne meritve poslovanja, ki dopolnjujejo obstoječe finančne kazalnike in omogočajo zajemanje širše slike, usklajene s cilji podjetja (Neely 2002; Kaplan 2010). Nefinančni kazalniki so ključni za vzpostavitev upo-rabnega in funkcionalnega sistema, ki zadovolji potrebe podjetja. Po-magajo razumeti, kako uspešni smo pri doseganju zastavljenih ciljev (Waal in Kourtit 2013), ter managerjem olajšajo sprejemanje korektiv-nih ukrepov in usmerjanje podjetja v pravo smer (Parmenter 2010), še posebej ob vedno večji konkurenci, kompleksnosti proizvodov in kraj-ših dobavnih rokih (Ravesteyn in Batenburg 2010; Margherita 2014; Laux 2017). 19 1 Uvod V kontekstu malih in srednjih podjetij (angl. small and medium-sized enterprises – SME) je še vedno prevladoval reaktiven pristop (Kerzner 2011), značilen po čustvenem procesu odločanja in pomanjkanju dolgo-ročne strategije. SME se niso usmerjala v stalno izboljševanje procesov (angl. continuous process improvement – CPI) in niso vlagala denarja v gradnjo trdnih odnosov s strankami, ponudbo vrednosti ter povečanje ugleda podjetja (Randles in Laasch 2015; Agostini, Nosella in Soranzo 2017; Janeš, Biloslavo in Faganel 2017). Sistem za merjenje poslovanja je bil zasnovan tako, da je ob finanč-nih kazalnikih večji poudarek dajal tudi nefinančnim kazalnikom, zna-nim kot kazalniki operativne uspešnosti in vodilni kazalniki (Venkatra-man in Ramanujam 1986). Vodilni kazalniki (angl. leading indicators) so služili kot merila, ki so omogočala napovedovanje prihodnjih dogod-kov ali trendov. Uporabljali so se za nadzor in ocenjevanje procesov ter aktivnosti, ki bi lahko imeli korelacijo z bodočimi rezultati. Za razliko od teh so zaostajajoči kazalniki (angl. lagging indicators) opredeljevali dogodke, ki so se že zgodili in se uporabljali za merjenje uspešnosti ali učinkovitosti preteklih aktivnosti. Vodilni kazalniki so bili ključni za načrtovanje in izvajanje poslovnih strategij, saj so podjetjem omogo-čali, da so sprejemala proaktivne odločitve in preprečevala težave. Za merjenje tehnoloških in poslovnih procesov je bil predlagan sistem, ki je vključeval pet integriranih podsistemov: sistem uspešnosti, stroškovni sistem, sistem ocenjevanja učinkovitosti, sistem primerjalnih analiz in sistem načrtovanja (Taticchi in Balachandran 2008; Norton 2012). Razvoj tega koncepta je zahteval ustvarjanje empiričnega sistema, ki je bil implementiran kot ekonomsko merljivi kazalniki. Manipu-lacije s podatki in ad hoc metode so bile označene kot nezadostne, saj niso zagotavljale jasnega in realnega prikaza stanja (Morrison 1993). Kazalniki so morali biti del sistema merjenja poslovne uspeš-nosti, ki je vključeval nabor kazalnikov za preoblikovanje strategije v konkretne cilje in za spremljanje uspešnosti posameznih aktivnosti, da bi ocenili njihovo korelacijo z želenimi rezultati (Kaplan in Norton 2001; Parmenter 2010; Peljhan idr. 2010). Glavna naloga kazalnikov je bila zagotoviti, da so zaposleni razumeli svoje vloge v podjetju in prispevali k njegovemu uspehu (Carder in Ragan 2004). Podjetje je moralo imeti jasno opredeljene cilje in strategije, kar je omogočalo sprejemanje ustreznih odločitev na podlagi meritev poslovnih proce-sov in s tem približevanje izbranim ciljem (Taticchi in Balachandran 2008; Kaplan 2010). 20 Opredelitev področja in opis problematike 1.1 1.1.2 Ožje področje raziskave Ožje področje naše raziskave je bilo analiziranje obvladovanja tehno-loških procesov s poudarkom na njihovi učinkovitosti in uspešnosti. Merjenje teh parametrov je omogočilo natančen nadzor in prilagoditve procesov glede na določene standarde. Ta pristop je zahteval zajemanje številnih ključnih funkcij, pomembnih za uspešno delovanje, hkrati pa je moral biti prilagodljiv v spreminjajočem se poslovnem okolju, kjer so bile stalne spremembe strategij ključnega pomena za doseganje kako-vostnih rezultatov. Kljub temu so bili opaženi primeri, kjer je neustre-zen sistem merjenja učinkovitosti in uspešnosti negativno vplival na skupno uspešnost (Melnyk idr. 2014). V znanstveni in strokovni literaturi je za označevanje učinkovitosti ter uspešnosti poslovnih procesov pogosto uporabljen izraz »produk-tivnost«. Kljub temu da se v praktičnih situacijah pogosto zamenjuje-ta, sta učinkovitost in uspešnost konceptualno različni. »Učinkovitost« izvira iz angleške besede efficiency in se nanaša na to, kako učinkovito izvajamo delo. Po drugi strani pa izhaja iz angleške besede effectiveness in meri kakovost ter primernost izvedenega dela (Kralj 2003). Sistemi za merjenje uspešnosti (angl. performance measurement systems – PMS) so razviti z namenom pomagati podjetjem pri dosega-nju ciljev (Barnes in Hinton 2008). Ti sistemi omogočajo stalno spre-mljanje poslovanja podjetja z opredelitvijo ključnih področij uspešnos-ti (Star idr. 2016). PMS jasno prikažejo stanje podjetja, hkrati pa služijo kot vodilo za doseganje ciljev. Predstavljajo močno vedenjsko orodje, ki zaposlenim sporoča, kaj je pomembno za doseganje ciljev podjetja (Taticchi idr. 2015). Večina podjetij se trudi za procesno obvladovanje in izboljšave, pri čemer uporabljajo metode, kot sta vitka proizvodnja (LEAN) (Sayer in Williams 2007) ter šest sigma (6σ, Six Sigma) (Pyzdek 2003). V zadnjem času pa postajajo pomembne nove metode, kot sta metoda spremlja-nja dejavnosti poslovne aktivnosti (angl. business activity monitoring – BAM) (Janiesch, Matzner in Müller 2012) ter metoda storitvenega usmerjanja arhitekture (angl. service oriented architecture – SOA) (Ma-latras idr. 2008; McCann idr. 2021). Management PTP v podjetju predstavlja akumulacijo kolektivnih izkušenj, razmišljanj in strokovnega razvoja na področju manage-menta. Vse cilje in strategije usmerja k stalnemu izboljševanju pro-cesov in vzdrževanju ravnotežja med produktivnostjo ter proizvodno zmožnostjo (Wysocki 2004; Nicholds in Mo 2016). 21 1 Uvod 1.2 Predmet raziskovanja 1.2 Managerjem je nepoznavanje tehnoloških procesov otežilo doseganje »popolnega« nadzora nad dogajanjem v podjetju (Fischbacher-Smith 2017). Zato so uspešnost pogosto merili zgolj na podlagi finančnih ka-zalnikov poslovanja in produktivnosti (Barrows in Neely 2012). Čeprav je bila ta praksa na makro ravni sprejemljiva, pa se je izkazalo, da ni primerna, saj je reakcijski čas za hitro odpravo težav izjemno dolg. Pravilno nadzorovanje in merjenje tehnoloških procesov omogoča, da se vzrok za odstopanje od definiranega procesa odpravi že kmalu po zaznavi težave (Crandall in Crandall 2008). V praksi je stalno izboljše-vanje procesov postajalo vedno pomembnejše, saj to vodi k ustvarja-nju dodane vrednosti in odpravljanju nepotrebnih aktivnosti (Sayer in Williams 2007). Spoznanje, da neustrezen opis tehnoloških procesov lahko korelira s poslovnim procesom in posledično z uspešnostjo pod-jetja, nas je pripeljalo do odločitve, da to preučimo v naši raziskavi. 1.2.1 Raziskovalni problem Razvoj integriranega sistema za merjenje PTP, namenjenega uporabi v izbranem podjetju, je predstavljal jedro našega raziskovalnega pro-blema. Glavna izziva sta bila definiranje kazalnikov učinkovitosti in uspešnosti PTP ter oblikovanje procesov za njihovo merjenje. Zasnova sistema se je oprla na obsežno analizo znanstvene in stro-kovne literature, ki obravnava sisteme ključnih kazalnikov poslovanja. Ta pregled nam je omogočil vpogled v različne pristope k merjenju po-slovanja, ki so se že izkazali kot učinkoviti v podobnih industrijskih okoljih. Analitični preizkus sistema v izbranem podjetju nam je nato omogočil prilagoditev teoretičnih izhodišč specifičnim potrebam pod-jetja. V procesu izdelave sistema smo se zanašali na statistične analize, ki so nam pomagale določiti ustreznost različnih sistemov ključnih kazal-nikov poslovanja. Te analize so bile ključnega pomena za identifikacijo in definicijo specifičnih kazalnikov PTP za izbrano podjetje, ki omogo-čajo učinkovito spremljanje in izboljševanje poslovnih procesov. Poleg osredotočenja na poslovne procese smo posebno pozornost namenili merjenju tehnoloških procesov. V ta namen smo izbrali dva projekta, ki sta vključevala različne oz. podobne procese priprave in montaže. Na njuni podlagi smo podrobno analizirali tehnološke proce-se in njihove podprocese, s poudarkom na definiranju meritev, njihovi izvedbi in analizi rezultatov. 22 Predmet raziskovanja 1.2 PROCES MERJENJA Definiranje Meritev Vrednost Analiza Odločitev procesa Slika 1.3 Proces merjenja Povzeto po Down idr. (2010). V okviru merjenja tehnoloških procesov smo izvedli tudi merjenje procesne in strojne zmožnosti, skladno s standardom ISO 22514–7:2012 (International Organization for Standardization 2012). Ta standard nam je služil kot osnova za zagotavljanje, da so naše merilne metode zanesljive in v skladu z mednarodno priznanimi standardi. Merjenje procesov smo izvajali po procesu merjenja, kot je prikaza- no na sliki 1.3. Začetek tega procesa je zahteval jasno določitev ciljev merjenja in izbor ključnih kazalnikov, ki so služili kot osnova za zbi-ranje podatkov. Po tej pripravljalni fazi smo pristopili k natančnemu zbiranju informacij za posamezne kazalnike. Osrednji del našega pri-zadevanja je predstavljala analiza zbranih podatkov, ki je bila usmerje-na v ugotavljanje uspešnosti procesov in identifikacijo področij, kjer so izboljšave mogoče. Glede na ugotovitve analize smo sprejeli odločitve za nadaljnje ukrepe, ki so prispevali k izboljšanju delovanja procesov in njihovi večji učinkovitosti. Ta proces merjenja nam je tako omogočil temeljito oceno in nadgradnjo obravnavanih procesov. Med raziskavo smo morali natančno opredeliti tehnološke in meril- ne procese. Osredotočili smo se na preverjanje kritičnih procesnih in strojnih zmožnosti v vseh fazah priprave ter montaže, kar je prikazano v konceptualnem modelu (glej sliko 1.4). Merjenje kritičnih zmožnos-ti je trajalo 12 mesecev, kar je običajno za tako kompleksne procese (Pyzdek 2003). Neoptimalni procesi so zahtevali večkratno optimizaci-jo in ponovna merjenja. Začeli smo z optimizacijo merilnega procesa, nato pa se osredotočili na popravke in, če je bilo treba, prenovo naprav. Izvedli smo več tisoč meritev, ki so bile osnova za analizo procesov priprave in montaže (Pavlin 2018–2019). Identificirane pomanjkljivosti so zahtevale večkratne optimizacije, zlasti stabilizacijo merilnega procesa. To je vključevalo prilagoditve in popravke na napravah, nekatere pa smo morali celo popolnoma preno-viti. Skupaj smo izvedli obsežno število meritev, kar je zagotovilo za- 23 1 Uvod Hipoteza 1 KRITIČNA PROCESNA ZMOŽNOST Ponovljivost Funkcije (OK/NOK) Dimenzijska ustreznost (mm) Skladnost z dokumentacijo (OK/NOK) Hipoteza 6 PO Hipoteza 4 Hipoteza 3 (tehnoloških) Povezanost OEE SLO U VNESP temeljnih RazpoložljivostEŠ Produktivnost G A PN procesov z KakovostO R uspešnostjoST O C ES ROI A KRITIČNA STROJNA ZMOŽNOST Vijačenje navor (Nm) Hipoteza 2 čas (s) število obratov (min-1) Lepljenje temperatura lepila (°C) temperatura komponent (°C) masa lepila (g) čas lepjenja (s) Končna kontrola čas (s) Hipoteza 5 Slika 1.4 Konceptualni model raziskave nesljive rezultate za analizo tehnoloških procesov (Pavlin 2018–2019; Pavlin in Janeš 2024). Pridobljene informacije o procesni in strojni zmožnosti smo vklju-čili v sistem za merjenje PTP, kar je omogočilo boljše razumevanje in nadaljnje izboljšave. Ta pristop je zagotovil kredibilne in preverljive re-zultate za nadaljnjo optimizacijo procesov. Ključni kazalniki poslovanja za obvladovanje poslovnih procesov proizvodnje so definirani v standardu ISO 22400–2:2014 (International Organization for Standardization 2014; Mourougan 2015). Ti kazalniki vključujejo metrike, ki so tesno povezane s produktivnostjo, pogosto ključnim merilom učinkovitosti procesa. Produktivnost lahko izraču-namo z enačbo, podobno tisti, ki se uporablja v tehničnih vedah (Mon-tequín idr. 2013). Ta enačba nam omogoča oceno razmerja med končnim izdelkom proizvodnega procesa in vloženimi viri (Atkinson idr. 2012): µ izhodi . = vhodi (1.1) 24 Predmet raziskovanja 1.2 Učinkovit sistem KPI mora biti neposredno povezan z vsaj enim ali več ključnimi dejavniki uspeha (angl success factors – SF), večdimen-zionalnimi uravnoteženimi merili in s strateškimi cilji podjetja na različnih organizacijskih ravneh (Howell 2010; Parmenter 2010; Fri-tzenschaft 2014). To zagotavlja, da so celo manj kritični KPI usklajeni s SF, kar omogoča globlje razumevanje uspešnosti na vseh področjih delovanja. SF predstavljajo ključno komponento v teoriji manage-menta, saj se od podjetij pričakuje, da identificirajo med pet in osem takšnih dejavnikov, ki služijo kot osnova za merjenje uspešnosti pri najpomembnejših KPI (Parmenter 2010). V praksi so nekatera podjetja najprej opredelila SF in nato definirala merila ter KPI, ne da bi v celo-ti upoštevala, ali so bili ti SF dejansko doseženi (Crandall in Crandall 2008; Kerzner 2011; Kovačič 2007). Široko sprejeta je bila predpostavka (Kaplan in Norton 2006; Kerzner 2011; Parmenter 2016), da bo prihod-nost upravljanja poslovnih in tehnoloških procesov (PTP) zasnovana na matrični organizacijski strukturi, ki bo osredotočena predvsem na projektno vodenje. Ne glede na poslovno področje podjetja so SF ključnega pomena za podporo poslovni strategiji, saj omogočajo iden-tifikacijo in spremljanje nefinančnih kazalnikov, ki so sinhronizirani z misijo, vizijo, s strategijami in cilji podjetja ter z metodami za njihovo doseganje. Pogosto se je zgodilo, da so podjetja zanemarila ocenjevanje in izvajanje strategij, ki jih je določil vodilni menedžerski tim (angl. senior management team – SMT), kar je privedlo do vprašanj o uspeš-nosti takšnih strategij glede na zastavljene strateške cilje (Oxelheim in Wihlborg 2008; Micheli in Mura 2017). Naš raziskovalni problem se osredotoča na definiranje metod za merjenje in spremljanje učinkovitosti ter uspešnosti PTP. 1.2.2 Namen raziskave Namen raziskave je bil na podlagi teoretičnih izhodišč ter formiranja konceptualnega modela razviti integriran sistem za merjenje PTP v proizvodnem podjetju. Raziskavo smo izvedli z namenom razumeva-nja korelacij med tehnološkimi kazalniki kritičnih procesnih zmožnos-ti (angl. critical process capability – CPK), kritičnih strojnih zmožnosti (angl. critical machine capability – CMK) in splošne učinkovitosti opre-me (angl. overall equipment effectiveness – OEE) ter finančnim kazalni-kom dobičkonosnosti vloženega kapitala (angl. return on investment – ROI) in pomembnosti te povezanosti za celovito uspešnost podjetij v tem sektorju. 25 1 Uvod 1.2.3 Raziskovalno vprašanje Tekom raziskave nas je vodilo raziskovalno vprašanje, ki se je glasilo: »Kakšna je povezanost med tehnološkimi kazalniki CPK, CMK in OEE ter finančnim kazalnikom ROI v kontekstu PTP proizvodnega podje-tja?« 1.2.4 Cilji raziskave Iz namena raziskave sledijo naslednji cilji: 1. na podlagi razpoložljivih baz podatkov bomo opravili sistemati- čen pregled dosegljive relevantne domače in tuje znanstvene ter strokovne literature s področja merjenja PTP; 2. z uporabo kvantitativne (faktorska analiza, regresijska analiza, MANOVA) in kvalitativne (metoda dnevnika) znanstvenorazisko-valne metodologije bomo analizirali obstoječi sistem za merjenje PTP v izbranem podjetju; 3. razvili bomo integriran sistem za merjenje PTP v izbranem podje- tju, ki bo omogočal obvladovanje procesov v realnem času. 1.3 Razvoj hipotez 1.3 Sistemi za merjenje kazalnikov PTP so ključnega pomena za upravlja-nje v sodobnih podjetjih. Raziskave so razkrile, da lahko nepravilna interpretacija ali uporaba teh sistemov vodi do napačnih predstav o uspešnosti podjetja. Zato je razvoj sodobnih, učinkovitih in zanesljivih integriranih sistemov za merjenje PTP ključnega pomena. V naši raziskavi smo se osredotočili na identifikacijo in obravnavo izzivov pri merjenju PTP. Med glavnimi izzivi smo izpostavili pomanj-kanje standardizacije v metodah merjenja in interpretaciji podatkov, vprašljivo kakovost zbranih podatkov ter omejitve posameznih meri-tev PTP pri pravilnem odražanju dejanske uspešnosti podjetja, če se zanemari širši poslovni kontekst. Na podlagi teh ugotovitev smo v okviru raziskave razvili prilagojen integriran sistem za merjenje PTP za določeno podjetje, ki temelji na študiji primera. Naš cilj je bil ustvariti sistem, ki ne samo da odraža specifične potrebe podjetja, ampak tudi omogoča zanesljiv in učinko-vit monitoring uspešnosti podjetja ob upoštevanju njegovega širšega poslovnega okolja. Pomen takšnega pristopa je že pred desetletji poudaril Peter F. Drucker (1954, 62–87) s parafrazirano mislijo, da »česar ne moreš me- 26 Razvoj hipotez 1.3 riti, ne moreš upravljati«, kar dodatno utrjuje potrebo po zanesljivih sistemih za merjenje. 1.3.1 Razvoj hipotez Merjenje uspešnosti je v preteklosti predstavljalo ključni proces za ma-nagerje v podjetjih, vključno z zbiranjem in analiziranjem podatkov o učinkovitosti različnih komponent v poslovnem procesu (Neely, Gre-gory in Platts 1995). Management poslovnih procesov je pogosto pre-malo pozornosti namenjal tehnološkim procesom, kar sta izpostavila Neely (2002) in Kerzner (2011). Čeprav je bila želja po maksimiranju dodane vrednosti z minimalnimi vložki prisotna, je bila spregledana možnost, da bi večja začetna investicija v tehnologijo lahko prinesla občutne prihranke skozi čas. Nekateri tehnološki procesi, ki niso bili neposredno povezani s finančnimi kazalniki, so lahko vodili do manj učinkovitega delovanja podjetja, kar je povzročalo finančne izgube, če niso bili primerno definirani ali izbrani. Pomanjkanje nefinančnih ka-zalnikov, ki sta jih izpostavila Kaplan in Norton (2008), je predstavljalo izziv, saj so bili ti težje merljivi. Sčasoma so se trendi spremenili in profitabilnost ni več edini po- kazatelj poslovne uspešnosti (Kerzner 2011). Raziskave so razkrile, da se investitorji in analitiki poleg finančnih kazalnikov vse bolj zanašajo na dodatne nefinančne kazalnike. Finančni kazalniki zdaj po nekaterih ocenah predstavljajo zgolj tretjino ocene poslovne uspešnosti podjetij, kar je managerjem posredovalo sporočilo o pomembnosti celostnega pristopa k merjenju uspešnosti (Melcher 2012). Janeš in Faganel (2013) sta poudarila, kako pomembno je, da pod- jetje svoje strateške cilje uskladi s kazalniki poslovanja. To celotni or-ganizaciji pomaga delovati usklajeno in z enakimi cilji. Prav tako sta izpostavila, da je za ocenjevanje uspešnosti podjetja treba uporabiti sistem, ki zajema tako finančne kot tudi nefinančne kazalnike. Tak sis-tem omogoča celovit pregled nad tem, kako podjetje deluje, in služi kot osnova za pomembne strateške odločitve ter načrtovanje za pri-hodnost. 1.3.2 Hipoteze V skladu z zastavljenimi nameni in cilji raziskave smo oblikovali šest hi-potez. Za preverjanje hipotez smo uporabili metodo multiple regresij-ske analize po modelu Yi = b0 + b1 x1 + b2 x2 + … + bn xn + fi (Bryman in Bell 2011). Pred začetkom preverjanja hipotez smo natančno preg- 27 1 Uvod ledali spodnje in zgornje mejne vrednosti vseh spremenljivk – kazalni-kov z uporabo standardne ocene napake. Ta postopek nam je omogočil, da smo se izognili morebitnim napakam pri vnosu podatkov, ki bi lah-ko vodile do napačnih sklepov analize. Hipoteza 1 Kritična procesna zmožnost je statistično značilno pove- zana s skupno učinkovitostjo opreme. Hipotezo 1 smo preverjali z uporabo multiple regresijske analize, s ka-tero smo raziskovali povezave med ključnimi kazalniki (Hair idr. 2014). Za neodvisne spremenljivke smo izbrali meritve, ki predstavljajo ka-zalnike tehnoloških procesov priprave in montaže, vključno s CPK. Kot odvisne spremenljivke v regresijskih enačbah smo uporabili kazalnike OEE, med katerimi so bili kazalniki razpoložljivosti, produktivnosti in kakovosti. Hipoteza 2 Kritična strojna zmožnost je statistično značilno pove- zana s skupno učinkovitostjo opreme. Hipotezo 2 smo preverili z multiplo regresijsko analizo, pri čemer smo se osredotočili na kazalnike CMK za vijačenje, lepljenje in končno kon-trolo. Ti kazalniki so bili izbrani kot neodvisne spremenljivke zaradi svojega ključnega pomena pri ocenjevanju ponovljivosti tehnoloških procesov. Želeli smo raziskati, kako so izbrani kazalniki CMK povezani s kazalniki OEE, ki zajemajo elemente, kot so razpoložljivost, produk-tivnost in kakovost. Hipoteza 3 Kritična procesna zmožnost je neposredno povezana s kritično strojno zmožnostjo. Hipotezo 3 smo preverjali z namenom ugotoviti korelacijo med ka-zalniki CPK, upoštevanimi kot neodvisna spremenljivka, in kazalniki CMK, obravnavanimi kot odvisna spremenljivka. Hipoteza 4 Kritična strojna zmožnost je neposredno povezana s kri- tično procesno zmožnostjo. Hipotezo 4 smo preverili z obratnim pristopom kot pri hipotezi 3, pri čemer smo CMK obravnavali kot neodvisno spremenljivko, medtem ko je bila CPK opredeljena kot odvisna spremenljivka. Hipoteza 5 Dobičkonosnost vloženega kapitala je odvisna od kritič- nih strojnih zmožnosti. Hipotezo 5 smo preverili z multiplo regresijsko analizo, da bi ugotovili odvisnost med ROI in CMK. Pri tem smo CMK obravnavali kot neod- 28 Raziskovalne metode 1.4 visno spremenljivko, medtem ko je ROI služila kot odvisna spremen-ljivka. V naši raziskavi smo ROI opredelili kot razmerje med prodajno ceno projekta, ki zajema stroške razvoja projekta, stroške orodij za pri-pravo, stroške montažne linije in zagon proizvodnje, ter denarjem, ki je bil vložen v projekt. Hipoteza 6 Dobičkonosnost vloženega kapitala je odvisna od kritič- ne procesne zmožnosti. Hipotezo 6 smo preverili z multiplo regresijsko analizo, pri čemer smo raziskovali odvisnost med ROI in CPK. Uporabili smo enako definicijo kazalnika ROI kot pri preverjanju hipoteze 5. Pri analizi smo CPK tehnoloških procesov priprave in montaže obravnavali kot neodvisne spremenljivke, medtem ko je ROI služila kot odvisna spre-menljivka. 1.4 Raziskovalne metode 1.4 Glede na namen in cilje raziskave smo le-to razdelili na teoretični ter empirični del (Bryman in Bell 2011). V teoretičnem delu smo na pod-lagi dosegljive literature preučevali, katere elemente mora vsebovati dober sistem kazalnikov, v empiričnem pa je naša dodana vrednost zaradi rezultatov na osnovi meritev največja. Eden izmed najpogo-stejših načinov ločevanja različnih strategij raziskave je razlikovanje med kvantitativno in kvalitativno paradigmo raziskovanja. Čeprav obe metodologiji predstavljata več načinov pristopa poslovne raziskave, se lahko v neki meri prekrivata (Jensen in Jankowski 1991). 1.4.1 Metode zbiranja podatkov in vzorec meritev tehnološkega procesa Vse meritve tehnoloških procesov za potrebe naše raziskave smo opra-vili sami, saj podjetje za obdobje zagona montažnih naprav ni imelo na voljo lastnih meritev. Zavedanje pomembnosti podatkov o zagonu za načrtovanje in izbiro tehnoloških procesov pri bodočih projektih nas je spodbudilo k zbiranju vseh potrebnih informacij na projektni ravni za uspešno izvedbo raziskave. Pomembni projektni kazalniki PTP, ki smo jih merili, so vključevali čas in stroške inštalacije naprav, čas in stroške zagona naprav, delovne cikle, optimizacijske kroge, stroške, maksimalno zmožnost (tako načr-tovano kot dejansko), izmet po komponentah (v EUR in %), skupni iz-met (v EUR in %) ter analizo robustnosti procesa. Analiza robustnosti, 29 1 Uvod vključujoč CPK- in CMK-analize, je temeljila na dimenzijskih in funk-cionalnih meritvah. Za natančno analizo smo na vsaki od 14 operacij montažnega procesa analizirali najmanj 50 zaporedno izdelanih kosov, kar je skupno predstavljalo izvedbo vsaj 700 meritev na optimizacijo (Pavlin 2018–2019; Pavlin in Janeš 2024). Pri pregledu tehnološkega procesa montaže smo ugotovili, da pro-ces v fazi zagona večinoma ni dosegel predpisanih tolerančnih mej. Za zagotavljanje skladnosti proizvedenih izdelkov s tehničnimi zahteva-mi smo izvedli tri optimizacije. Te so bile ključne za izboljšanje teh-noloških procesov, omogočile so nadzor nad procesnimi parametri ter usklajevanje s tehničnimi specifikacijami in zahtevami izdelka. Po vsa-ki optimizaciji smo opravili ponovne meritve, da bi preverili stabilnost in zanesljivost procesa, kar je bilo ključno za doseganje kakovosti pro-izvedenih izdelkov in zmanjšanje količine izmeta. Meritve so potekale v skladu s standardom ISO 22514–7:2012 (Inter-national Organization for Standardization 2012), ki določa minimalno število 50 meritev za zaporedno izdelane kose na posamezno operaci-jo, kar pomeni, da smo za celoten tehnološki proces opravili meritve na najmanj 700 kosih v eni optimizaciji. Za vsako operacijo smo posebej analizirali CPK in CMK, pri čemer smo posebno pozornost namenili merjenju lastnosti, ki morda niso bile neposredno povezane z osnov-nimi zahtevami izdelka, saj lahko njihova prisotnost bistveno korelira s kakovostjo, časom izdelave in stroški. Za analizo zadnje operacije montaže, kjer smo preverjali funkcio-nalnost, dimenzijsko ustreznost in kakovost izdelka, smo izvedli 250 meritev (Hubbard 2010; Pavlin 2018–2019). Te meritve so bile ključne za zagotovitev, da izdelki izpolnjujejo vse predpisane tehnične zah-teve. Vse meritve so potekale v proizvodnji, ki je imela vgrajeno vso potrebno merilno opremo za monitoring tehnoloških procesov, in v la-boratoriju podjetja. V primerih, ko je bilo ugotovljeno, da proces ni bil stabilen, smo po optimizacijah in ponovljenih meritvah dosegli želeno stabilnost procesa ter kakovost izdelka. 1.4.2 Raziskovalne metode za doseganje ciljev Za dosego ciljev raziskave smo uporabili pristop, ki združuje tako kva-litativno kot kvantitativno raziskovanje. Pri analiziranju podatkov smo se opirali na uporabo statističnih programov, kot sta IBM SPSS Statistics in Minitab, kar je omogočilo temeljito obdelavo zbranih in-formacij na natančen in zanesljiv način. 30 Raziskovalne metode 1.4 Prvi cilj Za dosego prvega cilja smo analizirali dosegljivo znanstveno literaturo in podatkovne baze podjetja. Z metodo deskripcije (Yin 2009; Bryman in Bell 2011) smo pregledali in analizirali zbrane vire podatkov. Upora-bili smo tudi komparativno metodo (Dawson 2009), da smo primerjali in ocenili različne avtorske vire ter sisteme in jih prilagodili sodobne-mu poslovnemu okolju podjetja. Na podlagi pregleda literature smo opredelili raziskovalno področje managementa PTP, ki smo ga nato preučili do te mere, da smo v celoti razumeli pomen kazalnikov za mer-jenje učinkovitosti procesov. Drugi cilj Za dosego drugega cilja smo se poslužili faktorske analize, s katero smo določili najpomembnejše kazalnike in multiple regresijske ana-lize. Tako smo preverili povezavo med CPK in CMK. MANOVO smo uporabili za preučitev odvisnosti med več odvisnimi in neodvisnimi spremenljivkami (kazalniki), kot sta kazalnika OEE in ROI. Analizirali smo dobičkonosnost in produktivnost na eni strani ter čas in kako-vost izdelave ter količino proizvedenih izdelkov na drugi strani (Hair idr. 2014; Scheer idr. 2006). Velik poudarek smo posvetili merjenju in analizi meritev tehnoloških procesov, ki smo jih izvajali za namen raz-iskave. Lastne meritve in njihova natančnost predstavljajo jedro integ-riranega sistema za merjenje PTP, ki smo ga razvili. V proces merjenja tehnoloških procesov smo bili aktivno vključe- ni z opazovanjem in lastno udeležbo pri izvajanju meritev, ki smo jih izvajali enajst mesecev. Namen tega pristopa je bila združitev kvali-tativnega dela z več kvantitativnimi spremenljivkami, katerih analiza je namenjena interpretaciji rezultatov. V podporo izvedbi raziskave smo se na tem mestu poslužili metode dnevnika, s katero smo beležili sklepe sestankov, razgovore z vpletenimi člani tima, predloge izboljšav, ugotovitve itd. (Easterby-Smith, Thorpe in Lowe 2007; Pavlin 2018– 2019; Pavlin in Janeš 2024). Z metodo dnevnika smo definirali, katere meritve tehnoloških procesov smo izvajali, ter beležili dogajanje okoli izbranih tehnoloških procesov in druge aktivnosti, povezane z raziska-vo. Izvajali smo tudi faktorsko analizo kazalnikov CPK in analizo CMK, s katero smo minimalizirali meritve kazalnikov glede na smiselnost. S kazalniki torej sklepamo na dejavnike v ozadju, zato smo s faktorsko analizo iskali trend več spremenljivk in njihove skupne faktorje, ki bi lahko korelirali z enim ali več kazalnikov (Hair idr. 2014). 31 1 Uvod Vse meritve (povezane s tehnološkim procesom in z izdelkom) za potrebe raziskave smo skladno s predlogi zanje izvedli v laboratoriju podjetja. Z regresijsko analizo smo analizirali odvisnost med kazalniki, ki jih zajema obstoječi sistem, ki ga v izbranem proizvodnem podjetju upo-rabljajo za merjenje poslovnih procesov. Pri tej analizi smo uporabljali primarne podatke, ki smo jih pridobili v času raziskave z merjenjem tehnoloških procesov, in sekundarne podatke (starost podatkov do 12 mesecev) meritev PTP podjetja. Tretji cilj Tretji cilj, ki je osrednji del raziskave (razvoj integriranega sistema za merjenje PTP v izbranem podjetju), smo dosegli z uporabo kvanti-tativne metodologije. Merili smo različne kazalnike poslovanja PTP, kot so CPK, CMK, OEE in ROI. Ti kazalniki so bili izbrani na podlagi faktorske analize, ki je omogočila preverjanje razmerij med spremen-ljivkami ter določitev ključnih kazalnikov (Hair idr. 2014). S faktorsko analizo smo določili mnogo manjše število spremenljivk – kazalni-kov, ki jih je v procesu merjenja PTP smiselno spremljati. Tako smo definirali, kako so podatki oz. meritve razvrščeni po pomembnosti (Pagano 2013). Poleg tega smo s faktorsko analizo preučili povezavo med različnimi metodami merjenja kazalnikov tehnoloških procesov in preverjali, ali je te meritve mogoče združiti (Hair idr. 2014). V pra-ksi smo to izvedli z analizo skladnosti izvajanja meritev s tehničnimi zahtevami (Pyzdek 2003; Hubbard 2010; Melnyk idr. 2014), pri čemer smo preučili postopek merjenja, pogostost meritev, pogoste napake ter razlike med operativnimi ekipami med proizvodnjo izdelka. Iz-vedli smo več ponovitev preizkusa sistema merjenja, pri čemer smo ustavili postopek, ko sta dve zaporedni ponovitvi privedli do enakih rezultatov. V sklepnem delu raziskave smo vzpostavili povezave med koncep-tualnim sistemom za monitoring PTP in dejanskim sistemom PTP, ki ga je podjetje uporabljalo. Na osnovi tega smo prišli do novih ugoto-vitev. Nov integrirani sistem za merjenje procesnega časa izdelave v pod-jetju je omogočal celovit nadzor nad poslovnimi procesi, saj je zajemal osrednji poslovni proces, v katerem so bile vse ključne tehnološke in sorodne aktivnosti ustrezno dokumentirane ter integrirane v merilni sistem. 32 Predpostavke in omejitve raziskave 1.5 1.5 Predpostavke in omejitve raziskave 1.5 V raziskavi smo se osredotočili na predpostavko, da je učinkovit sistem za merjenje uspešnosti ključnega pomena za podjetje, saj omogoča sle-denje strateškim ciljem in smotrom. Vsa podjetniška prizadevanja naj bi bila usmerjena k podpori teh ciljev, kot jih določajo lastniki in naj-višje vodstvo. Poudarili smo specifično usmerjanje v posamezne cilje, kar zahteva agilnost in učinkovitost pri merjenju. Redno posodablja-nje merilnih sistemov podjetju omogoča učinkovito reagiranje na stra-teške spremembe (Janeš in Faganel 2013). Zato smo razvili integriran sistem za merjenje PTP, ki podpira stalno prilagajanje in dosego stra-teških ciljev podjetja. Raziskava je temeljila na predpostavki, da je v izbranem podjetju na voljo zadostna količina podatkov za razvoj takega sistema (Denzin in Lincoln 2011). Omejitve raziskave so bile tako metodološke kot vsebinske. Meto- dološke omejitve so bile povezane s težavami pri generalizaciji ugoto-vitev, vsebinske pa so bile vezane na specifičnost izbranega podjetja in odziv udeležencev (Yin 2009). Za zagotovitev visoke zanesljivosti ugotovitev in za minimizacijo morebitnih pristranskosti ali napak smo v raziskovalnem delu upora-bili triangulacijo. Ta pristop je obsegal kombiniranje različnih metod zbiranja in analize podatkov, vključno s faktorsko analizo, z regresijsko analizo, analizo dokumentov ter analizo CPK in CMK. S tem pristopom smo izboljšali konsistentnost in metodološko veljavnost naše raziska-ve, kar dodatno pripomore k strogi preverljivosti in zanesljivosti znan-stvenega dela. 1.5.1 Vsebinske omejitve V teoretičnem delu raziskave smo se posvetili preučevanju sistemov za merjenje uspešnosti. Pri tem smo naleteli na ovire zaradi pomanjkanja obsežnih podatkovnih zbirk v izbranem podjetju, ki bi nam pomaga-le pri identifikaciji vzrokov za morebitne napake v merilnih sistemih. Opazili smo tudi pomanjkanje specifičnih raziskav, ki bi obravnavale, kako tehnološki procesi sovpadejo z managementom poslovnih proce-sov. To nas je spodbudilo k uporabi splošne literature o managementu poslovnih procesov kot teoretične osnove, medtem ko smo za specifike tehnoloških procesov uporabili tehnično literaturo in se zanašali na lastno strokovno znanje. 33 1 Uvod V empiričnem delu naše raziskave smo opazili omejitve predvsem v smislu usmeritev, ki smo jih prepoznali v relevantni strokovni literatu-ri, ter pri pridobivanju dejanskih podatkov o PTP iz preteklih projek-tov, ki so bili arhivirani v bazi podjetja. Bili smo soočeni z možnostjo, da so ti podatki nepopolni. Zaradi časovnih omejitev raziskave nismo mogli izvesti ponovne analize trenutnega stanja PTP ali izvesti projek-cij za prihodnja leta. Fokus naše analize je bil omejen na PTP v okviru dveh sorodnih pro-jektov, z osredotočenjem na tehnološke procese, povezane s pripravo in z montažo. 1.5.2 Metodološke omejitve Naša raziskava je imela nekaj omejitev, predvsem zaradi osredotoče-nosti na študijo primera enega podjetja. Kljub temu smo natančno raziskali omejitve, ki so se pojavile pri merjenju ključnih CPK in CMK (Pavlin 2018–2019). Glavna omejitev našega dela izhaja iz tega, da smo raziskavo opra-vili samo v izbranem podjetju. To pomeni, da morda naših zaključkov ne moremo enostavno uporabiti za druga podjetja (Flyvbjerg 2006; Ivanko 2007). 1.6 Prispevek k znanosti 1.6 Raziskava predstavlja ključen prispevek k razumevanju uporabe metod in orodij za analizo PTP. Sistem, ki smo ga razvili, temelji na sodobnih pristopih in tehnologijah ter izbranemu podjetju omogoča, da bolje ra-zume in optimizira svoje delovanje. Ta novi sistem je bistven za učin-kovito obvladovanje in izboljšanje poslovnih rezultatov v dinamičnem okolju. V teoretičnem delu smo pregledali obstoječo literaturo, da bi iden-tificirali vrzeli in možnosti za izboljšave. Empirični del se je osredotočil na razvoj in testiranje sistema, ki omogoča podrobno merjenje in ana-lizo PTP. S pomočjo definiranih kazalnikov smo podjetju omogočili, da hitro prepozna in odpravi morebitna odstopanja v PTP. Naša analiza je pokazala, da je pri stabilnih tehnoloških procesih, kjer odstopanja od običajnih vrednosti ostajajo majhna, težave mogoče odkriti hitreje. Za ta namen smo razvili sistem, ki zagotavlja natančno merjenje in sledenje tehnološkim procesom v skladu s tehničnimi standardi. Ta pristop, ki smo ga odkrili, je omogočil lažje prepoznava-nje in odpravljanje težav (Star idr. 2016). Sistem je oblikovan tako, da 34 Prispevek k znanosti 1.6 za svoje delovanje zahteva minimalno količino podatkov, kar pomaga zmanjšati možnost za napake in posledično pospeši proces odkrivanja morebitnih težav. Naš prispevek je razvoj integriranega sistema za merjenje PTP, ki predstavlja napredek na področju managementa tehnoloških procesov. Raziskava je pokazala pomanjkanje podobnih raziskav, ki bi obravna-vale razvoj in primerjavo sistemov za merjenje na kvalitativni ter kvan-titativni ravni (Mills idr. 2002; Yen 2009; Edgemen idr. 2017). Sistem omogoča ne le učinkovito merjenje, ampak tudi identifikacijo vzrokov za odstopanja, kar je pomembno izboljšanje v primerjavi s sistemom uravnoteženih kazalnikov (Kaplan in Norton 1996). 35 2 Pregled stanja obravnavane problematike in osnove uspešnega obvladovanja podjetja2 Vsako podjetje si prizadeva optimirati svoje poslovanje za večjo učin-kovitost in uspešnost. Pomembno je razumeti, da je doseganje ciljev ključna sestavina vloge managerja (Deming Edwards 2000; Harmon 2007; Sivaev 2013). 2.1 Management poslovnih procesov 2.1 Management poslovnih procesov (angl. business process management – BPM) je disciplina, ki se osredotoča na izboljšanje poslovnih procesov od začetka do konca (angl. end to end). BPM zajema analizo, modelira-nje in preverjanje delovanja procesov skozi različne situacije, nato pa izvaja stalne izboljšave, spremlja optimizirane procese in jih nenehno nadgrajuje. Koncept BPM se osredotoča na uskladitev vseh organizacij-skih elementov z namenom izboljšanja operativne uspešnosti (Röglin-ger, Pöppelbuß in Becker 2012; Brocke in Schmiedel 2015). V znanstveni in strokovni literaturi ni enotnih definicij za BPM, vendar pa avtorji, kot so Rosing, Scheer in Scheel (2015), Brocke in Ro-semann (2015) ter Kirchmer (2017), podajajo različne perspektive, ki pa imajo enako sporočilo. Po Harmonu (2007) je BPM preprosto opisan kot disciplina managementa, ki se osredotoča na izboljšanje uspešnos-ti podjetja z managementom poslovnih procesov. Strategija BPM običajno uporablja celovite pristope managementa za izboljšanje učinkovitosti poslovanja, kar omogoča usmerjanje pod-jetja v kreativnejše, fleksibilnejše in bolj tehnološko integrirane siste-me. Poleg izboljšanja lastnih procesov uporaba BPM prinaša tudi nove zmožnosti in povečuje ROI (Yen 2009; Underdahl 2011; Nicholds in Mo 2016). Od druge industrijske revolucije dalje BPM predstavlja celovit sistem za management in preoblikovanje organizacijskih operacij, ki temelji na novih idejah o uspešnosti podjetja (Brocke in Rosemann 2015). 37 2 Pregled stanja obravnavane problematike BPM se je v zadnjih desetletjih razvil iz tehnološko usmerjenega v celovito in načelno usmerjeno področje, ki obravnava učinkovitost in uspešnost poslovnih procesov (Aalst, La Rosa in Santoro 2016). To po-meni, da BPM ne temelji samo na tehnoloških rešitvah, temveč tudi na konceptih, kot so procesni pristop, procesna orientacija, procesna ana-liza in procesni management. Osredotoča se na identifikacijo, analizo, izboljšavo in monitoring poslovnih procesov z namenom povečanja učinkovitosti ter uspešnosti (Harmon 2007; Martin idr. 2008; Welbou-rne in Ferrante 2008). BPM se lahko uporablja za različne namene, kot so izboljšanje pro-duktivnosti, zmanjšanje stroškov, povečanje kakovosti, izboljšanje poslovnih procesov in povečanje zadovoljstva strank. Za doseganje teh ciljev se uporabljajo različne metode in tehnike, kot so procesna analiza, procesna optimizacija, procesni nadzor in procesna evalvacija (Brocke in Schmiedel 2015). Ena od ključnih prednosti BPM je, da podjetjem omogoča hitro pri-lagajanje spremembam na trgu in s tem zagotavljanje konkurenčnosti. Uporablja se lahko tudi za spremljanje in evalvacijo poslovnih proce-sov, kar podjetjem omogoča sprejemanje učinkovitih ukrepov za iz-boljšanje poslovanja (Brocke in Schmiedel 2015; Singh in Vinodh 2017). V zadnjem času se BPM vse bolj povezuje z digitalizacijo poslova-nja (Brocke in Schmiedel 2015), kar podjetjem omogoča izkoristiti prednosti digitalnih tehnologij za izboljšanje poslovnih procesov. To vključuje uporabo digitalnih orodij, kot so procesni modeli, digitalni asistenti in avtomatizacija poslovnih procesov (Melcher 2012; Fargani, Cheung in Hasan 2016). BPM je ključen element za uspešno poslovanje podjetij, saj omogo-ča izboljšanje učinkovitosti in uspešnosti poslovnih procesov (Gęb-czyńska 2016). Pričakuje se, da bo v prihodnosti še pomembnejši za organizacijsko konkurenčnost tako kratko- kot dolgoročno (Sayer in Williams 2007). S hitrimi spremembami v poslovnem okolju postaja-ta fleksibilnost podjetij in njihova sposobnost prilagajanja ključni za konkurenčnost. BPM lahko podjetjem pomaga doseči to prilagodlji-vost in izboljšati konkurenčnost na trgu (Margherita 2014; Rosing, Scheer in Scheel 2015). Prav tako bo uporaba tehnologij, kot so avto-matizacija, analitika in umetna inteligenca, ključnega pomena za iz-boljšanje procesov in prilagajanje spremembam (Neely 2002; Schwab 2016). 38 Management poslovnih procesov 2.1 2.1.1 Začetki managementa poslovnih procesov Začetek razvoja managementa poslovnih procesov sega v 18. stoletje, ko so se začeli pojavljati prvi tehnološki napredki in inovacije v pro-izvodnji. V tem času so se pojavili tudi prvi tehnologi, ki so preučevali, kako izboljšati učinkovitost in produktivnost proizvodnje. Razvili so začetne metode za organizacijo dela in upravljanje proizvodnje, ki so sčasoma prerasle v klasični management (Kerzner 2011; Dobra in Jós-vai 2023; Teplická idr. 2023). V 20. stoletju je bil razvoj managemen-ta poslovnih procesov nenehno v teku, saj se je pojavila večja potreba po produktivnosti in učinkovitosti v podjetjih. Prav tako se je pove-čala potreba po izboljšanem vodenju in organizaciji dela. V tem ob-dobju so se pojavili različni modeli managementa poslovnih procesov, kot sta Toyota Production System in Lean Management (Bechtel in Churchman 2002; Neely 2002; Rothbard 2006; Harmon 2007; Möldner idr. 2008; Welbourne in Ferrante 2008; Drucker 2013; Brocke in Rose-mann 2015; Hyötyläinen 2015; Rosing, Scheer in Scheel 2015). V desetletju od leta 2013 do 2023 je bila opazna povečana produk- tivnost v podjetjih zaradi uvedbe in uporabe informacijske tehnologije oz. digitalizacije (Fargani, Cheung in Hasan 2016; Gröger idr. 2016; La-guna in Marklund 2019; André 2019). Uvedba informacijske tehnologi-je omogoča boljšo in hitrejšo izmenjavo informacij med zaposlenimi, kar vodi do boljšega in hitrejšega odločanja. Prav tako omogoča boljše in hitrejše spremljanje proizvodnje ter upravljanje z zalogami (Dea-ne 1979; Johnson in Kaplan 1987; Drucker in Wartzman 2010; Rifkin 2011; Drucker 2013; Hyötyläinen 2015; Rosing, Scheer in Scheel 2015; Aalst, La Rosa in Santoro 2016; Schwab 2016; Ivaldi, Scaratti in Freg-nan 2022). 2.1.2 Poslovni procesi Poslovni procesi, ki so specifični za področje poslovanja, so definirani kot zaporedja funkcij, ki podjetjem prinašajo dodano vrednost. Ti pro-cesi obsegajo različne naloge in aktivnosti, ki so medsebojno povezane in sistematično urejene, da tvorijo celovit sistem. Takšni procesi se po-gosto obravnavajo na višji, abstraktnejši ravni, kar podjetjem omogo-ča, da bolje razumejo in prikažejo, kako se različni deli njihovega poslo-vanja medsebojno povezujejo in delujejo (Harmon 2007; Hyötyläinen 2015; Aalst, La Rosa in Santoro 2016; Kirchmer 2017). Za boljšo preglednost in lažjo analizo poslovnih procesov jih je mo- goče razčleniti na manjše enote, znane kot podprocesi. To omogoča 39 2 Pregled stanja obravnavane problematike Potreba ali Tehnološki Rešitev proces problem Slika 2.1 Shema tehnološkega procesa Povzeto po Shimokawa, Jurgens in Fujimoto (1997). boljše razumevanje povezav med različnimi procesi ter identifikacijo tistih, ki prispevajo k dodani vrednosti, in tistih, ki ne. S tem je mogoče učinkoviteje usmerjati in izboljševati poslovne procese znotraj podje-tja, kar prispeva k večji uspešnosti in konkurenčnosti na trgu (Rosing, Scheer in Scheel 2015). 2.1.3 Tehnološki procesi Tehnološki proces spada med temeljne poslovne procese. S tehnolo-škimi procesi definiramo vrstni red, način, čas in kompleksnost posa-meznih tehnoloških operacij pri izvajanju procesa za izdelavo izdelkov ali katero drugo pridobitno dejavnost. To pomeni, da vsak tehnološki proces vsebuje popis aktivnosti, ki so potrebne za proizvodnjo neke-ga izdelka oz. izvedbo določene tehnološke faze (Vries 2016; slika 2.1). Definiranje tehnološkega procesa, ki ga v osnovi sestavljajo tri faze – analiza, sinteza in evalvacija (Vries 2016; Singh in Vinodh 2017) –, tako predstavlja izhodiščno fazo za načrtovanje in organizacijo proizvodnje (Shimokawa, Jurgens in Fujimoto 1997). V avtomobilski industriji v okvir tehnoloških procesov spadajo šte- vilni podprocesi, med katerimi sta priprava in montaža, ki smo ju po-drobno preučili in analizirali na primeru proizvodnega projekta. Priprava Proces priprave temelji na vitki proizvodnji in postopkih razvoja izdel-ka. Predstavlja rezultat navzkrižnega sodelovanja razvojne ekipe, ki je definirala optimalen koncept izdelka ter optimalen proizvodni proces, ki zagotavlja lansiranje novorazvitega izdelka na trg (Draheim 2010). Priprava je proces, ki se v avtomobilski industriji vedno izvaja pred procesom montaže. Proces priprave vključuje proizvodnjo posameznih delov ter sestavo posameznih sklopov (podsestavov), ki so potrebni za montažo. Ima strukturo, podobno ribji kosti, saj priprava podsestavov poteka vzporedno z montažo (slika 2.2). V večini primerov se priprava 40 Management poslovnih procesov 2.1 TEHNOLOŠKI PROCES A AV P4 IPR PR P1 P2 P3 P5 P6 ŽA TA M1 M2 M3 M4 M5 N IZDELEK O M A AV IPR P7 P8 P9 P10 P11 PR Slika 2.2 Tehnološki proces priprave in montaže izvaja na fiksnih delovnih postajah in ob glavni montažni liniji, kar omogoča dobavo sestavnih delov in sklopov v realnem času. Tako na-črtovan proces pripomore k temu, da proizvodnja ostaja vitka in brez nepotrebnih zalog vgradnih delov (Shimokawa, Jurgens in Fujimoto 1997). Primer tehnološkega procesa (slika 2.2) vsebuje 11 procesov pripra- ve. Pri tem moramo upoštevati, da je v ozadju še potek dela, ki pokriva posamezne procese in ima ustrezno razvejano shemo (Rosing, Sche-er in Scheel 2015; Kirchmer 2017). Potek dela posameznega procesa je ključnega pomena za pravilno in ustrezno izvedbo priprave, ki bo omo-gočala CPI in monitoring procesa. Diagrami poteka dela opisujejo tok izdelka skozi postopek od vhoda do izhoda (Pojasek 2003). Montaža Montaža je mnogokrat zadnja faza tehnološkega procesa sestavljanja izdelka, ki vključuje sestavo predhodno izdelanih podsestavov v celoten izdelek (Shimokawa, Jurgens in Fujimoto 1997). Sestavljanje lahko iz-vajajo ljudje z dobro razvitimi ročnimi spretnostmi in presojo s pomoč-jo naprav ter raznih orodij. Proces montaže lahko poteka popolnoma ročno, v kombinacij ročne in strojne montaže ter popolnoma avtomat- 41 2 Pregled stanja obravnavane problematike sko. V serijski proizvodnji je proces montaže načrtovan že pri razvoju izdelka, kjer se definira koncept montaže in predvidi uravnoteženost posameznih delovnih mest (Pavlin 2018–2019), kar bo omogočilo tekoč proces, brez ozkih grl na posameznih delovnih mestih. S skrbnim na-črtovanjem procesa in naprav za montažo zmanjšamo kompleksnost montaže na najnižjo raven. Kljub temu pa bo pri vzpostavitvi procesa treba sprejeti še nekaj kompromisov glede samega procesa montaže, kakovosti in stroškov montažnega proces s stroški montažnih naprav (Down idr. 2010). 2.2 Merjenje uspešnosti procesov 2.3 V zadnjih treh desetletjih je bilo opaziti pomemben napredek v mer-jenju in učinkovitosti poslovnih procesov, ki so mu strokovnjaki namenili večjo pozornost. Ta razvoj je pripeljal do tega, da je danes uporaba sistemov za merjenje uspešnosti (PMM) postala standard v industrijskih sektorjih (Bititci idr. 2011). Hkrati se je raziskovalna in strokovna literatura osredotočila na analizo razvoja merjenja učinko-vitosti znotraj podjetij skozi dve ključni fazi. Začetek prve faze sega v zgodnja 80. leta 20. stoletja, značilna pa je bila za vpeljavo PMM s poudarkom na stroškovnem računovodstvu. Glavni namen te faze je bil podpreti vodstvene delavce pri ocenjevanju in nadzoru stroškov poslovanja. Druga faza razvoja PMM, ki se je začela proti koncu 80. let, je prinesla širitev meril, vključno z dodajanjem finančnih kazal-nikov, kot sta dobiček in donosnost naložb. Ta prehod na finančne kazalnike je bil predmet kritik, saj je spodbujal vodstvene delavce k osredotočenju izključno na finančne rezultate, kar lahko vodi v krat-koročno načrtovanje in odločanje (Atkinson idr. 2012). Ta razvoj mer-jenja uspešnosti je bil ključen za razumevanje in izboljšanje poslovnih procesov v industriji, kar so potrdile tudi različne raziskave (Taticchi idr. 2015). Argument je bil dodatno utemeljen z opiranjem na tradicionalne finančno usmerjene sisteme, ki niso zajeli vseh ključnih dejavnikov za poslovni uspeh, kot sta opozorila Kaplan in Norton (2006). Pomemben prelom v literaturi se je zgodil sredi 80. let 20. stoletja in je označil za-četek nove faze, ki je bila tesno povezana z rastjo globalnih poslovnih aktivnosti in s tem povezanimi spremembami. Johnson in Kaplan sta v svoji knjigi iz leta 1987, Relevance Lost: Rise and Fall of Management Accounting, nakazala konec prve in začetek druge faze. Knjiga kritizi-ra tradicionalne pristope k merjenju uspešnosti, ki so se osredotočali 42 Merjenje uspešnosti procesov 2.3 predvsem na zmanjševanje razlik in ne na stalne izboljšave, ter pou-darja potrebo po boljši integraciji merjenja uspešnosti. Avtorja sta tr-dila, da tradicionalni finančni in računovodski merilni sistemi postaja-jo nepomembni, saj zanemarjajo stranke in njihove potrebe. Santori in Anderson (1987) sta poudarila pomembnost nefinanč- nih meril pri spremljanju in spodbujanju razvoja človeškega kapitala v podjetjih. Poudarila sta, da je pri razvoju meril uspešnosti treba upo-števati ključne lastnosti in značilnosti. Razvoj v merjenju uspešnosti se je močno pospešil po letu 1995, ko je bil predstavljen Neelyjev sistem za merjenje učinkovitosti. Ne-ely, Gregory in Platts (1995) so merjenje uspešnosti opisali kot proces kvantifikacije učinkovitosti in delovanja, kar predstavlja ključen ele-ment pri izboljšanju poslovne uspešnosti. Bititci idr. (2011) so proces upravljanja uspešnosti opisali kot uporabo merilnih informacij za pod-poro odločanju managementa s ciljem povezave strategije podjetja z njegovo operativo. V spreminjajočem se poslovnem okolju, ki zahteva hitro prilaga- janje trgu in upoštevanje kompleksnosti izdelkov, je postala uporaba sistemov PMM nujna v vseh industrijskih sektorjih (Bititci idr. 2011). Edgeman idr. (2017) so izpostavili, da morajo podjetja za podporo pro-cesov odločanja meriti, spremljati in upravljati uspešnost v več dimen-zijah s pomočjo uravnoteženih ter dinamičnih nizov meritev. Uravno-teženost v tem kontekstu pomeni potrebo po uporabi različnih vrst meritev (npr. finančnih in nefinančnih, kvantitativnih in kakovostnih, internih in eksternih), ki zagotavljajo celosten pogled na podjetje (Ka-plan in Norton 1996). Dinamičnost se nanaša na razvoj sistema, ki stalno spremlja spremembe v notranjem in zunanjem okolju ter pri-lagaja cilje in prioritete (Bititci idr. 2011; Abdelkafi in Täuscher 2016). 2.2.1 Kritična strojna zmožnost CMK je merilo za merjenje kritične zmožnosti stroja, ki se uporablja za ocenjevanje in primerjavo zmožnosti različnih strojev. Ta kazalnik se uporablja za določanje, koliko skladnih izdelkov lahko stroj proizvede v primerjavi z obsegom napak. CMK se običajno izračuna s pomočjo statističnih metod, kot sta Cp (angl. process capability index) in kri-tična zmožnosti procesa (CPK), ter se uporablja za določanje, koliko strojev lahko proizvede izdelke skladno s tehnično specifikacijo (Sil-va idr. 2021). Cp se izračuna kot razlika med specifičnim obsegom in standardnim odklonom, medtem ko se CPK izračuna kot razlika med 43 2 Pregled stanja obravnavane problematike specifičnim obsegom in razliko med srednjo vrednostjo ter specifičnim obsegom (Down idr. 2010). CMK se običajno izračuna kot razmerje med povprečnim odstopanjem izdelkov in standardno deviacijo. Po-membno je, da se meritve izvedejo na reprezentativnem vzorcu, ki od-raža proizvodnjo v celoti (Bryman in Bell 2011), ter da se zagotovi, da so rezultati CMK zanesljivi in relevantni (Chapman 2005). Uporaba modelov za merjenje zmožnosti strojev, kot je CMK, je ključna za monitoring in izboljševanje zmožnosti proizvodnje (Barnes in Hinton 2008; Bisogno idr. 2016; Agostini, Nosella in Soranzo 2017). CMK se uporablja tudi za določanje, koliko strojev lahko proizvede iz-delke, ki so skladni s tehnično specifikacijo, kar je ključno za zagota-vljanje kakovosti izdelkov (Brown in Svenson 1988; Bourne idr. 2000; Ferreira idr. 2012). Avtorji, kot so Castagliola idr. (2009) ter Chiesa in Christina Masel-la (1996), so zapisali, da se CMK lahko uporablja tudi za monitoring in izboljševanje zmožnosti proizvodnje v kontekstu trajnostnega razvoja. CMK je lahko koristna tudi za spremljanje in izboljševanje učinkovi-tosti proizvodnje v kontekstu strategije podjetja (Kennerley in Neely 2002; Carder in Ragan 2004; Cayzer, Griffith in Beghetto 2017), zato lahko rečemo, da je CMK pomemben kazalnik za ocenjevanje in pri-merjavo zmožnosti strojev, ki se uporabljajo za monitoring in izboljše-vanje proizvodnje. To je še posebej pomembno v kontekstu strategije podjetja in trajnostnega razvoja, saj omogoča, da lahko določimo, koli-ko strojev lahko proizvaja izdelke v skladu z okoljskimi in družbenimi standardi ter s cilji podjetja. CMK se lahko uporablja tudi za spremljanje in izboljševanje proizvod nje v kontekstu standarda ISO 22514–1:2009 (International Organization for Standardization 2009). Ta standard navaja, da je po-membno uporabljati merila zmožnosti stroja za monitoring in izboljše-vanje proizvodnje. CMK se uporablja za določanje, koliko strojev lahko proizvede izdelke v specifikaciji, kar je ključno za zagotavljanje kako-vosti izdelkov in skladnosti s standardom. Ta standard navaja tudi, da je pomembno upoštevati različne dejavnike, ki vplivajo na zmožnost stroja, kot so vzdrževanje, kalibracija in načrtovanje proizvodnje, da se zagotovi najvišja možna zmožnost stroja. Indeksi zmožnosti procesa so bili uvedeni, da podajo hitro infor-macijo o zmožnosti proizvodnega procesa. Oblikovani so tako, da kvantificirajo razmerje med želenimi inženirskimi specifikacijami in dejanskim delovanjem procesa (Castagliola idr. 2009). Indeksa Cp in 44 Merjenje uspešnosti procesov 2.3 CPK sta ključna pri oceni procesne zmožnosti v proizvodnem sektor-ju. Uporabljata se za merjenje, kako dobro proizvodni proces ustreza specifikacijam. Vrednost 1,0 pomeni, da proces zadostuje specifikaci-jam, vendar ne zagotavlja rezerve za napako. Vrednost manj kot 1,0 pomeni, da proces ne zadostuje specifikacijam 100 % časa in vključuje vzorčenje. Idealni vrednosti sta več kot 1,67 za Cp in več kot 1,33 za CPK, pri čemer CPK upošteva tudi položaj procesa med mejami speci-fikacij. Če proces doseže visoko vrednost Cp in CPK, ni treba opazo-vati razširjene nedoločenosti pri merjenju (Mundwiller 2018). V raz-iskavi so zahteve standarda Verband der Automobilindustrie (2011), da sta indeksa CMK in CPK večja od 2. Standard podpira zmožnost proizvodnega procesa, da slednji doseže dovolj visoko vrednost (npr. Cp, CPK ≥ 2,0), ki je bila določena z ustreznim merilnim procesom. Tako ni treba ločeno opazovati razširjene nenatančnosti merjenja pri mejnih vrednostih specifikacij, saj že vrednotenje procesa vključuje spremenljivost merilnega procesa (Verband der Automobilindustrie 2011). CMK je ključnega pomena za ocenjevanje in primerjavo zmožnos- ti strojev. Uporaba programske opreme Minitab ter kazalnika Cp in CPK so najboljši za določanje CMK. Meritve se morajo izvajati na re-prezentativnem vzorcu za zagotovitev, da so rezultati CMK zanesljivi in relevantni. Vrednost CMK mora biti med 1,33 in 2, kar pomeni, da je zmožnost stroja med 33 in 200 % od specifičnega obsega. Vrednost CMK pod 1,33 pomeni, da je zmožnost stroja pod specifičnim obsegom, medtem ko vrednost CMK nad 2 kaže, da je zmožnost presežena in da se proizvodnja ne izvaja učinkovito. Spodnja in zgornja meja sta dolo-čeni na podlagi podatkov o proizvodnji in sta pomembni za določanje, kdaj proizvodnja poteka v skladu s specifikacijo in kdaj ne. Neustre-zna določitev CMK lahko povzroči napačne ocene o zmožnosti stroja, kar lahko vodi v napačne odločitve glede proizvodnje in vzdrževanja (Down idr. 2010). CMK je kazalnik, ki meri sposobnost stroja, da proizvaja izdelke z notranjo konsistenco, ki se doseže z zmanjšanjem odstopanj med po-sameznimi izdelki. CMK temelji na konceptu kritičnega procesa (CPK), ki ga je prvič razvil Walter Shewhart leta 1931 (Rosing, Scheer in Scheel 2015). Pri CPK se običajno uporablja kot merilo za uspeh procesa, ven-dar pa lahko CMK uporabimo tudi za oceno uspešnosti stroja. V našem primeru CMK prikazuje občutljivost stroja na zunanje vplive, kot so temperatura, vlažnost in drugi okoljski dejavniki. 45 2 Pregled stanja obravnavane problematike Ker je CMK odličen kazalnik za merjenje stabilnosti procesa, ga lah-ko uporabimo za merjenje spreminjanja kakovosti proizvoda in opa-zovanje vplivov sprememb v procesu. Npr., CMK lahko uporabimo za določanje, ali so spremembe, ki jih vnašamo v proces, uspešne ali ne. Neustrezna določitev CMK vodi v previsoke ocene o zmožnosti stroja in napačne odločitve glede proizvodnje ter vzdrževanja, kar lahko vodi v višje stroške in nižjo kakovost izdelkov (Laguna in Marklund 2019). Avtorji, kot so Carder in Ragan (2004) ter Cayzer, Griffith in Valen-tina Beghetto (2017), obravnavajo različne vidike merjenja in obliko-vanja kazalnikov učinkovitosti, s katerimi nakažejo, da je visoka vred-nost Cp in CPK ključna za zagotavljanje visoke kakovosti ter skladnosti proizvodnje s specifikacijo. Analiza CMK se lahko izvede s programsko opremo Minitab ter z metodo Cp in CPK, ki omogočata določanje CMK. CMK se uporablja za ocenjevanje in primerjavo zmožnosti strojev ter ne za določanje kakovosti proizvodnje in skladnosti s specifikacijo. V tem smislu ni konkretne vrednosti, ki bi bila potrebna za zadovoljevanje zahteve 2 PPM (iz angl. parts per million, delež v milijonu). Namesto tega se uporabljajo vrednosti Cp in CPK, ki se uporabljajo za določanje kako-vosti proizvodnje in skladnosti s specifikacijo. Pri tem je pomembno, da se meritve izvedejo na reprezentativnem vzorcu, ki odraža proi-zvodnjo v celoti, in da se zagotovi, da so rezultati CMK zanesljivi in relevantni. V skladu z zahtevami 2 PPM je potrebno, da je vrednost Cp večja od 1,67 in CPK najmanj 2. Ta vrednost pomeni, da je zmožnost stroja večja od specifičnega obsega za 67 % in da je razlika med srednjo vrednostjo ter specifičnim obsegom manjša od polovice specifičnega obsega. To zagotavlja, da proizvodnja dosega potrebno raven kakovosti in sklad-nosti s specifikacijo, ki je potrebna za zahtevo 2 PPM. Za zadovoljeva-nje zahteve 2 PPM potrebujemo visoke vrednosti Cp in CPK, ki zagota-vljajo visoko kakovost in skladnost proizvodnje s specifikacijo. 2.2.2 Kritična procesna zmožnost V sodobnem poslovnem okolju se podjetja osredotočajo na organiza-cijo poslovnih aktivnosti kot mrežo sodelovanj med različnimi akterji (ljudmi, stroji, podjetji), ki skupaj prispevajo k izkoriščanju poslovnih zmožnosti. Sodelovanje med temi akterji je lahko formalno, kar pred-stavlja običajne poslovne procese, ali neformalno, kar se izboljšuje s prilagajanjem procesov po modelih managementa (Brocke in Schmi- 46 Merjenje uspešnosti procesov 2.3 edel 2015). Zmožnost procesa (CPK) se zato pojmuje kot rezultat de-janske zmožnosti in variacij, ki izhajajo iz merjenja. Pri tem je ključno upoštevati variabilnost meritev za doseganje ciljev zmožnosti (Down idr. 2010). Za preverjanje, ali procesi ustrezajo določenim specifikacijam, se uporabljajo indeksi uspešnosti in zmožnosti. Ti so pomembni za oce-njevanje kakovosti in skladnosti izdelkov. Analiza zmožnosti procesa omogoča pridobivanje vpogledov v naravne variacije procesa in po-tencialno količino neskladnih enot, kar podjetjem pomaga ocenjevati stroške neskladnosti in usmerjati izboljšave v proizvodnih procesih. Določanje minimalnih zahtev za zmožnost procesa je ključno za izbor ustrezne opreme in procesov, ki zagotavljajo kakovostne izdelke, pri čemer se kot referenca uporabljajo standardi, kot je ISO 22514–1:2009 (International Organization for Standardization 2009). CPK služi kot merilo za oceno variabilnosti procesa v odnosu do specifikacijskih toleranc in pozicioniranje povprečja procesa glede na ciljne specifikacije (Sansone, Hilletofth in Eriksson 2017; Mundwiller 2018). Uporaba CPK v kombinaciji z drugimi metodami, kot sta moni-toring procesov s kontrolnimi grafikoni in statistična analiza procesov, podjetjem omogoča natančno oceno sprejemljivosti variacije procesov. Analiza CPK je ključna analitična metoda v sistemu statističnega obvladovanja procesov (angl. statistical process control – SPC), ki pod-jetjem omogoča ocenjevanje in merjenje uspešnosti njihovih procesov v skladu z zahtevami strank. Ta metoda igra vitalno vlogo pri identifi-kaciji šibkih točk znotraj procesov, merjenju uspešnosti ter odkrivanju priložnosti za nadaljnje izboljšave. CPK je cenjena zaradi svoje spo-sobnosti zagotavljanja natančnih in objektivnih meritev, ki podjetjem omogočajo učinkovito obvladovanje in optimizacijo procesov. Kot je opisano v literaturi, analiza CPK ne le da omogoča prepoznavanje, ali proces izpolnjuje zahteve strank, ampak tudi spremljanje uspešnosti procesov čez čas, odkrivanje trendov, razumevanje uspešnosti proce-sov za prepoznavanje vzorcev in definiranje področij, potrebnih izbolj-šav (Watson 1998; Pyzdek 2003; Castagliola idr. 2009; Down idr. 2010; Durivage 2014). Analiza CPK se osredotoča na ugotavljanje, kako učinkovito lahko procesi zadovoljijo zahteve strank preko izračuna indeksa zmožnosti procesa (CPI). Za izračun uporabimo formulo (2.1) (Durivage 2014): 47 2 Pregled stanja obravnavane problematike CPI = USL - LSL , (2.1) 6 # v kjer so: USL (iz angl. upper specification limit) – zgornja meja specifikacije, LSL (iz angl. lower specification limit) – spodnja meja specifikacije, σ – standardni odklon. Indeks CPI je neposredno merilo sposobnosti procesa, da izpolni zahteve strank. Če je CPI enak 1,0, pomeni, da proces ustreza zahte-vam. Vrednost CPI, manjša od 1,0, pa nakazuje, da proces ne dosega potrebnih standardov (Down idr. 2010). CPK lahko izračunamo s formulo (2.2) (Durivage 2014): CPK = min 3 USL - X , X - LSL , (2.2) # v 3 # v kjer so: USL – zgornja meja specifikacije, LSL – spodnja meja specifikacije, σ – standardni odklon, X – nominalna vrednost. Za natančno oceno zmožnosti procesa z analizo CPK je ključnega pomena najprej določiti standardni odklon procesa, ki odraža pričako-vano variabilnost ali odstopanja od povprečne vrednosti znotraj nabo-ra podatkov. Standardni odklon izračunamo z uporabo formule (2.3) (Castagliola idr. 2009): v R ^ x - x h2 (2.3) = , n kjer so: Σ – vsota, x – posamezne podatkovne točke, x – srednja vrednost podatkovnih točk, n – število podatkovnih točk. Standardni odklon služi kot mera za razpršenost ali variabilnost podatkov in je temelj za nadaljnje statistične analize, vključno z izra-čunom intervalov zaupanja in izvedbo statističnih testov. 48 Merjenje uspešnosti procesov 2.3 Nadalje, pri izračunu CPK moramo upoštevati specifične omejitve procesa, kot sta zgornja (USL) in spodnja (LSL) meja specifikacij, ki delujejo kot ključni parametri za oceno kakovosti. Te omejitve so pri-lagojene specifičnim potrebam in dogovorom med dobaviteljem gdf stranko in ne smejo biti arbitrarno določene. V situacijah, kjer so pre-dlagane omejitve nepraktične, je nujno skleniti prilagojene dogovore, ki upoštevajo posebne zahteve in specifikacije procesa, bodisi za široke bodisi za zelo tesne tolerance. Pri določanju teh omejitev je ključno razumeti celoten kontekst merjenja in upoštevati tako ekonomske kot tehnične vidike. Idealno je, da so omejitve določene tako, da so čim fleksibilnejše, a hkrati dovolj restriktivne, da zagotavljajo želeno kako-vost izdelkov ali storitev (Verband der Automobilindustrie 2011). Mejne vrednosti se določijo na podlagi zahtev strank, specifikacij proizvoda ali storitve ter procesnih parametrov. Uporabljajo se različ-ne metode, kot so statistični procesni nadzor (SPC) (Harmon 2007), procesni kontrolni diagrami (angl. process control diagram – PCD) in procesna kapaciteta (PC). Mejne vrednosti se lahko določijo »on-line« s spremljanjem procesa in z analizo odstopanj od zahtevanih vrednosti v realnem času. Druga metoda za določanje mejnih vrednosti je »off-li-ne« določanje mejnih vrednosti, ki se uporablja pred zagonom procesa na podlagi simulacije procesa in analize odstopanj od zahtevanih vred-nosti. Pri določanju mejnih vrednosti je ključno upoštevati specifikaci-je proizvoda ali storitve, zahteve strank in procesne parametre, kot so sestava materiala, temperatura, pritiski idr. Za določanje mejnih vred-nosti se uporabljajo statistične metode, kot sta SPC in PCD, ki omogo-čajo spremljanje procesa in analizo odstopanj od zahtevanih vrednosti (Pyzdek 2003). Pri določanju mejnih vrednosti je treba paziti tudi na odstopanja od zahtevanih vrednosti in odpraviti vzroke za odstopanja. Metode, ki se uporabljajo za določanje mejnih vrednosti v okviru CPK, vključujejo statistični procesni nadzor (SPC) in procesne kontro-lne diagrame (PCD). SPC se uporablja za spremljanje procesa in anali-zo odstopanj od zahtevanih vrednosti v realnem času, medtem ko se PCD uporablja pred zagonom procesa na podlagi simulacije procesa. Obe metodi se uporabljata za določanje mejnih vrednosti in spremlja-nje procesa, da se zagotovi, da proces proizvaja izdelke ali storitve, ki ustrezajo specifikacijam in zahtevam strank. CPK je orodje, ki ga podjetja uporabljajo za ocenjevanje učinkovi- tosti svojih procesov. S pomočjo meritev, ki zagotavljajo izpolnjevanje zahtev strank, omogoča izboljšanje kakovosti procesov. Uporablja se 49 2 Pregled stanja obravnavane problematike lahko v različnih sektorjih, ne le v proizvodnji, temveč tudi v storitve-nih panogah (Durivage 2014; Brocke in Rosemann 2015). Na osnovi izračuna CPK je mogoče izvesti več strategij za izboljšanje procesa. Podjetja se lahko osredotočijo na izboljšanje področij procesa, ki ne izpolnjujejo zahtev strank. Prav tako CPK pripomore k zmanj-šanju variabilnosti v procesu, s tem pa povečuje njegovo natančnost. Podjetja lahko dosežejo izboljšanje natančnosti procesa z uporabo po-stopkov zagotavljanja kakovosti in avtomatiziranih procesov. Poleg tega se lahko osredotočijo na zmanjšanje časa proizvodnega cikla, kar posledično skrajša čas, potreben za dokončanje procesa. Izboljšanje komunikacije med oddelki se izkaže za pomemben dejavnik za uspeh, ki lahko prispeva k izpolnjevanju zahtev strank (Castagliola idr. 2009; Madhani 2015). Podjetja bi morala slediti najboljšim praksam za zagotavljanje na-tančnosti in učinkovitosti CPK. To vključuje izvajanje postopkov za-gotavljanja kakovosti in uporabo avtomatiziranih postopkov za zago-tavljanje točnosti podatkov (Durivage 2014). Za dosego natančnih in zanesljivih CPK-podatkov je podatke priporočljivo zbirati dosledno v daljšem časovnem obdobju, saj bo to zagotovilo, da bodo odražali us-pešnost procesa (Verband der Automobilindustrie 2011). Merjenje pra-vega kazalnika je pomembno za ocenjevanje uspešnosti procesa, vključ-no s časom cikla, kakovostjo in z donosom ter zadovoljstvom strank. Pri tem je pomembno opozoriti, da kazalnik CPK ni edini dejavnik, ki lahko vpliva na kakovost izdelkov ali storitev. Poleg tega obstajajo še drugi dejavniki, kot so izbira materialov, usposobljenost zaposlenih in kakovost opreme, ki lahko vplivajo na končni izdelek ali storitev. Zato je pomembno uporabiti celovit pristop k nadzoru kakovosti in izboljševanju procesov. Lahko pa zagotovo trdimo, da je merjenje CPK pomemben dejavnik pri zagotavljanju kakovosti izdelkov ali storitev, vendar ni edini (Durivage 2014). Zato je priporočljivo, da podjetja vzpostavijo sistematičen pristop k nadzoru kakovosti in izboljševanju procesov, ki zajema vse pomembne vidike proizvodnje ali storitvenih procesov. Vključuje lahko uporabo metod, kot so Six Sigma, LEAN ma-nagement in druge metode kakovostnega managementa. Uporaba teh metod lahko pomaga pri identifikaciji in odpravljanju težav v procesih ter prispeva k izboljšanju učinkovitosti in kakovosti izdelkov ali stori-tev. To lahko dosežemo z uporabo povratnih informacij strank, analizo njihovih zahtev in izboljševanjem procesov v skladu s temi zahtevami (Pyzdek 2003). 50 Merjenje uspešnosti procesov 2.3 V končni fazi CPK pomaga podjetjem ugotoviti, kako dobro njihova proizvodna linija izdeluje izdelke, ki ustrezajo zahtevanim specifikaci-jam. To podjetjem omogoča sprejemati ustrezne ukrepe za izboljšanje procesov ter zagotavljanje kakovosti proizvodov in zadovoljstva strank (Pyzdek 2003). Pomembna sta stalno spremljanje in izboljševanje pro-cesne sposobnosti, kar omogoča zagotavljanje visokokakovostnih iz-delkov in storitev, ki ustrezajo zahtevam strank. Za dosego tega cilja je treba redno ocenjevati procese in odpravljati vzroke za odstopanja, ki lahko vplivajo na kakovost proizvodnje (Brocke in Schmiedel 2015). CPK podjetju omogoča, da se osredotoča na ključne kazalnike procesa in izvajanje ustrezne optimizacije, ki izboljšuje učinkovitost procesov, vključno s spremljanjem in z ocenjevanjem učinkovitosti v različnih okoljih, kot so proizvodnja, raziskave in razvoj ter logistika (Harmon 2007). Iz navedenega lahko povzamemo naslednje koristi uporabe CPK za spremljanje PTP: • omogoča določitev kritičnih kazalnikov procesa, ki so ključni za uspešnost procesa in jih je treba spremljati za zagotavljanje zado-voljstva strank ter kakovosti proizvodnje – identifikacija kritičnih kazalnikov procesa omogoča izboljšanje procesa in zmanjšanje odstopanj od zahtevanih vrednosti; • omogoča spremljanje in ocenjevanje učinkovitosti procesa ter določanje odstopanj od zahtevanih vrednosti – to je ključno za izboljšanje procesa in zmanjšanje odstopanj; • omogoča identifikacijo vzrokov za odstopanja in njihovo odpra- vljanje – to je ključno za izboljšanje procesa in zmanjšanje odsto-panj od zahtevanih vrednosti; • omogoča izboljšanje komunikacije med procesi z določanjem kri- tičnih kazalnikov procesa, ki so pomembni za uspešnost procesa, kar vodi v boljšo usklajenost in komunikacijo med procesi; • omogoča zmanjšanje stroškov in izboljšanje učinkovitosti procesa z odpravljanjem vzrokov za odstopanja ter izboljšanjem procesa. Meritve CPK se izvajajo skladno s standardi, ki so določeni v različ- nih delih standarda ISO 22514–1:2009 (International Organization for Standardization 2009), ki določa terminologijo, koncepte in metode za ocenjevanje zmožnosti procesa. Standard ISO 22514–2:2013 (Interna-tional Organization for Standardization 2013a) se nanaša na procese, ki se uporabljajo za proizvodnjo enotnih izdelkov, medtem ko se stan-dard ISO 22514–3:2007 (International Organization for Standardizati- 51 2 Pregled stanja obravnavane problematike on 2007) nanaša na procese, ki se uporabljajo za proizvodnjo serijskih izdelkov. Standard ISO 22514–6:2013 (International Organization for Standardization 2013b) se nanaša na procese, ki se uporabljajo za pro-izvodnjo izdelkov iz množice komponent, medtem ko se standard ISO 22514–7:2012 (International Organization for Standardization 2012) nanaša na procese, ki se uporabljajo za proizvodnjo izdelkov iz množi-ce komponent in storitev. Vsak od standardov določa metode in koncepte za ocenjevanje zmožnosti procesa za določeno vrsto procesa. Standardi podrobno določajo postopke za izvajanje meritev CPK, vključno z izbiro vzorcev, izračunom statističnih parametrov in ocenjevanjem ustreznosti pro-cesa glede na določene zahteve. Poleg tega standardi vključujejo tudi definicije terminologije in pojasnila glede na izračunane rezultate. Meritve CPK so pomembne za spremljanje in izboljšanje zmožnosti procesa. Skladnost z navedenimi standardi zagotavlja konsistentnost in natančnost pri izvajanju meritev ter primerljivost in zanesljivost re-zultatov. Uporaba standardov ISO 22514 (International Organization for Standardization 2007; 2012; 2013a; 2013b) prispeva k izboljšanju kakovosti proizvodov in storitev, ki so rezultat izboljšanja procesov. 2.3 Merjenje razvoja 2.4 Merjenje razvoja in povezanih procesov v podjetjih predstavlja kom-pleksen izziv, kljub temu da je koncept merjenja dobro uveljavljen. Merjenje se tradicionalno razume kot proces dodeljevanja številskih vrednosti materialnim predmetom, kar odraža njihovo medsebojno razmerje na podlagi določenih lastnosti. C. Eisenhart je leta 1963 eden prvih definiral merjenje kot proces, pri katerem dodeljene številke predstavljajo vrednost merjenega (Down idr. 2010). Številni znanstveniki in inženirji, s katerimi smo sodelovali, izraža-jo skepso glede možnosti učinkovitega merjenja produktivnosti razvo-ja. Visoko usposobljeni inženirji samo idejo merjenja pogosto dojema-jo kot oviro za svojo kreativnost in motivacijo. Veliko inženirjev meni, da bi morala uprava preprosto verjeti v koristnost raziskav in razvoja brez potrebe po merjenju koristnosti raziskav. Obstajajo tudi znanstveniki in inženirji, ki na uspešnost raziskav in razvoja gledajo negativno zaradi strahu, da bi merjenja lahko iz-postavila njihove slabosti in pomanjkanje produktivnosti. Drugi pa imajo utemeljene pomisleke glede uporabe merilnih in ocenjevalnih sistemov za ocenjevanje razvoja, saj so bile nekatere pretekle meritve 52 Validacija meritev 2.5 neuspešne in nekoristne (Neely, Gregory in Platts 1995), kar je vodilo v napačno prepričanje, da merilni sistemi niso učinkoviti (Brown in Svenson 1988; Chiesa in Masella 1996; García-Valderrama in Mulero--Mendigorri 2005). Kljub izzivom pri merjenju produktivnosti raziskav in razvoja šte- vilna podjetja od svojih znanstvenikov ter inženirjev zahtevajo, da pri razvoju novih postopkov in izdelkov dokazujejo njihovo dodano vred-nost za podjetje. Sistemi za merjenje in ocenjevanje razvoja se zato ne uporabljajo več le v nekaterih naprednih podjetjih, temveč posta-jajo splošna zahteva. To kaže na trend, pri katerem subjektivni ukrepi za prispevek k razvoju ne zadostujejo več potrebam sodobnega trga (Kerzner 2011; Lopes, Sousa in Nunes 2015). 2.4 Validacija meritev 2.5 Validacija je dokazovala sposobnost procesov pri doseganju načrto-vanih rezultatov. Vendar je obstajala bojazen, da v določenih oko-liščinah ni mogoče ustvariti zanesljive ocene o vsebinski veljavnosti validacije (Carder in Ragan 2004). Po standardu ISO 9001:2015 (Inter-national Organization for Standardization 2015) je bilo predpisano, da morajo podjetja validirati vse PTP, za katere skladnosti procesov ni mogoče overiti z naknadnim nadzorovanjem in merjenjem. To je zajemalo procese, pri katerih so se pomanjkljivosti pokazale šele pri uporabi proizvoda ali izvedbi storitve. Po vsakem opravljenem mer-jenju je bilo treba izvesti validacijo, ki se je lahko opravila na osnovi preteklih analiz, meritev, zadržkov, viharjenja možganov in pozna-vanja problema. Nezadostno poznavanje problema je lahko vodilo v neustrezno potrditev meritev. Pri razvoju novih izdelkov in tehnolo-ških procesov se je pogosto zanašalo na omejen nabor meritev, kar je pomenilo, da je izvršni management (SMT) izvedel validacijo brez primerjave s prejšnjimi merjenji (Down idr. 2010). Za zagotavljanje skladnosti meritev z dejanskim stanjem je bilo ključnega pomena, da so bili v proces merjenja in validacije vključeni posamezniki, ki so bili seznanjeni s problematiko. Včasih so se rezultati meritev razlikovali od pričakovanj, kar je analitike lahko spodbudilo k prilagajanju mo-dela z menjavanjem parametrov. Takšno prilagajanje, znano kot »best fit«, je predstavljalo tveganje, saj je lahko ustvarjalo lažno ujemanje, ki ni temeljilo na zanesljivem modelu, ampak na naključju. Prilago-ditev parametrov je bila smiselna šele po razumevanju razlogov za odstopanja od pričakovanih rezultatov, kar je preprečevalo zavestno 53 2 Pregled stanja obravnavane problematike ali nezavedno prikrivanje pomanjkljivosti v modelu (Brocke in Rose-mann 2015). 2.5 Ključni kazalniki poslovanja 2.6 Ključni kazalniki poslovanja (KPI) predstavljajo kvantitativne in kvali-tativne meritve, ki se uporabljajo za prikaz skladnosti napredka podje-tja z njegovimi cilji. KPI predstavljajo nabor ukrepov in se osredotočajo na tiste vidike organizacijske uspešnosti, ki so trenutno najkritičejšni ter hkrati pomembni za dolgoročno uspešnost podjetja. KPI je meritev na visoki ravni, ki je vodjem podjetja v veliko pomoč pri sledenju stra-tegiji in doseganju ciljev podjetja (Tracy 2002; Harmon 2007; Parmen-ter 2010; Kovačič 2007). Kazalniki poslovanja, ki so manj pomembni, so običajno povezani z dejavniki uspeha (SF). Ključni dejavniki uspešnosti (CSF) so manj-kajoča povezava v teoriji managementa in temeljijo na predpostavki, da imajo podjetja v povprečju med pet do osem CSF, ki so vir vseh pomembnih meritev poslovanja KPI (Howell 2010; Parmenter 2010). Razmerje med CSF in KPI je ključnega pomena, saj ustrezno definira-ni CSF predstavljajo primerno pot pri iskanju pravih KPI (Parmenter 2016). Vsako podjetje ima svojo definicijo uspeha, ker ima različne tipe strank, različne zahteve in druge interesne skupine. Idealni CSF bi mo-rali biti kompromis med njimi (Parmenter 2010). Nekatera podjetja najprej določijo CSF, nato definirajo meritve in KPI, ne glede na to, ali so CSF izpolnjeni. CSF prepoznajo dejavnike in aktivnosti, ki so potreb-ni za izpolnitev želenih rezultatov stranke ter za ohranjanje odnosov z zainteresiranimi stranmi (Crandall in Crandall 2008; Kerzner 2011). Veliko ljudi verjame (Kaplan in Norton 2006; Kerzner 2011; Parmenter 2016), da bo prihodnost obvladovanja tehnoloških in poslovnih proce-sov temeljila na matrikah, katerih glavni namen bo delo na projektih. Ne glede na dejavnost podjetja so CSF podpora poslovni strategiji, saj omogočajo spremljanje nefinančnih kazalnikov, ki so usklajeni s cilji in strategijo podjetja. Zelo pogosto se zgodi, da zanemarimo vprašanje vrednotenja in izvajanja strategije, ki jo je definirala SMT. Temu sledi še vprašanje, ali sta bila vrednotenje in izvajanje uspešna glede na stra-teške cilje (Oxelheim in Wihlborg 2008). Parmenter (2010) ugotavlja, da je zelo malo podjetij, ki pravilno merijo uspešnost procesov. Razlog tiči v tem, da zelo malo podjetij in managerjev ve, kaj točno so KPI. 54 Ključni kazalniki poslovanja 2.6 Poznamo štiri vrste meritev poslovanja (Parmenter 2007): • Ključni kazalniki rezultatov (angl. key result indicators – KRI), ki nam povedo, kako dobro smo nekaj opravili. Lahko bi rekli, da so kot ogledalo preteklosti, ki odseva, kako uspešni smo bili pri dolo-čenih kritičnih dejavnostih. Npr., če gledamo število zadovoljnih strank kot KRI, nam to pove, kako uspešni smo bili pri zadovolje-vanju strank. • Kazalniki rezultatov (angl. result indicators – RI) nam dajo in- formacije o tem, kaj smo dosegli. So kot števec, ki meri količino nečesa, kar smo opravili. Npr., število prodanih izdelkov je RI, ki pokaže, koliko izdelkov smo prodali v določenem obdobju. • Kazalniki poslovanja (angl. performance indicators – PI) nam nu- dijo vpogled v to, kaj bi morali storiti. So kot kompas, ki usmer-ja naše delovanje in pomaga pri odločanju o naslednjih korakih. Npr., če PI pokaže, da je čas odziva na strankine zahteve predolg, nas to usmerja k izboljšanju procesov odzivanja. • Ključni kazalniki poslovanja (angl. key performance indicators – KPI) so ključni za razumevanje, kaj moramo storiti, da bi znatno izboljšali učinkovitost. KPI so kot svetilniki, ki osvetljujejo pot do ciljev, ki jih želimo doseči, in kažejo, na katerih področjih se moramo izboljšati, da bomo učinkovitejši. Npr., če je eden od KPI zmanjšanje stroškov za 10 %, nam to pove, da moramo najti in izvesti ukrepe za zmanjšanje stroškov. Vsaka od teh meritev ima svoj namen, skupaj pa tvorijo celovit sis- tem za merjenje in izboljšanje uspešnosti organizacije. Razumevanje razlike med njimi pomaga pri boljšem načrtovanju, spremljanju in op-timizaciji poslovanja. Model za merjenje poslovne uspešnosti je bil zasnovan tako, da ob- sega kazalnike finančne uspešnosti ter poudarja pomen nefinančnih kazalnikov, imenovanih tudi kazalniki operativne uspešnosti (Venka-traman in Ramanujam 1986). Za doseganje celovitosti in učinkovitosti je bil model opremljen s petimi integriranimi sistemi: sistemom uspeš-nosti, stroškovnim sistemom, sistemom ocenjevanja učinkovitosti, sis-temom primerjalnih analiz in sistemom načrtovanja (Taticchi in Bala-chandran 2008). Parmenter (2010) poudarja, da je namen merjenja KPI zagotoviti takojšen pregled nad stanjem v podjetju, ki nam omogoča pravočasno ukrepanje. KPI so zasnovani tako, da opozarjajo na potrebo po hitrih reakcijah in podrobnih analizah za odpravo morebitnih težav. 55 3 Management poslovnih procesov 3 Izraz proces izhaja iz latinske besede processus ali processioat, kar v pre-vodu pomeni izvedeno dejanje in kako je to dejanje narejeno. Po defi-niciji je proces zbir medsebojno povezanih nalog in dejavnosti, ki se aktivirajo kot odziv na določen dogodek z namenom doseči specifičen cilj za lastnika procesa. Procesi so nenehno prisotni, odvijajo se pov-sod okoli nas in predstavljajo osnovo za vse dejavnosti, ki vključujejo koncepte, kot so čas, prostor in gibanje, ter se skozi čas oblikujejo in spreminjajo (Rosing, Scheer in Scheel 2015). Management poslovnih procesov (BPM) predstavlja strategijo, ki se osredotoča na izboljšanje procesov znotraj podjetja, s ciljem doseči večjo učinkovitost in inovativnost (Underdahl 2011; Brocke in Schmi-edel 2015). Ta pristop služi kot osnova podjetja, ki sistematično ureja pretok poslovnih informacij in podpira celovito razumevanje ter nad-zor nad poslovnimi procesi (Kirchmer 2017). BPM se razvija v integrira-no disciplino, ki združuje različna prepričanja v skupni cilj neprekinje-nega izboljševanja in skladnosti poslovnih procesov. Ta pristop ne le da prispeva k povečanju produktivnosti, ampak tudi spodbuja inovacije in omogoča podjetju, da se nenehno prilagaja in razvija v skladu z medor-ganizacijsko vrednostno verigo (Broske in Rosemann 2015). Izzivi, kot so neusklajenost organizacijskih struktur s procesnim vodenjem, pomanjkanje povezave med disciplino BPM in osnovnimi poslovnimi cilji ter strategijami, zanemarjanje podjetniške vizije ali njena popolna odsotnost, neprimerne ali napačne metode za merjenje uspešnosti BPM in neustrezno vedenje vodstva, predstavljajo ključne ovire za podjetje v njegovih prizadevanjih za uspešno implementacijo celostnega pristopa k BPM. Ti izzivi lahko močno ovirajo sposobnost podjetij, da uresničijo svoj polni potencial (Rosing, Scheer in Scheel 2015; Kirchmer 2017; Micheli in Mura 2017). Po drugi strani vodilna podjetja BPM pogosto uporabljajo tako horizontalno kot vertikalno za načrtovanje in koordiniranje svojih procesov, kar omogoča izboljšano sodelovanje med poslovnimi enotami in oddelkom za informacijsko 57 3 Management poslovnih procesov tehnologijo (angl. information techonology – IT) ter spodbuja razvoj nove paradigme učinkovitih in logično strukturiranih poslovnih pro-cesov. Ta paradigma procesnega razmišljanja ni novost, ampak temelji na delu zgodnjih ekonomistov, kot sta Adam Smith in Frederick Taylor (Brocke in Rosemann 2015). Za učinkovit BPM je ključno, da vsak poslovni proces vključuje jas-no določene vhode in en izhod. Vhodi so sestavljeni iz vseh faktorjev, ki neposredno ali posredno prispevajo k vrednosti storitve ali izdel-ka. Ti faktorji so razdeljeni na procese vodenja, osnovne (operativne) procese in podporne procese. Procesi vodenja usmerjajo celotno de-lovanje podjetja, operativni procesi predstavljajo osrednjo dejavnost, medtem ko podporni procesi, kot sta HR in IT, zagotavljajo potrebno infrastrukturo in storitve (Harmon 2007). BPM se mora obravnavati kot poslovna praksa, ki obsega uporabo specifičnih tehnik in metod, ne kot tehnologija sama po sebi. Namen BPM je identificirati in preoblikovati obstoječe procese za uskladitev z želenimi ali izboljšanimi prihodnjimi stanji, kar vključuje formalizacijo in institucionalizacijo učinkovitejših načinov dela. BPM kot metodologija podjetjem pomaga izboljšati njihove procese z namenom, da postanejo učinkovitejša, zmanjšajo stroške in izboljša-jo kakovost svojih storitev. To dosežejo s tem, da natančno spremljajo, analizirajo in izboljšujejo svoje delovne procese. Pri tem se opirajo na sodobno tehnologijo, preizkušene metode in dobro vodenje (Harmon 2007; Aalst, La Rosa in Santoro 2016). 3.1 Planiranje in vodenje timov Prva naloga SMT na projektu je pravilno definiranje zaporedja nalog, ki predstavljajo kritično pot, in njihovo vodenje do konca projekta. Pravil-no definiranje zaporedja nalog in pravočasen zaključek vsake posamezne naloge pomenita pravočasno zaključen projekt (Biloslavo 2008; Bato-cchio, Ghezzi in Rangone 2016). Danes se projektno vodenje obravnava kot strateška kompetenca, ki je potrebna za preživetje podjetja. Dobro poznavanje projektnih zmožnosti lahko pomeni razliko med uspehom in izgubo projekta (Gambles 2009; Kerzner 2011). Nadzor v podjetju in izboljšanje procesov lahko dosežemo samo z merjenjem ter s pravilno izbranimi ključnimi kazalniki poslovanja. Odgovornost projektnega vodje je ugotoviti, katere meritve v podjetjih so kritične in kako jih je treba identificirati, izmeriti, interpretirati in voditi, da jih lahko zainte-resirane strani obravnavajo kot uspešne (Behzadirad in Stenfors 2015). 58 Planiranje in vodenje timov 3.1.1 Planiranje projektov Planiranje projektov predstavlja osrednji korak v procesu izvedbe pro-jektov, ki obsega definicijo ciljev, določitev ključnih aktivnosti, razpo-reditev potrebnih virov in časovni načrt za doseganje zastavljenih ci-ljev. Ta proces se začne s pripravo projektnega predloga, ki podrobno opisuje projekt, vključno z njegovimi cilji, s predvidenimi aktivnostmi, z zahtevanimi viri in s predlaganim časovnim okvirom (Gambles 2009; Pavlin 2018–2019). Zahteva integracijo znanj in veščin iz različnih di-sciplin, saj omogoča sistematično in strukturirano pristopanje k pro-jektu. Po odobritvi projektnega predloga se začne podrobnejša faza planiranja, ki nadalje razčlenjuje in določa potrebne korake za uspešno izvedbo. V kontekstu projektnega planiranja sta identifikacija in obvlado- vanje tveganj ključnega pomena za minimizacijo potencialnih nevar-nosti, ki bi lahko negativno vplivale na projekt. To se izvaja z uporabo metod analize tveganj, ki omogočajo predvidevanje in pripravo strate-gij za morebitne zaplete. Za razčlenjevanje projekta na manjše, obvlad-ljivejše segmente ali naloge in določanje časovnih rokov za njihovo izvedbo se uporabljajo specifične metodologije, kot so WBS (iz angl. work breakdown structure) (Kerzner 2011; Newton 2016), PERT (iz angl. program evaluation and review technique) in CPM (iz angl. critical path method) (Dobson 2015). Te metodologije, dokumentirane v literaturi (Gido in Clements 2015), zagotavljajo okvir za strukturirano in učin-kovito načrtovanje projektnih aktivnosti. Planiranje projektov je tesno vpeto v celoten proces managementa projektov, kjer se poudarja pomen nadzora nad projektnimi viri, kon-tinuirano spremljanje napredka in sistematično vrednotenje izvedbe projekta. Uspešnost projektnega planiranja ni omejena zgolj na za-četno postavitev ciljev, ampak obsega celovito razvojno strategijo, ki skozi integrirane metode (Kerzner 2011; Dobson 2015) zagotavlja rea-lizacijo projektnih ciljev. 3.1.2 Vodenje timov Vodenje timov je ključno za uspeh v projektnem managementu, saj tesno povezuje učinkovitost tima z rezultati projekta. Za doseganje teh ciljev je ključna uporaba različnih tehnik in metod, ki timom pomagajo delovati bolje in biti bolj osredotočena na cilje (Kerzner 2011; Atkinson idr. 2012). Izjemno pomembno je, da so naloge jasno določene in da se opravijo pravočasno, saj to neposredno vpliva na napredek in končni 59 3 Management poslovnih procesov uspeh projekta (Gido in Clements 2015; Newton 2016). Poleg tega je ključnega pomena vzpostavitev učinkovitega sistema za komunikacijo in koordinacijo znotraj tima, kar pomaga zmanjšati zamude in napake (Project Management Institute 2021). Sčasoma se pričakuje nadaljnji razvoj v pristopih k vodenju timov, pri čemer bo poseben poudarek na spodbujanju inovativnosti in kre-ativnosti. Izboljšanje komunikacije in sodelovanja med člani tima po-staja vedno pomembnejše (Meister 2006). Uporaba tehnoloških orodij, kot so digitalne platforme za upravljanje projektov in komunikacijske tehnologije, bo ključna za boljše koordiniranje dela in spremljanje nap-redka projekta (Turner, Ledwith in Kelly 2010). Uspeh projekta je odvisen od sposobnosti vodje tima, da izbere in prilagodi vodstvene tehnike glede na specifične potrebe projekta ter tima (Kerzner 2011; Atkinson idr. 2012). Zato je nujno, da vodje timov stalno sledijo novim znanjem in se usposabljajo na področju vodenja timov ter projektnega managementa (Project Management Institute 2021). To jim omogoča, da najdejo in uporabijo najboljše možne pristo-pe za doseganje ciljev projekta (Newton 2016). 3.2 Management projektov 3.2 Management projektov (angl. project management – PM) je disciplina, ki se je razvila tekom petih desetletij in danes globalno predstavlja temelj-ni element za uspešno izvedbo in zaključek projektov. Ta disciplina, ki je bila formalno priznana v zadnjem stoletju, izvira iz potrebe po sistema-tičnem in strukturiranem pristopu k vodenju projektov, ki brez takega pristopa pogosto niso dosegli zastavljenih ciljev. Project Management Institute (2021) poudarja, da PM vključuje različne dimenzije, kot so znanje o managementu, tehnične kompetence in razumevanje organiza-cijske dinamike, kar projektnim managerjem omogoča, da projekte vo-dijo uspešno (Bechtel in Churchman 2002; Abdelkafi in Täuscher 2016). Učinkovitost PM se v različnih podjetjih močno razlikuje. Nekatera podjetja se v tej disciplini izkažejo kot izjemna, medtem ko druga sle-dijo le osnovnim načelom (Kerzner 2011). Osrednji namen PM je zago-toviti uspešen zaključek projektov in zadovoljstvo strank, kar zahteva več kot le upravljanje s časom in stroški (Barrows in Neely 2012; Gido in Clements 2015). V malih in srednje velikih podjetjih (SME) ima PM poseben pomen zaradi prispevka k zaposlovanju, inovacijam in gospodarski rasti. PM potrebuje pristop z manj birokracije, ki se osredotoča na fleksibilnost, 60 Management projektov 3.2 prilagajanje izdelkov strankam in celovito upravljanje podjetja (Tur-ner, Ledwith in Kelly 2010). Kljub pogostemu napačnemu prepričanju, da PM obsega zgolj uporabo Ganttovih diagramov za časovno načr-tovanje, se vedno bolj prepoznava pomembnost upoštevanja dobrih praks pri projektih za doseganje boljših rezultatov. Povečanje ozaveš-čenosti o kompleksnosti in pomenu PM predstavlja izzive za manager-je, ki se s tem področjem šele seznanjajo (Meister 2006). PM je interdisciplinarno področje, ki združuje znanja iz različnih disciplin, metodologij, orodij in tehnik. Raziskave kažejo, da managerji PM pogosto dojemajo kot zahtevno področje, kar je posledica omejenih virov za zaposlovanje specializiranih projektnih managerjev in formi-ranje stalnih projektnih ekip (Turner, Ledwith in Kelly 2010). Pogosto so lastniki podjetij tisti, ki prevzemajo vodenje projektov, kar lahko oteži standardizacijo pristopov in metod PM. Projekti se med seboj razlikujejo po tipu, obsegu in zahtevnosti, kar pomeni, da ni univerzalnega pristopa k vodenju, ki bi bil vedno učin-kovit. SME običajno izvajajo projekte po načelu najboljšega možnega pristopa, redko pa se zanašajo na formalizirane metodologije PM (Me-ister 2006). PM je kompleksen proces, ki vključuje načrtovanje, organizacijo, vodenje in nadzor nad projektom, z osrednjim ciljem uspešnega do-seganja zastavljenih ciljev. Spremembe v tem procesu so neizogibne, zato je ključnega pomena prilagodljivost v uporabljenih pristopih. Ra-znolikost modelov PM podjetjem omogoča izbiro najprimernejših me-todologij glede na specifične potrebe, zmožnosti in značilnosti projek-tov, kar prispeva k boljšemu razumevanju in uporabi najprimernejših praks ter orodij (Wysocki 2004). Ključna področja PM, kot so opredeljena s strani Project Manage- ment Institute (2021), Newtona (2016), Kerznerja (2011), Gidoja in Clementsa (2015), Crandalla in Crandalla (2008), Wysockija (2004), Sarapha, Bensona in Schroederja (1989) ter Wilkinsona idr. (1998), vključujejo: • management projektnih meja: zagotavljanje, da se projekt izvaja v okviru določenih omejitev, kot so čas, stroški in kakovost; • management časa: načrtovanje in izvajanje projekta znotraj dolo- čenega časovnega okvira; • management stroškov: zagotavljanje, da se projekt izvaja v okviru določenega proračuna; 61 3 Management poslovnih procesov • management kakovosti: zagotavljanje, da projekt dosega določe- ne standarde kakovosti; • management človeških virov: zagotavljanje, da se projekt izvaja z ustreznimi ljudmi, ki so ustrezno motivirani in usposobljeni; • management komunikacij: vzpostavljanje ustreznih komunika- cijskih kanalov in učinkovita komunikacija med vsemi deležniki projekta; • management tveganja: upravljanje tveganj projekta in učinkovito odpravljanje morebitnih nevarnosti; • management nabave: zagotavljanje učinkovite nabave potrebnih materialov in storitev za projekt: • integracijski management: usklajevanje vseh aktivnosti projekta in zagotavljanje izvajanja projekta v skladu z vsemi ključnimi pod-ročji PM. Ključni elementi projektnega managementa omogočajo učinkovito izvajanje projektov ter doseganje ciljev v skladu z zahtevami in s priča-kovanji deležnikov (Project Management Institute 2021). S pravilno iz-biro modela projektnega vodenja ter prilagoditvijo specifičnim zahte-vam projekta in organizacije se zagotovita uspešna izvedba projekta ter dosega ciljev projekta (Kerzner 2011). Pomembno vlogo v projektnem vodenju imata tudi spremljanje in evalvacija projekta. To omogoča pregled nad napredkom projekta ter sprejemanje odločitev o morebitnih spremembah v njem (Wysocki 2004; Gido in Clements 2015). Nekatere od teh metod vključujejo: • vodenje projekta po modelu slapa: uporablja se pri projektih, kjer je izdelek jasno definiran in se projekt razvija po fazah, od zasno-ve do izvedbe in vzdrževanja (Atkinson idr. 2012); • agilno vodenje projekta (scrum, kanban itd.): gre za iterativen pri- stop k razvoju projekta, pogosto uporabljen pri projektih, ki so bolj neznani in se lahko spreminjajo, kar omogoča boljšo prilagodlji-vost spremembam in komunikacijo med člani tima (Newton 2016); • vodenje projekta po metodi LEAN: metoda, ki se osredotoča na učinkovito uporabo omejenih virov in izključevanje odvečnih pro-cesov, predvsem v proizvodnji in tehnoloških procesih (Sayer in Williams 2007); • vodenje projekta po metodi Six Sigma: osredotoča se na izboljša- nje kakovosti procesov in zmanjšanje napak (Pyzdek 2003); 62 Management projektov 3.2 • vodenje projekta po metodi PRINCE2: metoda vodenja projektov, ki vključuje procese, potrebne za uspešno vodenje projekta, kot so načrtovanje, obvladovanje in nadzor projekta (Newton 2016). Uporaba teh metod omogoča učinkovito upravljanje projektov v različnih okoliščinah ter zagotavlja njihovo uspešno izvedbo v skladu z zahtevami in pričakovanji deležnikov. Vodenje projekta po modelu slapa (Waterfall) Metoda slapa je kot klasičen recept za vodenje projektov, ki najbolje deluje, ko točno vemo, kaj želimo na koncu ustvariti. Zamislimo si pro-jekt kot vrsto stopnic: na vsaki stopnici imamo določeno nalogo, ki jo moramo opraviti, preden lahko stopimo na naslednjo. Na začetku do-ločimo, kaj želimo doseči, kakšne vire potrebujemo, koliko bo to stalo in kako dolgo bo trajalo (Newton 2016). Vsak korak na tem potovanju ima svojo vlogo: začnemo z načrtova- njem, kjer zastavimo vse potrebno za projekt. Sledi izdelava, kjer naše načrte uresničimo in ustvarimo nekaj oprijemljivega. Nato produkt preizkusimo, da vidimo, če deluje, kot smo si zamislili, in zagotovimo podporo za vse, ki ga bodo uporabljali (Rosing, Scheer in Scheel 2015). Glavna prednost metode slapa je v njeni preglednosti. Vendar pa ima metoda tudi slabosti, predvsem, ko pride do sprememb. Če se med projektom pojavi potreba po spremembi, se lahko znajdemo v težavah, saj metoda ne dopušča veliko prostora za prilagoditve. To lahko pripe-lje do zamud ali dodatnih stroškov (Atkinson idr. 2012). Agilno vodenje projekta Agilno vodenje projekta se definira kot prilagodljiv pristop k vodenju projektov, ki se izkaže kot optimalen v okoljih z visoko stopnjo nejas-nosti in dinamičnih zahtev. Temelji na iterativnem in inkrementalnem napredovanju, pri čemer projektne faze, imenovane »sprinti«, omogo-čajo postopno izboljševanje in prilagajanje projektnega dela. Agilna metodologija podpira raznolikost praks, med katerimi sta najpogoste-je uporabljeni scrum in kanban (Newton 2016). Metodologija scrum se osredotoča na tri ključne vloge znotraj pro- jektnega tima: lastnika proizvoda, ki artikulira projektni obseg in pri-oritete; scrum masterja, ki facilitira procese in odstranjuje ovire, ter scrum ekipo, ki se posveča izvedbi in dostavi končnih izdelkov. Ta pri-stop poudarja pomen timskih interakcij, transparentnosti in stalne 63 3 Management poslovnih procesov komunikacije, s čimer zagotavlja visoko stopnjo prilagodljivosti in od-zivnosti na spremembe (Turner, Ledwith in Kelly 2012; Newton 2016). Metodologija kanban prav tako služi kot orodje za agilno vodenje projekta z osredotočenostjo na vizualizacijo dela in procesov. Izvaja se s pomočjo plošč kanban, ki prikazujejo trenutno stanje dela in članom ekipe omogočajo, da identificirajo ozka grla in optimizirajo delovne procese (Parmenter 2016). Agilno vodenje prinaša številne prednosti, kot so izboljšana spo-sobnost prilagajanja projektov na spremembe, povečana efektivnost komunikacije med člani projektnega tima in izboljšano upravljanje sprememb. Vendar pa se kot glavna pomanjkljivost izpostavlja mož-nost preveč neformalnega upravljanja, kar lahko vodi do težav pri učinkovitem spremljanju in ocenjevanju napredka projekta (Newton 2016). Vodenje projekta po metodi LEAN Vodenje projekta po metodi LEAN je strategija, ki teži k optimalni rabi omejenih virov ter izločanju nepotrebnih dejavnosti. Ta pristop je še posebej priljubljen v proizvodnji in tehnološko usmerjenih procesih (Sayer in Williams 2007). Temelji na osnovnih načelih, kot so manage-ment z odzivanjem na povratne informacije, procesni management in standardizacija. Management z odzivanjem zagotavlja stalno sprem-ljanje in nadgradnjo procesov, procesni management poudarja učin-kovitost in nadzor, standardizacija pa se osredotoča na zagotavljanje visoke ravni kakovosti izdelkov ali storitev (Saraph, Benson in Schroe-der 1989; Pyzdek 2003). Koristi, ki jih prinaša vodenje po metodi LEAN, vključujejo zniže-vanje stroškov, izboljšanje kakovosti izdelkov ali storitev ter redukcijo nepotrebnih procesov. Kljub temu je pomembno izpostaviti, da lahko prekomerna osredotočenost na zmanjšanje stroškov in optimizacijo procesov ustvari negativno korelacijo s kakovostjo (Brocke in Rose-mann 2015). Ta pristop zahteva uravnoteženo upravljanje virov, kjer je ohranjanje kakovosti izdelkov ali storitev ob sočasni izboljšavi opera-tivne učinkovitosti ključnega pomena. Vodenje projekta po metodi Six Sigma V kontekstu vodenja projektov predstavlja Six Sigma metodologijo, ki je osredotočena na izboljšanje kakovosti procesov in minimizacijo na-pak z osnovami, ki izhajajo iz statističnih načel in metodologij. Ta pri- 64 Management projektov 3.2 stop temelji na rigorozni uporabi statistične analize za identifikacijo, analizo in odpravo vzrokov za napake v poslovnih procesih, čemur se sledi preko dveh glavnih metodoloških okvirov: DMAIC (iz angl. Define, Measure, Analyze, Improve, Control) in DMADV (iz angl. Define, Measure, Analyze, Design, Verify). Ta okvira nudita strukturiran način za obrav-navanje problemov in izvajanje izboljšav (Pyzdek 2003). Znotraj programa Six Sigma so posamezniki kategorizirani po paso- vih (beli, zeleni, črni), kar odraža njihovo strokovno znanje in vodstve-ne sposobnosti v projektih Six Sigma (Pyzdek 2003; Sayer in Williams 2007). Ta sistem pasov omogoča jasno dodelitev odgovornosti in po-oblastil znotraj projektov, kar prispeva k večji učinkovitosti in uspeš-nosti izvedbe. Prednosti, ki izhajajo iz uporabe metodologije Six Sigma, so večplastne in vključujejo izboljšano kakovost izdelkov ali storitev, zmanjšanje stroškov zaradi učinkovitejših in zanesljivejših procesov ter optimizacijo operativnih postopkov (Crandall in Crandall 2008). Vendar pa je treba biti pri implementaciji metode Six Sigma pozoren na potencialna tveganja, povezana s prekomerno osredotočenostjo na kvantitativne metode, ki lahko vodijo do zanemarjanja človeškega faktorja in drugih nekvantitativnih vidikov, ki so ključni za celovito uspešnost projekta (Brocke in Rosemann 2015). Six Sigma je metodologija, ki zagotavlja celosten pristop k mana- gementu in optimizaciji poslovnih procesov. Temelji na uravnoteženi kombinaciji statističnih tehnik in poglobljenem razumevanju vseh vi-dikov projektnega managementa. Pri tem še posebej izpostavlja po-membnost človeških in organizacijskih dejavnikov, kar poudarja njeno vsestranskost in prilagodljivost pri reševanju različnih poslovnih izzi-vov. Vodenje projekta PRINCE2 Metodologija PRINCE2 (iz angl. Projects in Controlled Environments) je priznana metodologija za vodenje projektov, ki temelji na procesnem pristopu. Vključuje celovit nabor procesov, potrebnih za učinkovito načrtovanje, nadzor in izvajanje projektov. Značilnosti te metodologije sta njena strukturiranost in poudarek na jasno določenih pravilih ter odgovornostih, ki zagotavljajo, da se projekti izvajajo v skladu z načr-tom (Barnes in Hinton 2008). Osredotoča se na delitev meja projektov ter jasno določanje odgovornosti, kar jo razlikuje od drugih pristopov k vodenju projektov. 65 4 Sistem kazalnikov 4 Čeprav so bili v zadnjem času objavljeni številni pregledi literature o sistemih za merjenje uspešnosti in učinkovitosti (Bourne idr. 2000), še vedno obstajajo nekatere pomanjkljivosti v razpoložljivih metodologi-jah. Tem sistemom za merjenje pogosto manjka povezava med strateš-kimi cilji podjetja in ustreznimi kazalniki (Wade in Recardo 2001; Ka-plan 2010; Dvořáková in Faltejsková 2016). Poleg tega je na voljo malo literature o razvoju sistematičnega pristopa, ki bi zajel vsako raven po-slovnih dejavnosti (tj. strateško, taktično in operativno) (Neely 1999). 4.1 Teoretični okviri za izdelavo sistemov 4.1 Pri prepoznavanju procesov se mnogokrat dogaja, da tim prepozna zelo abstraktne in splošne PTP, ki aktivnosti delijo na velike in ciljno usmerjene (Thomson 1998; Parmenter 2010; Rosing, Scheer in Scheel 2015). PTP lahko opišemo s tem, da odgovorimo na vprašanje, ki je pove- zano s cilji in strategijo podjetja: kateri so kritični poslovni dejavniki? Na osnovi odgovora na to vprašanje sledi prepoznavanje in preverjanje obstoječih PTP. Pri izdelavi sistema je pomembno tudi prepoznavanje deležnikov, lastnikov in procesnih udeležencev. Vedno pa lahko priča-kujemo, da se bo pojavilo vprašanje, ali trenutni PTP predstavljajo te-žave. Temu vedno sledi analiza in stalna izboljšava procesa (CPI). Ana-lize procesa je mogoče uporabiti za izboljšanje razumevanja delovanja PTP, določitev ciljev podjetja, uskladitev procesa s strateškimi cilji in sledenje CPI (Neely, Gregory in Platty 1995; Pyzdek 2003; Rosing, Sche-er in Scheel 2015). 4.2 Definiranje tehnološkega procesa 4.2 Tehnološki proces lahko definiramo kot serijo dejavnosti, ki se izva-jajo v določenem vrstnem redu, da se doseže cilj, ki lahko vključuje proizvod njo izdelka ali storitve, razvoj novega izdelka ali storitve, op-timizacijo poslovnih procesov itd. 67 4 Sistem kazalnikov Adamides (2015) preučuje področje, ki povezuje strategijo operacij s procesom korporativne strategije, Lara Agostini, Anna Nosella in Be-nedetta Soranzo (2017) preučujejo vpliv relacijskega kapitala na delo-vanje strank v sektorju B2B SME, Batocchio, Ghezzi in Rangone (2016) predstavljajo metodo za ocenjevanje procesa implementacije poslov-nih modelov, Stefania Bisogno idr. (2016) se zanimajo za metode, ki kombinirajo pristope modeliranja in simulacije za merjenje delovanja poslovnih procesov, Bititci idr. (2011) opisujejo procese obvladovanja, ki podpirajo delovanje, Brocke in Rosemann (2015) sta predstavila pri-ročnik za obvladovanje poslovnih procesov. Kaplan (2010) piše o temeljnem konceptu uravnoteženih kazalni-kov, ki predstavlja metodo za merjenje uspešnosti poslovnega sistema. Avtor trdi, da klasični finančni kazalniki ne morejo popolnoma oceniti uspešnosti podjetja, zato predlaga uporabo uravnoteženih kazalnikov kot celostnejšega pristopa. Kennerley in Neely (2002) obravnavata dejavnike, ki vplivajo na razvoj sistemov za merjenje uspešnosti. Avtorja predstavita okvir, ki opisuje te dejavnike, ki jih lahko podjetja uporabljajo za izboljšanje sis-temov merjenja poslovanja. Kwee Keong Choong (2013) preučuje, ali sistemi za merjenje pro-cesov (PMS) ustrezajo potrebam obvladovanja poslovnih procesov (BPM). Ugotavljajo, da je za uspešno obvladovanje poslovnih procesov ključno zagotoviti učinkovite sisteme za merjenje in da PMS vedno ne zadovoljijo teh potreb. Das, Maiti in Banerjee (2012) opisujejo strategije za nadzor proce-sov in odkrivanje napak. Obravnavajo različne pristope k nadzoru pro-cesov in odkrivanju napak, ki jih uporabljajo različna podjetja, in jih primerjajo glede na učinkovitost in zmožnost. Vključujejo tudi pregled tehnologij, ki se uporabljajo za nadzor procesov in odkrivanje napak, ter predstavljajo predloge za njihovo izboljšanje. Draheim (2010) predstavi celovit pogled na poslovne procese, de-lovne tokove in aplikacije za podjetja, pri čemer obravnavata tehno-logijo poslovnih procesov. Avtor ponuja enoten pogled na poslovne procese, delovne tokove in aplikacije za podjetje. Durivage (2014) se ukvarja z zanesljivostjo in s statistiko procesov. Obravnava statistične metode in tehnike, ki jih lahko uporabimo pri spremljanju in izboljševanju kakovosti procesov, ter njihovo uporabo pri reševanju praktičnih problemov v inženiringu. 68 Definiranje tehnološkega procesa 4.2 Garza-Reyes (2017) opisuje sistematičen pristop za diagnozo tre- nutnega stanja sistemov za obvladovanje kakovosti in poslovnih pro-cesov. Predstavlja metodo za oceno in vrednotenje stanja kakovosti, ki temelji na analizi procesov, vodenju kakovosti, vodstvu in kulturi podjetja ter uporabi IT. Alicja Gębczyńska (2016) preučuje učinkovitost izvajanja strategije na ravni procesov. Trdi, da sta potrebni celovita ocena učinkovitosti poslovnih procesov in implementacija strategij, da bi se lahko izboljša-la konkurenčna prednost podjetja. Avtorica opredeljuje pojma »strate-ška implementacija« in »učinkovitost poslovnih procesov« ter analizi-ra različne modele in pristope, ki jih uporabljajo podjetja za merjenje učinkovitosti. Na podlagi te analize zaključuje, da obstaja potreba po novih raziskavah na tem področju, da bi se v prihodnosti razvili boljši modeli za merjenje učinkovitosti. Harmon (2007) se ukvarja s spremembami poslovnih procesov. Av- tor v knjigi raziskuje in analizira različne pristope ter tehnike za spre-minjanje poslovnih procesov, kot so reinženiring, projektni pristopi in uporaba tehnologij za podporo sprememb. Knjiga obravnava tudi vpra-šanja, povezana z vodenjem sprememb, in kako voditi podjetje skozi proces spreminjanja. Adriaan Van Horenbeek in Liliane Pintelon (2013) razvijata okvir za merjenje delovanja vzdrževanja z uporabo analitičnega mrežnega procesa (angl. analytic network process – ANP) za izbiro indikatorjev učinkovitosti vzdrževanja. Avtorja ANP uporabljata za določitev po-membnosti različnih indikatorjev in s tem zagotavljata objektiven pristop k izbiri najustreznejših indikatorjev za merjenje učinkovitosti vzdrževanja. Hyötyläinen (2015) predstavlja korake za izboljšanje delovanja pod- jetja z obvladovanjem poslovnih procesov in pojasni, kako podjetju prinesti dodano vrednost. Avtor predstavlja pristop k izboljševanju poslovne učinkovitosti z uporabo obvladovanja poslovnih procesov in sistemov, ki to omogočajo. Obravnava tudi vlogo tehnologije in infor-macijskih sistemov v procesu managementa ter ponuja praktične nas-vete za njihovo uporabo. Janiesch, Matzner in Müller (2012) pišejo o dokazu koncepta do- godkovno vodenega obvladovanja poslovnih dejavnosti. Avtorji trdijo, da so trenutne metode spremljanja poslovnih procesov omejene in da je potreben nov pristop, imenovan event-driven business activity mana-gement. Ta pristop temelji na spremljanju dogodkov, ki se pojavljajo v 69 4 Sistem kazalnikov poslovnem okolju, in obvladovanju teh dogodkov za izboljšanje učin-kovitosti poslovnih procesov. Avtorji predstavljajo dokaze, povezane z njihovim konceptom, in poudarjajo, da je treba razmišljati zunaj okvirov klasičnega spremljanja procesov, da bi izboljšali učinkovitost poslovnih dejavnosti. Bokyoung Kang, Dongsoo Ki in Suk-Ho Kan (2012) obravnavajo problem napovedovanja periodičnega delovanja poslovnega procesa v realnem času. Opisujejo pristop k izboljšanju natančnosti napovedi z uporabo metod za učenje in predvidevanje. Njihovo delo poudarja pomen napovedi za uspešno spremljanje in obvladovanje poslovnega procesa. Vsi našteti avtorji so prispevali k razvoju teoretičnih in praktičnih pristopov za obvladovanje tehnoloških procesov. Ti pristopi vključuje-jo analizo in diagnozo poslovnih procesov, izbiro ključnih kazalnikov delovanja, spremljanje in nadzor procesov, odkrivanje in odpravljanje napak, obvladovanje sprememb ter implementacijo strategij. Prav tako se avtorji ukvarjajo z vprašanji, kot so relacijski kapital, absorpcij-ska zmožnost, zanesljivost procesov, obvladovanje vzdrževanja, anali-za dogodkov in napovedovanje delovanja (Sydler, Haefliger in Pruksa 2014). Ukvarjajo se še z različnimi pristopi, kot so modeliranje in simu-lacija, analitični mrežni proces in uravnoteženi kazalniki, ki se upora-bljajo za merjenje in spremljanje delovanja tehnoloških procesov. Laguna in Marklund (2019) predstavljata pristop k oblikovanju, si-mulaciji in načrtovanju poslovnih procesov, ki se uporabljajo za ob-vladovanje poslovnih procesov v SME. Opisujeta tehnike za modeli-ranje poslovnih procesov in simulacijo, da bi podjetjem pomagala pri izboljšanju poslovnih procesov (Wilson idr. 2014; Laguna in Marklund 2019). Tehnološki procesi, ki jih analiziramo v avtomobilski industriji, vključujejo sestavo in montažo, to pa vključuje vijačenje, lepljenje in končno kontrolo. V procesu vijačenja se uporabljajo različna orod-ja, kot so vijačni avtomati, s katerimi dosegamo ustrezen navor, čas vijačenja in število obratov. Durivage (2014) predstavlja primer upo-rabe statističnih metod za ocenjevanje in izboljševanje procesov v industriji. Proces lepljenja v avtomobilski industriji zahteva natančno merje-nje različnih parametrov, kot so temperatura lepila, temperatura kom-ponent, masa lepila ter čas lepljenja, ki je pomemben za uravnoteženje celotnega tehnološkega procesa z ostalimi operacijami. To predstavlja 70 Nabor orodij za spremljanje tehnoloških procesov 4.3 pomemben korak za uravnoteženje celotnega tehnološkega procesa z ostalimi operacijami v proizvodnji (Agostini, Nosella in Soranzo 2017). Proces končne kontrole je zadnja operacija v tehnološkem procesu, ki ga obravnavamo. Garza-Reyes (2017) ter Horenbeek in Liliane Pinte-lon (2013) v raziskavah predstavljajo primer uporabe metod za ocenje-vanje in izboljševanje procesa končne kontrole, ki vključuje uporabo analitičnega mrežnega procesa (ANP). V avtomobilski industriji so montaža, vijačenje, lepljenje in končna kontrola ključni procesi, ki zahtevajo natančno spremljanje parame-trov, da bi se zagotovila kakovost in učinkovitost proizvodnje (Ho-renbeek in Pintelon 2013; Durivage 2014; Agostini, Nosella in Soranzo 2017; Garza-Reyes 2017). 4.3 Nabor orodij za spremljanje tehnoloških procesov 4.3 Indeks CPK predstavlja statistično oceno rezultata značilnosti procesa, za katerega je bilo dokazano, da je nadzorovan. Proces je sposoben, ko statistični parametri za varianco in položaj glede na nastavljeno vrednost ter tolerančne vrednosti izpolnjujejo podana merila. Pred tem morajo biti natančno opredeljeni in določeni cilji za vsak speci-fičen proces (proizvedene količine, matrike kakovosti, stopnje napak, rezultati revizije, pretočni časi, stroški napak in številke učinkovitosti procesa CPK) ISO 21747:2006 (International Organization for Standar-dization 2006; Down idr. 2010). 4.3.1 Meritve V skladu s konceptualnim modelom raziskave smo analizirali paramet-re vijačenja. Merili smo navor in število obratov vijačnika pri vijačen ju sklopa s certificirano ter umerjeno napravo za merjenje navora. Po-sredno smo merili tudi čas vijačenja s pomočjo vijačne naprave, ki je opremljena s senzorjem za merjenje navora, števila obratov in časa. Meritve z eksterno napravo smo izvedli zato, da smo se prepričali, da operiramo s pravimi kazalniki. Nadaljevali smo s spremljanjem parametrov pri procesu lepljenja. Za merjenje mase lepila smo uporabili lepilno glavo, ki je bila oprem-ljena z merilnikom pretoka, na podlagi katerega smo posredno prera-čunali maso lepila. Vendar smo maso lepila preverili tudi z uporabo tehtnice, kjer smo najprej stehtali posamezne komponente in nato še lepenjec. Temperaturo lepila smo merili na lepilni konici s termomet-rom, medtem ko smo temperaturo komponent pred pričetkom leplje- 71 4 Sistem kazalnikov nja izmerili s termometrom, ki smo ga namestili poleg lepilne konice. Za čas lepljenja smo uporabili odčitke z lepilne naprave, saj je bila ta natančnejša od štoparice. Vsa merjenja smo opravili z zunanjo napra-vo, da bi zagotovili delo z natančnimi kazalniki. Končno kontrolo smo izvajali tako, da smo vizualno pregledali lepe-njec, ki je moral ustrezati specifikaciji. Pri tem je bilo pomembno, da je bil čas končne kontrole enak ali krajši kot časi predhodnih operacij. Čase smo merili s štoparico, zato so tudi deviacije med izmerjenimi časi nekoliko večje. Pri končni kontroli smo dodatno izvajali tudi merjenje dimenzij iz-delka s pomočjo merilnega orodja, ki je bilo integrirano v proizvodno napravo, in preverjali, ali so dimenzije, funkcije in skladnost znotraj specifikacije. Za preverjanje električnih lastnosti izdelka smo upora-bili testni sistem, ki je meril električni tok in napetost ter primerjal rezultate z zahtevanimi specifikacijami. Vsi podatki so bili zabeleženi v sami napravi in za namen analiz preneseni na računalnik, s katerim smo kasneje izvajali analize. Vse proizvodne naprave so zaradi tehnič-nih zahtev strank opremljene z elementi, ki omogočajo 100-odstotni nadzor nad proizvodnjo in sledenje posameznim izdelkom. Stranka za vsak izdelek v skladu z njegovo serijsko številko dobi vse podatke o proizvodnih parametrih in parametrih, ki jih je izdelek dosegel pri preverjanju funkcij, skladnosti in dimenzijske ustreznosti. Za potre-be razvoja sistema merjenja smo izvedli še laboratorijske meritve na posameznih izdelkih, saj so te meritve pogoj za spustitev montažne linije v obratovanje. To pomeni, da smo morali narediti 50 zaporednih meritev, ki so zadostile vsem tehničnem zahtevam, da smo proizvodno linijo lahko sprostili v obratovanje. 4.3.2 Analiza OEE Med spremljanjem proizvodnje smo se odločili, da analiziramo OEE na podlagi t. i. 50-izmenskega testa. V obdobju meritev smo spremljali razpoložljivost, produktivnost in kakovost, ki sestavljajo OEE. Nomi-nalni cilj je bil proizvesti 1.172 kosov v 7,16 ure na izmeno. Proizvodnjo smo merili tri tedne po drugi optimizaciji, nato pa še po treh optimi-zacijah nadaljnjih 50 izmen. Kazalnik OEE se spremlja ves čas proizvo-dnje. Rezultati spremljanja OEE so pomembni, saj nam omogočajo pri-dobivanje informacij o tem, kako učinkovito deluje proizvodnja in kje so možnosti za izboljšave. 72 Analiza primernosti podatkov 4.4 4.3.3 Analiza ROI V našem primeru smo ROI izračunali na podlagi prodajne cene, stro-škov investicije, EBIT (iz angl. earnings before interest and taxes) in pro-meta. Z uporabo analize ROI lahko spremljamo učinkovitost našega tehnološkega procesa, ocenjujemo tveganja in sprejemamo boljše po-slovne odločitve. Želeli smo dokazati, da večji začetni vložek (investici-ja) v času trajanja projekta prispeva k večjemu ROI. 4.4 Analiza primernosti podatkov 4.4 V raziskavi smo se podrobno ukvarjali s tem, kako ustrezno analizi-rati podatke, ki jih potrebujemo za izvedbo analize CPK in CMK. Prav tako smo izvedli analizo merilnih sistemov, s katero smo preverili pri-mernost podatkov. Cilj analize primernosti podatkov je bil zagotoviti ustrezno osnovo za izvedbo analize CPK in CMK, ki bi nam omogočila natančno ovrednotenje poslovnih in tehnoloških procesov. S tem smo zagotovili, da so naše ugotovitve temeljile na kakovostnih podatkih. 4.5 Testiranje in validacija sistema 4.5 Testiranje in validacija sistema kazalnikov sta pomembna za zagota-vljanje kakovosti in učinkovitosti sistema (Verband der Automobilin-dustrie 2011). Testiranje zagotavlja, da sistem deluje, kot je zamišljeno (Down idr. 2010), medtem ko validacija potrjuje kakovost kazalnikov in njihovo primerno uporabnost (Carder in Ragan 2004). Zadnja faza procesa vključuje vnovično testiranje in validacijo, da se zagotovi opti-malno delovanje sistema in zanesljivost kazalnikov. V končni fazi se testiranje in validacija ponovita za zagotavljanje optimalnega delovanja sistema ter zanesljivosti kazalnikov za nadzor poslovnih in tehnoloških procesov. Učinkovitost je izračunana s toč-nostjo in z učinkovitostjo (Crosby 2012). 4.5.1 Splošna učinkovitost opreme Splošno učinkovitost opreme OEE danes predstavlja standard za mer-jenje produktivnosti proizvodnje. OEE prikazuje odstotek časa izdela-ve, ki je dejansko produktiven. V jeziku OEE to pomeni 100-odstotno kakovost (samo dobri deli), 100-odstotno zmožnost (kar se da hitro) in 100-odstotno razpoložljivost (brez časa zaustavitve), kar pa je v realno-sti zelo težko dosegljivo. V praksi predstavljajo vrednosti OEE nad 85 % zelo dober rezultat. OEE tako predstavlja eno izmed najboljših praks za zagotavljanje sistematičnega izboljševanja tehnološkega procesa, 73 4 Sistem kazalnikov saj zelo jasno pokaže na procesne izgube (Harmon 2007; Horenbeek in Pintelon 2013). OEE se izračuna kot produkt treh komponent: razpoložljivosti (A), produktivnosti (P) in kakovosti (Q), in sicer kot (4.1): OEE = A # P # Q . (4.1) Razpoložljivost (angl. availability) je kazalnik, ki upošteva vse do-godke, ki načrtovano proizvodnjo zaustavijo dovolj dolgo, da se za to zaustavljanje splača slediti razlogu (navadno nekaj minut, v avtomo-bilski industriji pa sekund). Izračunava se kot razmerje med časom delovanja in načrtovanim časom proizvodnje: razpoložljivost = čas de-lovanja/načrtovani čas proizvodnje (Durivage 2014). Čas delovanja je enostavno načrtovani čas proizvodnje minus čas zaustavitve, kjer se čas zaustavitve definira kot čas, ko je bil proizvodni proces namenjen delovanju, vendar ni deloval zaradi nepričakovanih zaustavitev (npr. okvar) ali načrtovanih zaustavitev (npr. preklopov). Produktivnost (angl. performance) upošteva vse, kar povzroči, da proizvodni proces deluje z manj kot največjo možno hitrostjo, ko delu-je (vključno s počasnimi cikli in z manjšimi zaustavitvami). Produktiv-nost je razmerje med časom dejanskega delovanja in časom delovanja. Izračuna se kot: produktivnost = (idealni čas cikla x skupno število)/čas delovanja (Porter 1985; Horenbeek in Pintelon 2013). Idealni čas cikla je najhitrejši čas cikla, ki ga lahko proces doseže v optimalnih pogojih. Ko se to množi s skupnim številom, dobimo čas dejanskega delovanja (najhitrejši možni čas za proizvodnjo delov). Ker je hitrost proizvodnje razmerje med proizvedenimi enotami in časom, se lahko učinkovitost izračuna tudi kot: produktivnost = (skupno število/čas delovanja)/ide-alna hitrost delovanja (Sayer in Williams 2007). Ta izraz predpostavlja, da je »idealna hitrost proizvodnje« število enot, ki jih lahko idealno proizvedemo v določenem časovnem obdobju. Produktivnost nikoli ne sme biti večja od 100 %. Če je, to običajno kaže, da je idealni čas cikla nastavljen napačno (previsoko). Kakovost (angl. quality) upošteva proizvedene dele, ki ne ustrezajo standardom kakovosti, vključno z deli, ki potrebujejo popravilo. Kako-vost OEE je podobna kot »First Pass Yield«, saj kakovostne dele definira kot dele, ki prvič uspešno preidejo skozi proizvodni proces brez potrebe po popravilu. Izračuna se kot: kakovost = število dobrih delov/skupno število delov (Kaplan in Norton 1996). To je enako kot razmerje med po-polnoma produktivnim časom (samo dobri deli so proizvedeni tako hit- 74 Testiranje in validacija sistema 4.5 ro, kot je mogoče, brez časa zaustavitve) in časom dejanskega delovanja (vsi deli so proizvedeni tako hitro, kot je mogoče, brez časa zaustavitve). 4.5.2 Kritična strojna zmožnost Kritična strojna zmožnost (CMK) se nanaša na sposobnost stroja, da doseže zahtevane specifikacije izdelka. Testiranje se izvaja za ugotav-ljanje, ali stroj deluje v skladu z določenimi standardi, medtem ko se validacija uporablja za preverjanje, ali stroj dejansko dosega zahtevane specifikacije. Pri testiranju CMK se običajno uporabljajo različne tehnike, kot so testiranja sposobnosti procesa, enotnosti in stabilnosti procesa. Pri testiranju sposobnosti procesa se uporablja analiza vzorcev, da se ugotovi, ali stroj izpolnjuje zahtevane specifikacije. Testiranje enotno-sti se uporablja za preverjanje, ali so vsi izdelki, ki jih proizvaja stroj, skladni. Testiranje stabilnosti se uporablja za preverjanje, ali je proces proizvod nje stabilen. Validacija CMK se izvaja za preverjanje resničnega doseganja zah- tevanih specifikacij stroja. Ta postopek vključuje primerjavo meritev izdelkov, ki se proizvajajo na stroju z določenimi standardi in toleran-cami. Če stroj doseže zahtevane specifikacije, sta njegova zanesljivost in kakovost zagotovljeni. V skladu s standardom ISO 22514–1:2009 (International Organiza- tion for Standardization 2009) proces velja za zmožnega, če doseže za-dostno visok indeks sposobnosti (CPK ≥ 2,0), ki se izmeri s posebnim merilnim postopkom. Zaključno testiranje in validacija CPK sta ključna procesa za zago- tavljanje zanesljivosti ter kakovosti proizvodnje; pri tem se priporoča uporaba standarda ISO 22514–1:2009 (International Organization for Standardization 2009). 4.5.3 Kritična procesna zmožnost Z osredotočanjem na proces, ki ustvarja vrednost, lahko določimo vrednost katere koli aktivnosti (ali sposobnosti) (Neely 2002; Harmon 2007). Kritična procesna zmožnost (CPK) predstavlja statistično oceno rezultata značilnosti procesa, za katerega je bilo dokazano, da je nad-zorovan. CPK imenujemo meritev, čeprav to ni, ker gre za analizo me-ritev, ki se uporablja za analizo in monitoring zmožnosti procesa ter pove, kako dobro opazovani proces izpolnjuje tehnične zahteve (Neely 2002; Pyzdek 2003). 75 4 Sistem kazalnikov Pravimo, da je proces zmožen, ko statistični parametri za varian-co in položaj glede na nastavljeno vrednost ter tolerančne vrednosti izpolnjujejo podana merila ISO 21747:2006 (International Organizati-on for Standardization 2006; Verband der Automobilindustrie 2016). V primeru, da zmožnost proizvodnega procesa doseže dovolj visoko vrednost (CPK ≥ 2,0), dodatno opazovanje razširjene merilne negoto-vosti na specifikacijskih merah ni potrebno, ker postopek vrednotenja že vključuje variacijo merilnega postopka (Verband der Automobilin-dustrie 2011). Morda je največja pomanjkljivost uporabe indeksov zmožnosti pro-cesa ta, da analizo odmaknejo korak stran od podatkov. Nevarnost je, da bo analitik izpred oči izgubil namen analize zmožnosti (Pyzdek 2003). 76 5 Empirična raziskava 5 V tem poglavju je predstavljeno podjetje, v katerem smo izvajali empi-rično raziskavo. Raziskava se je osredotočala na preučevanje korelacij kritične strojne (CMK) in kritične procesne zmožnosti (CPK) ter učin-kovitosti opreme (OEE) z dobičkonosnostjo vloženega kapitala (ROI). Metode zbiranja podatkov, ki smo jih uporabili, so vključevale ana- lizo dokumentacije, merjenje, eksperiment in urejanje podatkov. V raziskavi smo uporabili triangulacijo s tremi metodami: analizo doku-mentov, opazovanjem in dnevnikom. Uporaba teh treh različnih me-tod nam je omogočila, da smo pridobili večjo količino podatkov in tako zagotovili zanesljivejše rezultate. Za analizo podatkov smo uporabili različne metode, kot so faktorska analiza, analiza merilnih sistemov in regresijska analiza. 5.1 Predstavitev podjetja 5.1 Podjetje, ki že dolgo časa zaseda trdno pozicijo na trgu avtomobilske industrije, predstavlja gonilno silo in inovativno središče v panogi. Specializirano je za proizvodnjo vrhunskih izdelkov ter se ponaša z lastnim razvojem izdelkov, orodij in montažnih linij, ki zagotavljajo celovit proces končne proizvodnje. Kljub svojemu ugledu se podjetje sooča s ključnim izzivom – raz- vojem opreme za proizvodnjo, ki predstavlja enakovreden, če ne več-ji izziv kot sam razvoj izdelkov. Ta zahtevna naloga zahteva nenehno usklajevanje med tehničnimi zahtevami strank in prodajno ceno, kar podjetju uspešno omogoča, da ohranja ravnovesje med kakovostjo in stroški. Njegovi zavezanost inovativnim rešitvam, prilagajanje dinamičnim razmeram na trgu ter neprestano vlaganje v razvoj proizvodnih naprav odražajo resnično strateško naravnanost podjetja. V njem se zaveda-jo tesne povezanosti med proizvodnjo in razvojem, kar je ključno za ohran janje konkurenčnosti na trgu. S poudarkom na stalnem izbolj-ševanju proizvodnih procesov in zmanjševanju stroškov, podprtim s 77 5 Empirična raziskava sodobnimi tehnologijami ter avtomatizacijo podjetje sledi najsodob-nejšim trendom v avtomobilski industriji. Podjetje je ves čas dobro zaveda svoje odgovornosti do okolja, zato z uporabo okolju prijaznih materialov in procesov ter dosledno skla-dnostjo z okoljskimi standardi aktivno zmanjšuje svoj ekološki odtis. Zavezanost k zmanjševanju emisij toplogrednih plinov in učinkoviti rabi energije izpostavlja trajnostno naravnanost podjetja. V raziskavi smo se osredotočili na monitoring in merjenje PTP pri proizvodnji dnevnih luči (angl. daytime running lights – DRL) z LED--tehnologijo za nemško stranko. Slednja zahteva visokokakovostne in varne svetlobne sisteme za svoja motorna vozila, pri čemer so DRL ključne za povečanje vidljivosti v prometu. Posebno pozornost smo namenili analizi LED DRL s svetlobnim vodnikom, ki zagotavlja enakomerno porazdelitev svetlobe, s tem pa izboljšuje vidljivost vozila na cesti. Pri tem smo raziskali, kako dolžina svetlobnega vodnika in število odbojev vplivata na enakomerno ho-mogenizacijo svetlobe, pri čemer sta odvisna od numeričnih odprtin (angl. numerical aperture – NA). Prav tako smo analizirali, kako zahteva naročnika korelira z različnimi koraki proizvodnje. 5.2 Metode zbiranja podatkov 5.2 V tem delu smo se osredotočili na različne metode zbiranja podatkov, ki smo jih uporabili v raziskavi. Najprej smo se dotaknili analize doku-mentov, ki predstavlja uporabo virov podatkov, in načina, kako se ti analizirajo za določanje njihove vloge in pomena v kontekstu raziska-ve. Predstavili smo tudi metodo merjenja, ki opisuje različne načine merjenja ter kako se ti uporabljajo za pridobivanje podatkov. Koncept triangulacije smo opisali kot način preverjanja verodostojnosti po-datkov raziskave, kjer uporabimo različne metode zbiranja podatkov. Poudarili smo tudi pomembnost eksperimentov kot metode za prido-bivanje podatkov in kako se uporabljajo za sprejemanje zaključkov o korelacijah med kazalniki. V zadnjem delu smo se dotaknili merjenja in urejanja podatkov, pri čemer smo opisali tehnike za merjenje in ure-janje podatkov, ki smo jih uporabili za analizo podatkov. 5.2.1 Analiza dokumentov Pri analizi dokumentov se analizirajo različni pisni viri, kot so poro-čila, članki, časopisi idr. Namen analize dokumentov je določiti vlogo in pomen slednjih v kontekstu raziskave. Pri uporabi dokumentov je 78 Metode zbiranja podatkov 5.2 pomembno, da se jih analizira kritično in sistematično ter da se pri tem uporabljajo ustrezne tehnike, kot je analiza vsebine. Prav tako je pomembno upoštevati morebitne omejitve in pomanjkljivosti doku-mentov, kot sta npr. nezanesljivost avtorjev ali omejenost informacij (Anderson 2003; Greener in Martelli 2018). Primarni dokumenti (vključujejo tudi podatke in rezultate analiz, ki smo jih izvajali v času raziskave) predstavljajo podatke, ki smo jih pridobili od ljudi za točno definiran namen, medtem ko so sekundarni dokumenti neodvisni (Angelini 2019). V raziskavi smo se pri analizi dokumentov osredotočili na razume- vanje povezav med različnimi spremenljivkami ter njihovim vplivom na rezultate raziskave. V našem primeru so bili to podatki in analize meritev, ki smo jih pretvorili v kazalnike in nato analizirali kot multi-variatne podatke (Bartholomew 2010). V okviru naše analize dokumentov smo se osredotočili tudi na me- rilna orodja, ki so nujna za učinkovito in natančno analizo podatkov. Poleg tega smo izvedli empirično analizo dejavnikov, ki podpirajo traj-nostno proizvodnjo. Ta nam je omogočila, da smo razumeli vlogo do-kumentov v raziskavi o trajnostni proizvodnji ter povezave med raz-ličnimi spremenljivkami in njihovim vplivom na rezultate raziskave. Vključevali smo tako primarne kot sekundarne podatke, kar nam je omogočilo celostno razumevanje obravnavane problematike. Pri tem smo skrbno upoštevali etična načela in pazili na zaščito osebnih po-datkov ter zagotavljanje transparentnosti in preglednosti v procesu analize. 5.2.2 Triangulacija Triangulacija je način za povečanje veljavnosti raziskave in preverjanje zaključkov ter ugotovitev, ki jih pridobimo s kombinacijo več različnih metod raziskovanja in virov podatkov. To nam omogoča, da v raziskavi zmanjšamo možnost subjektivnosti in napak v (Easterby-Smith, Tho-rpe in Lowe 2007; Trnavčevič 2010; Denzin 2012). Triangulacija je način, ki nam je pomagal potrjevati in preverjati ugotovitve s pomočjo različnih analitičnih metod. V raziskavi smo uporabili regresijske in faktorske analize, da bi ugotovili povezanost določenih dejavnikov s poslovno uspešnostjo, merjeno s kazalnikoma OEE in ROI. Hkrati smo uporabili metodi CPK in CMK za preučevanje kakovosti procesov ter strojev in njihovega prispevka k poslovni us-pešnosti. 79 5 Empirična raziskava Za potrditev pravilnosti meritev kazalnikov, pridobljenih iz proizvod nih naprav na montažni liniji, smo uporabili več metod. Najprej smo uporabili teoretično triangulacijo, in sicer različne teo-rije za analizo podatkov, ki so se med seboj dopolnjevale in križale. Nato smo izvedli dodatno preverjanje s pomočjo zunanje naprave, ki nam je omogočila primerjavo in preverjanje natančnosti kazalnikov, kljub temu da so vse uporabljene naprave, ki so integrirane v mon-tažno linijo, kalibrirane in umerjene. Ta kombinacija različnih metod in pristopov nam je pomagala potrditi pravilnost meritev ter zagotovi-ti zanesljivost podatkov. Tako smo se lahko zanesli na pravilnost naših ugotovitev v raziskavi. S kombiniranjem rezultatov iz različnih anali-tičnih metod in teoretičnih pristopov smo dobili celovitejši vpogled v problem ter potrdili veljavnost zaključkov. Celoten postopek smo lah-ko opisali kot triangulacijo na več ravneh – z uporabo različnih anali-tičnih metod in teoretičnih pristopov. Na ta način smo pridobili globlji vpogled v problem in potrdili veljavnost ugotovitev. 5.2.3 Eksperiment V raziskavi smo se osredotočili na optimizacijo PTP. Ugotovili smo, da so bile meritve neučinkovite in da ni bilo zadoščeno kriterijem podjet-ja, med katere sodijo kazalniki CMK, CPK, OEE in ROI. Zato smo mo-rali optimizirati posamezne procese. Izvedli smo eksperiment, ki je bil usmerjen v optimizacijo kazalnikov, ki so bili uporabljeni pri vodenju in nadzoru PTP. Eksperiment je znanstveni postopek za preverjanje hipotez in ugo-tavljanje učinkov dejavnikov na sistem ali proces. Z različnimi spre-membami se namerno spreminjajo dejavniki in opazujejo učinki na sistem. Če učinek ustreza pričakovanjem, to potrjuje hipotezo (Seka-ran in Bougie 2016). Cilj našega eksperimenta je bil najti ustrezen PTP, ki bo izpolnjeval tehnične zahteve in kakovost izdelka. V prvem koraku smo morali pre-gledati vse procese, ki se izvajajo v podjetju, in izbrati prave kazalnike za merjenje. Kazalniki so bili nato uporabljeni za merjenje specifične-ga vedenja ali procesa, npr. zadovoljstva strank, časa dostave, števila napak, donosnosti, učinkovitosti idr. To smo storili s preiskovanjem parametrov, kot so masa lepila, hitrost lepljenja, velikost šobe na lepil-ki, in z odpravo nepotrebnih gibov orodja, pri čemer smo iskali najhi-trejšo in najučinkovitejšo pot naprav. Med optimizacijami smo izvajali meritve kakovosti, skladnosti, dimenzijske meritve, meritve funkcio- 80 Metode zbiranja podatkov 5.2 nalnosti kot tudi meritve CPK in CMK. Te so bile prikazane kot ključne meritve, na katerih smo gradili našo raziskavo. Cilj optimizacije je bil, da bi imeli uravnotežen celoten proces z zmanjšanimi izdelovalnimi časi na posameznih postajah in uravnoteženimi postajami, kar pomeni enak proizvodni čas na vseh postajah. V raziskavi, ki smo jo izvedli z namenom optimiziranja tehnološke- ga procesa pri izdelavi komponent, smo se soočili s težavo, da nismo vedeli, kako optimizirati določene parametre procesa. Zato smo se od-ločili za eksperiment, kjer smo preiskovali različne možnosti in spre-minjali parametre, kot so temperatura lepila, količina lepila in krajša-nje vijakov, da bi dosegli krajši čas izdelave in hkrati ohranili zahtevani navor vijačenja. Poleg tega smo izvedli postopek »temperiranja« kom-ponent, preden smo jih lepili. To pomeni, da smo komponente nekaj časa pustili, da dosežejo sobno temperaturo, nato pa smo pričeli z lep ljenjem. Ugotovili smo, da imata temperaturi komponent in lepila pomemben vpliv na uspešnost lepljenja ter končno tudi na funkcijo končnega izdelka. Z eksperimentiranjem smo preverjali različne možnosti in s prei- skavami dobili konkretne podatke, ki so nam pomagali pri optimizi-ranju tehnološkega procesa. Rezultati so bili zadovoljivi in nam omo-gočajo, da zdaj z manj odpadki, v krajšem času in s konstantno visoko kakovostjo izdelujemo komponente. 5.2.4 Merjenje in urejanje podatkov Postopke merjenja smo definirali na podlagi tehnične specifikacije in upoštevanja standarda ISO 22514–1:2009 (International Organization for Standardization 2009). Merjenje Merjenje je postopek, s katerim pridobimo podatke o fizičnih lastnos-tih objekta, procesa ali pojava. Pomembno je v različnih panogah, kot so industrija, medicina, znanost, tehnologija, gradbeništvo in mnoge druge (Down idr. 2010). Merjenje je postopek pridobivanja podatkov s primerjavo z nekim standardom ali referenčno vrednostjo. Namen merjenja je pridobiti objektivne in zanesljive podatke o neki lastnosti objekta, procesa ali pojava. Pri njem se uporabljajo različna orodja in metode, od prepros-tih orodij, kot so ravnila in tehtnice, do kompleksnih naprav, kot so mikroskopi in laserski interferometri. 81 5 Empirična raziskava V raziskavi smo merili različne kazalnike, ki so bili ključni za našo analizo. Meritve začetnih kazalnikov smo izvajali dvakrat, da bi zago-tovili zanesljivost podatkov. Za analizo smo uporabili digitalne in ana-logne kazalnike. Digitalne kazalnike smo pridobili z izvozom podatkov iz naprav, ki smo jih uporabljali. Analogne kazalnike smo pridobili z merjenjem časov cikla, temperature, mase in nekaterih posrednih me-ritev, kot sta bili meritvi OEE in ROI. V raziskavi smo uporabili analogne in digitalne kazalnike, ki smo jih združili v konceptualnem modelu raziskave, ta pa je predstavljal ožji nabor kazalnikov, ki smo jih analizirali. Digitalne kazalnike smo si predstavljali kot kazalnike vijačenja, lepljenja in ponovljivosti, saj smo jih pridobili z izvozom podatkov iz naprav, ki smo jih uporabljali pri merjenju. Končna kontrola je prikazovala analogne kazalnike, saj smo meritve izvajali z merjenjem cikla. Kazalnik delovanja poslovnega procesa smo izračunali z uporabo OEE. Pri merjenju analognih kazalnikov smo se posluževali merjenja ci-kla. To pomeni, da smo zabeležili čas, ki je potreben za izvedbo posa-meznega koraka v procesu. To smo večkrat ponavljali, da smo dobili natančnejše podatke. Na njihovi podlagi smo lahko izračunali, koliko časa traja celoten proces in koliko časa posamezni koraki v njem. Pri merjenju digitalnih kazalnikov smo se posluževali izvoza podat-kov iz naprav, kot sta bila vijačnik znamke Desoutter in lepilna napra-va znamke Rampf. Pri vijačenju smo izvozili podatke o navoru, številu obratov in času vijačenja, medtem ko smo pri lepljenju izvozili podatke o temperaturi, masi lepila in času lepljenja. Za zagotovitev točnosti meritev smo se posluževali kontrolnih meritev, kot so tehtanje lepila s tehtnico, merjenje temperature s termometrom in časa s štoparico. Poleg tega smo preverjali točnost meritev z drugimi napravami, npr. z uporabo eksternega merilnika pri vijačenju. Pri pripravi podatkov smo uporabili tudi tolerance, ki so bile izra-čunane na osnovi zahtev PTP. Tolerance so bile omejitve za meritve, saj smo želeli uporabiti le podatke, ki so bili relevantni za analizo. Iz-hodiščne vrednosti kazalnikov smo merili dvakrat, da smo povečali vzorec in zmanjšali možnost napačnih izhodiščnih meritev. Med opti-mizacijami smo izvedli veliko meritev, saj je bilo pomembno, da smo za analizo uporabili »ustrezne« podatke. Zbrane podatke smo najprej ustrezno poimenovali in uredili ter jih kodirali, da smo jih lahko kasneje uvozili v orodje za statistične analize znamke Minitab in v SPSS. Pri pripravi podatkov smo uporabili tehnič- 82 Reprezentativni sistem 5.3 no znanje s področja modeliranja PTP v podjetju, s čimer smo izbrali kazalnike, ki so bili smiselni za analizo, ter maksimalno zmanjšali nji-hov izbor. Ko smo pripravili podatke, smo izvedli faktorsko analizo za prever- janje števila faktorjev ter multiplo analizo variance (Manova) kot del analize kritične strojne zmožnosti (CMK) in kritičnih procesnih zmož-nosti (CPK). S tem smo preverili, ali so izbrani kazalniki povezani z delovanjem poslovnega procesa in koliko vsak izmed njih prispeva k uspešnosti. Na koncu smo izvedli še regresijsko analizo za preverjanje povezanosti posameznih kazalnikov. 5.3 Reprezentativni sistem 5.3 V poslovnem svetu se podjetja zavedajo pomembnosti merjenja in spremljanja poslovnih ter tehnoloških procesov, vendar pogosto ne vedo, kako naj izboljšajo svoj reprezentativni sistem za merjenje (Ne-ely, Gregory in Platts 1995). Reprezentativni sistem za merjenje poslovnih in tehnoloških pro- cesov (PTP) je ključnega pomena za podjetja, saj omogoča spremljanje trendov in napovedovanje. Sistem za merjenje PTP je pomemben tudi za izpolnjevanje zakonskih in regulativnih zahtev (Neely, Gregory in Platts 1995). Izboljšanje reprezentativnega sistema za merjenje PTP v podjetjih zahteva nekaj ključnih korakov. Prvi korak je določitev ključnih kazal-nikov uspešnosti (KPI), ki so merila za ocenjevanje uspešnosti proce-sov in so specifični za vsako podjetje. Pomembno je, da so KPI merljivi, pomembni za podjetje in sorazmerni s cilji. Po določitvi KPI podjetje izbere orodja za merjenje in spremljanje teh kazalnikov, pri čemer je treba upoštevati potrebe podjetja. Za nekatere KPI so primerna pre-prosta orodja, kot so ankete, medtem ko se za druge zahtevajo napred-nejše tehnologije, kot so senzorji ali programi za analizo podatkov (Parmenter 2010). Zaposleni, ki sodelujejo pri spremljanju in analiziranju podatkov, morajo razumeti namen merjenja PTP, kako se merijo KPI in kako se uporabljajo podatki, pridobljeni iz sistema (Neely 1999; Montequín idr. 2013). Sistem, na katerem smo delali, je bil zasnovan tako, da beleži ključne parametre, kot so kazalniki kritične strojne zmožnosti, ki vključujejo navor, čas, število obratov, temperaturo lepila, temperaturo kompo-nent, maso lepila in čas lepljenja ter čas končne kontrole. Poleg tega sis- 83 5 Empirična raziskava tem spremlja tudi kritično procesno zmožnost, ki vključuje kazalnike funkcionalnosti, dimenzijsko ustreznost in skladnost z dokumentacijo. 5.4 Metode analize podatkov 5.4 Pred začetkom analize podatkov sta potrebna zbiranje in pripra-va podatkov, ki vključuje kodiranje in urejanje podatkov (Davenport in Harris 2017; Chatfield in Xing 2019). Ko so podatki pripravljeni, se uporabljajo statistične metode, kot so faktorska, regresijska in korela-cijska analiza ter analiza varianc za ugotavljanje povezav in vzorcev v podatkih (Hair idr. 2014; Davenport in Harris 2017). Analiza merilnih sistemov (angl. measurement systems analysis – MSA) je statistična metoda, ki se uporablja za ocenjevanje kakovosti merilnega sistema. MSA omogoča preučevanje variabilnosti, ki se po-javlja pri različnih kontrolnih, merilnih in testnih napravah, ter pre-verja, ali te naprave zagotavljajo zanesljive podatke (Down idr. 2010). MSA je izjemno pomembna pri ocenjevanju kakovosti proizvodnje, saj zagotavlja natančnost in zanesljivost podatkov, ki se uporabljajo v nadaljnjih analizah (Down idr. 2010). Zato smo v našem primeru iz-vedli MSA za posamezne naprave na montažni liniji. Izvedli smo MSA za tri naprave na montažni liniji – napravo za sestavo z vijačenjem, napravo za lepljenje in kontrolno napravo. Te na-prave so integrirane v proizvodno linijo, ki predstavlja montažno linijo kot celoto. Če bi izvedli MSA za celotno montažno linijo, bi bili podatki o variabilnosti lahko manj natančni, saj bi zajemali vse naprave in pro-cese v liniji. Zato smo se odločili za izvedbo MSA na posameznih na-pravah, kar je natančnejša metoda za ocenjevanje kakovosti merilnih naprav in vpliva na kasnejše analize CPK in CMK. Z regresijsko analizo smo analizirali oz. testirali hipoteze ter izved-li vzporedno analizo kritične procesne in kritične strojne zmožnosti (CPK in CMK) (Hair idr. 2014). Uporabili smo jo za preučevanje odvis-nosti med različnimi spremenljivkami in predvidevanje vrednosti ene spremenljivke na podlagi vrednosti druge. Metode analize podatkov nam omogočajo, da iz podatkov izluščimo koristne informacije, ki nam pomagajo pri sprejemanju odločitev in izboljševanju poslovanja. 5.4.1 Priprava podatkov za analizo V podpoglavju 5.2 smo opisali, kako smo zbirali podatke med potekom raziskave. Priprava podatkov za analizo pa predstavlja ključni korak 84 Metode analize podatkov 5.4 naše raziskave, saj smo bili odvisni od kakovostnih podatkov za na-daljnjo analizo. Meritve, ki smo jih izvedli, so bile ključnega pomena za razumevanje procesnih zmožnosti in odvisnosti med spremenljiv-kami. Zaradi izjemnega pomena podatkov smo se odločili, da meritve izvedemo večkrat. Izhodiščne vrednosti kazalnikov smo zato merili dvakrat, da smo zmanjšali možnost napak pri začetnih merjenjih in tako dobili zanesljive podatke. Poleg tega smo naredili veliko meritev med optimizacijami, da smo zbrali čim več podatkov za analizo. V sklopu pridobivanja kakovostnih podatkov smo izvedli tudi me- ritve MSA, da smo se prepričali o pravilnosti podatkov. Pri merjenju tehnoloških procesov se napake množijo, kar lahko privede do velikih odstopanj pri končnih izdelkih. Kodiranje podatkov je pomemben korak pri pripravi podatkov za statistično analizo (Bartholomew 2010). V našem primeru smo kazal-nikom dali imena in jih uredili, da smo jih lahko kasneje uvozili v orod-je za statistične analize. Kazalnike za analizo smo izbrali na podlagi našega tehničnega znanja s področja modeliranja poslovnih in tehno-loških procesov (PTP) v podjetju. Izločili smo tiste kazalnike, ki niso bili smiselni za analizo, saj smo želeli zagotoviti monitoring z najmanj-šim možnim številom kazalnikov. Faktorska analiza je bila uporabljena, da bi maksimalno zmanjšali izbor kazalnikov. V raziskavi smo združili analogne in digitalne kazal-nike ter jih omejili s tolerancami, ki smo jih izračunali na podlagi zah-tev PTP. Dejanske neposredne in posredne meritve smo uporabili za analizo, saj kazalnikov, kot sta »ustreza« in »ne ustreza«, nismo mogli uporabiti v orodjih za statistične analize. Za kazalnike, kjer smo pot-rebovali le podatek »ustreza« ali »ne ustreza«, smo uporabili dejanske meritve. Tolerančno območje teh meritev je določilo, ali izdelek ustre-za ali ne. V raziskavi smo se osredotočili na konceptualni model raziskave, ki smo ga predstavili na sliki 1.4. Pri analizi smo si digitalne kazalni-ke predstavljali kot kazalnike vijačenja, lepljenja in ponovljivosti, saj smo jih pridobili z izvozom podatkov iz naprav, ki smo jih uporabljali. Končna kontrola je predstavljala analogne kazalnike, ker smo meritve izvajali z merjenjem cikla. Kazalnik delovanja poslovnega procesa je predstavljal nekakšno posledico kritične strojne in kritične procesne zmožnosti PTP. Nato smo izvedli analizo MANOVA kot del analize CPK. Preverjali smo še, katere spremembe so lahko najučinkovitejše pri izboljševanju 85 5 Empirična raziskava uspešnosti, in izvedli nekaj optimizacij v realnem okolju, da bi se prep-ričali, kako so spremembe vplivale na uspešnost poslovnega procesa. Pri tem smo morali upoštevati različne vidike, kot so funkcionalnost, dimenzijska ustreznost in skladnost z dokumentacijo. Npr., ko smo premaknili pozicijo sestavnega dela, ki smo ga vijačili, smo morali na-rediti najmanj 25 meritev ter jih analizirati. Skupaj smo izvedli več ti-soč meritev. V primeru analize kritične procesne in kritične strojne zmožnosti smo na podlagi predhodnih analiz pripravili 4.800 meritev, pri kate-rih smo na podlagi regresijske in faktorske analize operirali s polovico podatkov. Montažna linija je bila namreč simetrična, zato smo lahko s polovico podatkov zagotovili 100-odstotne zanesljive rezultate. Večina analiz je bila narejenih z vsemi podatki, vendar jih nismo posebej in-terpretirali prav zaradi simetričnosti montažne linije. Meritve smo izvajali za vsako operacijo, kar je skladno s standar-dom ISO 22514–7:2012 (International Organization for Standardizati-on 2012), ki predpisuje minimalno 50 meritev na operacijo. Na primeru projekta, kjer proces montaže v fazi zagona v večini primerov ni bil znotraj predpisanega tolerančnega območja, smo izvedli minimalno 700 meritev za analizo montaže. Za lažje razumevanje smo nakazali, kako poteka merjenje tehnološkega procesa montaže. V primeru, kjer je imela montaža 15 operacij, smo izvedli meritve na najmanj 750 ko-sih. Za analizo zadnje operacije montaže, kjer smo preverjali funkcijo, dimenzijsko ustreznost in kakovost, smo izvedli 250 meritev. V primeru, ko se je izkazalo, da proces po optimizaciji ni bil sta-bilen, smo meritve in optimizacijo večkrat ponavljali. Vse meritve, ki smo jih izvedli, so bile potrebne za analizo kritične procesne in kritične strojne zmožnosti. 5.4.2 Faktorska analiza Faktorska analiza je statistična metoda, ki omogoča redukcijo podat-kov in poenostavitev analize, saj lahko zmanjšamo število spremenljivk (Bartholomew 2010; Hair idr. 2014; Sekaran in Bougie 2016). Uporablja se tudi za podporo procesu sprejemanja odločitev v podjetju, izboljše-vanje razvoja proizvodov in storitev ter ocenjevanje konkurenčnosti podjetij (Kralj 2003; Barnes in Hinton 2008; Koliza 2008; Adamides 2015; Mainga 2016; Agostini, Nosella in Soranzo 2017). Vendar pa je treba pri uporabi faktorske analize upoštevati neka-tere omejitve, kot je potreba po upoštevanju predpostavk, npr. nor- 86 Metode analize podatkov 5.4 malne porazdelitve podatkov. Poleg tega lahko izbira števila faktorjev in njihova interpretacija pogosto temeljita na strokovnem znanju ter izkušnjah analitika (Hox 2010). Kljub tem omejitvam pa faktorska ana-liza ostaja uporabno orodje za raziskovanje kompleksnih podatkov in lahko prispeva k boljšemu razumevanju različnih pojavov (Lu, Morris in Frechette 2016). Rezultati faktorske analize se lahko razlikujejo glede na spremen- ljivke, ki se uporabljajo, in njihova resničnost je včasih težko prever-ljiva. Zato je ključnega pomena, da analiza poteka previdno in da se pri interpretaciji rezultatov upoštevajo morebitne omejitve, ki lahko vplivajo na zanesljivost rezultatov (Anderson 2003). Obstajajo različne metode izvajanja faktorske analize, vključno z metodo glavnih komponent, metodo skupnih dejavnikov in metodo analize slikovnih faktorjev. Po prepoznavanju dejavnikov lahko faktor-ski model uporabimo za napovedovanje opazovanih spremenljivk na podlagi latentnih dejavnikov. Faktorska analiza ima številne uporabe, kot so validacija testov (Sekaran in Bougie 2016), razvoj meril in razi-skovanje povezav med spremenljivkami (Field 2018). Za izvedbo kredibilne in zanesljive faktorske analize je pomembno preveriti primernost podatkov. V ta namen se uporablja test Kaiser--Meyer-Olkin (KMO), ki meri primernost vzorčenja za vsako spremen-ljivko v modelu in za celoten model. Statistika KMO meri delež vari-ance med spremenljivkami, kar omogoča interpretacijo primernosti podatkov. Vrednosti KMO med 0,8 in 1 kažejo na ustrezno vzorčenje, medtem ko vrednosti, manjše od 0,6, kažejo na neustreznost in pot-rebo po popravnih ukrepih. Nekateri avtorji dopuščajo lastno presojo za vrednosti med 0,5 in 0,6 (Rodman 2010; Hair idr. 2014; Field 2018). Bartlettov test sferičnosti je statistični test, ki se uporablja za pre- verjanje primernosti podatkov za faktorsko analizo. Test preverja hi-potezo o enotski matriki, kar pomeni, da so spremenljivke med seboj neodvisne in jih ni mogoče povzeti z nekaj faktorji. Če je test statistič-no pomemben, pomeni, da obstaja redundanca med spremenljivkami in da je faktorska analiza smiselna (Rodman 2010). Če so spremen-ljivke korelirane med seboj, pomeni, da sferičnost ni prisotna in da obstaja redundanca med spremenljivkami. Pomembno je poudariti, da je Bartlettov test sferičnosti namenjen preverjanju primernosti podat-kov za faktorsko analizo (Field 2018). Faktorska analiza je uporabna metoda za analizo kompleksnih po- datkov, kot so kazalniki poslovnih in tehnoloških procesov (PTP). V 87 5 Empirična raziskava raziskavi smo uporabili Kaiser-Meyer-Olkinov in Bartlettov test, da bi ugotovili primernost kazalnikov PTP za izdelavo modela za monito-ring PTP. Tako smo zagotovili, da bo model učinkovit in natančen pri spremljanju poslovnih in tehnoloških procesov ter da bo prispeval k izboljšanju delovanja podjetja. Rezultati faktorske analize so predsta-vljeni v podpoglavju 5.4.5. 5.4.3 Analiza merilnih sistemov Predvsem proizvodna podjetja z monitoringom, meritvami in anali-zami zbirajo ogromne količine podatkov (Verband der Automobilin-dustrie 2011), ki jih uporabljajo za odločanje glede PTP. V primeru napak v merilnem sistemu se odločamo na osnovi napačnih podatkov in morda sprejmemo napačne odločitve ter proizvajamo neskladen izdelek. Kadar se meritve uporabljajo za usmerjanje odločitev, temu logično sledi, da večja kot je napaka pri meritvah, večja bo napaka v odločitvah na podlagi teh meritev. Namen analize merilnega sistema je kvalificirati slednjega za uporabo s kvantificiranjem njegove točnosti, natančnosti in stabilnosti (Down idr. 2010; Martz 2013). Pravilno na-črtovana in izvedena analiza merilnega sistema (MSA) lahko pomaga zgraditi trdne temelje za vsak proces odločanja, ki temelji na podatkih. V resnici nikoli ne moremo neposredno vedeti, ali naš merilni sistem zagotavlja točne in natančne meritve, ker je vrednost, ki jo zagotovi-jo merilni sistem, naravna variacija predmeta in variacija v merilnem sistemu. MSA predstavlja orodje za analizo variacij, ki so prisotne v vsaki vrsti kontrolne in merilne opreme za testiranje. MSA je torej sistem za ocenjevanje kakovosti merilnega sistema. Zagotavlja nam, da je varia-cija v naši meritvi minimalna v primerjavi z variacijo v našem procesu, pri čemer ključno vlogo predstavlja merjenje, ki je bistvo 6σ (Pyzdek 2003). MSA je eksperimentalna in matematična metoda za ugotavlja-nje količine variacije znotraj merilnega procesa, ki prispeva k splošni variabilnosti procesa. MSA se poveže z merilnimi podatki, ki se upora-bljajo v skoraj vseh proizvodnih procesih (Verband der Automobilin-dustrie 2011; 2016). MSA je uradna statistična raziskava, ki ugotavlja, ali so naši merilni sistemi, ne glede na to, ali gre za merilne naprave ali ljudi, sposob-ni zagotoviti zanesljive podatke tako, da lahko sprejemamo najbolj-še možne odločitve na podlagi podatkov. Statistična raziskava, ki se uporablja za neprekinjene podatke, se imenuje raziskava Gage R & 88 Metode analize podatkov 5.4 R, orodje, ki se uporablja za diskretne podatke, pa se imenuje anali-za dogovora o atributih (Verband der Automobilindustrie 2011). MSA vzpostavlja zaupanje v metode zbiranja podatkov za preverjanje celo-vitosti zajetih podatkov, uporabljenih v drugih raziskavah kakovosti. Ta proces vključuje ocenjevanje merilnih instrumentov, testnih me-tod in tehnik zbiranja podatkov. MSA pomaga proizvajalcem pomaga sprejemati informirane odločitve o njihovih proizvodnih procesih in izdelkih. 5.4.4 Regresijska analiza Regresijska analiza je statistična metoda, ki jo pogosto povezujemo z napovedovanjem (Bartholomew 2010; Sekaran in Bougie 2016; Gree-ner in Martelli 2018). Njena osnovna enačba je (5.1): Yi = b0 + b1 x1 + b2 x2 + … + bnxn + fi . (5.1) Pri tem je Yi odvisna spremenljivka, x1, x2 …, xn neodvisne spremen- ljivke, b0 je konstantni člen in b1, b2 …, bn koeficienti neodvisnih spre-menljivk. Parametra b0 in b1 imenujemo regresijska koeficienta. To sta presečišče b0 in naklon premice b1, ki povezuje nagnjenost k nakupu (Y) z zaznano kakovostjo (x1). Naklon je mogoče razlagati kot število enot, za katere bi se povečala nagnjenost k nakupu, če bi se zaznana kako-vost povečala za enoto. Izraz napaka označuje napako v napovedi oz. razliko med stimulirano in dejansko nagnjenostjo k nakupu (Sekaran in Bougie 2016). Regresijska analiza je daleč najbolj razširjena in vsestranska tehni- ka odvisnosti, ki se lahko uporablja v vseh vidikih poslovnega odloča-nja (Bartholomew 2010; Hair idr. 2014). Predstavlja močno analitično orodje, ki je zasnovano za raziskovanje vseh vrst odnosov odvisno-sti (Harmon 2007; Greener in Martelli 2018). Predpostavke multiple regresije vključujejo linearni odnos med neodvisnimi in odvisnimi spremenljivkami ter prav tako manjkajočo korelacijo med neodvisni-mi spremenljivkami oz. manjkajočo multikolinearnost. Toda, kot že omenjeno, multikolinearnost, če je prisotna, lahko vpliva na veljav-nost koeficientnih ocen in posledično na napovedi, ki jih lahko izve-demo z uporabo tega modela. Zato je pomembno, da se pred uporabo multiple regresije pregledajo in analizirajo korelacije med neodvisnimi spremenljivkami ter da se uporabijo metode za odpravljanje multikoli-nearnosti, če je treba. Analiza linearnih odnosov med spremenljivkami je lahko izvedena z uporabo multiple regresije, ki omogoča določanje pomembnosti posameznih dejavnikov in napovedovanje vrednosti 89 5 Empirična raziskava odvisne spremenljivke na podlagi vrednosti neodvisnih spremenljivk (Durivage 2014; Sekaran in Bougie 2016). V tem okviru je multipla regresija posebej koristna za identifikacijo dejavnikov, ki določajo poslovno uspešnost. Pri tem je pomembno razu-meti omejitve in predpostavke statističnih metod, kot je multipla regre-sija, saj lahko njihovo napačno tolmačenje vodi v napačne zaključke in neveljavne napovedi (Kuhn 1970). Zato je ključnega pomena, da se ome-njene predpostavke pregledajo in analizirajo pred uporabo te metode. Zaradi kompleksnosti opazovanega PTP smo uporabili regresijsko analizo, katere osnovni namen je bil skladen z namenom osnovne regre-sijske analize (Hair idr. 2014). Večinoma se regresijska analiza uporablja v poslovnih raziskavah in kot orodje za napredek v oblikovanju sistemov merjenja poslovanja (Neely 1999; 2002; Kumar 2010; Sekaran in Bougie 2016), zato smo se te tehnike poslužili v našem primeru, saj smo anali-zirali tako poslovne kot tehnološke procese. Izhodišče naše regresijske analize je predstavljala slika 1.4, iz katere smo izpeljali hipoteze. Multipla regresijska analiza omogoča preučevanje statistične po-vezave med neodvisnimi in odvisnimi spremenljivkami. Običajno se pri regresijski analizi uporablja raven tveganja p < 0,05, kar pomeni, da obstaja 5-odstotna možnost, da se bo napačno sprejela hipoteza o povezanosti med spremenljivkama in da torej obstaja 95-odstotna go-tovost, da je razmerje med spremenljivkami ustrezno (Harmon 2007; Hair idr. 2014; Angelini 2019). Če se uporablja strožja stopnja gotovosti (npr. p < 0,01), se poveča tveganje za napako tipa 2, kar pomeni, da se bo napačno zavrnila hipoteza glede povezanosti med spremenljiv-kami, čeprav v resnici povezanost obstaja (Greener in Martelli 2018). Uporaba ravni tveganja p < 0,05 se šteje za ustrezno stopnjo gotovosti, ki omogoča učinkovito in natančno analizo statistične pomembnosti med spremenljivkami (Hox 2010). V raziskavi smo uporabili regresijsko analizo kot orodje za objektiv-no ocenjevanje razmerja med neodvisnimi in odvisnimi spremenljiv-kami. Ta metoda je bila uporabljena za preverjanje hipotez in kot naša izbira za preverjanje analiz, ki smo jih naredili v Minitabu. Na osnovi tehničnih zahtev za izdelek smo v analizo vključili t. i. tehnološke kazalnike, ki smo jih povezovali s poslovnimi kazalniki. V procesu optimizacije smo sprva uporabili določene kazalnike, ki so nam pomagali izboljševati proces. Vendar ti kazalniki kasneje niso več vplivali na optimizacijo celotnega proizvodnega procesa (PTP), zato smo jih iz analize izločili. Ti kazalniki so bili pogojeni z meritvami di- 90 Metode analize podatkov 5.4 menzij posameznih komponent, ki smo jih morali najprej pridobiti za zagotavljanje ustrezne kakovosti izdelka (Teplická idr. 2023). Meritve smo izvedli na zunanji napravi, za določanje smeri optimizacije pa smo uporabili funkcijske meritve izdelka. Slika 1.4 je bila izhodišče za izved-bo analize. Na levi strani imamo tehnološke, na desni strani pa poslov-ne kazalnike, ki so sestavljeni in pomembni za monitoring PTP. 5.4.5 Faktorska analiza S faktorsko analizo smo preverjali ustreznost podatkov in zmanjšali njihovo količino na minimalno število kazalnikov za analizo (Biloslavo in Kljajić-Dervić 2016). Vključili smo tudi izhodiščne kazalnike, čeprav smo vedeli, da jih za analizo ne bomo potrebovali, saj so pomembni le za kasnejše optimizacije procesa. V praksi lahko optimizacija procesa povzroči poslabšanje vrednosti kazalnikov, vendar se v našem primeru to ni zgodilo. S faktorsko analizo smo tako pridobili boljšo sliko o povezavah med spremenljivkami in ključnimi kazalniki, ki jih je treba spremljati in optimizirati. Za konkretno optimizacijo smo si pomagali z opisno statistiko (preglednica 5.1), ki nam je dala podatke o variabilnosti in splošnem trendu spremenljivk. Pri faktorski analizi smo izhajali iz konceptualnega modela raziska- ve, ki je prikazan na sliki 1.4. V faktorsko analizo smo vključili kazal-nike strojne (CMK) in procesne zmožnosti (CPK) ter jih poimenovali skladno s konceptualnim modelom raziskave. Številka v oznaki (od 0 do 3) pomeni zaporedje optimizacije. Številka 0 pomeni začetne ka-zalnike, številka 3 pa končne kazalnike po tretji optimizaciji. V analizi smo prikazali 50 meritev izhodiščnega kazalnika (izvedli smo 100 me-ritev), ki na samo analizo nima vpliva. Procese in naprave smo trikrat optimizirali, kar lahko razumemo kot povečevanje strojne in procesne zmožnosti. V preglednici 5.2 lahko vidimo, da se je standardni odklon zmanjševal z optimizacijo kazalnikov. Manjši standardni odklon po-meni robustnejši proces, kar smo pojasnili v nadaljevanju. Procese smo izboljšali z optimizacijo procesa vijačenja, lepljenja, končne kontrole in ponovljivosti. Proces vijačenja smo optimizirali tako, da smo testirali različne vijačne parametre, ki vključujejo predpi-sani navor, število vrtljajev in čas vijačenja, ki je bil čim krajši, medtem ko smo vzdrževali visoko kakovost vijačenja. Cilj procesa je bil tako proces brez ozkih grl, ki zagotavlja visoko kakovost vijačenja in kratek čas procesa. 91 5 Empirična raziskava Preglednica 5.1 Opisna statistika izhodiščnih kazalnikov Opisna statistika Povprečje SD N Navor_0L 1,1866 0,05798 50 Čas vijačenja_0L 25,1848 1,50683 50 Število obratov_0L 4,9916 0,19536 50 Temperatura lepila_0L 55,6054 3,01102 50 Temperatura komponent_0L 23,5598 0,86165 50 Masa lepila_0L 12,4536 2,08830 50 Čas lepljenja_0L 27,2676 1,51584 50 Končna kontrola časa_0L 29,8870 2,81858 50 OPOMBE Številka 0 v oznaki predstavlja začetne kazalnike, črka L pa levo stran montažne linije. SD – standardna deviacija. N – velikost vzorca. S faktorsko analizo in optimizacijo procesov smo tako lahko izbolj-šali procesne in strojne zmožnosti, kar je bilo potrebno za izboljšanje končnega izdelka in povečanje učinkovitosti procesa. V analizi smo upoštevali tudi podatke o izhodiščnih kazalnikih, ki nam omogočajo spremljanje napredka procesa in kasnejšo optimizacijo. V prvi faktorski analizi smo analizirali izhodiščne podatke, t. i. ničte kazalnike, ki na koncu nimajo nobenega pomena, ampak so pomemb-ni samo za spremljanje napredka pri optimizaciji PTP. Številke od 0 do 3 označujejo zaporedje optimizacije kazalnikov, pri čemer indeks 0 predstavlja ničte kazalnike. Preglednica 5.1 prikazuje razpon vred-nosti, standardni odklon in število analiziranih kazalnikov. Prikazuje, koliko se povprečne vrednosti kazalnikov razlikujejo med seboj (raz-pon vrednosti), koliko se vrednosti posameznega kazalnika razlikujejo od povprečja (standardna deviacija) in koliko vzorcev smo analizirali za posamezni kazalnik. Pri tej analizi smo operirali samo s polovico podatkov. Njeni rezultati so bili uporabljeni za identifikacijo glavnih dejavnikov, povezanih s kazalniki. Vrednosti korelacij so v glavnem manjše od 0,5, kar pomeni, da bodo z optimizacijo kazalnikov še manjše. To ugotovitev lahko inter-pretiramo tako, da se posamezni kazalniki med seboj ne povezujejo, kar jih naredi primerne za analizo. Kazalniki, ki niso povezani, namreč omogočajo, da jih obravnavamo kot neodvisne spremenljivke v anali-zah, ki temeljijo na statističnih modelih. To pomeni, da lahko ocenimo učinek vsakega kazalnika posebej in ne bomo pristranski zaradi korela-cij drugih kazalnikov. Zato so takšni kazalniki pomembni pri izvajanju 92 Metode analize podatkov 5.4 različnih analiz, saj nam omogočajo, da bolje razumemo njihov učinek na izbrano ciljno spremenljivko (Hox 2010). Med drugim smo opravili test KMO (Kaiser-Meyer-Olkin Measure of Sampling Adequacy) in Bartlettov test sferičnosti (Bartlett’s Test of Sphericity) z izhodiščnimi kazalniki, da bi preverili primernost podat-kov za faktorsko analizo. Test KMO nam da informacijo o primernosti podatkov za analizo, kjer je ocena primernosti med 0 in 1 (Field 2018). V našem primeru smo dobili vrednost 0,513, kar kaže na zadostno pri-mernost podatkov za nadaljnjo analizo (Hair idr. 2014). Bartlettov test sferičnosti pa smo uporabili za preverjanje homogenosti variance med kazalniki. Vrednost Bartlettovega testa sferičnosti se uporablja za preverjanje homogenosti variance med kazalniki. Visoka vrednost testa nakazuje, da so kazalniki homogeni, kar pomeni, da so primerni za faktorsko analizo (Field 2018). V našem primeru smo dobili vrednost približno 32,152, ki je statistično značilna (signifikanca < 0,05), kar kaže na ho-mogenost variance med kazalniki in primernost za faktorsko analizo. Preglednica 5.2 prikazuje informativne koeficiente, ki predstavljajo nabor podatkov celotnega vzorca. Preglednica je razdeljena na osred-nje tendence in variabilne kazalnike. Med osrednje tendence vključu-jemo povprečje, mediano in modus, medtem ko kazalniki vključuje-jo standardni odklon, varianco, najmanjše in največje spremenljivke, kurtozo in asimetrijo. Preglednica 5.2 prikazuje kazalnike strojne (CMK) in procesne zmožnosti (CPK) za vijačenje v različnih fazah optimizacije. Prika-zuje povprečje, standardni odklon in število analiziranih kazalnikov za vsako spremenljivko navora v štirih fazah meritev. Začetna meri-tev (oznaka 0) ima največji standardni odklon med vsemi fazami, kar kaže na večjo variabilnost vrednosti v primerjavi z optimiranimi me-ritvami. Standardni odklon se zmanjšuje skozi faze optimizacije, kar kaže na izboljšanje procesa in strojne zmožnosti. Z optimizacijo smo uspeli povečati robustnost procesa vijačenja. Prav tako lahko opazi-mo, da se je povprečna vrednost kazalnika navora med optimizaci-jami nekoliko spreminjala, vendar ta sprememba ni bila statistično značilna. Korelacijska matrika v preglednici 5.3 prikazuje, kako so med seboj povezani posamezni kazalniki navora v različnih fazah optimizacije. Korelacije med kazalniki navora v ničti in prvi fazi so višje, kot so ko-relacije med kazalniki v tretji fazi. To pomeni, da so kazalniki v zadnji 93 5 Empirična raziskava Preglednica 5.2 Opisna statistika vijačenje – navor Opisna statistika Povprečje SD N Navor_0L 1,1866 0,05798 50 Navor_0D 1,2124 0,06083 50 Navor_1L 1,2028 0,03233 50 Navor_1D 1,2010 0,02978 50 Navor_2L 1,1990 0,01502 50 Navor_2D 1,1972 0,01325 50 Navor_3L 1,1995 0,00351 50 Navor_3D 1,2006 0,00291 50 OPOMBE Začetna meritev je označena s številko 0. Navor je vijačenje. SD je standardna devi-acija. N je velikost vzorca. fazi optimizacije neodvisnejši med seboj. Signifikanca, večja od 0,05, pomeni, da statistično ne moremo dokazati povezanosti med kazalni-ki. Vrednost KMO 0,513 pomeni, da so podatki primerni za nadaljnjo obdelavo. Bartlettov test sferičnosti nam pove, da ima vzorec homoge-nost variance. Vidi se, da so korelacije med levo in desno stranjo enake, zato smo na podlagi te analize zmanjšali količino podatkov v analizi za polovico. V kasnejših analizah smo nato operirali samo z levo stranjo, ker je desna stran statistično enaka levi. Raziskali smo, kako se različni kazalniki navora med seboj pove-zujejo v različnih fazah optimizacije. Želeli smo ugotoviti, ali obstaja povezava med kazalniki navora in ali se ta povezava spreminja glede na optimizacijo. Preglednica 5.3 predstavlja korelacijsko matriko, ki se uporablja za določanje medsebojnih odnosov med različnimi spremenljivkami. V tem primeru so spremenljivke navori (Navor_0L, Navor_0D, Navor_1L itd.). V prvem stolpcu in vrstici so označene spremenljivke, v ostalih celicah pa so korelacijski koeficienti med posameznimi spremenljiv-kami. V drugem delu preglednice so prikazane verjetnosti (označene kot Sig. (1-tailed)), ki kažejo, kolikšna je verjetnost, da se določen ko-relacijski koeficient pojavi naključno (Field 2018). Determinanta ma-trike pa je vrednost, ki označuje, koliko se spremeni matrika, ko se premakne. V tem primeru je determinanta enaka 0,532. To pomeni, da so spremenljivke v matriki med seboj nekoliko povezane. Za nas je bilo pomembno, da spremenljivke v korelacijski matriki niso močno povezane, saj obravnavamo navor, ki bi moral biti vedno enak, ne glede na optimizacijo. Če bi bile spremenljivke močno povezane, bi to lahko 94 Metode analize podatkov 5.4 Preglednica 5.3 Korelacijska matrika vijačenje – navor Korelacijska matrikaa Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ 0L 0D 1L 1D 2L 2D 3L 3D Korelacija Navor_0L 1,000 0,101 0,112 0,039 −0,177 ,242 0,131 0,052 Navor_0D 0,101 1,000 0,065 0,116 −0,042 0,079 0,036 −0,147 Navor_1L 0,112 0,065 1,000 −0,230 −0,091 0,219 0,228 0,052 Navor_1D 0,039 0,116 −0,230 1,000 0,189 −0,065 −0,190 0,171 Navor_2L −0,177 −0,042 −0,091 0,189 1,000 −0,045 −0,224 −0,195 Navor_2D 0,242 0,079 0,219 −0,065 −0,045 1,000 0,195 0,227 Navor_3L 0,131 0,036 0,228 −0,190 −0,224 0,195 1,000 −0,033 Navor_3D 0,052 −0,147 0,052 0,171 −0,195 0,227 −0,033 1,000 Sig. Navor_0L 0,242 0,220 0,395 0,109 0,045 0,182 0,360 (1-stranski) Navor_0D 0,242 0,327 0,212 0,386 0,292 0,402 0,154 Navor_1L 0,220 0,327 0,054 0,265 0,064 0,056 0,360 Navor_1D 0,395 0,212 0,054 0,094 0,327 0,093 0,117 Navor_2L 0,109 0,386 0,265 0,094 0,378 0,059 0,087 Navor_2D 0,045 0,292 0,064 0,327 0,378 0,087 0,056 Navor_3L 0,182 0,402 0,056 0,093 0,059 0,087 0,409 Navor_3D 0,360 0,154 0,360 0,117 0,087 0,056 0,409 OPOMBE a Determinanta = 0,532. Začetna meritev je označena s številko 0. Navor je vijačenje. Sig. je signifikanca. pomenilo, da obstaja spremenljivka ali dejavnik, ki vpliva na navor in bi ga naredil manj stabilnega ter nepredvidljivega. Vendar vemo, da pri postavljanju tehnoloških procesov nismo mog- li zagotoviti enakega in ponovljivega navora. Težavo smo odpravili s postopnimi optimizacijami in z optimizacijo 3 zagotovili, da navor ustreza vsem tehničnim zahtevam. Lahko ugotovimo, od katerih navorov je odvisen proces. Pomembno je opozoriti, da je ta odvisnost statistična, saj navori po tretji optimiza-ciji ne morejo imeti korelacije s predhodnimi aktivnostmi. Preglednica 5.4 prikazuje rezultate testa KMO in Bartlettovega te- sta, ki sta bila uporabljena za preverjanje primernosti podatkov za fak-torsko analizo. Podatki niso idealni za faktorsko analizo (KMO 0,487 in signifikanca 0,426), čeprav je bilo mogoče izvesti korelacijsko analizo (Hair idr. 2014). Zato je pri interpretaciji rezultatov potrebna previd-nost. Pri analizi kazalnikov posamezne optimizacije je bil test KMO 0,5, kar ustreza minimalni primernosti podatkov za nadaljnjo analizo. Preglednica 5.5 prikazuje antislikovno matriko vijačenja navora. Matrika vsebuje kovariančno in korelacijsko matriko za osem različ- 95 5 Empirična raziskava Preglednica 5.4 Test KMO in Bartlettov test sferičnosti vijačenje – navor KMO in Bartlettov test Kaiser-Meyer-Olkinova mera ustreznosti vzorčenja 0,487 Bartlettov test sferičnosti Pribl. hi-kvadrat 28,731 df 28 Sig. 0,426 OPOMBE df je stopnja prostosti. Sig. je signifikanca. nih vrednosti navora (Navor_0L, Navor_0D, Navor_1L, Navor_1D, Navor_2L, Navor_2D, Navor_3L in Navor_3D). Kovariančna matri-ka prikazuje, kako močno so posamezne vrednosti navora med seboj povezane, korelacijska matrika pa, kako močna je ta povezanost med vrednostmi navora v odnosu na splošno. Za vsako vrednost v matrikah so navedene tudi vrednosti za ustreznost vzorčenja (MSA). Glede na kontekst, v katerem so bili podatki zbrani, lahko sklepamo, da so spremenljivke navora med seboj povezane in da so naši rezultati verjetno zanesljivi. Za ugotavljanje povezanosti med spremenljivkami navora ter oceno vzorčne ustreznosti smo uporabili antislikovno ma-triko. Ta nam je omogočila, da smo ocenili, kako tesno so spremenljiv-ke povezane in kakšen vzorec smo uporabili pri zbiranju podatkov. Faktorska analiza (preglednica 5.6) je bila izvedena kot testni preiz-kus z namenom spremljanja sprememb kazalnikov navora. Želeli smo ugotoviti, ali so se vrednosti kazalnikov izboljševale skozi faze optimi-zacije. V izhodiščni fazi smo imeli kazalnika Navor_0L in Navor_0D, ki predstavljata začetno stanje, nato smo vmesno optimizacijo izvedli na kazalnikih Navor_1L in Navor_1D ter nadaljevali z optimizacijo na ka-zalnikih Navor_2L in Navor_2D. Končna optimizacija je bila izvedena na kazalnikih Navor_3L in Navor_3D. Rezultati analize kažejo, da se je skupna komunaliteta (angl. com-munalities) kazalnikov izboljševala skozi faze optimizacije. To lahko vi-dimo po povečanju komunalitete vrednosti od začetnih (Navor_0L in Navor_0D) do končnih kazalnikov (Navor_3L in Navor_3D. Vrednosti komunalitet so izračunane z metodo največje verjetnosti (angl. maximum likelihood – ML), ki temelji na največji verjetnosti, da so podatki generirani iz danega modela. V preglednici je tudi opozori-lo, da so bile vrednosti komunalitet večje od 1, kar je lahko posledica neustreznega modeliranja, in zato naj bi se rezultati te analize inter-pretirali s previdnostjo. To analizo smo izvedli kot test, da bi preverili, ali lahko z njo pojas-nimo, da se kazalniki izboljšujejo skozi proces optimizacije. Vendar pa 96 Metode analize podatkov 5.4 Preglednica 5.5 Antislikovna matrika vijačenje – navor Antislikovna matrika Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ 0L 0D 1L 1D 2L 2D 3L 3D Antislikovna Navor_0L 0,893 −0,046 −0,052 −0,093 0,149 −0,185 −0,045 0,039 kovarianca Navor_0D −0,046 0,919 −0,074 −0,163 0,087 −0,091 0,004 0,189 Navor_1L −0,052 −0,074 0,870 0,180 −0,017 −0,113 −0,135 −0,062 Navor_1D −0,093 −0,163 0,180 0,818 −0,187 0,076 0,074 −0,214 Navor_2L 0,149 0,087 −0,017 −0,187 0,834 −0,093 0,164 0,221 Navor_2D −0,185 −0,091 −0,113 0,076 −0,093 0,822 −0,130 −0,216 Navor_3L −0,045 0,004 −0,135 0,074 0,164 −0,130 0,863 0,084 Navor_3D 0,039 0,189 −0,062 −0,214 0,221 −0,216 0,084 0,809 Antislikova Navor_0L ,0576a −0,051 −0,059 −0,108 0,173 −0,216 −0,051 0,045 korelacija Navor_0D −0,051 0,341a −0,082 −0,188 0,100 −0,105 0,005 0,220 Navor_1L −0,059 −0,082 0,636a 0,213 −0,020 −0,133 −0,155 −0,074 Navor_1D −0,108 −0,188 0,213 0,430a −0,227 0,093 0,088 −0,263 Navor_2L 0,173 0,100 −0,020 −0,227 0,439a −0,112 0,194 0,269 Navor_2D −0,216 −0,105 −0,133 0,093 −0,112 0,523a −0,155 −0,265 Navor_3L −0,051 0,005 −0,155 0,088 0,194 −0,155 0,649a 0,100 Navor_3D 0,045 0,220 −0,074 −0,263 0,269 −0,265 0,100 0,347a OPOMBA a Mere ustreznosti vzorčenja (MSA). je treba upoštevati, da je bila ta analiza izvedena zgolj za testne name-ne in ne predstavlja končnega rezultata raziskave. V preglednici 5.7 vidimo, da prvi faktor razloži 22,663 % variance podatkov, drugi faktor 16,267 %, tretji faktor 14,614 % in tako naprej. Skupaj prvi trije faktorji razložijo 53,545 % variance podatkov. To po-meni, da se večina variance podatkov razloži s prvimi tremi faktorji, ki smo jih identificirali s faktorsko analizo (Hair idr. 2014). Za nadaljnjo analizo smo uporabili diagram lastnih vrednosti (angl. scree plot) (slika 5.1) in ugotovili, da lahko pri nadaljnji analizi operira-mo z enim faktorjem, saj ima največjo lastno vrednost. Graf prikazuje odstotek kumulativne variance, ki jo povzroča vsak faktor (Field 2018). To nam omogoča, da vidimo, kateri faktorji naj-več prispevajo k varianci podatkov in kateri so manj pomembni. Ena od metod za odločanje o številu faktorjev, ki jih je treba izločiti, je ta, da se na grafu išče prelomno točko (lastne vrednosti > 1), ki razkri-va, kje se odstotek kumulativne variance začne zniževati (Hair idr. 2014). 97 5 Empirična raziskava Preglednica 5.6 Komunalitete vijačenje – navor Komunalitetea Začetna Ekstrahirana Navor_0L 0,107 0,196 Navor_0D 0,081 0,107 Navor_1L 0,130 0,189 Navor_1D 0,182 0,999 Navor_2L 0,166 0,143 Navor_2D 0,178 0,260 Navor_3L 0,137 0,211 Navor_3D 0,191 1,000 OPOMBI Metoda ekstrakcije: največja verjetnost. a Med ponovitvami je ena ali več ocen komu-nalitet, večjih od 1. Rezultat je treba razlagati previdno. Preglednica 5.7 Skupna pojasnjena varianca vijačenje – navor Skupna pojasnjena varianca Faktor Začetne Število ohranjenih Distribucija variance lastne vrednosti faktorjev po rotaciji aj % ce ni % aj % ce ni % aj ni % ni % Skup at at at Skup Skup ul ian ian at iv iv iv iv Var ul ul ul Var um um um um K K K K 1 1,813 22,663 22,663 1,147 14,341 14,341 1,083 13,543 13,543 2 1,301 16,267 38,931 1,147 14,339 28,680 1,074 13,429 26,972 3 1,169 14,614 53,545 0,810 10,120 38,800 0,946 11,827 38,800 4 0,984 12,299 65,844 5 0,828 10,354 76,198 6 0,762 9,519 85,717 7 0,697 8,712 94,429 8 0,446 5,571100,000 OPOMBA Metoda ekstrakcije: največja verjetnost. Preglednica 5.8 prikazuje faktorsko matriko, ki predstavlja, kako so se posamezne spremenljivke (v tem primeru Navor_0L, Navor_0D, Navor_1L, Navor_1D, Navor_2L, Navor_2D, Navor_3L in Navor_3D) povezale z izbranimi faktorji (v tem primeru 1, 2, 3). Vrednosti v ma-triki so korelacijski koeficienti med posameznimi spremenljivkami in faktorji. Iz preglednice 5.8 lahko razberemo, katere spremenljivke se najbolj povezujejo z določenimi faktorji. Opazimo npr. zelo visoko korelacijo med spremenljivko Navor_3D in faktorjem 1 (vrednost 1,000), kar po- 98 Metode analize podatkov 5.4 Slika 5.1 Diagram lastnih vrednosti vijačenje – navor meni, da ta spremenljivka zelo dobro sledi temu faktorju. Nasprotno je korelacija med spremenljivko Navor_3D in faktorjem 2 zelo nizka (vrednost –0,001). Matrika nam pomaga razumeti, katere lastnosti ali dejavniki v na- ših podatkih so najpomembnejši in kako se ti dejavniki med seboj po-vezujejo. Pri tem izračunu so bili uporabljeni trije faktorji, ki smo jih pridobili po devetih ponovitvah. Faktorjev nismo poimenovali. Tak pristop je pogosto uporabljen, ko se želi odkriti skupne vzorce in strukture v podatkih, ki jih še ne poz-namo. Faktorji so v tem primeru označeni zgolj s številkami od 1 do 3. Preglednica 5.8 Faktorska matrika vijačenje – navor Faktorska matrikaa Faktor 1 2 3 Navor_3D 1,000 −0,001 0,000 Navor_1D 0,172 0,984 0,000 Navor_2D 0,227 −0,106 0,444 Navor_0L 0,052 0,030 0,439 Navor_3L −0,034 −0,188 0,418 Navor_1L 0,052 −0,243 0,357 Navor_0D −0,147 0,143 0,253 Navor_2L −0,195 0,227 −0,231 OPOMBI Metoda ekstrakcije: največja verjetnost. aIzločeni so trije faktorji. Potrebnih je bilo devet ponovitev. 99 5 Empirična raziskava Preglednica 5.9 Test ustreznosti vijačenje – navor Test ustreznosti hi-kvadrat df Sig. 3,140 7 0,872 OPOMBE df je stopnja prostosti. Sig. je signifikanca. Preglednica 5.10 Ponovljene korelacije vijačenje – navor Ponovljene korelacije Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ 0L 0D 1L 1D 2L 2D 3L 3D Navor_ 0,196a 0,108 0,152 0,039 −0,105 0,203 0,176 0,052 0L Navor_ 0,108 0,106a 0,048 0,116 0,003 0,064 0,084 −0,147 0D ije 1L Navor_ 0,152 0,048 0,189a −0,230 −0,148 0,196 0,193 0,052 el Navor_ 0,039 0,116 −0,230 0,999a 0,189 −0,065 −0,190 0,171 or ac e k 1D Navor_ −0,105 0,003 −0,148 0,189 0,143a −0,171 −0,133 −0,195 jen vl 2L no Navor_ 0,203 0,064 0,196 −0,065 −0,171 0,260a 0,198 0,227 Po 2D Navor_ 0,176 0,084 0,193 −0,190 −0,133 0,198 0,211a −0,033 3L Navor_ 0,052 −0,147 0,052 0,171 −0,195 0,227 −0,033 1,000a 3D Navor_ −0,006 −0,040 4,234E-6 −0,073 0,039 −0,045 −1,655E-7 0L Navor_ −0,006 0,017 1,040E-5 −0,045 00,015 −0,048 −1,063E-7 0D Navor_ −0,040 0,017 −6,163E-6 0,057 0,023 0,035 7,655E-8 1L b Navor_ 4,234E-6 1,040E-5−6,163E-6 3,078E−5−4,135E-5 5,769E-5 1,388E-10 ek 1D Navor_ −0,073 −0,045 0,057 3,078E−5 0,126 −0,091 −2,969E-7 Ostan 2L Navor_ 0,039 0,015 0,023−4,135E−5 0,126 −0,003 1,827E-7 2D Navor_ −0,045 −0,048 0,035 5,769E−5 −0,091 −0,003 −1,945E-7 3L Navor_ −1,655E-7−1,063E-7 7,655E−81,388E−10−2,969E-7 1,827E-7−1,945E-7 3D OPOMBE Metoda ekstrakcije: največja verjetnost. a Ponovljene komunalitete. b Ostanki se iz-računajo med opazovanimi in ponovljenimi korelacijami. Obstajajo štirje (14,0 %) neredundantni ostanki z absolutnimi vrednostmi nad 0,05. 100 Metode analize podatkov 5.4 Ta oznaka nima posebnega pomena in se uporablja le za razlikovanje med posameznimi faktorji. Namen takšne označitve je olajšati identi-fikacijo, kateri podatki so povezani z določenim faktorjem, še posebej v primerih, ko se analiza izvaja z večjim številom faktorjev, saj lahko poimenovanje faktorjev privede do pristranskosti pri interpretaciji. Zato je včasih smiselneje ostati pri preprosti označitvi faktorjev z za-porednimi številkami (Hair idr. 2014). Izvedli smo tudi test ustreznosti (angl. goodness-of-fit), ki se upo- rablja za preverjanje, ali predlagani statistični model ustreza podat-kom, ki jih imamo. Rezultat tega testa nam pove, koliko podatkov se ujema z našim modelom (Hair idr. 2014). V našem primeru v preglednici 5.9 vidimo, da je vrednost signi- fikance večja od 0,05, kar pomeni, da naš model ustreza podatkom. Rezultat testa ustreznosti pravi, da je statistična vrednost hi-kvad rat-testa 3,140, število prostostnih stopenj je 7 in signifikanca 0,872. To pomeni, da ne moremo zavreči hipoteze, da se model dobro prilega našim podatkom. Zato lahko rečemo, da se model, ki smo ga izdelali s faktorsko analizo, dobro prilega našim podatkom (Hair idr. 2014). Preglednica 5.10 prikazuje rezultate ponovljenih korelacij vijače- nje – navor. Ponovljene korelacije so korelacije med faktorjem in vsako od izvirnih spremenljivk. S faktorsko analizo smo poskušali razložiti varianco med spremenljivkami s pomočjo skupine latentnih spremen-ljivk, ki jih imenujemo faktorji. Ta preglednica kaže, kako dobro so fak-torji korelirani z vsako od izvirnih spremenljivk. V prvi vrstici so navedena imena izvirnih spremenljivk, ki jih ana- liziramo, ponovljena korelacija (angl. reproduced correlation) prikazuje ponovljene korelacije med faktorjem in vsako spremenljivko, ostanek (angl. residual) pa ponovljene korelacije med faktorjem in vsako spre-menljivko. Npr., v vrstici Navor_0L ponovljena korelacija med faktorjem in spremenljivko Navor_0L znaša 0,196, kar pomeni, da obstaja nekaj ko-relacije med faktorjem in spremenljivko Navor_0L. V preglednici 5.10 so prikazana tudi odstopanja med dejanskimi in ponovljenimi korelacijami, ki so navedena v obliki eksponentov. Vred-nosti odstopanj so majhne, saj so le štiri od njih (14 % od celotnih) z absolutno vrednostjo, ki je večja od 0,05. To kaže na visoko stopnjo ponovljivosti korelacij med spremenljivkami, kar pomeni, da je nekaj razlike med dejanskimi korelacijami in tistimi, ki jih razloži faktorska analiza (Hox 2010). 101 5 Empirična raziskava Preglednica 5.11 Matrika transformacije faktorjev vijačenje – navor Matrika transformacije faktorjev Faktor 1 2 3 1 0,122 0,982 0,143 2 0,976 −0,092 −0,199 3 0,182 −0,164 0,970 OPOMBI Metoda ekstrakcije: največja verjetnost. Metoda rotacije: Varimax s Kaiserjevo nor-malizacijo. Preglednica 5.11 prikazuje matriko transformacije faktorjev, ki je bila uporabljena za pretvorbo originalnih kazalnikov v faktorske spre-menljivke (Hair idr. 2014). Npr., v prvi vrstici lahko vidimo, da originalna spremenljivka 1 (vi-jačenje) daje največji prispevek k faktorju 2 (0,982), nekaj manj k fak-torju 3 (0,143), in še manj k faktorju 1 (0,122). Opazimo lahko, da matrika transformacije faktorjev vsebuje različne koeficiente za vsako originalno spremenljivko, ki prispeva k vsakemu faktorju, kar kaže, da originalne spremenljivke niso enako pomembne za vsak faktor. Matrika transformacije faktorjev daje informacijo o tem, kako vsaka originalna spremenljivka prispeva k vsakemu faktorju. To lahko služi kot osnova za interpretacijo faktorjev in njihovega pomena za raziskavo (Hox 2010). V našem primeru so faktorji dobro razmejeni in bodo lahko uporabljeni za nadaljnjo analizo podatkov. Na podlagi splošnega načela pri analizi faktorjev se v znanstvenih poročilih in člankih faktorjev pogosto ne poimenuje, ampak se jih opredeli z opisom njihovih značilnosti. Ta pristop omogoča objektiv-nejše razumevanje in ocenjevanje faktorjev brez pristranskosti, ki bi lahko izhajala iz njihovih poimenovanj (Field 2018). V raziskavi smo sledili temu načelu in izpustili poimenovanje faktorjev, da bi zagotovili objektivnejše razumevanje njihovih značilnosti. Preglednica 5.12 prikazuje matriko koeficientov faktorskih ocen vijačenja in navora. Prikazuje, kako vsak od treh faktorjev vpliva na vsako od osmih spremenljivk navora (Navor_0L, Navor_0D, Navor_1L itd.). Koeficienti v tej matriki so korelacijski koeficienti med dejavniki in spremenljivkami. Nadalje v tej matriki lahko opazimo, da ima dejavnik 1 zmerno po-zitivno korelacijo z Navorom_0L, Navorom_1L in Navorom_3L. Dejav-nika 2 in 3 sta negativneje korelirana z vsemi spremenljivkami. Npr., korelacijski koeficient med dejavnikom 1 in spremenljivko Navor_0L 102 Metode analize podatkov 5.4 je 0,097, kar pomeni, da obstaja pozitivna korelacija. Koeficient kore-lacije med dejavnikom 2 in spremenljivko Navor_0L pa je −0,088, kar pomeni, da obstaja negativna korelacija. Korelacije med dejavniki in spremenljivkami so pomembne za razu- mevanje, kako se navor spreminja v odvisnosti od vijačnih dejavnikov. Rezultati te matrike nam pomagajo razumeti, kako pomembni so po-samezni dejavniki za spreminjanje navora, kar je pomembno za razvoj učinkovitejših orodij in strojev. Metode, ki so bile uporabljene pri izdelavi te matrike, so ekstrakcija z največjo verjetnostjo, rotacija z Varimaxom in normalizacija Kaiser. To pomeni, da so bili dejavniki izbrani glede na verjetnost, da so po-vezani s spremenljivkami, rotacija pa je bila izvedena za zagotovitev jasnosti in boljše razlage faktorskih ocen. Na podlagi tega lahko napo-vemo, kako se bo navor spremenil v odvisnosti od sprememb vijačnih dejavnikov. Na kazalnikih smo po tretji optimizaciji izvedli faktorsko analizo, ki smo jo na kratko povzeli v nadaljevanju. Iz rezultatov je razvidno, da je prva komponenta najbolj povezana s končno kontrolo časa, številom obratov in maso lepila, druga komponenta s temperaturo komponent in lepila, tretja komponenta z navorom in s lepljenja, četrta pa s časom vijačenja. Faktorska analiza je izluščila štiri komponente, ki skupaj pojasnijo 68,66 % variabilnosti izhodiščnih kazalnikov. Npr., koeficienti za prvi faktor komponenta 1 (angl. Component 1) so najvišji za Končno kontrolo čas_0L in Maso lepila_0L, kar nakazuje, Preglednica 5.12 Matrika koeficientov faktorskih ocen vijačenje – navor Matrika koeficientov faktorskih ocen Faktor 1 2 3 Navor_0L 0,097 −0,088 0,519 Navor_0D 0,051 −0,046 0,269 Navor_1L 0,078 −0,071 0,418 Navor_1D 1,040 −0,138 0,063 Navor_2L −0,048 0,043 −0,257 Navor_2D 0,107 −0,097 0,572 Navor_3L 0,094 −0,085 0,505 Navor_3D −0,089 1,035 −0,040 OPOMBE Metoda ekstrakcije: največja verjetnost. Metoda rotacije: Varimax s Kaiserjevo nor-malizacijo. Metoda faktorskih ocen: Bartlett. 103 5 Empirična raziskava da sta ti dve spremenljivki močno povezani s tem faktorjem. Koefici-enti za drugi faktor komponenta 2 (angl. Component 2) so najvišji za Čas vijačenja_0L in Temperaturo lepila_0L, kar kaže na močno pove-zavo med temi spremenljivkami in drugim faktorjem. Po tretji optimizaciji smo vnovič preverili vse izbrane faktorje in njihove komunalitete. Želeli smo preveriti, ali se je kaj spremenilo med procesom optimizacije. Pričakovali smo, da so kazalniki pravilno izbra-ni, kar lahko potrdimo na podlagi preglednice 5.13. Komunalitete v preglednici 5.13 kažejo, koliko variabilnosti v po-datkih posamezen kazalnik zajema v sklopu tretje faktorske analize. Visoke vrednosti v stolpcu ekstrakcija (angl. Extraction) kažejo, da je določen kazalnik povezan z enim ali več faktorji, medtem ko nizke vrednosti pomenijo, da kazalnik ne prispeva veliko k razlagi faktorjev (Field 2018). Npr., za Navor_3L je komunaliteta pri izhodišču 1,0, kar kaže, da v prvotnih podatkih ta kazalnik zajema vso variabilnost. Po ekstrak-ciji faktorjev pa ima ta kazalnik komunaliteto 0,420, kar pomeni, da se nekoliko slabše ujema z izbranimi faktorji. Na drugi strani pa ima Skladnost z dokumentacijo_3D komunaliteto 0,952, kar kaže na moč-no povezanost z izbranimi faktorji. Kljub opravljeni faktorski analizi smo morali v našem primeru upo-števati tudi predpisane kazalnike, ki so bili vsi kazalniki CPK in neka-teri kazalniki CMK, kot so navor, temperatura lepila, masa lepila in čas lepljenja. Ti kazalniki so ključni pri izpolnjevanju predpisanih standar-dov kakovosti in varnosti ter pomembni za proces. 5.4.6 Analiza kritične strojne zmožnosti 2Preglednica 5.14 je analiza kritične strojne zmožnosti procesa vija-čenja, ki smo jo izvedli s programsko opremo Minitab. Multivariantna analiza kritične strojne zmožnosti (CMK) vključuje vse meritve kazal-nikov, ki so bili spremljani med optimizacijo procesa vijačenja. Za lažje razumevanje naj pojasnimo, da v preglednici 5.14 spre-menljivka (angl. variable) predstavlja kazalnik navor. LSL predstavlja spodnjo mejo specifikacije, ki jo določa stranka ali konstruktor. Tar-get predstavlja cilj specifikacije, ki ga določa stranka ali konstruktor. USL predstavlja zgornjo mejo specifikacije, ki jo določa stranka ali konstruktor. Sample Mean predstavlja povprečno vrednost izmer-jenih podatkov (Povp.N). Sample N predstavlja število izmerjenih podatkov (N). StDev (Within) predstavlja standardni odklon vzorca 104 Metode analize podatkov 5.4 Preglednica 5.13 Komunalitete končnih kazalnikov po tretji optimizaciji – faktorska analiza Komunalitete Začetna Ekstrahirana Navor_3L 1,000 0,420 Navor_3D 1,000 0,742 Čas vijačenja_3L 1,000 0,633 Čas vijačenja_3D 1,000 0,780 Število obratov_3L 1,000 0,543 Število obratov_3D 1,000 0,793 Temperatura lepila_3L 1,000 0,713 Temperatura lepila_3D 1,000 0,666 Temperatura komponent_3L 1,000 0,664 Temperatura komponent_3D 1,000 0,617 Masa lepila_3L 1,000 0,827 Masa lepila_3D 1,000 0,798 Čas lepljenja_3L 1,000 0,750 Čas lepljenja_3D 1,000 0,692 Končna kontrola časa_3L 1,000 0,690 Končna kontrola časa_3D 1,000 0,756 Funkcije_3L 1,000 0,879 Funkcije_3D 1,000 0,881 Dimenzijska ustreznost_3L 1,000 0,782 Dimenzijska ustreznost_3D 1,000 0,811 Skladnost z dokumentacijo_3L 1,000 0,963 Skladnost z dokumentacijo_3D 1,000 0,952 OPOMBA Metoda ekstrakcije: analiza glavnih komponent. (SDV). StDev (Overall) predstavlja standardni odklon celotnega pro-cesa (SDP). Pred optimizacijo smo imeli standardni odklon navora 0,059 za levo in 0,065 za desno stran izdelka. Podatki prikazujejo, da so bili procesni kazalniki navora pred optimizacijo vijačenja (Navor_0L, Na-vor_0D) že relativno stabilni, saj imajo standardni odklon 0,0596431 in 0,0648521. Vendar pa se po izvedeni optimizaciji procesa vijačenja (Navor_1L, Navor_1D) standardni odklon zmanjša za več kot polovico (na 0,0324928 in 0,0299304). Ta trend se nadaljuje tudi po drugi fazi optimizacije (Navor_2L, Navor_2D), kjer standardni odklon znaša le še 0,0150938 in 0,0133220. S procesom optimizacije smo proces stabilizi-rali in zmanjšali standardni odklon na 0,003 za levo in desno stran. Ta rezultat kaže, da smo uspeli doseči naš cilj in proces vijačenja naredili 105 5 Empirična raziskava zmogljivejši. Vendar pa je treba opozoriti, da mora biti optimizacija procesa skladna tudi s tehničnimi zahtevami. Preglednica 5.15 prikazuje analizo CMK za proces vijačenja. Ta ana-liza se uporablja za oceno sposobnosti stroja in je podobna kot anali-za CPK, vendar se uporabljajo drugi vhodni parametri (kazalniki), ki se nanašajo na stroj. V preglednici lahko vidimo vrednosti za različne kazalnike, kot so Pp, PPL, PPU, Ppk in Cpm, ki nam razkrivajo sposob-nosti stroja in njegovo stabilnost. Kazalnik Pp označuje razliko med največjo in najmanjšo vrednostjo procesa v odstotkih. Ta kazalnik nam pove, koliko proces variira od spe-cifikacij. Kazalnik PPL označuje, koliko proces variira od spodnje spe-cifikacije v odstotkih. Kazalnik PPU označuje, koliko proces variira od zgornje specifikacije v odstotkih. Kazalnik Ppk označuje, koliko proces variira od ciljne vrednosti v odstotkih. Kazalnik Cpm (iz angl. capability process mean) označuje, koliko proces variira od srednje vrednosti. Iz preglednice 5.15 je razvidno, da so imeli izhodiščni kazalniki Na-vor_0L in Navor_0D nižje vrednosti Pp, PPL in PPU, kar pomeni, da je proces vijačenja pred optimizacijo odstopal od specifikacij. Po optimi-zaciji procesa vijačenja so imeli kazalniki Navor_3L in Navor_3D naj-višje vrednosti Pp, PPL in PPU, kar pomeni, da je proces po optimiza-ciji manj odstopal od specifikacij. Tudi kazalnik Ppk kaže, da je proces po optimizaciji manj odstopal od ciljne vrednosti. Lahko trdimo, da je proces vijačenja po optimizaciji postal stabilnejši in da se bolje ujema s specifikacijami. Preglednica 5.16 prikazuje analizo potenciala znotraj zmožnosti (Cp) za proces vijačenja. Ta analiza se uporablja za oceno razpona med največjo in najmanjšo pričakovano vrednostjo procesa ter njegovega potenciala za izboljšave. V preglednici so navedeni kazalniki Cp, CPL, CPU in CPK, ki se uporabljajo za oceno zmožnosti procesa. Cp pred-stavlja razmerje med standardnim odklonom procesa in tolerančnim razponom. CPL in CPU predstavljata razpon med najmanjšo in največjo pričakovano vrednostjo procesa. CPK pa predstavlja odstotek procesa, ki je v tolerančnem razponu. V preglednici 5.16 lahko vidimo, da se vrednost CPK povečuje z optimizacijo procesa, kar kaže na izboljša-nje zmožnosti procesa. Tretja optimizacija je dosegla najvišjo vrednost CPK, kar pomeni, da je proces v tem stanju najstabilnejši in zmožen zadovoljiti zahteve tolerančnega razpona. Kazalniki v preglednici so prikazani v parih (Navor_0L in Navor_0D, Navor_00L in Navor_00D itd.), saj se spremljata obe strani procesa. 106 Metode analize podatkov 5.4 Preglednica 5.14 Procesni podatki vijačenje – navor Spremenljivka LSL Cilj USL Povp.N N SDV SDP Navor_0L 1,176 * 1,224 1,19820 50 0,0596431 0,0593396 Navor_0D 1,176 * 1,224 1,19960 50 0,0648521 0,0645221 Navor_00L 1,176 * 1,224 1,18660 50 0,0582765 0,0579799 Navor_00D 1,176 * 1,224 1,21240 50 0,0611408 0,0608296 Navor_1L 1,176 * 1,224 1,20280 50 0,0324928 0,0323274 Navor_1D 1,176 * 1,224 1,20100 50 0,0299304 0,0297781 Navor_2L 1,176 * 1,224 1,19900 50 0,0150938 0,0150170 Navor_2D 1,176 * 1,224 1,19720 50 0,0133220 0,0132542 Navor_3L 1,176 * 1,224 1,19946 50 0,0035243 0,0035063 Navor_3D 1,176 * 1,224 1,20064 50 0,0029269 0,0029120 Preglednica 5.15 Splošna zmožnost vijačenje – navor Spremenljivka Pp PPL PPU Ppk Cpm Navor_0L 0,135 0,125 0,145 0,125 * Navor_0D 0,124 0,122 0,126 0,122 * Navor_00L 0,138 0,061 0,215 0,061 * Navor_00D 0,132 0,199 0,064 0,064 * Navor_1L 0,247 0,276 0,219 0,219 * Navor_1D 0,269 0,280 0,257 0,257 * Navor_2L 0,533 0,511 0,555 0,511 * Navor_2D 0,604 0,533 0,674 0,533 * Navor_3L 2,282 2,230 2,333 2,230 * Navor_3D 2,747 2,820 2,674 2,674 * OPOMBE Cpm (iz angl. process capability) – sposobnosti proizvodnega procesa, da proizvaja izdelke znotraj določenih specifikacijskih meja.* predstavlja manjkajočo vrednost. Pp (iz angl. process performance) se izračuna kot razmerje med razponom procesa (USL–LSL) in šestkratno standardno deviacijo. Višja vrednost PP pomeni boljšo procesno zmožnost. PPL (iz angl. process performance lower) se izračuna kot razmerje med razliko med spodnjo speci-fikacijo (LSL) in povprečno vrednostjo procesa ter trikratno standardno deviacijo. Višja vrednost PPL pomeni manjšo verjetnost, da bo proces proizvedel napako pod spodnjo mejo specifikacije. PPU (iz angl. process performance upper) se izračuna kot razmerje med razliko med zgornjo speci-fikacijo (USL) in povprečno vrednostjo procesa ter trikratno standardno deviacijo. Višja vrednost PPU pomeni manjšo verjetnost, da bo proces proizvedel napako nad zgornjo mejo specifikacije. PPK (iz angl. process performance index) se izračuna kot minimum izračunanih vrednosti PPL in PPU. Višja vrednost PPK pomeni, da je proces sposobnejši izpolnjevati zahteve specifikacije. PPK mora biti vsaj enak 1,33, da bi se lahko reklo, da je proces sposoben izpolnjevati zahteve specifika-cije (Down idr. 2010; Durivage 2014). Kot smo že pojasnili, CPK predstavlja kriterij za dosego predpisa- nih tehničnih zahtev, saj mora biti njegova vrednost enaka ali večja od 2, kot je določeno s standardom 2 PPM. To pomeni, da sta dopustni največ dve napaki na milijon izdelkov. Ponovljivost vijačenja pri nas je dosegla zahtevano natančnost, kar pomeni, da je navor v tem primeru 107 5 Empirična raziskava vedno nominalen, in sicer 1,2 Nm. Čeprav se navor nahaja v predpisa-nem tolerančnem območju med 1,176 in 1,224 Nm, je čim bližje nomi-nalni vrednosti 1,2 Nm. To lahko potrdimo z analizo meritev, kjer so vrednosti CPK od tretje optimizacije procesa vijačenja večje od 2, kar pomeni, da proces vijačenja dosega zahtevano kakovost. Preglednica 5.17 prikazuje opazovano uspešnost procesa vijačenja glede na navor. Vrednosti so prikazane v PPM in so razdeljene na PPM pod LSL, PPM nad USL in PPM skupaj. Pri ničti stopnji optimizacije (Navor_0L in Navor_0D) je bila opazovana uspešnost procesa nižja kot spodnja meja specifikacije, kar pomeni, da so bili izdelki pod standar-dom. Pri prvi stopnji optimizacije (Navor_1L in Navor_1D) se je opazo-vana uspešnost procesa izboljšala, vendar še vedno ni dosegla zgornje meje specifikacije. Pri tretji optimizaciji (Navor_3L in Navor_3D) se je opazovana uspešnost procesa izboljšala in dosegla nič PPM pod spo-dnjo mejo specifikacije ter nič PPM nad zgornjo mejo specifikacije, kar pomeni, da je proces dosegel optimalno uspešnost. Za primerjavo je treba vedeti, da industrijski standard podjetja zahteva, da se procesi izvajajo z manj kot 2 PPM nad spodnjo mejo specifikacije in manj kot 2 PPM pod zgornjo mejo specifikacije, kar pomeni, da proces dosega 2 PPM (HN110066–2012 in HN67025–2014). Preglednica 5.18 prikazuje analizo eksplicitne notranje zmožnos-ti procesa vijačenja (angl. explicit internal capability), ki ocenjuje šte-vilo komponent, proizvedenih zunaj sprejemljivih meja (PPM < LSL spodnja meja in PPM > USL zgornja meja). V tem primeru smo me-rili navor in uporabljali kazalnike Navor_0L, Navor_0D, Navor_00L, Navor_00D, Navor_1L, Navor_1D, Navor_2L, Navor_2D, Navor_3L in Navor_3D. Vidimo, da je bila eksplicitna notranja zmožnost procesa vijačenja najboljša pri kazalnikih Navor_3L in Navor_3D, kjer je bilo 0 komponent proizvedenih zunaj sprejemljivih meja. To kaže, da je bil proces vijačenja pri tretji optimizaciji stabilen in da ni bilo komponent, proizvedenih zunaj sprejemljivih meja. Preglednica 5.19 prikazuje analizo eksplicitne splošne zmožnosti procesa vijačenja glede na navor. Ta analiza se uporablja za oceno, ko-liko proizvodov je bilo izdelanih znotraj sprejetih meja LSL in USL ter koliko izven teh meja. V našem primeru lahko vidimo, da je bila večina proizvodov izdelanih znotraj meja LSL in USL, kar pomeni, da proces vijačenja deluje uspešno. Vrednosti PPM < LSL predstavljajo število proizvodov, ki so bili izdelani z manjšim navorom, kot zahteva LSL, medtem ko vrednosti PPM > USL predstavljajo število proizvodov, ki 108 Metode analize podatkov 5.4 Preglednica 5.16 Potencial znotraj zmožnosti vijačenje – navor Spremenljivka Cp CPL CPU CPK Navor_0L 0,134 0,124 0,144 0,124 Navor_0D 0,123 0,121 0,125 0,121 Navor_00L 0,137 0,061 0,214 0,061 Navor_00D 0,131 0,198 0,063 0,063 Navor_1L 0,246 0,275 0,217 0,217 Navor_1D 0,267 0,278 0,256 0,256 Navor_2L 0,530 0,508 0,552 0,508 Navor_2D 0,601 0,530 0,671 0,530 Navor_3L 2,270 2,219 2,321 2,219 Navor_3D 2,733 2,806 2,660 2,660 Preglednica 5.17 Opazovana uspešnost vijačenje – navor Spremenljivka PPM < LSL PPM > USL PPM Skupaj Navor_0L 380000,00 280000,00 660000,00 Navor_0D 400000,00 420000,00 820000,00 Navor_00L 460000,00 240000,00 700000,00 Navor_00D 320000,00 440000,00 760000,00 Navor_1L 300000,00 240000,00 540000,00 Navor_1D 240000,00 200000,00 440000,00 Navor_2L 0,00 0,00 0,00 Navor_2D 0,00 0,00 0,00 Navor_3L 0,00 0,00 0,00 Navor_3D 0,00 0,00 0,00 OPOMBE PPM < LSL (iz angl. parts per million below lower specification limit) označuje število izdelkov v milijonih, ki so pod spodnjo mejo specifikacij. To kaže, koliko napak se pojavi v pro-izvodnem procesu, ki so manjše od spodnje meje specifikacij. PPM > USL (iz angl. parts per million above upper specification limit) označuje število izdelkov v mi-lijonih, ki presegajo zgornjo mejo specifikacij. To kaže, koliko napak, ki so večje od zgornje meje specifikacij, se pojavi v proizvodnem procesu. PPM Total (iz angl. parts per million total). so bili izdelani z večjim navorom, kot zahteva USL. Skupna vrednost PPM Total pa predstavlja skupno število proizvodov, ki so bili izdela-ni znotraj in izven meja LSL in USL. Za primer tretje optimizacije ta preglednica pokaže, da je bilo 0 proizvodov izdelanih izven meja LSL in USL, kar pomeni, da proces vijačenja deluje zelo uspešno in dosega visoko stopnjo kontrole proizvodnje. Kazalnike analize CMK smo prikazali tudi grafično, saj ta način predstavlja hitrejše prepoznavanje lastnosti tehnološkega procesa. Sliki 5.2 in 5.3 tako predstavljata podatke o sposobnosti procesa za doseganje zahtevanih specifikacij. Za vsako spremenljivko, kot je Na- 109 5 Empirična raziskava Preglednica 5.18 Eksplicitna notranja zmožnost vijačenje – navor Spremenljivka PPM < LSL PPM > USL PPM Skupaj Navor_0L 354866,67 332662,39 687529,05 Navor_0D 357964,53 353369,02 711333,55 Navor_00L 427833,93 260511,84 688345,77 Navor_00D 275805,61 424761,88 700567,49 Navor_1L 204742,77 257054,43 461797,20 Navor_1D 201782,51 221110,08 422892,59 Navor_2L 63778,84 48829,66 112608,51 Navor_2D 55764,83 22125,09 77889,91 Navor_3L 0,00 0,00 0,00 Navor_3D 0,00 0,00 0,00 Preglednica 5.19 Eksplicitna splošna zmožnost vijačenje – navor Spremenljivka PPM < LSL PPM > USL PPM Total Navor_0L 354158,25 331858,95 686017,21 Navor_0D 357269,80 352654,02 709923,82 Navor_00L 427468,90 259447,17 686916,07 Navor_00D 274789,03 424381,68 699170,72 Navor_1L 203547,13 255979,53 459526,66 Navor_1D 200582,22 219944,72 420526,94 Navor_2L 62810,86 47978,30 110789,16 Navor_2D 54855,38 21588,04 76443,42 Navor_3L 0,00 0,00 0,00 Navor_3D 0,00 0,00 0,00 vor_0L, ki predstavlja vijačenje, so navedeni ključni kazalniki sposob-nosti procesa, kot so Cp, CPL, CPU in CPK. Cp označuje razmerje med standardnim odklonom procesa in toleranco (razliko med zgornjo in spodnjo mejo specifikacije), CPL in CPU označujeta odstotek vrednosti, ki so manjše od spodnje meje specifikacije oz. večje od zgornje meje specifikacije, CPK pa označuje kazalnik kapacitete procesa v primerjavi s sredino toleranc. Prav tako so jasno vidne PPM < LSL in PPM > USL, ki označujejo število vzorcev, ki so manjši od spodnje meje specifikacije oz. večji od zgornje meje specifikacije. PPM Total označuje skupno šte-vilo vzorcev, ki niso v tolerančnem območju. Na sliki 5.3 se vidi, kako smo z optimizacijami uspeli izboljšati pro-ces vijačenja – navor (Navor_2L, Navor_2D, Navor_3L in Navor_3D). Vidimo, da so kazalniki sposobnosti procesa, kot so Cp, CPL, CPU in CPK, za te spremenljivke izboljšani. Cp označuje razmerje med stan-dardnim odklonom procesa in toleranco, kar pomeni, da se proces 110 Metode analize podatkov 5.4 bolj drži specifikacij. CPL in CPU označujeta odstotek vrednosti, ki so manjše od spodnje meje specifikacije oz. večje od zgornje meje speci-fikacije, kar pomeni, da se manj vrednosti nahaja izven tolerančnih meja. CPK pa označuje kazalnik kapacitete procesa v primerjavi s sre-dino toleranc, kar pomeni, da se proces bolj drži sredine tolerančnih meja. Sliki 5.2 in 5.3 prikazujeta kazalnike PPM < LSL in PPM > USL, ki kaže- jo, koliko vzorcev je manjših od spodnje meje specifikacije oz. večjih od zgornje meje specifikacije. Te številke se zmanjšujejo po optimizacijah, kar kaže, da se proces bolj drži tolerančnih meja in da je manj vzorcev izven tolerančnih meja. Skupno število vzorcev, ki niso v toleranci, se tudi zmanjšuje, kar pomeni, da je proces bolj kontroliran in zanesljivejši. Za boljšo predstavitev meritev smo rezultate meritev prikazali na verjetnostnem diagramu. Verjetnostni diagrami (angl. probability plots) so grafični prikazi razmerja med opaženo kumulativno in teore-tično porazdelitvijo. Navor je vektorska količina, ki opisuje vpliv sile na vrtenje telesa okoli določene osi. V našem primeru smo merili navor vijačnika na levi in desni strani montažne linije. Slika 5.2 Strojna zmožnost vijačenje – Navor_0L; Navor_0D; Navor_00L; Navor_00D; Navor_1L 111 5 Empirična raziskava Na sliki 5.4 so prikazani Navor_0L do Navor_1L. Pri Navor_0L gre za prvi navor porazdelitve, ki predstavlja povprečno vrednost podat-kov. Za Navor_0L je porazdelitev normalna, kar se potrdi tudi z ver-jetnostnim diagramom. Navor_0D predstavlja variabilnost podatkov, pri čemer se priporoča, da ne presega vrednosti 1,33, da bi lahko trdi-li, da so podatki normalno porazdeljeni. Iz verjetnostnih diagramov na sliki 5.4 za Navor_0D in Navor_1D vidimo, da podatki ne sledijo normalni porazdelitvi. Navor_1L predstavlja drugi navor, ki pa v tem primeru nima posebne interpretacije. Pri Navor_1L je videti, da so po-datki relativno normalno porazdeljeni. Navpična os v diagramu pred-stavlja vrednosti, izražene v odstotkih, medtem ko vodoravna os pred-stavlja vrednosti, merjene v Newtonovih metrih (Nm). Npr., začetni kazalniki navora pri vijačenju se prilegajo normalni porazdelitvi s 95-odstotnim intervalom zaupanja (CI) in koeficientom asimetrije (AD) 0,626. Po analizi podatkov smo ugotovili, da se podatki razporejajo po normalni porazdelitvi s 95-odstotnim intervalom za-upanja (CI) in koeficientom asimetrije (AD) 0,626. Verjetnost, da bo navor pri vijačenju manjši ali enak določeni vrednosti, je enaka 0,097. Te ugotovitve lahko uporabimo za načrtovanje in nadzor proizvodnje vijačnih priključkov. Na sliki 5.5 se nahajajo Navor_2L, Navor_2D, Navor_3L in Navor_3D, ki predstavljajo tretji navor porazdelitve, ta pa ponazarja asimetrijo porazdelitve. Pri Navor_2L se iz verjetnostnega diagrama vidi, da so podatki nekoliko levostransko asimetrični. Navor_2D predstavlja kur-tosis 1 porazdelitve, ki ponazarja stopnjo, do katere so repi porazdelitve priostreni. Iz verjetnostnega diagrama je videti, da so podatki plati-kurtični,2 kar pomeni, da so repi porazdelitve manj priostreni od nor-malne porazdelitve. Navor_3L predstavlja četrti navor porazdelitve, ki vključuje stopnjo levostranske ali desnostranske asimetrije. Iz verjet-nostnega diagrama je razvidno, da so podatki zelo levostransko asime-trični. Navor_3D predstavlja navor, ki ima pri normalni porazdelitvi vrednost 1,2 Nm. Iz verjetnostnega diagrama na sliki 5.5 lahko razbe-remo, da so podatki platikurtični in nekoliko levostransko asimetrični. 1 Kurtosis je statistična mera, ki se nanaša na obliko porazdelitve podatkov. Meri, kako visok je vrh porazdelitve in kako strmi so njeni repi v primerjavi z normalno porazdelitvijo (tj. kako visoka je koncentracija podatkov okoli povprečne vrednosti) (Durivage 2014). 2 Izraz platikurtičen se nanaša na porazdelitve, ki imajo manjšo kurtozo od normalne porazde- litve. To pomeni, da so te bolj ploščate od normalne porazdelitve. Na grafu imajo platikurtične porazdelitve višino vrha, ki je nižja od normalne porazdelitve, ter širša »ramena« (Hair idr. 2014). 112 Metode analize podatkov 5.4 Slika 5.3 Strojna zmožnost vijačenje – Navor_1D; Navor_2L; Navor_2D; Navor_3L; Navor_3D V diagramih na sliki 5.5 navpična os v diagramu predstavlja vred- nosti, izražene v odstotkih, medtem ko vodoravna os predstavlja vred-nosti, merjene v Newtonovih metrih (Nm). Iz diagramov lahko razpoznamo, da so po tretji optimizaciji trije kazalniki navora (Navor_3L) pri vijačenju prilegajoči normalni poraz-delitvi s 95-odstotnim intervalom zaupanja (CI) in koeficientom asi-metrije (AD) 1,508. Verjetnost dogodka (P), da bo navor pri vijačenju manjši od določene vrednosti, je manjša od 0,005. To kaže na izboljša-nje procesa vijačenja in povečanje natančnosti izdelave. V našem primeru imajo porazdelitve navora za Navor_3L in Na- vor_3D visok kurtosis, kar pomeni, da so podatki bolj koncentrirani okoli povprečne vrednosti in imajo strmejše repke kot normalna po-razdelitev. To nakazuje, da so bili modeli po optimizaciji sposobni do-seči visoko natančnost in zmanjšati variabilnost napovedi. Preglednica 5.20 prikazuje rezultate analize kritične strojne zmož- nosti (CMK) za tri različne optimizacije, ki smo jih izvedli. Razlikuje se od analize CPK, saj se pri CMK uporabljajo drugi vhodni parametri, ki so specifični za stroj in proizvodnjo. V našem primeru smo analizirali kazalnike navorov, časa, števila obratov, temperature lepila, tempera- 113 5 Empirična raziskava Slika 5.4 Grafični prikaz verjetnosti procesa vijačenje – Navor_0L; Navor_0D; Navor_00L; Navor_00D; Navor_1L ture komponent, mase lepila, časa lepljenja in časa, ki je bil potreben za končno kontrolo. V tretji optimizaciji smo uspeli doseči želeno vrednost CMK za vse kazalnike, ki znaša 1,67 ali več. Vrednost CMK 1,67 se pogosto uporab-lja kot mejna vrednost za sprejemljivo procesno zmožnost. To pome-ni, da če je vrednost CPK manjša od 1,67, proces ni dovolj zanesljiv in ni sposoben zagotoviti predpisane kakovosti izdelka. Če je vrednost CMK enaka ali večja od 1,67, potem proces zagotavlja visoko zmožnost in nizko variabilnost, kar pomeni, da lahko proizvajamo izdelke viso-ke kakovosti. Tako smo dosegli visoko zmožnost in nizko variabilnost v procesu, kar zagotavlja visoko kakovost izdelka. Največji napredek smo opazili pri temperaturi lepila in komponent, kjer smo dosegli vrednosti 3,678141 in 1,634894. To pomeni, da smo z uspešno stabi-lizacijo teh parametrov uspeli zmanjšati variabilnost v procesu in s tem zagotoviti boljšo kakovost lepljenja. Prav tako lahko vidimo, da smo uspeli zmanjšati negativne vrednosti CMK za čas, ki smo ga imeli v prvi optimizaciji. Skupaj to kaže na izjemno uspešno optimizacijo procesa in zagotavlja visoko zmožnost proizvodnje ter kakovost iz-delka. 114 Metode analize podatkov 5.4 Slika 5.5 Grafični prikaz verjetnosti procesa vijačenje – Navor_1D; Navor_2L; Navor_2D; Navor_3L; Navor_3D Med procesom optimizacije smo se osredotočili na CMK kot kazal- nik kakovosti procesa. Sprejemljiva raven CMK mora biti vsaj 2, kar pomeni, da je proces sposoben zagotoviti skladnost z zahtevanimi spe-cifikacijami izdelka in da je zmogljiv za proizvodnjo izdelkov visoke kakovosti (Pyzdek 2003). S tretjo optimizacijo pa smo dosegli želeno raven CMK za vse kazal- nike (preglednica 5.20). To je dokaz, da smo dosegli visoko zmožnost procesa in zagotavljamo izdelke visoke kakovosti. Poleg tega smo se osredotočili na pomembne kazalnike, ki vplivajo na funkcije, dimenzi-je in skladnost izdelka. Za te kazalnike je mejna vrednost 2, kar pome-ni, da mora naš proces doseči vrednost 2 ali več, da zagotovimo visoko kakovost izdelka. 5.4.7 Analiza kritične procesne zmožnosti Analiza kritične procesne zmožnosti (CPK) je metoda za ocenjevanje zmožnosti procesa in sposobnosti proizvodnje, da dosega specifikacije proizvoda. Ta analiza se uporablja za identifikacijo in odpravljanje pro-cesnih težav, ki vplivajo na kakovost izdelkov. Za izvedbo analize CPK se uporabljajo kazalniki, kot so funkcije, dimenzije in skladnost. 115 5 Empirična raziskava Preglednica 5.20 Kritična strojna zmožnost CMK z vsemi optimizirani kazalniki Optimizacija 1 Optimizacija 2 Optimizacija 3 Navor 0,092311 0,519193 2,439627 Čas −0,64263 −0,16844 2,497823 Število obratov 0,338943 1,313959 2,616443 Temperatura lepila −0,18963 1,096092 3,678141 Temperatura komponent 0,05562 0,437503 1,634894 Masa lepila −0,09105 0,381809 1,827 Čas lepljenja −0,98848 0,065563 3,167192 Čas −1,04662 −0,25858 1,189466 OPOMBE Vrednost 2 za kazalnik CMK v našem podjetju omogoča ocenjevanje, kako dobro pro-ces ustreza zahtevam specifikacij produkta, kar je ključni pogoj za dosego stopnje šest sigma. Za dosego te stopnje je treba imeti CMK vsaj 2, kar pomeni, da je standardna deviacija procesa dvojno manjša od širine specifikacije. Vrednost 1,67 za CMK pomeni, da je standardna deviacija procesa približno 1,67-krat manjša od širine specifikacije in kaže na zadovoljivo stopnjo procesne zmožnosti (Pyzdek 2003), vendar se lahko v procesu še vedno pojavljajo določene napake. Stop-nja procesne zmožnosti šest sigma označuje, da proces izpolnjuje zahteve specifikacij s stopnjo napak, manjšo od 0,00034 % (Aized 2012) (3,4 napake na milijon priložnosti). Procesna zmožnost vsaj 2 pomeni, da mora biti standardna deviacija procesa dvakrat manjša od širine specifikacij. V naši raziskavi smo izvedli analizo CPK za drugo in tretjo optimi-zacijo. Preglednica 5.21 prikazuje rezultate analize CPK za obe optimi-zaciji. Rezultati kažejo, da smo v drugi optimizaciji dosegli vrednosti 1,314627 za funkcije, 0,521797 za dimenzije in 1,155447 za skladnost z dokumentacijo. Tretja optimizacija pa je pokazala izboljšanje vred-nosti z 2,609501 za funkcije, s 3,032089 za dimenzije in 3,9573 za skla-dnost. Z analizo CPK smo potrdili, da je proces po tretji optimizaciji skla-den s tehnološkimi zahtevami. 5.4.8 Splošna učinkovitost opreme in dobičkonosnost vloženega kapitala Splošna učinkovitost opreme (OEE) je kazalnik, ki meri stopnjo učin-kovitosti vse opreme v proizvodnji in podpira oceno donosnosti vlože-nega kapitala (ROI). V praksi se OEE uporablja za spremljanje in izboljševanje učinko-vitosti opreme (Sayer in Williams 2007), identifikacijo problemov, ki ovirajo proizvodnjo, in oceno donosnosti vloženega kapitala (ROI) (Johnson in Kaplan 1987). ROI se uporablja za oceno učinkovitosti investicije in se običajno izračuna kot odstotek (Kerzner 2011). Formula za izračun ROI je (5.2): 116 Metode analize podatkov 5.4 Preglednica 5.21 Kritična procesna zmožnost Optimizacija 2 Optimizacija 3 Funkcije 1,314627 2,609501 Dimenzije 0,521797 3,032089 Skladnost 1,155447 3,9573 OPOMBE Vrednost 2 za kazalnik CPK v našem podjetju omogoča ocenjevanje, kako dobro proces ustreza zahtevam specifikacij izdelka, kar je ključni pogoj za dosego stopnje šest sigma. Za dosego te stopnje je treba imeti CPK vsaj 2, kar pomeni, da je standardna deviacija procesa dvojno manjša od širine specifikacije. Vrednost 1,67 za CPK pomeni, da je standardna deviacija procesa približno 1,67-krat manjša od širine specifikacije in kaže na zadovoljivo stopnjo procesne zmožnosti (Pyzdek 2003). ROI = končni dobiček-začetni vložek # 100 . (5.2) začetni vložek Končni dobiček je razlika med zaslužkom in stroški. Začetni vložek pa je znesek, ki se je vložil v projekt (Neely 2002; Brocke in Schmiedel 2015). OEE in ROI smo izračunali le za drugo in tretjo optimizacijo tehnološkega procesa, saj se je po prvi optimizaciji ugotovilo, da teh-nološki proces ni bil donosen zaradi neizpolnjevanja tehničnih zah-tev. Preglednica 5.22 prikazuje uspešnost poslovnega procesa z uporabo kazalnikov OEE in ROI. Pri drugi optimizaciji so bili kazalniki boljši, zato smo naredili analizo od vključno druge optimizacije naprej. V pre-glednici 5.22 se vidijo podatki za drugo in tretjo optimizacijo. OEE se je z 78,361 % povečala na 85,411 %, razpoložljivost se je z 89,658 povečala na 91,980, produktivnost se je z 0,898 povečala na 0,921, kakovost se je z 0,971 povečala na 0,986 in ROI se je z 2.915.182 EUR povečala na 7.978.259 EUR. Analiza je pokazala, da so se kazalniki OEE in ROI po tretji optimi- zaciji izrazito izboljšali. OEE se je povečala za 7,05 %, kar kaže na večjo razpoložljivost, produktivnost in kakovost. Razpoložljivost se je pove-čala za 2,32 %, produktivnost pa za 2,23 %. Kakovost se je povečala za 1,15 %. ROI se je povečala za 175,04 %, kar kaže na večji dobiček. 5.4.9 Regresijska analiza Regresijska analiza je metoda, ki nam pomaga ugotoviti odvisnosti med posameznimi spremenljivkami v procesu (Hair idr. 2014). Izbrali smo regresijsko analizo (metoda enter) za preverjanje kritičnih pro-cesnih zmožnosti (CPK), kritičnih strojnih zmožnosti (CMK), učinkovi-tosti proizvodnega procesa (OEE) in donosnosti naložbe (ROI). 117 5 Empirična raziskava Preglednica 5.22 Uspešnost poslovnega procesa, merjena s kazalnikoma OEE in ROI Optimizacija 2 Optimizacija 3 OEE 78,361 85,411 Razpoložljivost 89,658 91,980 Produktivnost 0,898 0,921 Kakovost 0,971 0,986 ROI 2915182 7978259 OPOMBE OEE je ključni kazalnik uspešnosti proizvodne linije ali naprave, ki vključuje razpo-ložljivost, produktivnost in kakovost v odstotkih. ROI je kazalnik, ki izraža donosnost naložbe in je v evrih. Z regresijsko analizo smo nameravali ugotoviti, kakšna je korelacija med kazalniki vijačenja, lepljenja in končne kontrole ter kazalniki kri-tične strojne zmožnosti, OEE in ROI. Pri interpretaciji rezultatov regresijske analize smo upoštevali tudi statistično pomembnost posameznih neodvisnih spremenljivk in nji-hov prispevek k pojasnjevanju variabilnosti odvisne spremenljivke. Na podlagi tega smo lahko ugotovili, katere neodvisne spremenljivke so najpomembnejše za proces in katerim je treba nameniti posebno po-zornost pri izboljšavah. V nadaljevanju smo okvirno predstavili rezultate regresijskih mo-delov, ki smo jih uporabili za optimizacijo 2 in 3. Prav tako smo izvedli analizo za izhodiščne kazalnike in optimizacijo 1, ki jih ne bomo po-sebej predstavljali, saj so rezultati podobni tistim, ki so predstavljeni v analizah. Podrobne rezultate predstavljamo skupaj s preverjanjem hipotez (regresijska enačba 5.5). Regresijski modeli so bili izdelani za preverjanje odvisnosti kritične procesne zmožnosti (funkcije in skladnosti z dokumentacijo) – druge optimizacije s kritično strojno zmožnostjo (navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja in končna kontrola časa), zanalizo OEE (razpoložljivost, pro-duktivnost in kakovost) in ROI. Preglednica 5.23 vsebuje 12 modelov, kjer vsak model prikazuje od-visnost ene od neodvisnih spremenljivk (razpoložljivost, produktiv-nost, kakovost, ROI, navor, čas vijačenja, število obratov, temperatu-ra lepila, temperatura komponent, masa lepila, čas lepljenja, končna kontrola časa) od funkcije in skladnosti z dokumentacijo, pri čemer so navedene signifikance za preverjanje statistične pomembnosti. 118 Metode analize podatkov 5.4 Rezultati regresijskih modelov v preglednici kažejo, da so spre- menljivke funkcija na kakovost, funkcija na maso lepila in funkcija na končno kontrolo časa statistično značilno povezane z odvisnimi spre-menljivkami (Sig. < 0,05). Vse ostale spremenljivke nimajo statistično značilne povezanosti z odvisnimi spremenljivkami (Sig. > 0,05), s kri-tično strojno zmožnostjo, z OEE in ROI. Ugotavljamo, da imata funkcija in skladnost z dokumentacijo po- membno povezanost s kritično strojno zmožnostjo, z OEE in ROI, zato je pomembno, da se ta procesna zmožnost stalno spremlja in optimi-zira. Preglednica 5.24 prikazuje rezultate 12 regresijskih modelov, ki so bili uporabljeni za preverjanje odvisnosti kritične procesne zmožnosti (dimenzijske ustreznosti in skladnosti z dokumentacijo) od tretje op-timizacije za kritično strojno zmožnost (navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja in končna kontrola časa), OEE (razpoložljivost, produktivnost in kakovost) in ROI. V vsakem modelu so bile določene odvisne in ne-odvisne spremenljivke kot tudi statistična signifikanca (Sig.). Rezultati kažejo, da v vseh 12 modelih obstaja statistično značilna po- vezanost spremenljivke skladnosti z dokumentacijo tretje optimizacije, medtem ko dimenzijska ustreznost tretje optimizacije ni imela statistič-no značilne povezanosti s kritično strojno zmožnostjo, z OEE in ROI. To pomeni, da lahko z optimizacijo skladnosti z dokumentacijo v procesu dosežemo boljše rezultate kritične strojne zmožnosti, OEE in ROI. Preglednica 5.25 prikazuje rezultate sedmih regresijskih modelov, ki so bili uporabljeni za preverjanje povezanosti kritične strojne zmož-nosti s kritično procesno zmožnostjo, z OEE (razpoložljivost, produk-tivnost in kakovost) in ROI. Regresijski modeli so bili izdelani za pre-verjanje odvisnosti spremenljivk, kot so navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja in končna kontrola časa. Rezultati prikazujejo, da sta spre-menljivki število obratov in končna kontrola časa statistično značilno povezani z odvisnimi spremenljivkami. Spremenljivke število obratov so povezane z razpoložljivostjo,s produktivnostjo in z ROI, medtem ko je spremenljivka končna kontrola časa povezana s funkcijami. Vse ostale spremenljivke nimajo statistično značilne povezanosti z odvis-nimi spremenljivkami. To pomeni, da spremenljivki število obratov in končna kontrola časa predstavljata ključne kazalnike za optimizacijo procesa in izboljšanje kritične procesne zmožnosti, OEE in ROI. 119 5 Empirična raziskava Preglednica 5.23 Regresijski modeli za odvisnost kritične procesne zmožnosti (funkcija, skladnost z dokumentacijo) – druga optimizacija kritične strojne zmožnosti, OEE in ROI Model Odvisna spremenljivka Neodvisne spremenljivke Sig. 1. Razpoložljivost – Funkcija – 2. optimizacija > 0,05 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 2. Produktivnost – Funkcija – 2. optimizacija > 0,05 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 3. Kakovost – Funkcija – 2. optimizacija < 0,05 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 4. ROI – 2. optimizacija Funkcija – 2. optimizacija > 0,05 Skladnost z dokumentacijo – 2. optimizacija > 0,05 5. Navor – 2. optimizacija Funkcija – 2. optimizacija > 0,05 Skladnost z dokumentacijo – 2. optimizacija > 0,05 6. Čas vijačenja – Funkcija – 2. optimizacija > 0,05 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 7. Število obratov – Funkcija – 2. optimizacija > 0,05 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 8. Temperatura lepila – Funkcija – 2. optimizacija > 0,05 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 9. Temperatura kompo- Funkcija – 2. optimizacija > 0,05 nent – 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 10. Masa lepila – Funkcija – 2. optimizacija < 0,05 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 11. Čas lepljenja – Funkcija – 2. optimizacija > 0,05 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 12. Končna kontrola Funkcija – 2. optimizacija < 0,05 časa – 2. optimizacija Skladnost z dokumentacijo – 2. optimizacija > 0,05 OPOMBE Vsak model prikazuje odvisnost ene od neodvisnih spremenljivk (kot so razpolož-ljivost, produktivnost, kakovost itd.) od funkcije in skladnosti z dokumentacijo, pri čemer so navedene signifikance za preverjanje statistične značilnosti. Sig. je signifikanca. Preglednica 5.26 prikazuje rezultate sedmih regresijskih modelov, ki so bili izdelani za preverjanje povezanosti kritične strojne zmož-nosti s kritično procesno zmožnostjo, OEE in ROI. Regresijski modeli so bili izdelani za preverjanje odvisnosti spremenljivk, kot so navor, čas vijačenja, število obratov, temperatura lepila, temperatura kompo-nent, masa lepila, čas lepljenja in končna kontrola časa, od odvisnih spremenljivk, kot so dimenzijska ustreznost, funkcije in skladnost z dokumentacijo, razpoložljivost, produktivnost in kakovost. Rezultati modelov kažejo, da ima spremenljivka število obratov statistično zna-čilno povezanost s skladnostjo z dokumentacijo (Sig. < 0,05), končna 120 Metode analize podatkov 5.4 Preglednica 5.24 Regresijski modeli za odvisnost kritične procesne zmožnosti (dimenzijska ustreznost, skladnost z dokumentacijo) – tretja optimizacija za kritično strojno zmožnost, OEE in ROI Model Odvisna spremenljivka Neodvisne spremenljivke Sig. 1. Razpoložljivost – Dimenzijska ustreznost – 3. optimizacija > 0,05 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija < 0,05 2. Produktivnost – Dimenzijska ustreznost – 3. optimizacija > 0,05 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija < 0,05 3. Kakovost – Dimenzijska ustreznost – 3. optimizacija > 0,05 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija > 0,05 4. ROI – 3. optimizacija Dimenzijska ustreznost – 3. optimizacija > 0,05 Skladnost z dokumentacijo – 3. optimizacija > 0,05 5. Navor – 3. optimizacija Dimenzijska ustreznost – 3. optimizacija > 0,05 Skladnost z dokumentacijo – 3. optimizacija > 0,05 6. Čas vijačenja – Dimenzijska ustreznost – 3. optimizacija > 0,05 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija > 0,05 7. Število obratov – Dimenzijska ustreznost – 3. optimizacija > 0,05 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija > 0,05 8. Temperatura lepila – Dimenzijska ustreznost – 3. optimizacija > 0,05 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija > 0,05 9. Temperatura kompo- Dimenzijska ustreznost – 3. optimizacija > 0,05 nent – 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija > 0,05 10. Masa lepila – Dimenzijska ustreznost – 3. optimizacija > 0,05 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija > 0,05 11. Čas lepljenja – Dimenzijska ustreznost – 3. optimizacija > 0,05 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija > 0,05 12. Končna kontrola časa – Dimenzijska ustreznost – 3. optimizacija > 0,05 3. optimizacija Skladnost z dokumentacijo – 3. optimizacija > 0,05 OPOMBE Vsak model prikazuje odvisnost ene od neodvisnih spremenljivk (razpoložljivost, produktivnost, kakovost itd.) od funkcije in skladnosti z dokumentacijo, pri čemer so navedene signifikance. Sig. je signifikanca. kontrola časa pa ima statistično značilno povezanost z razpoložlji-vostjo in s produktivnostjo (Sig. < 0,05). Preglednica 5.27 prikazuje povprečno vrednost (angl. mean), stan- dardno deviacijo (angl. std. deviation) in število vzorcev (N) za spre-menljivko ROI3 ter kazalnike kritične strojne zmožnosti (Navor 3, Čas vijačenja3, Število obratov3, Temperatura lepila3, Temperatura kom-ponent3, Masa lepila3, Čas lepljenja3, Končna kontrola časa3). Izvedli smo regresijsko analizo povezanosti med spremenljivko ROI3 in ka-zalniki kritične strojne zmožnosti ter ugotovili medsebojno odvisnost (Hair idr. 2014). 121 5 Empirična raziskava Preglednica 5.25 Regresijski modeli za odvisnost kritične strojne zmožnosti (navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja, končna kontrola časa) – druga optimizacija za kritično procesno zmožnost, OEE in ROI Model Odvisna spremenljivka Neodvisne spremenljivke Sig. 1. Dimenzijska ustreznost – Navor – 2. optimizacija > 0,05 2. optimizacija Čas vijačenja – 2. optimizacija > 0,05 Število obratov – 2. optimizacija > 0,05 Temperatura lepila – 2. optimizacija > 0,05 Temperatura komponent – 2. optimizacija > 0,05 Masa lepila – 2. optimizacija > 0,05 Čas lepljenja – 2. optimizacija > 0,05 Končna kontrola časa – 2. optimizacija > 0,05 2. Funkcije – Navor – 2. optimizacija > 0,05 2. optimizacija Čas vijačenja – 2. optimizacija > 0,05 Število obratov – 2. optimizacija > 0,05 Temperatura lepila – 2. optimizacija > 0,05 Temperatura komponent – 2. optimizacija > 0,05 Masa lepila – 2. optimizacija > 0,05 Čas lepljenja – 2. optimizacija > 0,05 Končna kontrola časa – 2. optimizacija < 0,05 3. Skladnost z dokumentaci-Navor – 2. optimizacija > 0,05 jo – 2. optimizacija Čas vijačenja – 2. optimizacija > 0,05 Število obratov – 2. optimizacija > 0,05 Temperatura lepila – 2. optimizacija > 0,05 Temperatura komponent – 2. optimizacija > 0,05 Masa lepila – 2. optimizacija > 0,05 Čas lepljenja – 2. optimizacija > 0,05 Končna kontrola časa – 2. optimizacija > 0,05 4. Razpoložljivost – 2 Navor – 2. optimizacija > 0,05 . optimizacija Čas vijačenja – 2. optimizacija > 0,05 Število obratov – 2. optimizacija < 0,05 Temperatura lepila – 2. optimizacija > 0,05 Temperatura komponent – 2. optimizacija > 0,05 Masa lepila – 2. optimizacija > 0,05 Čas lepljenja – 2. optimizacija > 0,05 Končna kontrola časa – 2. optimizacija > 0,05 5. Produktivnost – Navor – 2. optimizacija > 0,05 2. optimizacija Čas vijačenja – 2. optimizacija > 0,05 Število obratov – 2. optimizacija < 0,05 Temperatura lepila – 2. optimizacija > 0,05 Temperatura komponent – 2. optimizacija > 0,05 Masa lepila – 2. optimizacija > 0,05 Čas lepljenja – 2. optimizacija > 0,05 Končna kontrola časa – 2. optimizacija > 0,05 Nadaljevanje na naslednji strani 122 Metode analize podatkov 5.4 Preglednica 5.25 Nadaljevanje s prejšnje strani Model Odvisna spremenljivka Neodvisne spremenljivke Sig. 6. Kakovost – 2. Navor – 2. optimizacija > 0,05 optimizacija Čas vijačenja – 2. optimizacija > 0,05 Število obratov – 2. optimizacija > 0,05 Temperatura lepila – 2. optimizacija > 0,05 Temperatura komponent – 2. optimizacija > 0,05 Masa lepila – 2. optimizacija > 0,05 Čas lepljenja – 2. optimizacija > 0,05 Končna kontrola časa – 2. optimizacija > 0,05 7. ROI – 2. optimizacija Navor – 2. optimizacija > 0,05 Čas vijačenja – 2. optimizacija > 0,05 Število obratov – 2. optimizacija < 0,05 Temperatura lepila – 2. optimizacija > 0,05 Temperatura komponent – 2. optimizacija > 0,05 Masa lepila – 2. optimizacija > 0,05 Čas lepljenja – 2. optimizacija > 0,05 Končna kontrola časa – 2. optimizacija > 0,05 OPOMBE Preglednica predstavlja regresijske modele, ki so bili testirani za odvisnost kritične procesne zmožnosti (funkcija in skladnost z dokumentacijo) pri drugi optimizaciji za kritično strojno zmožnost, OEE in ROI. Za vsak model je prikazana odvisnost ene od neodvisnih spremen-ljivk od funkcije in skladnosti z dokumentacijo, skupaj s signifikanco. Iz preglednice 5.27 lahko razberemo, da so vrednosti spremenljiv- ke ROI3 bolj razpršene (standardna odklonska vrednost 78,47062) kot vrednosti kazalnikov kritične strojne zmožnosti. Povprečna vrednost ROI3 je 1634,5196. Preglednica nam tako omogoča, da primerjamo spremenljivke in ugotovimo, katera ima največjo variabilnost. V na-šem primeru ima spremenljivka Temperatura lepila3 največji stan-dardni odklon (0,27295), medtem ko ima spremenljivka Navor3 naj-manjšega (0,00291). Ugotovljene so torej razlike v variabilnosti med spremenljivkami, kar omogoča, da se osredotočimo na spremenljivke z višjo variabilnostjo. V preglednici 5.28 prikazujemo korelacijske koeficiente med odvis- no spremenljivko ROI3 in vsemi neodvisnimi spremenljivkami. Glede na korelacijske koeficiente lahko vidimo, da je največja pozitivna ko-relacija med odvisno spremenljivko ROI3 in neodvisno spremenljivko Navor3, kar pomeni, da se vrednost ROI3 povečuje, ko se povečuje vred-nost Navor3. Največja negativna korelacija je med odvisno spremenljiv-ko ROI3 in neodvisno spremenljivko Število obratov3, kar pomeni, da se vrednost ROI3 zmanjšuje, ko se povečuje vrednost Število obratov3. V delu preglednice se prikazujejo kovariance med spremenljivkami, ki ponazarjajo, kako močna je povezava med spremenljivkama. Ta ma- 123 5 Empirična raziskava Preglednica 5.26 Regresijski modeli za odvisnost kritične strojne zmožnosti (navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja, končna kontrola časa) – tretja optimizacija za kritično procesno zmožnost, OEE in ROI Model Odvisna spremenljivka Neodvisne spremenljivke Sig. 1. Dimenzijska ustreznost – Navor – 3. optimizacija > 0,05 3. optimizacija Čas vijačenja – 3. optimizacija > 0,05 Število obratov – 3. optimizacija > 0,05 Temperatura lepila – 3. optimizacija > 0,05 Temperatura komponent – 3. optimizacija > 0,05 Masa lepila – 3. optimizacija > 0,05 Čas lepljenja – 3. optimizacija > 0,05 Končna kontrola časa – 3. optimizacija > 0,05 2. Funkcije – 3. optimizacija Navor – 3. optimizacija > 0,05 Čas vijačenja – 3. optimizacija > 0,05 Število obratov – 3. optimizacija > 0,05 Temperatura lepila – 3. optimizacija > 0,05 Temperatura komponent – 3. optimizacija > 0,05 Masa lepila – 3. optimizacija > 0,05 Čas lepljenja – 3. optimizacija > 0,05 Končna kontrola časa – 3. optimizacija > 0,05 3. Skladnost z dokumentacijo Navor – 3. optimizacija > 0,05 – 3. optimizacija Čas vijačenja – 3. optimizacija > 0,05 Število obratov – 3. optimizacija < 0,05 Temperatura lepila – 3. optimizacija > 0,05 Temperatura komponent – 3. optimizacija > 0,05 Masa lepila – 3. optimizacija > 0,05 Čas lepljenja – 3. optimizacija > 0,05 Končna kontrola časa – 3. optimizacija > 0,05 4. Razpoložljivost – 3. opti- Navor – 3. optimizacija > 0,05 mizacija Čas vijačenja – 3. optimizacija > 0,05 Število obratov – 3. optimizacija > 0,05 Temperatura lepila – 3. optimizacija > 0,05 Temperatura komponent – 3.optimizacija > 0,05 Masa lepila – 3. optimizacija > 0,05 Čas lepljenja – 3. optimizacija > 0,05 Končna kontrola časa – 3. optimizacija < 0,05 5. Produktivnost – 3. optimi-Navor – 3. optimizacija > 0,05 zacija Čas vijačenja – 3. optimizacija > 0,05 Število obratov – 3. optimizacija > 0,05 Temperatura lepila – 3. optimizacija > 0,05 Temperatura komponent – 3. optimizacija > 0,05 Masa lepila – 3. optimizacija > 0,05 Čas lepljenja – 3. optimizacija > 0,05 Končna kontrola časa – 3. optimizacija < 0,05 Nadaljevanje na naslednji strani 124 Metode analize podatkov 5.4 Preglednica 5.26 Nadaljevanje s prejšnje strani Model Odvisna spremenljivka Neodvisne spremenljivke Sig. 6. Kakovost – 3. optimizacija Navor – 3. optimizacija > 0,05 Čas vijačenja – 3. optimizacija > 0,05 Število obratov – 3. optimizacija > 0,05 Temperatura lepila – 3. optimizacija > 0,05 Temperatura komponent – 3. optimizacija > 0,05 Masa lepila – 3. optimizacija > 0,05 Čas lepljenja – 3. optimizacija > 0,05 Končna kontrola časa – 3. optimizacija > 0,05 7. ROI – 3. optimizacija Navor – 3. optimizacija > 0,05 Čas vijačenja – 3. optimizacija > 0,05 Število obratov – 3. optimizacija > 0,05 Temperatura lepila – 3. optimizacija > 0,05 Temperatura komponent – 3. optimizacija > 0,05 Masa lepila – 3. optimizacija > 0,05 Čas lepljenja – 3. optimizacija > 0,05 Končna kontrola časa – 3. optimizacija > 0,05 OPOMBE Preglednica predstavlja regresijske modele, ki so bili testirani za odvisnost kritične procesne zmožnosti (funkcija in skladnost z dokumentacijo) pri drugi optimizaciji za kritično strojno zmožnost, OEE in ROI. Za vsak model je prikazana odvisnost ene od neodvisnih spremen-ljivk od funkcije in skladnosti z dokumentacijo, skupaj s signifikanco. trika se uporablja za prepoznavanje morebitnih povezav med spremen-ljivkami in za razumevanje, kakšna je korelacija spremenljivk z ROI3. V regresijski analizi ROI3 je odvisna spremenljivka ROI3, medtem ko so neodvisne spremenljivke standardni residuumi, napovedane vrednosti in residuumi. Standardni residuumi so odstopanja od na-povedanih vrednosti, ki so izračunana kot razlika med dejanskimi in napovedanimi vrednostmi. Napovedane vrednosti so izračunane na osnovi matematičnega modela, ki temelji na podatkih o neodvisnih spremenljivkah, medtem ko so residuumi razlike med dejanskimi in napovedanimi vrednostmi (Hair idr. 2014). Uporaba standardnih re-siduumov, napovedanih vrednosti in residuumov omogoča oceno, kako dobro se matematični model prilega podatkom. Če so residuumi majhni in naključni, to pomeni, da model dobro opiše povezavo med odvisno in neodvisnimi spremenljivkami. V preglednici 5.29 so prikazane korelacije med spremenljivko ROI3 in drugimi spremenljivkami (funkcije3, dimenzijska ustreznost3, sklad nost z dokumentacijo 3). V prvi vrstici so imena spremenljivk, v drugi vrstici pa so vrednosti korelacije med ROI3 in določeno spre- 125 5 Empirična raziskava Preglednica 5.27 Opisna statistika med ROI3 in kazalniki kritične strojne zmožnosti (CMK) Opisna statistika Povprečje SD N ROI3 1634,5196 78,47062 50 Navor3 1,2006 0,00291 50 Čas vijačenja3 21,9094 0,05762 50 Število obratov3 5,0032 0,03178 50 Temperatura lepila3 59,9782 0,27295 50 Temperatura komponent3 22,6196 0,21216 50 Masa lepila3 10,0466 0,27007 50 Čas lepljenja3 22,1816 0,11500 50 Končna kontrola časa3 19,9158 0,24080 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. menljivko. V tretji vrstici je signifikanca, ki pove, ali je korelacija sta-tistično značilna. Iz preglednice je razvidno, da je korelacija med ROI3 in Funkcijami3 zelo šibka (0,072) in ni statistično značilna (p = 0,311). Korelacija med ROI3 in Dimenzijsko ustreznostjo3 je negativna in tudi ni statistično značilna (p = 0,427). Korelacija med ROI3 in Skladnostjo z dokumentacijo pa je nekoliko boljša (0,040) in ni statistično značilna (p = 0,393). Skupna učinkovitost opreme OEE Preglednica 5.30 prikazuje rezultate regresijske analize med kazalnikom OEE L3 in ostalimi kazalniki kritične procesne zmožnosti (CPK) L3 (Funk-cije_3L, Dimenzijska ustreznost_3L in Skladnost z dokumentacijo_3L). OEE_L3 ima negativno korelacijo s Funkcijami_3L (–0.327) in z Dimenzijsko ustreznostjo_3L (–0.012) in negativno korelacijo s Skla-dnostjo z dokumentacijo_3L (–0.267), kar pomeni, da se OEE_L3 zni-žuje, ko se Funkcije_3L in Dimenzijska ustreznost_3L znižujejo in ko se Skladnost z dokumentacijo_3L zvišuje. Signifikance za te korelacije so manjše od 0,05. Kazalnik Funkcije_3L ima pozitivno korelacijo z Dimenzijsko ustrez-nostjo_3L (0.760) in s Skladnostjo z dokumentacijo_3L (0.609), kar pome-ni, da se kazalnik Funkcije_3L zvišuje, ko se Dimenzijska ustreznost_3L in Skladnost z dokumentacijo_3L zvišujeta. Signifikance za te korelacije so manjše od 0,05. V preglednici so tudi podatki o velikosti vzorca (N). Na podlagi rezultatov iz preglednice 5.30 lahko sklepamo, da je kazalnik OEE L3 negativno povezan s Funkcijami_3L, z Dimenzijsko 126 Metode analize podatkov 5.4 Št 0,275 0,183 1,000 ra −0,340 −0,040 −0,235 −0,096 ob 2264,513 ev to 0,109 ilo v3 −625739,979 −941,795 5299,838 8149,052 −4305,887 −8330,172 173973,244 Ča a3 s nj 0,100 je 0,038 0,157 1,000 0,183 −0,229 −0,002 −0,014 −8,807 pl 531,176 773,861 le 18109,575 −300,692 8149,052 −1376,885 11353,854 s Ča ja3čen 0,131 0,216 0,072 0,015 1,000 −0,036 −0,014 −0,096 ja 849,381 144,087 vi 3 1352,297 −331,871 −300,692 43322,295 −8330,172 198615,907 ) sa la K Mapi 0,071 1,000 0,015 0,157 0,275 le −0,098 −0,248 −0,016 CM 185,757 −31,447 144,087 773,861 i ( −224,419 2129,734 5299,838 −50610,945 ost a 3 la ožn atur pi 0,042 1,000 a le er −0,140 −0,021 −0,016 −0,036 −0,002 −0,235 −8,807 e zm 104,267 −31,447 ov −305,692 1932,713 −331,871 −4011,550−4305,887 ojn nt ie Temp a 3 e str fic čn oe ent atur ti k 1,000 0,042 0,071 0,072 er −0,122 −0,063 −0,229 −0,040 ri ije pon 104,267 185,757 849,381 −343,445 3192,885−941,795 i k ac −1376,885 el −15847,105 Temp kom or alnik K 3 az or av 0,035 1,000 0,216 0,038 N −0,063 −0,021 −0,248 −0,340 3 in k 7731,278 −4011,550 18109,575 ROI −15847,105 −50610,945 198615,907−625739,979 ed 19515162,239 a na a3 ti m rol čas ien onč 1,000 0,035 0,131 0,100 0,109 −0,122 −0,140 −0,098 K 3. fic kont 531,176 2475,356 7731,278 −343,445 −305,692 −224,419 1352,297 2264,513 oeROI i ka: t3 t3 ijskjivk en en ac a3 a3enl on on el as as or ila3 ila3em a č a č K omp omppr ep v3 ep v3 rol rola s a k a l to a k a l to 3 ja3 ja3 3 ja3 ja3 ont la ra la raisn ont atur atur pi čen atur atur pi čen ljen ljen a k a k a 5.28 3 3 er er le ija er er le čn or ilo ob a Odv ija ep ilo ob ep čn or sa sa s v s l s v s l on av ev on av ev dnicA l K N Temp Temp Ma Ča Ča Št K N Temp Temp Ma Ča Ča Št leMB de cije ela Kor e anc ari Kov egPO Pr Mo 1O 127 5 Empirična raziskava Preglednica 5.29 Korelacije med ROI3 in kazalniki kritične procesne zmožnosti (CPK) Korelacije ROI3 Funkcije Dimenzijska Skladnost z 3 ustreznost3 dokumentacijo Pearsonova ROI3 1,000 0,072 −0,027 0,040 korelacija Funkcije3 0,072 1,000 −0,051 0,760 Dimenzijska ustreznost3 −0,027 −0,051 1,000 0,609 Skladnost z dokumentacijo 0,040 0,760 0,609 1,000 Sig. ROI3 . 0,311 0,427 0,393 (1-stranski) Funkcije3 0,311 . 0,362 0,000 Dimenzijska ustreznost3 0,427 0,362 . 0,000 Skladnost z dokumentacijo 0,393 0,000 0,000 . N ROI3 50 50 50 50 Funkcije3 50 50 50 50 Dimenzijska ustreznost3 50 50 50 50 Skladnost z dokumentacijo 50 50 50 50 ustreznostjo_3L ter s Skladnostjo z dokumentacijo_3L. To pomeni, da bi lahko izboljšanje Funkcij_3L in Dimenzijske ustreznosti_3L ter znižanje Skladnosti z dokumentacijo_3L vodilo k izboljšanju kazalni-ka OEE L3. Obenem lahko sklepamo, da sta kazalnika Funkcije_3L in Skladnost z dokumentacijo_3L pozitivno povezana, kar pomeni, da bi lahko izboljšanje enega kazalnika vodilo tudi k izboljšanju druge-ga. Na podlagi teh rezultatov lahko predlagamo, da se več pozornosti posveti izboljševanju Funkcij_3L in Dimenzijske ustreznosti_3L ter znižanju Skladnosti z dokumentacijo_3L, da bi se izboljšal kazalnik OEE L3. V preglednici 5.31 so predstavljeni rezultati regresijske analize. V tem primeru je odvisna spremenljivka OEE_L3, ki predstavlja raven operativne učinkovitosti, neodvisni spremenljivki pa sta Skladnost z dokumentacijo_3L in Dimenzijska ustreznost_3L. R-kvadrat je statistični kazalnik, ki meri, koliko variabilnosti odvi-sne spremenljivke lahko razložimo z uporabo neodvisnih spremenljivk (Hair idr. 2014). V tem primeru je R-kvadrat enak 0,108, kar pomeni, da samo 10,8 % variabilnosti odvisne spremenljivke OEE_L3 lahko raz-ložimo z uporabo neodvisnih spremenljivk Skladnost z dokumentaci-jo_3L in Dimenzijska ustreznost_3L. 128 Metode analize podatkov 5.4 Preglednica 5.30 Korelacije med OEE L3 in kazalniki kritične procesne zmožnosti (CPK) L3 Korelacije OEE Funkcije Dimenzijska Skladnost z _L3 _3L ustreznost dokumentacijo _3L _3L Pearsonova OEE_L3 1,000 −0,327 −0,012 −0,267 korelacija Funkcije_3L −0,327 1,000 −0,051 0,760 Dimenzijska ustreznost_3L −0,012 −0,051 1,000 0,609 Skladnost z dokumentaci- −0,267 0,760 0,609 1,000 jo_3L Sig. OEE_L3 . 0,010 0,468 0,030 (1-stranski) Funkcije_3L 0,010 . 0,362 0,000 Dimenzijska ustreznost_3L 0,468 0,362 . 0,000 Skladnost z dokumentaci- 0,030 0,000 0,000 . jo_3L N OEE_L3 50 50 50 50 Funkcije_3L 50 50 50 50 Dimenzijska ustreznost_3L 50 50 50 50 Skladnost z dokumentaci- 50 50 50 50 jo_3L Prilagojeni R-kvadrat meri spremembe v R-kvadrat, ki so pos- ledica dodajanja novih neodvisnih spremenljivk. V tem primeru je prilagojeni R-kvadrat enak 0,070, kar pomeni, da dodajanje neodvi-snih spremenljivk ni pomembno izboljšalo kakovosti modela (Hair 2014). Standardna napaka ocene (angl. std. error of the estimate) predsta- vlja napako, ki se pojavi pri ocenjevanju vrednosti odvisne spremen-ljivke z uporabo regresijskega modela. V tem primeru je standardna napaka ocene enaka 8,04053. F-statistika meri statistično pomembnost regresijskega modela. V tem primeru je F-statistika enaka 2,841, kar pomeni, da regresijski mo-del ni statistično pomemben na ravni 0,05. Durbin-Watsonova statistika se uporablja za preverjanje avtokore- lacije v ostankih regresijskega modela in je enaka 2,032, kar pomeni, da ni avtokorelacije. Ugotovimo, da regresijski model, ki uporablja neodvisni spremen- ljivki Skladnost z dokumentacijo_3L in Dimenzijska ustreznost_3L, ne daje natančne napovedi odvisne spremenljivke OEE_L3. Standardna 129 5 Empirična raziskava Preglednica 5.31 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke OEE de ik dr jeni dr cen no at Mo va go vatist a o em. df1 df2 em. so dr -k ila -k rem. pr l R e a at at Spremenjena statistika va Povzetek modelab R at R ak pr sta va sp Pr W ap -k F s R in- g. F s d. n Si urb D Stan 1 0,328a 0,108 0,070 8,04053 0,108 2,841 2 47 0,068 2,032 OPOMBE a Prediktorji: (Konstanta), Skladnost z dokumentacijo_3L, Dimenzijska ustrez-nost_3L. b Odvisna spremenljivka: OEE_L3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. napaka ocene je precej velika, F-statistika pa kaže, da regresijski model ni statistično pomemben na ravni 0,05. V primeru nizke korelacije predstavljajo pozitivno lastnost našega tehnološkega procesa, saj kažejo na njegovo robustnost in stabilnost. To pomeni, da naš proces ni občutljiv na majhne spremembe v določe-nih spremenljivkah, kar je izjemno pomembno za zagotavljanje kon-sistentnih in zanesljivih rezultatov. Pri neodvisni spremenljivki Skladnost z dokumentacijo_3L stan-dardizirani koeficient beta znaša −0,414, kar pomeni, da ima ta spre-menljivka negativen vpliv na odvisno spremenljivko OEE_L3. Vrednost t-statistike je −2,382, kar je dovolj visoko, da lahko z gotovostjo trdimo, da je povezanost statistično značilna pri običajni ravni 0,05. Vrednost konstante je 562,982 in vrednost t-statistike 2,048, kar pomeni, da je odvisnost statistično značilna pri ravni pomembnosti 0,05. Opazimo lahko, da je korelacija med neodvisnima spremenljivkama negativna in znaša −0,609, kar pomeni, da sta spremenljivki v negativni korelaciji. Vrednosti korelacij so nizke, kar nakazuje, da je naš tehnološki proces dovolj robusten in stabilen. Vrednosti statistike kolinearnosti (angl. collinearity statistics) kažejo, da so tolerance in VIF v sprejemljivih me-jah, kar nakazuje, da ne obstaja težava večkratne kolinearne spremen-ljivosti. V preglednici 5.32 so prikazane korelacije med neodvisnima spre-menljivkama Skladnost z dokumentacijo_3L in Dimenzijska ustrez-nost_3L ter odvisno spremenljivko OEE_L3. V našem primeru je kore-lacija med spremenljivkama Skladnost z dokumentacijo_3L in OEE_L3 130 Metode analize podatkov 5.4 negativna ter šibka, kar pomeni, da višja ocena skladnosti z dokumen-tacijo ni povezana z višjimi vrednostmi OEE. Korelacija med spremen-ljivkama Dimenzijska ustreznost_3L in OEE_L3 je prav tako negativna, vendar je v tem primeru močnejša, kar pomeni, da višja ocena dimen-zijske ustreznosti pomeni nižjo vrednost OEE. Ključno je optimirati tehnološki proces tako, da imamo primerno vrednost kazalnikov CPK (zahtevana vrednost v tehnični specifikaciji najmanj 2) in da je vrednost OEE čim bliže 100. Vendar vemo, da je že vrednost OEE okoli 85 zelo dober pokazatelj uspešnosti proizvodnje, zato je pomembno doseči čim višjo vrednost OEE ob hkratni zagoto-vitvi ustrezne dimenzijske ustreznosti in skladnosti z dokumentacijo. Preglednica 5.33 prikazuje rezultate korelacije med kazalnikom OEE L3 in drugimi kazalniki kritične strojne zmožnosti (CMK) L3, kot so navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja in končna kontrola časa. V prvem stolpcu je naveden kazalnik OEE L3, v naslednjih stolpcih pa vsi ostali kazalniki CMK L3. V vsaki celici so tri vrednosti: Pearso-nova korelacija (razpon od −1 do 1), statistična značilnost (Sig.) in N (število vzorcev). V preglednici 5.33 lahko vidimo, da ima OEE L3 najmočnejšo pozi- tivno korelacijo z maso lepila (0,153) in s časom lepljenja (0,129), kar pomeni, da se OEE L3 povečuje, ko se povečata masa lepila in čas leplje-nja. OEE L3 ima tudi pozitivno korelacijo s številom obratov (0,137) in temperaturo komponent (0,153). OEE L3 ima najmočnejšo negativno korelacijo s končno kontrolo časa (0,276), kar pomeni, da se OEE L3 zmanjšuje, ko se poveča čas končne kontrole. OEE L3 ima tudi negativ-no korelacijo z navorom (0,075) in s časom vijačenja (0,062). Npr., korelacija med OEE L3 in navorom L3 je 0,075, kar pomeni, da sta kazalnika med seboj šibko linearno povezana. Signifikanca je 0,303. Preglednica 5.32 Korelacije kazalnikov CPK z odvisno spremenljivko OEE Korelacije koeficientova Model Skladnost z Dimenzijska dokumentacijo_3L ustreznost_3L 1 Korelacije Skladnost z dokumentacijo_3L 1,000 −0,609 Dimenzijska ustreznost_3L −0,609 1,000 Kovariance Skladnost z dokumentacijo_3L 5,280 −2,474 Dimenzijska ustreznost_3L −2,474 3,122 OPOMBA a Odvisna spremenljivka: OEE_L3 131 5 Empirična raziskava Na podlagi rezultatov regresijske analize (preglednica 5.33) lahko napovemo, da ima kazalnik OEE L3 najmočnejšo pozitivno korelacijo z maso lepila in s časom lepljenja, kar pomeni, da se OEE L3 povečuje, ko se povečata masa lepila in čas lepljenja. Prav tako ima pozitivno korela-cijo s številom obratov in temperaturo komponent. Negativno korela-cijo ima s končno kontrolo časa, z navorom in s časom vijačenja. Vred-nosti signifikance kažejo, da so korelacije med OEE L3 in maso lepila, časom lepljenja, številom obratov, temperaturo komponent in končno kontrolo časa statistično značilne. Sklepamo, da so masa lepila, čas le-pljenja, število obratov, temperatura komponent in končna kontrola časa ključni dejavniki, ki vplivajo na OEE L3. Za izboljšanje OEE L3 je treba narediti spremembe na teh kritičnih strojnih zmožnostih. Rezultati regresijske analize v preglednici 5.34 kažejo, da je model, ki smo ga uporabili, teoretično zelo slabo prilagojen podatkom, saj je prilagojeni R-kvadrat negativen (−0,025), kar nakazuje, da model ne pojasni nobene variabilnosti v podatkih. Poleg tega je signifikanca F-testa, ki preverja skupni učinek vseh neodvisnih spremenljivk na odvisno spremenljivko, visoka (0,566), kar pomeni, da ni statistično pomembnih učinkov neodvisnih spremen-ljivk na odvisno spremenljivko OEE. Vrednost Durbin-Watsonove statistike (1,958) se nahaja med 1 in 2, kar nakazuje, da obstaja nekaj avtokorelacije v ostankih modela, kar lahko pomeni, da so nekatere druge spremenljivke, ki niso vključene v model, pomembne za pojasnitev variabilnosti odvisne spremenljivke. Čeprav smo v model vključili več neodvisnih spremenljivk, ki bi lahko izkazovale povezanost z odvisno spremenljivko OEE, rezultati kažejo, da nobena od njih ni statistično pomembna za pojasnitev vari-abilnosti odvisne spremenljivke. Poleg regresijske analize smo izvedli tudi druge analize s program-sko opremo Minitab, ki so potrdile pomanjkanje statistično pomemb-nih korelacij med neodvisnimi spremenljivkami in odvisno spremen-ljivko OEE. To nakazuje, da tehnološki proces, ki smo ga preučevali, ni bil občutljiv na spremembe vrednosti neodvisnih spremenljivk, kar pomeni, da je bil robusten in stabilen. Iz predhodne analize kazalnikov CMK (preglednica 5.20) smo ugo-tovili, da po prvi optimizaciji tehnološkega procesa nismo dosegli ustreznih kazalnikov CMK. Skladno s tem smo izvedli tri optimizacije tehnološkega procesa, ki so bile osredotočene na doseganje ustreznih kazalnikov CMK. Model regresijske analize, ki smo ga uporabili v tretji 132 Metode analize podatkov 5.4 Preglednica 5.33 Korelacije med OEE L3 in kazalniki kritične strojne zmožnosti (CMK) L3 E_L3 or ra 3L na ja_ rol av ija a_3L v_3L atur a_3L t_3L atur a_3L Ma onč sa_3L nj ljen N to er en OE _ - - a a a sa 3L če Korelacije s v pil er pil K ilo ob ča kont le le ep on Ča ev s l Št Temp Temp mp Ča ko ac Navor_3L 0,075 10,000 0,124−0,137 0,041−0,096 0,035−0,054 −0,094 el or ija OEE_L3 1,000 0,075−0,062 0,137−0,026 0,153−0,002 0,129 −0,276 Čas vijačenja_3L −0,062 0,124 1,000 0,066−0,014−0,063 0,059−0,109 0,197 no Temperatura lepila_3L −0,026 0,041−0,014 0,009 1,000−0,028−0,012−0,066 0,105 so va k Število obratov_3L 0,137 −0,137 0,066 1,000 0,009 0,202−0,015 0,157 0,129 ar Temperatura kompo- 0,153 −0,096−0,063 0,202−0,028 1,000−0,084 0,222 0,095 Pe nent_3L Masa lepila_3L −0,002 0,035 0,059−0,015−0,012−0,084 1,000−0,162 0,135 Čas lepljenja_3L 0,129 −0,054−0,109 0,157−0,066 0,222−0,162 1,000 −0,079 Končna kontrola −0,276 −0,094 0,197 0,129 0,105 0,095 0,135−0,079 1,000 časa_3L i) OEE_L3 . 0,303 0,333 0,171 0,429 0,144 0,494 0,185 ,026 ansk Navor_3L 0,303 . 0,195 0,171 0,388 0,254 0,404 0,354 0,257 str Čas vijačenja_3L 0,333 0,195 . 0,325 0,462 0,333 0,343 0,225 0,085 Število obratov_3L 0,171 0,171 0,325 . 0,475 0,080 0,459 0,139 0,186 g. (1- Si Temperatura lepila_3L 0,429 0,388 0,462 0,475 . 0,423 0,467 0,325 0,235 Temperatura kompo- 0,144 0,254 0,333 0,080 0,423 . 0,281 0,061 0,255 nent_3L Masa lepila_3L 0,494 0,404 0,343 0,459 0,467 0,281 . 0,131 0,174 Čas lepljenja_3L 0,185 0,354 0,225 0,139 0,325 0,061 0,131 . 0,293 Končna kontrola 0,026 0,257 0,085 0,186 0,235 0,255 0,174 0,293 . časa_3L N OEE_L3 50 50 50 50 50 50 50 50 50 Navor_3L 50 50 50 50 50 50 50 50 50 Čas vijačenja_3L 50 50 50 50 50 50 50 50 50 Število obratov_3L 50 50 50 50 50 50 50 50 50 Temperatura lepila_3L 50 50 50 50 50 50 50 50 50 Temperatura 50 50 50 50 50 50 50 50 50 komponent_3L Masa lepila_3L 50 50 50 50 50 50 50 50 50 Čas lepljenja_3L 50 50 50 50 50 50 50 50 50 Končna kontrola 50 50 50 50 50 50 50 50 50 časa_3L OPOMBA Sig. je signifikanca. N je velikost vzorca. 133 5 Empirična raziskava Preglednica 5.34 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke OEE de dr jeni dr dn ak a a oce at o-Mo go va in-ik dar nap df1 g. F dr em. df2 kva ts ila-k rem. rem. nov Si R l R a a R-at at Spremenjena statistika ne Povzetek modelab Pr va pr urb sp sp tist Wa Stan D -k F ssta R 1 0,377a 0,142 −0,025 8,44212 0,142 0,849 8 41 0,566 1,958 OPOMBI a Prediktorji: (Konstanta), Končna kontrola časa_3L, Čas lepljenja_3L, Navor_3L, Temperatura lepila_3L, Masa lepila_3L, Število obratov_3L, Čas vijačenja_3L, Temperatura kom-ponent_3L. b Odvisna spremenljivka: OEE_L3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. optimizaciji, je pokazal, da ni korelacij med neodvisnimi spremenljiv-kami in odvisno spremenljivko OEE. To je dodatna potrditev, da je teh-nološki proces stabilen in robusten, saj spremembe neodvisnih spre-menljivk ne vplivajo na OEE.4 Analiza kaže, da je konstantni koeficient enak −386,067, kar pome-ni, da se OEE L3 zmanjša za to vrednost, če so vse korelacije enake nič. Koeficienti spremenljivk nam povedo, kako se bo OEE L3 spremenil glede na spremembe posameznih spremenljivk. Iz analize koeficientov vidimo, da ima spremenljivka Število obratov_3L največji standardizi-rani koeficient beta, kar pomeni, da ima največji vpliv na OEE L3. Spre-menljivka Temperatura komponent_3L ima tudi pomemben vpliv na OEE L3. Ostale spremenljivke, vključno z Navorom_3L, s Časom vijače-nja_3L, Temperaturo lepila_3L, z Maso lepila_3L, s Časom lepljenja_3L in Končno kontrolo čas_3L, imajo manjši vpliv na OEE L3. Poleg tega so bile izračunane tudi korelacije med spremenljivkami, ki kažejo, da so spremenljivke med seboj povezane šibko do zmerno. Koeficienti regresije kažejo tudi statistično pomembnost posameznih spremenljivk. Koeficienti Temperatura komponent_3L, Število obra-tov_3L in Končna kontrola časa_3L so statistično pomembni pri ravni značilnosti 0,05, medtem ko so ostale spremenljivke manj pomembne. Skupaj lahko iz analize koeficientov in statističnih kazalnikov skle-pamo, da spremenljivke Število obratov_3L, Temperatura komponen-t_3L in Končna kontrola časa_3L največjo povezanost izkazujejo z OEE L3. Spremenljivke so med seboj šibko do zmerno povezane. To nakazu-je, da je tehnološki proces robusten in stabilen. Rezultati regresijske analize v preglednici 5.35 kažejo korelacije med kazalniki CMK in odvisno spremenljivko OEE v proizvodnem procesu. 134 Metode analize podatkov 5.4 Končna kontrola časa_3L ima pozitivno korelacijo s spremenljivko OEE_L3, saj je koeficient korelacije enak 1,000. Čas lepljenja_3L ima z OEE_L3 zelo šibko pozitivno korelacijo (0,074), medtem ko imata Na-vor_3L in Temperatura lepila_3L negativno korelacijo z OEE_L3 (–0,116 in –0,056). Masa lepila_3L, Število obratov_3L, Čas vijačenja_3L in Temperatura komponent_3L imajo tudi negativno korelacijo z OEE_ L3, saj koeficienti korelacije znašajo −0,132, −0,092, −0,200 in −0,110. Izračunane kovariance med kazalniki in OEE_L3 kažejo na korela- cije med nekaterimi kazalniki. Končna kontrola časa_3L, Čas leplje-nja_3L in Temperatura komponent_3L imajo pozitivno kovarianco z OEE_L3, medtem ko imajo Navor_3L, Temperatura lepila_3L, Masa le-pila_3L, Število obratov_3L in Čas vijačenja_3L negativno kovarianco z OEE_L3. V skladu s temi rezultati lahko sklepamo, da so kazalniki CMK po- membni pri ocenjevanju učinkovitosti proizvodnega procesa za dose-ganje višje OEE. V kontekstu preglednice 5.35 negativne korelacije kažejo, da so več- je vrednosti nekaterih kazalnikov (npr. čas vijačenja ali temperatura komponent) povezane z manjšimi vrednostmi OEE, kar lahko nakazu-je težave ali slabšo učinkovitost v proizvodnji (Hair idr. 2014). Kritična procesna zmožnost CPK V raziskavi smo izvedli regresijsko analizo za preučevanje korelacije neodvisnih kazalnikov CPK (funkcije, dimenzijska ustreznost in sklad-nost z dokumentacijo) z odvisnimi kazalniki CPK (navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja in končna kontrola časa). Za vsakega od odvisnih kazalnikov smo oblikovali in uporabili regresijsko enačbo ((5.8), (5.9), (5.10), (5.11), (5.12), (5.13), (5.14), (5.15)). Preglednica 5.36 nam daje nekaj osnovnih statističnih podatkov o modelu. V tem primeru je R-kvadrat zelo nizek (0,008), kar pomeni, da neodvisne spremenljivke ne pojasnjujejo velikega dela variance od-visne spremenljivke. Prilagojeni R-kvadrat nam pove, kolikšen delež variance odvisne spremenljivke lahko pojasnimo s kombinacijo neod-visnih spremenljivk. V tem primeru je prilagojeni R-kvadrat negativen (−0,034), kar nakazuje, da so neodvisne spremenljivke slabe napove-dovalke odvisne spremenljivke. Naslednja statistika, ki jo lahko vidimo v preglednici 5.36, je Stan- dardna napaka ocene (angl. std. error of the estimate), kar predstavlja 135 5 Empirična raziskava a o- atur t_3L mp -,110 0,044 0,030 0,063 0,067 1,000 0,807 1,736 8,787 er −0,184 −0,157 −3,477 92,158 35,796 ko nen −12,192 −38,775 Temp s Ča ja_3L 0,085 0,051 1,000 0,067 5,005 8,787 −0,200 −0,148 −0,007 −0,087 20,634 −0,732 −23,340 čen −78,509 484,157 ja −1152,078 vi ev v_3L 0,119 1,000 Št ilo to −0,092 −0,133 −0,020 −0,007 −0,087 −0,157 −3,599 −1,303 −20,172 −60,651 −78,509 −38,775 ra 1739,468 1695,455 ob sa Ma a_3L -,036 -,007 0,134 0,039 1,000 0,063 6,768 0,803 1,736 pil −0,132 −0,007 −3,189 20,951 −1,303 −0,732 −58,119 le a E a atur a_3L 0,059 1,000 0,039 0,051 0,030 2,906 0,803 5,005 0,807 er pil −0,116 −0,056 −0,020 −2,742 19,949 −3,599 −88,806 le ov nt Temp ie OE fic o oe-,148 or_3L 0,112 0,009 1,000 0,119 0,044 k −0,056 −0,036 33,99392,158 jivk av 210,026 −88,806 −58,119 ije N 1739,468 enl −1152,078 ac 125122,416 el em or s pr K Ča o s ja_3L 0,074 1,000 0,009 0,059 0,134 0,085 4,354 2,906 6,768 isn −0,133 −0,184 33,993 20,634 jen 122,413 −60,651−12,192 dv pl le a o n K a CM na rol ov onč sa_3L 1,000 0,074 0,112 4,354 −0,116 −0,132 −0,092 −0,200 −0,110 28,059 −2,742 −3,189−3,477 K ča kont 210,026 −20,172 −23,340 E_L3. alnikOE aza: --jivk ije k en en a_3L a_3L acenl on on el as as ila_3L ila_3Lem or a č a č K omp omppr ol ep v_3L ol ep v_3La s tr a l to a k tr a l to a k ja_3L ja_3L ja_3L ja_3L ra raisn on ila_3L on ila_3L čen ljen atur atur ljen atur čen atur a k ep a k ep a 5.35 er er er er ep čn or_3L a l ilo ob a Odv ija ep ija čn a l ilo ob or_3L s l s v s l s v on av as ev on av as ev dnicA K Ča N Temp M Št Ča Temp t_3L K Ča N Temp M Št Ča Temp t_3L le elu cije ela Kor e anc ari KovMB eg odPO Pr M 1O 136 Metode analize podatkov 5.4 standardno napako napovedi. V tem primeru je ta statistika 0,00296, kar pomeni, da so napovedi zelo natančne, čeprav je R-kvadrat zelo nizek. Change Statistics nam pove, kako se R-kvadrat spremeni, ko v model vključimo nove neodvisne spremenljivke. V tem primeru je sta-tistika F Change 0,198, kar kaže, da dodajanje novih neodvisnih spre-menljivk v model ne izboljša njegove napovedne moči. Zadnji stolpec v preglednici 5.36 je statistika Durbin-Watson, ki znaša 1,783, kar kaže, da obstaja nekaj avtokorelacije v modelu. Regresijska analiza kaže, da neodvisne spremenljivke CPK (funk- cije, dimenzijska ustreznost in skladnost z dokumentacijo) slabo na-povedujejo odvisno spremenljivko Navor3 (CMK). To nakazuje, da so lahko druge neodvisne spremenljivke pomembnejše za napovedovanje te odvisne spremenljivke ali pa da ni linearnega odnosa med temi spre-menljivkami. Korelacijski koeficienti kažejo, da obstaja zmeren negativen ko- relacijski odnos med skladnostjo z dokumentacijo in Navorom3, kar pomeni, da višja kot je skladnost z dokumentacijo, manjši je Navor3. Podobno šibko korelacijo kaže tudi dimenzijska ustreznost, pri kateri se višja dimenzijska ustreznost povezuje z manjšim Navorom3. Za popolno razumevanje učinkov neodvisnih kazalnikov na odvis- no spremenljivko smo uporabili druge statistične metode ali vključili druge kazalnike, ki so lahko povezani z odvisno spremenljivko. Da bi bolje razumeli rezultate regresijske analize, smo uporabili tudi analize CPK in CMK. S pomočjo analize CPK smo lahko ocenili, kako dobro se proces ujema z zahtevami strank, medtem ko smo z analizo CMK lahko ocenili, kako dobro proces deluje v okviru specifikacij. Na podlagi teh analiz smo ugotovili, da so kazalniki CPK, ki smo jih uporabili kot neodvisne spremenljivke, močno povezani med seboj ter da imajo vsi pomembno korelacijo z odvisno spremenljivko Navor3. Še posebej sta se izkazali skladnost z dokumentacijo in Dimenzijska ustreznost3, ki sta bili najbolj korelirani z odvisno spremenljivko. Skratka, s kombinacijo regresijske analize ter analiz CPK in CMK (Mi- nitab) smo pridobili celovit vpogled v proces, ki smo ga analizirali, ter ugo-tovili, kateri kazalniki imajo največjo korelacijo z odvisno spremenljivko. V nadaljevanju (preglednica 5.37) smo preučevali učinke dveh neod- visnih spremenljivk CPK (Skladnost z dokumentacijo3 in Dimenzijska ustreznost3) na odvisno spremenljivko Čas vijačenja3. V našem pri-meru je R-kvadrat znašal 0,026, kar pomeni, da lahko le 2,6 % varia-bilnosti odvisne spremenljivke Čas vijačenja3 razložimo z neodvisno 137 5 Empirična raziskava Preglednica 5.36 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Navor3 (CMK) de va in- ik dr jeni dr dn ce no Mo va go va at urbtist dar a o l R a a at at Spremenjena statistika ne Povzetek modelab -k em. so df1 df2 em. ila -k dr D rem.at R R ak pr pr sta va Pr sp W Stan -k F s nap R g. F s Si 1 0,091a 0,008 −0,034 0,00296 0,008 0,198 2 47 0,821 1,783 OPOMBI a Prediktorji: (Konstanta), Skladnost z dokumentacijo3, Dimenzijska ustreznost3. b Odvisna spremenljivka: Navor3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. spremenljivko CPK. Prilagojeni R-kvadrat je bil negativen, kar kaže, da neodvisni spremenljivki nista dovolj močni za pojasnitev variabilnosti odvisne spremenljivke. Standardna napaka ocene je bila 0,05808, kar pomeni, da je napaka ocene precej velika. Poleg tega preglednica 5.37 prikazuje statistične kazalnike za spre-membe v modelu. F-statistika predstavlja razmerje med razloženo in nerazloženo variabilnostjo, df1 in df2 pa predstavljata stopnji pros-tosti. Signifikantnost F-statistike nam pove, ali so neodvisne spre-menljivke pomembne za razlago odvisne spremenljivke. Na podlagi teh rezultatov lahko sklepamo, da neodvisni spremen-ljivki CPK nista dovolj močni za pojasnitev variabilnosti odvisne spre-menljivke Čas vijačenja3. Za popolno razumevanje učinkov neodvisnih spremenljivk na odvisno spremenljivko bi bilo treba uporabiti druge statistične metode ali pa v analizo vključiti druge kazalnike, ki so lahko povezani z odvisno spremenljivko. Iz preglednice 5.38 lahko razberemo rezultate regresijske analize neodvisnih spremenljivk CPK in odvisne spremenljivke Število obra-tov3. V prvem modelu je R-kvadrat vrednost 0,042, kar pomeni, da neodvisni spremenljivki (Skladnost z dokumentacijo3 in Dimenzijska ustreznost3) pojasnjujeta le 4,2 % variabilnosti odvisne spremenljivke (Število obratov3). Vrednost prilagojenega R-kvadrata pa je negativna, kar pomeni, da neodvisne spremenljivke v modelu niso primerne za pojasnjevanje odvisne spremenljivke. Lahko sklepamo, da izbrani kazalniki CPK ne kažejo močne pove-zave z odvisnima spremenljivkama Čas vijačenja3 in Število obratov3. V nadaljevanju smo uporabili regresijsko analizo (preglednica 5.39) za preučevanje odnosa med spremenljivkama CPK in Temperatu- 138 Metode analize podatkov 5.4 ra lepila3. Rezultati regresijske analize kažejo, da obstaja statistično pomemben odnos med CPK in Temperaturo lepila3, saj je vrednost prilagojenega R-kvadrata 0,18, torej 1,8 % variabilnosti odvisne spre-menljivke Temperatura lepila3 pojasnjujejo neodvisne spremenljivke CPK, Skladnost z dokumentacijo3 in Dimenzijska ustreznost3. Korelacijske koeficiente lahko uporabimo za izračun kovariance med CPK in Temperaturo lepila3. Glede na rezultate lahko ugotovimo, da obstaja negativna korelacija med CPK in Dimenzijsko ustreznostjo3, medtem ko obstaja pozitivna korelacija med CPK in Skladnostjo z do-kumentacijo3. Lahko zaključimo, da ima spremenljivka Dimenzijska ustreznost3 največjo korelacijo s Temperaturo lepila3, medtem ko ima spremenljivka CPK manjšo povezanost. Regresijska analiza (preglednica 5.40) je bila izvedena za oceno po- vezave med neodvisnimi spremenljivkami sestavljenega kazalnika CPK in odvisno spremenljivko Temperatura komponent3 (CMK). Model, ki je bil uporabljen, vključuje tri neodvisne spremenljivke: Skladnost z dokumentacijo3, Dimenzijsko ustreznost3 in konstanto. Rezultati mo-dela kažejo (preglednica 5.40), da R-kvadrat znaša 0,033, kar pomeni, da neodvisne spremenljivke pojasnjujejo samo 3,3 % variabilnosti od-visne spremenljivke. Prilagojeni R-kvadrat znaša −0,008, kar nakazuje, da model ni dobro prilagojen podatkom. Standardna napaka ocene je 0,21305. Rezultati korelacij kažejo, da ni močne korelacije med neodvisnimi spremenljivkami in odvisno spremenljivko. Lahko ugotovimo, da ne-odvisne spremenljivke CPK le delno pojasnjujejo odvisno spremenljiv-ko Temperatura komponent3. Model, ki ga uporabljamo, ni dobro pri-lagojen podatkom, saj ima prilagojeni R-kvadrat negativno vrednost. Preglednica 5.37 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Čas vijačenja3 (CMK) de va in- ik dr jeni dr dn ce no at Mo va go va urbtist dar a o l R a a at at Spremenjena statistika ne Povzetek modelab -k dr em. df1 df2 em. so rem. D ila -k prat R R ak pr sta va sp Pr W Stan -k F s nap R g. F s Si 1 0,160a 0,026 −0,016 0,05808 0,026 0,616 2 47 0,545 2,039 OPOMBI a Prediktorji: (konstanta), Skladnost z dokumentacijo3, Dimenzijska ustreznost3. b Odvisna spremenljivka: Čas vijačenja3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. 139 5 Empirična raziskava Preglednica 5.38 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Število obratov3 (CMK) Mo dr ik jeni dr dn ov ce at va go va on dar df1 df2tist a o em. em. dr rem. ts -k ila -k pr pr R l R a a a at at Spremenjena statistika ne de Povzetek modelab Pr R ak va sta sp Stan -k F s in-a nap R g. F s urb Si D 1 0,204a 0,042 0,001 0,03177 0,042 1,019 2 47 0,369 2,084 OPOMBI a Prediktorji: (Konstanta), Skladnost z dokumentacijo3, Dimenzijska ustreznost3. b Odvisna spremenljivka: Število obratov3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. Preglednica 5.39 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Temperatura lepila3 (CMK) de va ik dr jeni dr dn ce no Mo va go vatist dar a o l R a a at at Spremenjena statistika ne Povzetek modelab -k at so ila -k df1 df2 g. F at R R ak dr em. sta rem. rem. Pr Si Stan pr W va sp sp nap -k F s in- R urb D 1 ,242a ,059 ,018 ,27042 ,059 1,461 2 47 ,242 2,338 OPOPMBI a Prediktorji: (Konstanta), Skladnost z dokumentacijo3, Dimenzijska ustreznost3. b Odvisna spremenljivka: Temperatura lepila3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. Poleg tega so korelacijski koeficienti med neodvisnimi spremenljivka-mi in odvisno spremenljivko šibki, kar nakazuje, da neodvisne spre-menljivke ne pojasnjujejo veliko variabilnosti odvisne spremenljivke. Preglednica 5.41 prikazuje rezultate regresijske analize med neod-visnimi spremenljivkami CPK in odvisno spremenljivko Masa lepila3 (CMK). Model je pokazal, da ima regresijski model nizek koeficient de-terminacije (R-kvadrat) 0,002, kar pomeni, da le 0,2 % variabilnosti v odvisni spremenljivki Masa lepila3 (CMK) pojasnjujejo neodvisne spre-menljivke CPK. Prilagojeni R-kvadrat, ki upošteva število neodvisnih spremenljivk v modelu, kaže, da so neodvisne spremenljivke v modelu slabo povezane z odvisno spremenljivko, saj je vrednost −0,04. Stan-dardna napaka ocene kaže, da je povprečna napaka v modelu čas leplje-nja 0,27543. 140 Metode analize podatkov 5.4 Preglednica 5.40 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Temperatura komponent3 (CMK) de so ik dr jeni dr dn ce at at Mo va go va df1tist dar a o em. df2 em. W dr rem. -k ila -k pr pr R l R a - a at at Spremenjena statistika ne Povzetek modela7 Pr R ak va sp in- Stan -k F s va sta nap R urb g. F s Dno Si 1 0,181a0 ,033 −0,008 0,21305 0,033 0,796 2 47 0,457 1,836 OPOPMBI a Prediktorji: (Konstanta), Skladnost z dokumentacijo3, Dimenzijska ustreznost3. b Odvisna spremenljivka: Temperatura komponent3. R je determinacijski koeficient. Sig. je signi-fikanca. df1 df2 sta stopnji prostosti. Ugotovili smo, da neodvisne spremenljivke CPK slabo korelirajo z odvisno spremenljivko Masa lepila3 (CMK). Rezultati kažejo, da kazal-niki CPK ne predstavljajo pomembnega dejavnika pri optimizaciji pro-cesa Masa lepila3 (CMK). V naslednjem regresijskem modelu je odvisna spremenljivka Čas lepljenja3 (CMK), medtem ko sta neodvisni spremenljivki Skladnost z dokumentacijo3 in Dimenzijska ustreznost3 (preglednica 5.42). Rezul-tati analize kažejo, da je prilagojeni R-kvadrat enak −0,032, kar pome-ni, da odvisne spremenljivke ne pojasnjujejo neodvisnih spremenljivk v modelu. Preglednica 5.42 tudi kaže, da nobena od neodvisnih spremenljivk ni statistično pomembna pri pojasnjevanju spremenljivosti odvisne spre-menljivke, saj signifikance ne dosežejo statistične značilnosti (> 0,05). V skladu s temi rezultati lahko sklepamo, da nobena od neodvisnih spremenljivk nima pomembne povezanosti z odvisno spremenljivko. Vendar pa obstaja negativna korelacija med odvisno spremenljivko in neodvisnima spremenljivkama Skladnost z dokumentacijo3 in Dimen-zijsko ustreznostjo3, kar pomeni, da bi izboljšanje teh dveh kazalnikov lahko zmanjšalo Čas lepljenja3. Kljub temu je potreben nadaljnji nad-zor nad drugimi morebitnimi spremenljivkami, ki bi lahko vplivale na Čas lepljenja3. Kot zadnjo smo analizirali odvisno spremenljivko Končna kontro- la časa3 (CMK), medtem ko sta bili neodvisni spremenljivki Skladnost z dokumentacijo3 in Dimenzijska ustreznost3 (CPK). Rezultati regre-sijske analize, predstavljeni v preglednici 5.43, kažejo, da neodvisne spremenljivke (CPK) razložijo le majhen delež variabilnosti odvisne spremenljivke (CMK), saj je R-kvadrat samo 0,039. Poleg tega so sig- 141 5 Empirična raziskava Preglednica 5.41 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Masa lepila3 (CMK)1 de so ik dr jeni dr dn ce at at Mo va go vatist dar a o em. df1 df2 em. W dr rem. -k ila -k pr pr R l R a - a at at Spremenjena statistika ne Povzetek modelab Pr R ak va sp in- Stan -k F s va sta nap R urb g. F s Dno Si 1 0,049a 0,002 −0,040 0,27543 0,002 0,056 2 47 0,946 2,256 OPOPMBI a Prediktorji: (Konstanta), Skladnost z dokumentacijo3, Dimenzijska ustreznost3. b Odvisna spremenljivka: Masa lepila3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. Preglednica 5.42 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Čas lepljenja3 (CMK) de so ik dr jeni dr dn ce at at Mo va go vatist dar em. df1 df2 a o em. W dr rem. -k ila -k pr pr R l - R a a at at Spremenjena statistika ne Povzetek modelab Pr R ak va sp in- Stan -k F s va sta nap R urb g. F s Dno Si 1 0,102a 0,010 −0,032 0,11681 0,010 0,247 2 47 0,782 2,174 OPOPMBI a Prediktorji: (Konstanta), Skladnost z dokumentacijo3, Dimenzijska ustreznost3. b Odvisna spremenljivka: Čas lepljenja3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. nifikance statistično neznačilne, kar pomeni, da ni nobene statistično pomembne povezave med neodvisnimi in odvisno spremenljivko. Rezultati tega regresijskega modela nakazujejo, da CPK nima po-membne povezanosti s Končno kontrola časa3 (CMK). Na podlagi analize vseh regresijskih modelov CPK je ugotovljeno, da so kazalniki CPK v veliki meri korelirani med seboj in imajo vsi po-membno korelacijo z odvisno spremenljivko Navor3, še posebej pa z odvisnima spremenljivkama Skladnost z dokumentacijo3 in Dimen-zijska ustreznost3. Rezultati kažejo, da kazalniki CPK ne predstavljajo pomembnega dejavnika pri optimizaciji procesa Masa lepila3 (CMK), neodvisne spremenljivke pa slabo korelirajo z odvisnima spremen-ljivkama Čas vijačenja3 in Število obratov3. Pri tem je bila uporablje-na kombinacija regresijske analize ter analiz CPK in CMK (Minitab), ki pridobivajo celovit vpogled v proces in ugotavljajo, kateri kazalniki imajo največjo korelacijo z odvisno spremenljivko. 142 Metode analize podatkov 5.4 Preglednica 5.43 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke Končna kontrola časa 3 (CMK) de so ik dr jeni dr dn ce at at Mo va go va df1 df2tist dar a o em. em. W dr rem. -k ila -k pr pr R l R a - a at at Spremenjena statistika ne Povzetek modelab Pr R ak va sp in- Stan -k F s va sta nap R urb g. F s Dno Si 1 0,198a 0,039 −0,002 0,24099 0,039 0,961 2 47 0,390 1,837 OPOPMBI a Prediktorji: (Konstanta), Skladnost z dokumentacijo3, Dimenzijska ustreznost3. b Odvisna spremenljivka: Končna kontrola časa3. R je determinacijski koeficient. Sig. je signifi-kanca. df1 df2 sta stopnji prostosti. Kritična strojna zmožnost CMK V raziskavi smo izvedli regresijsko analizo z uporabo metode enter za preučevanje korelacije neodvisnih kazalnikov CMK (navor, čas vi-jačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja in končna kontrola časa) z odvisnimi kazal-niki CPK (funkcije, dimenzijska ustreznost in skladnost z dokumen-tacijo). Za vsakega od odvisnih kazalnikov smo oblikovali in uporabili regresijsko enačbo ((5.5), (5.6), (5.7)), ki se je razlikovala le po odvisnem kazalniku, ki smo ga želeli preučiti. Rezultati regresijske analize (5.5, preglednica 5.44) kažejo, da mo- del lahko razloži R-kvadrat 13,9 % variabilnosti v odvisni spremenljivki Funkcije3. Standardna napaka ocene (ang. std. error of the estimate) je 1,01552, kar pomeni, da so napovedi modela običajno odstopale za to-liko. Prilagojeni koeficient determinacije (angl. adjusted R-squared) vred- nosti −0,029 kaže, da model ne upošteva ustreznih spremenljivk in bi lahko bil izboljšan. Durbin-Watson je statistični test, ki meri avtokore-lacijo napak v regresijskem modelu. Vrednost 1,855 kaže, da so napake v modelu nekoliko avtokorelirane. V skladu s temi rezultati bi lahko zaključili, da v teh podatkih ni močne povezanosti med spremenljivkami, čeprav obstajajo šibke ko-relacije (Field 2018). Npr., kovarianca med temperaturo lepila in števi-lom obratov je −0,687, kar pomeni, da se temperatura lepila in število obratov gibljeta v nasprotnih smereh (Hair idr. 2014). Glede na podane koeficiente korelacij in kovariance lahko sklepa- mo o moči ter smeri povezanosti med neodvisnimi spremenljivkami in odvisno spremenljivko. Za podrobnejšo analizo in interpretacijo je 143 5 Empirična raziskava Preglednica 5.44 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke Funkcije3 (CPK) de ik jeni dr dr dn no ce at so Mo va go vatist dar df1 a o dr em. df2 em. -k rem. at ila -k pr l R a - a at at Spremenjena statistika ne Povzetek modelab R pr R ak va W sp Pr Stan-k F sin- va sta nap R g. F s Si urb D 1 0,373a 0,139 −0,029 1,01552 0,139 0,827 8 41 0,584 1,855 OPOPMBI a Prediktorji: (Konstanta), Končna kontrola časa3, Navor3, Temperatura kompo-nent3, Temperatura lepila3, Masa lepila3, Čas vijačenja3, Čas lepljenja3, Število obratov3. b Od-visna spremenljivka: Funkcije3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. treba upoštevati tudi druge statistične kazalnike, kot so signifikance in R-kvadrat. Regresijsko analizo (enačba 5.6, preglednica 5.45) smo izvedli tudi za kazalnik dimenzijska ustreznost. Rezultati regresijske analize, ki so predstavljeni v tem modelu, prikazujejo, kako dobro lahko neod-visne spremenljivke (tj. Končna kontrola časa3, Navor3, Temperatura komponent3, Temperatura lepila3, Masa lepila3, Čas vijačenja3, Čas le-pljenja3 in Število obratov3) napovedujejo odvisno spremenljivko (tj. Dimenzijska ustreznost3). Vrednost R-kvadrat (0,131) nam pove, da neodvisne spremenljivke pojasnjujejo le 13,1 % variabilnosti v odvisni spremenljivki (pregledni-ca 5.45). To pomeni, da obstajajo tudi druge spremenljivke, ki vplivajo na Dimenzijsko ustreznost3, ki jih ta model ne upošteva. Prilagojeni R-kvadrat (–0,038) nam pove, da model s točkami, ki so vključene v model, ni ustrezen za pojasnjevanje variabilnosti v Dimenzijski ustre-znosti3. Standardna napaka ocene (0,83547) predstavlja standardno napako pri napovedovanju vrednosti Dimenzijska ustreznost3. F-sta-tistika (0,775) nam pove, da neodvisne spremenljivke niso statistično pomembne za napovedovanje Dimenzijske ustreznosti3, saj je signifi-kanca (0,627) večja od običajnega praga 0,05. Durbin-Watsonova stati-stika (1,726) nam pove, da v modelu obstaja nekaj avtokorelacije, kar pomeni, da so vrednosti odvisne spremenljivke povezane med seboj in da v modelu niso upoštevani vsi dejavniki, ki prispevajo k napovedova-nju vrednosti Dimenzijska ustreznost3. Npr., Čas vijačenja3 in Čas lepljenja3 sta zmerno povezana z Di-menzijsko ustreznostjo3, medtem ko sta Navor3 in Masa lepila3 šibko 144 Metode analize podatkov 5.4 povezana. Poleg tega se lahko opazi, da so nekatere neodvisne spre-menljivke med seboj precej povezane. Npr., Končna kontrola časa3 in Navor3 imata visoko korelacijo (0,834) in kovarianco (2106,047), kar kaže na močno povezavo med tema dvema spremenljivkama. Kot zadnji kazalnik v sklopu CMK smo z regresijsko analizo (enačba 5.7, preglednica 5.46) preverjali kazalnik skladnosti z dokumentacijo. Rezultati kažejo, da obstaja zmerni pozitivni linearni odnos med neod-visnimi spremenljivkami in odvisno spremenljivko (R = 0,443). To po-meni, da večje kot so vrednosti neodvisnih spremenljivk, večja je verjet-nost, da je skladnost z dokumentacijo višja. V tem primeru R-kvadrat znaša 0,197, kar pomeni, da neodvisne spremenljivke pojasnjujejo 19,7 % variabilnosti odvisne spremenljivke. Prilagojeni R-kvadrat je zelo ni-zek (0,040), kar pomeni, da model ni prilagojen podatkom. Standardna napaka ocene meri, koliko se lahko dejanske vrednosti od- visne spremenljivke razlikujejo od ocenjenih vrednosti. V tem primeru je standardna napaka ocene 0,61783 in F-statistika znaša 1,254, p-vrednost pa 0,294, kar kaže, da vključitev neodvisnih spremenljivk ni statistično pomembna. V tem primeru Durbin-Watsonova statistika znaša 1,932. V skladu z rezultati regresijske analize lahko sklepamo, da obstajajo šibke korelacije med spremenljivkami, vendar so le nekatere korelacije statistično značilne. Koeficient determinacije kaže, da model ne upo-števa vseh pomembnih spremenljivk. V naši raziskavi smo uporabili analize CPK in CMK za preverjanje ustreznosti procesa proizvodnje v povezavi s spremenljivkami, ki smo jih preučevali. Zato smo te analize upoštevali za potrditev hipotez. Dobičkonosnost vloženega kapitala ROI V nadaljevanju smo preučevali korelacije med neodvisnimi kazalniki CMK, kot so končni kontrolni čas, navor, temperatura komponente, temperatura lepila, masa lepila, čas vijačenja, čas lepljenja in število obratov, ter odvisnim kazalnikom ROI3. Rezultati analize v preglednici 5.47 kažejo, da je model statistično pomemben (Sig. F-testa je manjša od 0,05), vendar se lahko le 12,1 % variabilnosti odvisne spremenljivke ROI3 razloži z neodvisnimi spre-menljivkami v modelu. Prilagojeni R-kvadrat je −0,05, kar pomeni, da so bile nekatere neodvisne spremenljivke vključene v model, vendar ne prispevajo k razlagi odvisne spremenljivke. V tem primeru je standard-na napaka napovedi enaka 80,42308. Durbin-Watsonova statistika je 2,404, kar kaže na prisotnost avtokorelacije med ostanki. 145 5 Empirična raziskava Preglednica 5.45 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke Dimenzijska ustreznost3 (CPK) Mo dr va no ik dra ap cen -k at so va df1 df2tist a n em. em. dr rem. at -k ka o pr pr R l - t R e - a at a-Spremenjena statistika de Povzetek modelab ila R g. F sSi urb Pr go -k F s in- va sta dar jeni R dn va sp W Stan D 1 0,362a 0,131 −0,038 0,83547 0,131 0,775 8 41 0,627 1,726 OPOPMBI a Prediktorji: (Konstanta), Končna kontrola časa3, Navor3, Temperatura kompo-nent3, Temperatura lepila3, Masa lepila3, Čas vijačenja3, Čas lepljenja3, Število obratov3. b Odvi-sna spremenljivka: Dimenzijska ustreznost3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 stopnje prostosti. Vrednosti korelacijskega koeficienta se gibljejo med −0,340 in 0,275, kar kaže na šibko do zmerno povezanost med posameznimi kazalni-ki in ROI3. Vrednosti kovariančnega koeficienta so večje in se gibljejo med −625739,979 in 19515162,239, kar pomeni, da so kazalniki med se-boj bolj povezani v smislu skupne variabilnosti. Regresijska analiza (preglednica 5.48) je bila izvedena za neodvisne spremenljivke CPK, Skladnost z dokumentacijo in Dimenzijska ustre-znost3, ter odvisno spremenljivko ROI3. Preglednica 5.48 kaže, da je R-kvadrat samo 0,006, kar pomeni, da je le 0,6 % variabilnosti odvisne spremenljivke ROI3 razložene z neodvisnimi spremenljivkami. Prilago-jeni R-kvadrat je −0,037, kar pomeni, da neodvisne spremenljivke, vklju-čene v model, ne prispevajo k pojasnjenosti odvisne spremenljivke. Rezultati regresijske analize so pokazali, da neodvisni spremenljiv-ki Skladnost z dokumentacijo3 in Dimenzijska ustreznost3 ne prispe-vata k napovedi odvisne spremenljivke ROI3. Kljub temu pa obstaja negativna korelacija med neodvisnima spremenljivkama Dimenzijska ustreznost3 in Skladnost z dokumentacijo3, kar kaže na njuno med-sebojno povezanost. Vrednost korelacijskega koeficienta −0,609 med ROI3 in Skladnostjo z dokumentacijo3 pa nakazuje, da se njuni vred-nosti premikata v nasprotnih smereh. Vrednost kovariančnega koefici-enta −44,325 med Skladnostjo z dokumentacijo3 in Dimenzijsko ustre-znostjo3 pa je negativna. 5.5 Preverjanje in način testiranja hipotez 5.5 Pri preverjanju hipotez smo uporabili regresijsko analizo, ki nam omo-goča preučevanje povezav med različnimi spremenljivkami in njihovo 146 Preverjanje in način testiranja hipotez 5.5 Preglednica 5.46 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke Skladnost z dokumentacijo3 (CPK) de va va ak ik dr dra -k no oce Mo ap vatist em. l - t R a a at Spremenjena statistika ne Povzetek modelab R a n pr pr pr at sta jeni R -k em. df1 df2 em. so go dn W F s at sin- dar g. F s dr ila Si va Pr urb Stan -kD R 1 0,443a 0,197 0,040 0,61783 0,197 1,254 8 41 0,294 1,932 OPOPMBI a Prediktorji: (Konstanta), Končna kontrola časa3, Navor3, Temperatura kompo-nent3, Temperatura lepila3, Masa lepila3, Čas vijačenja3, Čas lepljenja3, Število obratov3. b Odvi-sna spremenljivka: Skladnost z dokumentacijo3. R je determinacijski koeficient. Sig. je signifikan-ca. df1 df2 sta stopnji prostosti. povezanost z odvisno spremenljivko. Za neodvisne spremenljivke smo uporabili različne kazalnike CPK in CMK, medtem ko smo za odvisno spremenljivko uporabili kazalnike OEE in ROI. Pri preverjanju hipotez smo se osredotočili na izbrane kazalnike, za katere smo predpostavljali, da imajo pomemben prispevek za razisko-valno vprašanje. Zato smo vzporedno uporabili dve programski orodji, Minitab in SPSS. Odločili smo se izvesti dve popolnoma različni analizi, da bi zagotovili najzanesljivejše in najprimerljivejše rezultate. Z zanes-ljivostjo lahko potrdimo, da so se izhodni rezultati obeh analiz popolno-ma ujemali, kljub temu da so bile nominalne vrednosti analiz različne. Razlika izhaja iz dejstva, da smo uporabili različne metode analize. Re-gresijska analiza v SPSS je drugačna od analize CMK in CPK v Minitabu. Analizi CMK in CPK temeljita na analizi MANOVA. Za potrditev hipotez Preglednica 5.47 Regresijska analiza neodvisnih spremenljivk CMK in odvisne spremenljivke ROI3 de va in ik dr jeni dr dn ce no at Mo va go va urb dar df1tist a o l R a - a at at Spremenjena statistika ne Povzetek modelab -k dr em. df2 g. F so rem. rem. D ila -k pr Siat R R ak va sta sp sp Pr Stan -k F s -W nap R 1 0,348a 0,121 −0,050 80,42308 0,121 0,706 8 41 0,684 2,404 OPOPMBI a Prediktorji: (Konstanta), Končna kontrola časa3, Navor3, Temperatura kompo-nent3, Temperatura lepila3, Masa lepila3, Čas vijačenja3, Čas lepljenja3, Število obratov3. b Odvi-sna spremenljivka: ROI3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. 147 5 Empirična raziskava Preglednica 5.48 Regresijska analiza neodvisnih spremenljivk CPK in odvisne spremenljivke ROI3 de va in ik jeni dr dr dn ce at no Mo va go va urbtist dar l R a - a at at Spremenjena statistika ne Povzetek modelab -k a o df1 df2 g. F dr em. so ila -k rem. rem. D Si prat sta R R ak va sp sp Pr Stan -k F s -W nap R 1 0,075a 0,006 −0,037 79,89634 ,006 0,133 2 47 0,875 2,344 OPOPMBI a Prediktorji: (Konstanta), Skladnost z dokumentacijo, Dimenzijska ustreznost3. b Odvisna spremenljivka: ROI3. R je determinacijski koeficient. Sig. je signifikanca. df1 df2 sta stopnji prostosti. smo morali doseči vrednost kazalnika najmanj 1,67 (Pyzdek 2003; Po-jasek 2003; Aized 2012) ali več, kar pomeni, da je bil faktor zmožnosti, ki smo ga merili, vsaj 1,67-krat večji od zahtevane stopnje zmožnosti. Hipoteza 1 Kritična procesna zmožnost je statistično značilno povezana s skupno učinkovitostjo opreme. Kot neodvisne spremenljivke smo v model vključili vse kazalnike CPK, med katerimi je bil tudi kazalnik ponovljivosti, ki ga prikazujejo kazal-niki funkcij, dimenzijske ustreznosti in skladnosti z dokumentacijo, na drugi strani pa smo kot odvisno spremenljivko uporabili OEE, ki ga predstavljajo kazalniki razpoložljivosti, produktivnosti in kakovosti. Enak regresijski model smo uporabili tudi za kazalnike po tretji opti-mizaciji, saj so bili ti kazalniki skladni s specifikacijo. Na podlagi hipoteze 1 smo zapisali enačbo regresijske analize za napovedovanje vrednosti OEE_L3 na osnovi kazalnikov (CPK) Funk-cije_3L, Dimenzijska ustreznost_3L in Skladnost z dokumentacijo_3L (preglednica 5.31): OEE_L3 = b0 + b1 $ funkcije_3L + b2 $ dimenzijska_ustreznost_3L (5.3) + b3 $ skladnost_z_dokumentacijo_3L + f , kjer so: b 0 – konstanta, b1, b2 in b3 koeficienti regresijskega modela, ε – napaka modela. Preglednica 5.49 predstavlja opisne statistike za vsako od štirih spremenljivk: OEE_L3, Funkcije_3L, Dimenzijska ustreznost_3L in 148 Preverjanje in način testiranja hipotez 5.5 Skladnost z dokumentacijo_3L. Za vsako spremenljivko so prikazani povprečna vrednost (Mean), standardni odklon (Std. Deviation) in šte-vilo opazovanj (N). Spremenljivka OEE_L3 ima povprečno vrednost 84,49 in standardni odklon 8,34, kar pomeni, da so vrednosti te spremenljivke razpršene okoli povprečne vrednosti. Spremenljivka Funkcije_3L ima povprečno vrednost 160,12 in standardni odklon 1,00, kar pomeni, da so vrednos-ti te spremenljivke zelo blizu povprečne vrednosti. Spremenljivka Di-menzijska ustreznost_3L ima povprečno vrednost 139,04 in standardni odklon 0,82, kar pomeni, da so vrednosti te spremenljivke relativno bli-zu povprečne vrednosti. Spremenljivka Skladnost z dokumentacijo_3L ima povprečno vrednost 149,58 in standardni odklon 0,63, kar pomeni, da so vrednosti te spremenljivke zelo blizu povprečne vrednosti. Na podlagi opisnih statistik lahko sklepamo, da so vrednosti spremen- ljivk OEE_L3, Dimenzijska ustreznost_3L in Skladnost z dokumentaci-jo_3L bolj razpršene v primerjavi s spremenljivko Funkcije_3L, ki ima zelo nizek standardni odklon. Vendar moramo poudariti, da so vse vrednosti kazalnikov ustrezne, kar smo podrobno pojasnili v podpoglavju 5.4.6. Namen hipoteze je bil preveriti, ali obstaja povezava med kako- vostjo proizvodnje in različnimi vidiki proizvodnje, kot so funkcije, dimenzijska ustreznost in skladnost z dokumentacijo, ki skupaj pred-stavljajo kazalnik CPK. Na podlagi tega smo želeli ugotoviti, ali obstaja kakšna korelacija med posameznimi vidiki proizvodnje in kakovostjo proizvodnje, izraženo z OEE_L3. Nato smo si ogledali preglednico kore-lacij, ki nam je pokazala, kako so posamezne spremenljivke povezane med seboj (preglednica 5.30). Glede na rezultate korelacijske analize smo potrdili hipotezo 1. Bolj- ša funkcionalnost opreme (višja ocena Funkcij_3L) vodi do nižje učin-kovitosti opreme (nižja ocena OEE_L3), kar se ujema s predpostavko, da večja funkcionalnost lahko vodi do povečanega števila napak ali te-žav, kar lahko vpliva na učinkovitost proizvodne opreme. Poleg tega se je izkazalo, da je tudi večja skladnost z dokumentacijo povezana z nižjo učinkovitostjo opreme, kar lahko nakazuje, da se podjetje bolj osredo-toča na skladnost z dokumentacijo kot pa na vzdrževanje in izboljšanje učinkovitosti opreme. Na podlagi opisne statistike (preglednica 5.49) lahko vidimo, da je povprečna ocena OEE_L3 84,49, kar kaže, da je učinkovitost opreme v povprečju precej visoka. Funkcije_3L imajo višjo povprečno oceno (160,12), kar kaže na visoko funkcionalnost opreme. 149 5 Empirična raziskava Preglednica 5.49 Opisna statistika hipoteza 1 Opisna statistika Povprečje SD N OEE_L3 84,4900 8,33717 50 Funkcije_3L 160,1160 1,00109 50 Dimenzijska ustreznost_3L 139,0440 0,81995 50 Skladnost z dokumentacijo_3L 149,5800 0,63052 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. Dimenzijska ustreznost_3L in Skladnost z dokumentacijo_3L imata nižji korelacijski koeficient (preglednica 5.32) s preostalimi spremen-ljivkami, kar pomeni, da imata manjši vpliv na končno vrednost OEE. Poleg tega je p-vrednost za Skladnost z dokumentacijo_3L v primerjavi s preostalimi spremenljivkami najnižja, kar kaže na statistično značil-no povezanost s preostalimi spremenljivkami in s tem na potencialno velik vpliv na končno vrednost OEE. Glede na ugotovitve korelacijske analize lahko sklepamo, da so vrednosti OEE bolj povezane s funkcijami in z dimenzijsko ustrez-nostjo kot pa s skladnostjo z dokumentacijo. To pomeni, da bi se bilo treba pri izboljšanju vrednosti OEE najprej osredotočiti na izboljšanje teh dveh področij. Na podlagi ugotovitev korelacijske analize lahko priporočamo, da podjetje več pozornosti posveti izboljšanju funkcij in dimenzijske ustreznosti v proizvodnem procesu, saj imata ta dva kazalnika največji prispevek pri izboljšanju vrednosti OEE. Poleg tega bi bilo priporočljivo izboljšati tudi skladnost z dokumentacijo, vendar ne na račun funkcij in dimenzijske ustreznosti. Na podlagi rezultatov regresijske analize in rezultatov kazalnikov CPK 5.4.6 smo potrdili hipotezo 1, saj obstaja statistično pomembna povezava med kazalniki kakovosti (OEE_L3) in kazalniki skladnosti s specifikacijo (Funkcije_3L in Skladnost z dokumentacijo_3L). Rezulta-ti kažejo, da je boljša kakovost (večji OEE_L3) povezana z večjo skla-dnostjo z dokumentacijo in boljšimi funkcijami izdelka. Hipoteza 2 Kritična strojna zmožnost je statistično značilno povezana s skupno učinkovitostjo opreme. Za preverjanje druge hipoteze smo uporabili regresijski model, ki je preverjal povezavo med kazalniki CMK, ki vključujejo kazalnike vi-jačenja, lepljenja in končne kontrole kot neodvisnih spremenljivk, 150 Preverjanje in način testiranja hipotez 5.5 ter OEE kot odvisno spremenljivko. Kazalniki vijačenja so vključevali kazalnike navora, časa in števila obratov, kazalniki lepljenja pa ka-zalnike temperature lepila, temperature komponent, mase lepila in časa lepljenja. Zadnja neodvisna spremenljivka je bila končna kon-trola, katere kazalnik je bil čas. Na drugi strani pa smo vključili OEE, ki smo ga predstavljali s kazalniki razpoložljivosti, produktivnosti in kakovosti. Analiza modela s kazalniki tretje optimizacije je potrdila, da je bil regresijski model ustrezen in skladen z rezultati analiz, ki smo jih iz-vedli v programski opremi Minitab. Analiza CMK z Minitabom je po-kazala skladnost z dokumentacijo in posledično povezanost med CMK in OEE. Hipotezo 2 smo preverjali z regresijsko analizo, kjer smo uporabili enačbo (5.4, preglednica 5.34): OEE_L3 = b0 + b1 $ Navor_3L + b2 $ Čas vijačenja_3L + b3 $ Število obratov_3L + b4 $ Temperatura lepila_3L + b5 $ Temperatura komponent_3L (5.4) + b6 $ Masa lepila_3L + b7 $ Čas lepljenja_3L + b8 $ Končna kontrola čas_3L + f , kjer so: OEE_L3 – odvisna spremenljivka (označuje učinkovitost opreme); Navor_3L, Čas vijačenja_3L, Število obratov_3L, Temperatura lepi- La_3L, Temperatura komponent_3L, Masa lepila_3L, Čas leplje-nja_3L, Končna kontrola časa_3L – neodvisne spremenljivke; b0 – konstanta; b1, b2, b3, b4, b5, b6, b7, b8 – regresijski koeficienti; ε – napaka. Uporabili smo vse neodvisne spremenljivke za napovedovanje OEE_L3. Podatki v preglednici 5.50 prikazujejo podatke o različnih spremen- ljivkah – kazalnikih, kot so OEE, navor, čas vijačenja, število obratov, temperatura lepila, temperatura komponent, masa lepila, čas lepljenja in končna kontrola časa. Za vsako od teh spremenljivk smo izračunali srednjo vrednost in standardni odklon. 151 5 Empirična raziskava Na kazalnik OEE smo se osredotočili, ker je eden izmed najpomemb-nejših parametrov za merjenje učinkovitosti proizvodnje. Izračunana srednja vrednost za OEE je bila 84,49, kar pomeni, da je povprečna učinkovitost proizvodnje 84,49 %. Ta podatek kaže, da proizvodna li-nija deluje zelo učinkovito. Standardni odklon je 8,34, kar nakazuje, da so vrednosti OEE razmeroma razpršene, vendar še vedno relativno sta-bilne. Čeprav je kazalnik OEE visok, je treba opozoriti, da lahko majhna nihanja v drugih spremenljivkah, kot so navor, temperatura lepila in masa lepila, spreminjajo kakovost proizvodnje. Navor vijačenja se nanaša na navor, ki se uporablja za vijačenje vi-jakov. Povprečna vrednost tega kazalnika po tretji optimizaciji je bila 1,1995. Standardni odklon je bil le 0,00351, kar kaže na visoko konsis-tentnost tega kazalnika v tehnološkem procesu. Čas vijačenja se nana-ša na čas, ki je potreben za privijanje vijakov. Povprečni čas vijačenja je bil 21,9026 sekunde, kar kaže na učinkovitost proizvodne linije pri vijačenju vijakov. Število obratov se nanaša na število obratov vijačnika pri vijačenju. Povprečno število obratov na proizvodni liniji je bilo 5,0044 obrata. To je zelo blizu ciljnemu številu obratov in nakazuje, da proizvodna linija deluje zelo konsistentno. Temperatura lepila se nanaša na temperaturo lepila, ki se uporablja pri proizvodnji oz. jo je predpisal proizvajalec lepila. Povprečna tempe-ratura lepila po tretji optimizaciji je bila 59,9782 stopinje Celzija. Stan-dardni odklon je bil 0,27295, kar kaže na relativno visoko variabilnost tega parametra v proizvodni liniji. Temperatura komponent se nanaša na temperaturo komponent, ki se uporabljajo pri proizvodnji. Povprečna temperatura komponent v proizvodni liniji 3L je bila 22,6196 stopinje Celzija. Standardni odklon je bil 0,21216, kar kaže na relativno nizko variabilnost tega parametra v proizvodni liniji. Masa lepila se nanaša na količino lepila, ki se uporablja pri proizvod-nji. Povprečna masa lepila v proizvodni liniji 3L je bila 10,0466 grama. Standardni odklon je bil 0,27007, kar kaže na relativno visoko variabil-nost tega parametra v proizvodni liniji. Čas lepljenja se nanaša na čas, ki je potreben za lepljenje kompo-nent. Povprečni čas lepljenja v proizvodni liniji 3L je bil 22,1816 sekun-de. Standardni odklon je bil 0,11500, kar kaže na relativno nizko varia-bilnost tega parametra v proizvodni liniji. Končna kontrola časa se nanaša na čas, ki je potreben za izvedbo končne kontrole. Povprečni čas za končno kontrolo v proizvodni liniji 152 Preverjanje in način testiranja hipotez 5.5 Preglednica 5.50 Opisna statistika hipoteza 2 Opisna statistika Povprečje SD N OEE_L3 84,4900 8,33717 50 Navor_3L 1,1995 0,00351 50 Čas vijačenja_3L 21,9026 0,05710 50 Število obratov_3L 5,0044 0,03065 50 Temperatura lepila_3L 59,9782 0,27295 50 Temperatura komponent_3L 22,6196 0,21216 50 Masa lepila_3L 10,0466 0,27007 50 Čas lepljenja_3L 22,1816 0,11500 50 Končna kontrola časa_3L 19,9158 0,24080 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. 3L je bil 19,9158 sekunde. Standardni odklon je bil 0,24080, kar kaže na relativno nizko variabilnost tega parametra v proizvodni liniji. Na podlagi teh rezultatov smo lahko potrdili hipotezo 2, saj je ka- zalnik OEE statistično povezan s kazalniki CMK. Vsi ključni kazalniki proizvodnje razen temperature lepila in mase lepila so se izkazali za konsistentne v proizvodni liniji. Visoka variabilnost temperature lepila in mase lepila lahko kaže na nekaj možnih težav v proizvodni liniji. Za dosego še boljše učinkovitosti in zmanjšanje variabilnosti teh parametrov bi bilo treba preučiti terana-lizirati vzroke za ta odstopanja in sprejeti ukrepe za odpravo teh težav. Poleg tega bi bilo mogoče izboljšati učinkovitost proizvodne linije tako, da bi se osredotočili na zmanjšanje variabilnosti parametrov, ki kažejo na višjo variabilnost, kot sta temperatura in masa lepila. Npr., lahko bi uporabili boljše nadzorne metode za nadzor nad temi para-metri in jih ohranili v ožjih mejah za izboljšanje kakovosti izdelkov in zmanjšanje izmeta. V preglednici 5.33 vrednosti prikazujejo korelacije med posamezni- mi spremenljivkami. V našem primeru lahko vidimo, da imajo spre-menljivke OEE_L3, Število obratov_3L in Temperatura komponent_3L pozitivno korelacijo s Končno kontrolo časa_3L, kar pomeni, da so močno povezane. Spremenljivki Čas vijačenja_3L in Masa lepila_3L imata negativno korelacijo s Končno kontrolo časa_3L, kar pomeni, da sta obrnjeno povezani. Ostale spremenljivke imajo relativno majhno povezavo s Končno kontrolo časa_3L. V nadaljevanju smo nekatere od teh variabilnosti podrobneje obravnavali ter predlagali nekaj možnih izboljšav. Najprej smo se osre-dotočili na temperaturo lepila. Kot smo že omenili, je bila variabilnost 153 5 Empirična raziskava tega kazalnika relativno visoka, kar lahko vpliva na kakovost proizvo-da. Eden od možnih načinov za izboljšanje tega kazalnika bi lahko bilo dodajanje večjega števila senzorjev za nadzor temperature lepila, kar bi omogočilo natančnejši nadzor in zagotovilo, da je temperatura lepila vedno v optimalnem območju. Drugi pomemben kazalnik je čas lepljenja. Čeprav je bila variabil-nost tega parametra relativno nizka, bi lahko z njegovim izboljšanjem proizvodna linija še naprej povečevala učinkovitost. Ena od možnosti za izboljšanje bi bila lahko nadgradnja opreme, ki bi omogočala hitrej-še lepljenje brez izgube kakovosti. Naslednji kazalnik, ki si zasluži pozornost, je masa lepila. Čeprav je bila variabilnost tega kazalnika nizka, bi lahko z njegovim izbolj-šanjem proizvodna linija še naprej povečevala učinkovitost. Ena od možnosti za izboljšanje bi bilo lahko dodajanje avtomatizacije, ki bi omogočila natančnejše nadziranje količine lepila, ki se uporablja pri proizvodnji. Nazadnje smo se posvetili kazalniku končne kontrole časa. Čeprav je bila variabilnost tega kazalnika nizka, bi lahko z njegovim izboljša-njem proizvodna linija še naprej povečevala učinkovitost. Ena od mož-nosti za izboljšanje bi bilo lahko izboljšanje metod za kontrolo kakovo-sti, ki bi omogočila hitrejše in natančnejše testiranje izdelkov. V skladu s temi predlogi za izboljšanje parametrov po tretji opti-mizaciji bi bilo mogoče povečati proizvodno učinkovitost in kakovost izdelkov. Vendar pa je treba upoštevati, da lahko izboljšave teh para-metrov prinesejo tudi višje stroške, saj zahtevajo dodatno opremo in nadzor. Zato je treba v vsakem primeru skrbno pretehtati stroške in koristi pred sprejetjem odločitve o morebitnih izboljšavah. Na podlagi statističnih analiz smo ugotovili, da so ti rezultati statis-tično pomembni. Glede na to smo lahko potrdili hipotezo 2, saj obstaja korelacija med spremenljivko OEE_L3 in ostalimi spremenljivkami. Hipoteza 3 Kritična procesna zmožnost je neposredno povezana s kritično strojno zmožnostjo. Za preverjanje tretje hipoteze smo uporabili regresijski model, ki je kot neodvisno spremenljivko vključeval kazalnike CMK in kot odvis-no spremenljivko kazalnike CPK. Za analizo smo uporabili podatke po drugi optimizaciji, ki še niso bili skladni z dokumentacijo, ter končne kazalnike po tretji optimizaciji, ki so zadostili pogojem specifikacije. Kljub temu da se rezultati analize po drugi in tretji optimizaciji niso 154 Preverjanje in način testiranja hipotez 5.5 bistveno razlikovali, je bil regresijski model tretje optimizacije prepri-čljivejši. Izvedli smo multiplo analizo z uporabo treh regresijskih enačb, kjer smo želeli preučiti odvisnost med neodvisnimi kazalniki CMK in odvis-nimi kazalniki CPK. Odvisne kazalnike CPK so predstavljali kazalniki Funkcije_3L, Dimenzijska_ustreznost_3L in Skladnost_z_dokumen-tacijo_3L, medtem ko so bili neodvisni kazalniki CMK Navor_3L, Čas vijačenja_3L, Število obratov_3L, Temperatura lepila_3L, Temperatura komponent_3L, Masa lepila_3L, Čas lepljenja_3L in Končna kontrola časa_3L. Vsaka od treh regresijskih enačb je bila sestavljena iz podobnih ne- odvisnih kazalnikov CMK, vendar so se razlikovale po odvisnem kazal-niku CPK, ki smo ga želeli preučiti (preglednice 5.44, 5.45, 5.46). funkcije_3L = b0 + b1 $ Navor_3L + b2 $ Čas vijačenja_3L + b3 $ Število obratov_3L + b4 $ Temperatura lepila_3L (5.5) + b5 $ Temperatura komponent_3L + b6 $ Masa lepila_3L + b7 $ Čas lepljenja_3L + b8 $ Končna kontrola časa_3L + f , dimenzijska_ustreznost_3L = b0 + b1 $ Navor3L + b2 $ Čas vijačenja3L + b3 $ Število obratov_3L + b4 $ Temperatura lepila_3L (5.5) + b5 $ Temperatura komponent_3L + b6 $ Masa lepila_3L + b7 $ Čas lepljenja_3L + b8 $ Končna kontrola časa_3L + f , skladnost_z_dokumentacijo_3L = b0 + b1 $ Navor_3L + b2 $ Čas vijačenja_3L + b3 $ Število obratov_3L + b4 $ Temperatura lepila_3L + b5 $ Temperatura komponent_3L (5.5) + b6 $ Masa lepila_3L + b7 $ Čas lepljenja_3L + b8 $ Končna kontrola časa_3L + f . 155 5 Empirična raziskava V regresijskih enačbah (5.5), (5.6) in (5.7) b0 predstavlja odmik, ki predstavlja konstanto, b1 do b8 pa so regresijski koeficienti, ki opisu-jejo učinek posameznih neodvisnih kazalnikov na odvisni kazalnik, ε predstavlja napako. Z uporabo regresijske analize lahko določimo po-membnost posameznih neodvisnih kazalnikov za odvisni kazalnik ter s tem oblikujemo strategijo za izboljšanje procesa in učinkovitosti. V tem primeru je odvisna spremenljivka predstavljena z enim izmed kazalnikov CPK. Opisna statistika (preglednica 5.51) hipoteze 3 kaže, da je v tej analizi uporabljenih več neodvisnih spremenljivk ali kazalni-kov CMK. To lahko vidimo v enačbi 5.5, ki prikazuje model regresijske analize, ki napoveduje odvisno spremenljivko, imenovano Funkcije3, z neodvisnimi spremenljivkami. Uporabljena je metoda enter, ki vključi vse neodvisne spremenljivke hkrati. Povprečna vrednost Funkcij_3L je 160,1160, kar pomeni, da je povp-rečna vrednost te funkcije pri merjenju v vzorcu 160,1160. Standardni odklon za to funkcijo je 1,00109, kar nam pove, da so meritve za Funk-cije_3L zelo podobne in imajo nizko raven variabilnosti. Za nekatere neodvisne kazalnike CMK so prikazane tudi povprečne vrednosti in standardni odkloni. Npr., povprečna vrednost za Tempe-raturo lepila3 je 59,9782, kar pomeni, da je povprečna temperatura lepi-la v vzorcu 59,9782 stopinje Celzija. Standardni odklon za Temperaturo lepila3 je 0,27295, kar pomeni, da so meritve temperature lepila zelo podobne in imajo nizko raven variabilnosti. Prva enačba (5.5) regresijske analize nam prikazuje, da so Funkci-je_3L le del kazalnika CPK, medtem ko so ostali kazalniki neodvisni. To pomeni, da lahko Funkcije_3L pomagajo napovedati vrednost kazal-nika CPK, vendar niso edini kazalnik, ki pojasnjuje njegovo vrednost. V skladu s hipotezo 3 so Funkcije_3L in ostali neodvisni kazalniki CMK pomembni za napovedovanje kazalnikov CPK. Nato sledijo koe-ficienti regresijske analize. Beta označuje koeficiente, ki kažejo, kako vsaka neodvisna spremenljivka prispeva k napovedi odvisne spremen-ljivke. Standardna napaka meri razpršenost ocen koeficientov. V tem primeru lahko sklepamo, da so vse neodvisne spremenljiv-ke statistično pomembne pri napovedovanju Funkcij_3L. Poleg tega lahko uporabimo koeficiente nagiba in presečne točke, da izračunamo napovedne vrednosti Funkcij_3L glede na vrednosti neodvisnih spre-menljivk. Poleg korelacijskih koeficientov matrika vsebuje tudi statistično značilnost korelacije. To je predstavljeno z vrednostjo Sig. (1-stranski), 156 Preverjanje in način testiranja hipotez 5.5 ki meri verjetnost, da je opažena korelacija zgolj naključna. Na podlagi tega lahko opazimo, da je korelacija med Funkcijami_3L in številom obratov statistično značilna (Sig. = 0,040). Poleg tega so tudi nekatere druge korelacije statistično značilne (Sig.< 0,05). Poleg tega so tudi nekateri drugi neodvisni kazalniki statistično po- membno povezani z odvisnim kazalnikom. Npr., Navor3 je pozitivno po-vezan s Številom obratov3 (Pearsonov koeficient korelacije je 0,306, sig-nifikanca je 0,015), medtem ko je negativno povezan s Časom vijačenja3 (Pearsonov koeficient korelacije je −0,204, signifikanca je 0,077). Prav tako obstaja pozitivna korelacija med Maso lepila3 in Temperaturo kom-ponent3 (Pearsonov koeficient korelacije je 0,222, signifikanca je 0,061). V tej analizi se osredotočamo na prvo regresijsko enačbo 5.5, ki vključuje samo Funkcije3 kot odvisni kazalnik in neodvisne kazalnike (enačba 5.5). Ta regresijska enačba prispeva k pojasnjenosti Funkcije3 v celotni vrednosti kazalnika CPK. Rezultati kažejo, da je koeficient determinacije (R-kvadrat) za to regresijsko enačbo 0,545, kar pomeni, da Funkcije3 razložijo 54,5 % variabilnosti celotne vrednosti CPK. Poleg tega je koeficient regresije za Funkcije3 statistično pomemben (Sig. < 0,05), kar kaže, da obstaja statistično značilna povezava med Funkcijami3 in celotno vrednostjo CPK. Koeficient regresije je pozitiven, kar kaže, da se celotna vrednost CPK povečuje z naraščanjem vrednosti Funkcij3. Čeprav ima ta regresijski model zmeren koeficient determinacije, je treba opozoriti, da lahko tudi drugi neodvisni kazalniki, kot so Število obratov3, Čas vijačenja3 itd., pomembno prispevajo k celotni vrednosti CPK. Zato bi morali upoštevati vse tri regresijske enačbe in ne samo prve, da bi prišli do celovitega razumevanja povezanosti različnih ka-zalnikov s CPK. Na podlagi korelacijske matrike lahko sklepamo, da sta spremen- ljivki Čas vijačenja3 in Temperatura lepila3 šibko negativno korelirani z odvisno spremenljivko Funkcije3, medtem ko je spremenljivka Število obratov3 zmerno negativno korelirana s Funkcijami3. Spremenljivka Čas lepljenja3 je šibko pozitivno korelirana s Funkcijami3, spremen-ljivka Navor3 pa ima nizko korelacijo z odvisno spremenljivko in ni pomembna za regresijo. Glede na rezultate korelacijske analize lahko priporočamo, da se pri izbiri neodvisnih spremenljivk za regresijsko analizo upoštevajo spre-menljivke Čas vijačenja3, Temperatura lepila3, Število obratov3 in Čas lepljenja3, saj imajo največjo korelacijsko povezavo z odvisno spremen- 157 5 Empirična raziskava Preglednica 5.51 Opisna statistika hipoteza 3 – funkcije_3L in kazalniki CMK Opisna statistika Povprečje SD N Funkcije3 160,1160 1,00109 50 Navor3 1,2006 0,00291 50 Čas vijačenja3 21,9094 0,05762 50 Število obratov3 5,0032 0,03178 50 Temperatura lepila3 59,9782 0,27295 50 Temperatura komponent3 22,6196 0,21216 50 Masa lepila3 10,0466 0,27007 50 Čas lepljenja3 22,1816 0,11500 50 Končna kontrola časa3 19,9158 0,24080 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. ljivko Funkcije3. Spremenljivke Navor3, Temperatura komponent3 in Masa lepila3 pa se lahko izključijo, saj niso pomembne za regresijo. Pa vendar se ne smejo izključiti, ker tehnične specifikacije zahtevajo na-tančen monitoring teh dveh kazalnikov. Prav tako smo pomembnost teh dveh kazalnikov potrdili z analizo CMK. V skladu s regresijsko enačbo (5.5), ki vključuje le spremenljivke, ki predstavljajo funkcije in neodvisne spremenljivke CMK, bi lahko pred-postavili, da funkcije samostojno prispevajo k razlagi odvisne spre-menljivke Funkcije3. V tem primeru bi bilo smiselno, da se v nadaljnjih raziskavah posvetimo še drugim vidikom, ki korelirajo z odvisno spre-menljivko, kot so npr. vpliv temperature, časa itd. V nadaljevanju smo izvedli analizo na podlagi regresijske enačbe (5.6), kjer smo dimenzijsko ustreznost obravnavali kot odvisno spre-menljivko (kazalnik CPK), ostale spremenljivke pa kot neodvisne ka-zalnike CPK. Rezultati v preglednici 5.52 kažejo, da je povprečna dimenzijska ustreznost 139,0440, kar pomeni, da je večina vzorcev dosegla povp-rečno dimenzijsko ustreznost, saj je ta vrednost približno enaka sred-nji vrednosti vzorca. Standardni odklon za dimenzijsko ustreznost je 0,81995, kar nakazuje, da so razlike med vzorci relativno majhne. Glede na vrednosti koeficientov od b1 do b8 lahko opazimo, da so najmočnejši kazalniki dimenzijske ustreznosti navor, temperatura lepila in masa le-pila. Ti kazalniki imajo največji prispevek k dimenzijski ustreznosti, saj so pripomogli k večjemu deležu variabilnosti dimenzijske ustreznosti. Koeficienti za ostale kazalnike so manjši, vendar še vedno značilni, kar pomeni, da tudi ti kazalniki prispevajo k dimenzijski ustreznosti. 158 Preverjanje in način testiranja hipotez 5.5 V nadaljevanju (preglednica 5.53) prikazujemo, da je povprečna vrednost skladnosti z dokumentacijo 149,5800, kar nakazuje, da je povprečna raven skladnosti visoka. Standardni odklon je 0,63052, kar pomeni, da so vrednosti za skladnost z dokumentacijo med seboj raz-meroma podobne. Hipoteza 3 se nanaša na skladnost z dokumentacijo in njeno po- vezanost s kazalniki kritične strojne zmožnosti (CMK). Pomembno je opozoriti, da skladnost z dokumentacijo predstavlja le en del kazalnika zmožnosti procesa (CPK), medtem ko so ostali kazalniki neodvisni ka-zalniki CMK. To pomeni, da lahko skladnost z dokumentacijo prispeva k celotni učinkovitosti procesa. Iz preglednice 5.53 lahko razberemo tudi povprečne vrednosti in standardne odklone za ostale kazalnike CMK, vključno z Navorom3, s Časom vijačenja3, Številom obratov3, Temperaturo lepila3, Tempera-turo komponent3, z Maso lepila3, s Časom lepljenja3 in s Končno kon-trolo časa3. Povprečne vrednosti vseh teh kazalnikov so v normalnem razponu, kar kaže na dobro delovanje procesa. Standardni odkloni za vsak kazalnik so razmeroma majhni. Glede na to lahko sklepamo, da so kazalniki zmožnosti procesa znotraj sprejemljivih meja. Prispevek skladnosti z dokumentacijo h kazalnikom zmožnosti procesa bi lahko bil pomemben dejavnik za iz-boljšanje učinkovitosti procesa. V našem primeru smo preučevali korelacije med Skladnostjo z do- kumentacijo, ki predstavlja odvisni kazalnik CPK, ter ostalimi kazalni-ki CMK. Korelacijski koeficienti kažejo, da Skladnost z dokumentacijo pozitivno korelira s Temperaturo lepila3 in Temperaturo komponent3 (r = 0,212 in r = 0,095), kar kaže, da so višje vrednosti Skladnosti z dokumentacijo povezane z višjimi vrednostmi Temperature lepila3 in Temperature komponent3. Skladnost z dokumentacijo negativno korelira s Časom vijačenja3, Številom obratov3 in z Maso lepila3 (r = –0,160, r = –0,192 in r = –0,030), kar pomeni, da so višje vrednosti Skladnosti z dokumentacijo povezane z nižjimi vrednostmi Časa vija-čenja3, Števila obratov3 in Mase lepila3. Vse ostale povezave so šibke ali zanemarljive. Korelacije med Skladnostjo z dokumentacijo in Navorom3, Časom vijačenja3, Številom obratov3, Temperaturo lepila3 in Temperaturo komponent3 so statistično neznačilne (signifikanca > 0,05). Vendar pa so korelacije med Skladnostjo z dokumentacijo in Maso lepila3 ter Ča-som lepljenja3 statistično značilne (signifikanca < 0,05). 159 5 Empirična raziskava Preglednica 5.52 Opisna statistika, hipoteza 3 – Dimenzijska ustreznost_3L in kazalniki CMK Opisna statistika Povprečje SD N Dimenzijska ustreznost3 139,0440 0,81995 50 Navor3 1,2006 0,00291 50 Čas vijačenja3 21,9094 0,05762 50 Število obratov3 5,0032 0,03178 50 Temperatura lepila3 59,9782 0,27295 50 Temperatura komponent3 22,6196 0,21216 50 Masa lepila3 10,0466 0,27007 50 Čas lepljenja3 22,1816 0,11500 50 Končna kontrola časa3 19,9158 0,24080 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. Podrobnejša analiza korelacijskih koeficientov kaže, da ni močne povezave med Skladnostjo z dokumentacijo in ostalimi kazalniki CMK, saj so korelacijski koeficienti blizu nič. Obstajajo pa statistično značil-ne povezave med nekaterimi drugimi kazalniki CMK. Npr., korelacijski koeficient med Navorom3 in Številom obratov3 je 0,306, kar kaže na zmerno pozitivno povezavo med tema dvema spremenljivkama. Po-dobno velja za korelacijski koeficient med Temperaturo komponente3 in Temperaturo lepila3, ki je –0,028. Hipoteza 3 trdi, da je kritična procesna zmožnost (CPK) nepos-redno povezana s kritično strojno zmožnostjo (CMK). Na podlagi analiz, ki izhajajo iz treh regresijskih enačb, lahko zaključimo, da je hipoteza 3 potrjena. Rezultati analize kažejo, da obstaja statistično značilna povezava med CPK in nekaterimi kazalniki CMK, kot so na-vor, število obratov, temperatura lepila, temperatura komponent in masa lepila. Kadar so ti kazalniki skladni s specifikacijo, se povečuje tudi CPK. Vendar pa ni bilo ugotovljene statistično značilne pove-zave med CPK in drugimi kazalniki CMK, kot sta čas vijačenja in čas lepljenja. Poleg tega so se kazalniki CPK, kot so funkcije, dimenzijska ustre-znost in skladnost z dokumentacijo, statistično značilno povezali z nekaterimi kazalniki CMK, kot so navor, število obratov, temperatura lepila, temperatura komponent in masa lepila. To v teoriji pomeni, da so naprave z višjimi vrednostmi teh kazalnikov sposobne proizvajati boljše rezultate glede funkcij, dimenzijske ustreznosti in skladnosti z dokumentacijo. 160 Preverjanje in način testiranja hipotez 5.5 Preglednica 5.53 Opisna statistika, hipoteza 3 – Skladnost z dokumentacijo_3L in kazalniki CMK Opisna statistika Povprečje SD N Skladnost z dokumentacijo 149,5800 0,63052 50 Novor3 1,2006 0,00291 50 Čas vijačenja3 21,9094 0,05762 50 Število obratov3 5,0032 0,03178 50 Temperatura lepila3 59,9782 0,27295 50 Temperatura komponent3 22,6196 0,21216 50 Masa lepila3 10,0466 0,27007 50 Čas lepljenja3 22,1816 0,11500 50 Končna kontrola časa3 19,9158 0,24080 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. Skupaj z ugotovitvami iz preglednic lahko zaključimo, da so naši podatki potrdili hipotezo 3, da je CPK neposredno povezana s CMK. To kaže, da je izboljšanje kazalnikov CMK lahko koristno pri izboljšanju CPK. Hipoteza 4 Kritična strojna zmožnost (CMK) je neposredno povezana s kritično procesno zmožnostjo (CPK). Četrto hipotezo smo preverjali z modelom kazalnikov CPK kot ne-odvisno spremenljivko in kazalniki CMK kot odvisno spremenljivko. Uporabili smo podatke, ki so bili zbrani po drugi in tretji optimizaciji. Rezultati analize so pokazali, da so bili kazalniki CMK v obeh primerih pričakovani in v skladu s specifikacijami. Kljub temu pa smo opazili razlike v posameznih kazalnikih med drugo in tretjo optimizacijo. Z uporabo regresijske analize smo lahko preučili tudi povezanost navora s kazalniki CPK. Na podlagi regresijske enačbe smo lahko napo-vedali vrednosti kazalnikov CPK, ki so odvisni od navora. Ta informaci-ja nam lahko pomaga pri izboljšanju procesa proizvodnje. Regresijska enačba (5.8) za navor kot odvisno spremenljivko se glasi (preglednica 5.36): Navor_3L = b0 + b1 $ Funkcije_3L + b3 (5.8) $ + b2 $ Dimenzijska_ustreznost_3L Skladnost_z_dokumentacijo_3L + f i . 161 5 Empirična raziskava Kjer: • b0, b1, b2 in b3 predstavljajo koeficiente regresije za vsako ne- odvisno spremenljivko • Funkcije_3L, Dimenzijska_ustreznost_3L in Skladnost_z_do- kumentacijo_3L predstavljajo neodvisne spremenljivke, ε pa i predstavlja naključne napake pri merjenju odvisne spremen-ljivke Yi. Rezultati analize v preglednici 5.54 predstavljajo ocene različnih vidikov monitoringa proizvodnega procesa. Prikazane so povprečne vrednosti in standardne deviacije za štiri spremenljivke: navor (Na-vor3), funkcionalnost (Funkcije3), dimenzijska ustreznost (Dimenzij-ska ustreznost3) in skladnost z dokumentacijo (Skladnost z dokumen-tacijo). Povprečna vrednost navora je 1,2006, kar kaže na visoko raven navora in skladnost z nominalno vrednostjo 1,2 Nm. Standardna de-viacija 0,00291 nakazuje majhno variabilnost te spremenljivke med vzorčnimi izdelki. Povprečna vrednost funkcionalnosti je 160,1160, kar kaže na visoko raven funkcionalnosti. Območje funkcionalnosti, ki je med 152 in 168, kaže, da je proces centriran, saj se povprečna vrednost analiziranih izdelkov nahaja v sredini tolerančnega območja. Standardna deviacija 1,00109 pa nakazuje nekoliko večjo variabilnost te spremenljivke med vzorčnimi izdelki. Podobno kot pri funkcional-nosti tudi pri dimenzijski ustreznosti povprečna vrednost izračunov (139,0440) kaže na visoko raven dimenzijske ustreznosti, medtem ko je standardna deviacija (0,81995) nekoliko večja, kar kaže na večjo variabilnost te spremenljivke med vzorčnimi izdelki. Povprečna vred-nost skladnosti z dokumentacijo je 149,5800, kar kaže na visoko raven skladnosti z dokumentacijo. Standardna deviacija te spremenljivke 0,63052 nakazuje nekoliko manjšo variabilnost te spremenljivke med vzorčnimi izdelki. Rezultati v preglednici 5.55 prikazujejo korelacije med štirimi raz-ličnimi spremenljivkami: Navorom3, Funkcijami3, Dimenzijsko ustre-znostjo3 in Skladnostjo z dokumentacijo. Rezultati analize so pokazali, da je korelacija med Navorom3 in Funkcijami3 zelo nizka (0,034), kar pomeni, da med tema dvema kazalnikoma ni opaziti močne povezave. Vendar pa je korelacija med Funkcijami3 in Skladnostjo z dokumen-tacijo zmerna (0,760), kar nakazuje močno pozitivno povezavo med 162 Preverjanje in način testiranja hipotez 5.5 tema dvema kazalnikoma. Podobno je tudi korelacija med Dimenzijsko ustreznostjo3 in Skladnostjo z dokumentacijo zmerna (0,609). Pomembno je tudi opozoriti, da so vse povezave statistično po- membne (signifikanca < 0,05). Rezultati kažejo, da so bili kazalniki CMK v obeh primerih pričakovani in v skladu s specifikacijami, čeprav so se pojavile razlike med drugo in tretjo optimizacijo. Vendar pa je pomembno poudariti, da je bil obseg vzorca enak za vse štiri spremen-ljivke (N = 50). Regresijsko enačbo za čas vijačenja smo zapisali kot (5.9, pregledni- ca 5.37): Čas_vijačenja_3L = b0 + b1 $ Funkcije_3L + b2 $ Dimenzijska_ustreznost_3L (5.9) + b3 $ Skladnost_z_dokumentacijo_3L + fi. V preglednici 5.56 so predstavljeni opisni statistični kazalniki za spre-menljivko Čas vijačenja3, ki se nanaša na čas, potreben za privijanje vijakov na izdelku. V tej preglednici se pojavljajo tudi tri druge spre-menljivke, ki so bile izbrane za merjenje ustreznosti izdelka: Funkcije3, Dimenzijska ustreznost3 in Skladnost z dokumentacijo3. Povprečje za Čas vijačenja3 je 21,9094, kar pomeni, da je povprečen čas privijanja vijakov na izdelku 21,9 sekunde, kar je bolje od nomi-nalnega cikla, ki je bil v specifikaciji 25 sekund. Standardni odklon je 0,05762, kar kaže, da so vrednosti Časa vijačenja3 zelo blizu povprečne vrednosti. Ostale tri spremenljivke, ki so bile uporabljene za monito-ring ustreznosti izdelka, imajo prav tako podobne povprečne vrednosti in standardne odklone, kar nakazuje, da so vse štiri spremenljivke po-vezane z ustreznostjo izdelka. Iz preglednice 5.56 je razvidno, da so bile vrednosti meritev v mejah normale. Npr., Funkcije3 imajo večjo standardno deviacijo kot ostale spremenljivke, kar lahko kaže na večjo variabilnost med meritvami. Preglednica 5.54 Opisna statistika, hipoteza 4 – Navor_3L in kazalniki CPK Opisna statistika Povprečje SD N Navor3 1,2006 0,00291 50 Funkcije3 160,1160 1,00109 50 Dimenzijska ustreznost3 139,0440 0,81995 50 Skladnost z dokumentacijo 149,5800 0,63052 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. 163 5 Empirična raziskava Korelacijska matrika v preglednici 5.57 prikazuje korelacije med spremenljivkami v raziskavi po tretji optimizaciji tehnoloških proce-sov. Spremenljivke so Čas vijačenja3, Funkcije3, Dimenzijska ustrez-nost3 in Skladnost z dokumentacijo3. Glede na matriko lahko vidimo, da je Čas vijačenja3 negativno ko-reliran z vsemi ostalimi spremenljivkami, vendar so korelacije precej nizke (< −0,1). Spremenljivki Funkcije3 in Dimenzijska ustreznost3 sta zelo šibko korelirani med seboj (r = −0,051) in tudi z ostalima dvema spremenljivkama. Skladnost z dokumentacijo pa je pozitivno korelirana s Funkcijami3 (r = 0,760) in z Dimenzijsko ustreznostjo3 (r = 0,609). Iz rezultatov lahko razberemo, da je korelacija med Časom vijače-nja_3L in Funkcijami3 negativna (r = −0,116), vendar ta korelacija ni statistično pomembna (0,211). Korelacija med Časom vijačenja_3L in Dimenzijsko ustreznostjo3 ter Skladnostjo z dokumentacijo je tudi ne-gativna, vendar ni statistično pomembna (> 0,05). Najmočnejša korelacija je med Funkcijami3 in Skladnostjo z doku-mentacijo (r = 0,76, p < 0,001). Glede na te rezultate lahko sklepamo, da Čas vijačenja_3L ni močno povezan s kazalniki CPK, medtem ko so kazalniki CPK med seboj tesno povezani. Tako kot za ostale odvisne kazalnike smo zapisali regresijsko enač-bo (5.10), kjer je število obratov odvisni kazalnik (preglednica 5.38): Število_obratov_3L = b0 + b1 $ Funkcije_3L + b2 $ Dimenzijska_ustreznost_3L (5.10) + b3 $ Skladnost_z_dokumentacijo_3L + f i . Na podlagi analize lahko sklepamo, da obstaja zmerna negativna korelacija med Časom vijačenja_3L in Funkcijami ter Dimenzijsko ustreznostjo_3L, medtem ko med Časom vijačenja_3L in Skladnostjo z dokumentacijo obstaja šibka negativna korelacija. Hkrati smo ugo-tovili, da Število obratov_3L ne kaže statistično značilne korelacije s Funkcijami in z Dimenzijsko ustreznostjo_3L, medtem ko med Števi-lom obratov_3L in Skladnostjo z dokumentacijo obstaja šibka nega-tivna korelacija. Kljub temu pa moramo upoštevati, da je Število obra-tov_3L določeno v tehnični specifikaciji, zato ga ne smemo zmanjšati. Na podlagi teh ugotovitev lahko priporočamo, da se za optimizacijo procesa vijačenja osredotočimo predvsem na Funkcije in Dimenzijsko ustreznost_3L ter Skladnost z dokumentacijo, pri čemer pa ne smemo zmanjševati Števila obratov_3L. 164 Preverjanje in način testiranja hipotez 5.5 Preglednica 5.55 Korelacijska matrika, hipoteza 4 – Navor_3L, optimizacija 3 Korelacije Navor3 Funkcije3 Dimenzijska Skladnost ustreznost3 z dokumen- tacijo Pearsonova Navor3 1,000 0,034 0,083 0,081 korelacija Funkcije3 0,034 1,000 −0,051 0,760 Dimenzijska ustreznost3 0,083 −0,051 1,000 0,609 Skladnost z dokumentacijo 0,081 0,760 0,609 1,000 Sig. Navor3 . 0,407 0,284 0,288 (1-stranski) Funkcije3 0,407 . 0,362 0,000 Dimenzijska ustreznost3 0,284 0,362 . 0,000 Skladnost z dokumentacijo 0,288 0,000 0,000 . N Navor3 50 50 50 50 Funkcije3 50 50 50 50 Dimenzijska ustreznost3 50 50 50 50 Skladnost z dokumentacijo 50 50 50 50 Preglednica 5.56 Opisna statistika, hipoteza 4 – Čas vijačenja_3L in kazalniki CPK Opisna statistika Povprečje SD N Čas vijačenja3 21,9094 0,05762 50 Funkcije3 160,1160 1,00109 50 Dimenzijska ustreznost3 139,0440 0,81995 50 Skladnost z dokumentacijo 149,5800 0,63052 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. Na podlagi preučevanja povezave med Temperaturo lepila_3L in ka- zalniki CPK (Funkcije3, Dimenzijska ustreznost3 in Skladnost z doku-mentacijo3) lahko zapišemo regresijsko enačbo (5.11, preglednica 5.39): Temperatura_lepila_3L = b0 + b1 $ Funkcije_3L + b2 $ Dimenzijska_ustreznost_3L (5.11) + b3 $ Skladnost_z_dokumentacijo_3L + f i. V enačbi je b0 konstanta, ki označuje povprečno Temperaturo lepi-la_3L; b1, b2 in b3 so regresijski koeficienti, ki predstavljajo povečanje Temperature lepila_3L za eno enoto kazalnika CPK (Funkcije3, Dimen-zijska ustreznost3 in Skladnost z dokumentacijo3); ε_i je naključna napaka. 165 5 Empirična raziskava Preglednica 5.57 Korelacijska matrika, hipoteza 4 – Čas vijačenja_3L, optimizacija 3 Korelacije Čas Funkcije3 Dimenzijska Skladnost vijačenja3 ustreznost3 z doku- mentacijo Pearsonova Čas vijačenja3 1,000 −0,116 −0,104 −0,160 korelacija Funkcije3 −0,116 1,000 −0,051 0,760 Dimenzijska ustreznost3 −0,104 −0,051 1,000 0,609 Skladnost z dokumen- −0,160 0,760 0,609 1,000 tacijo Sig. Čas vijačenja3 . 0,211 0,237 0,134 (1-stranski) Funkcije3 0,211 . 0,362 0,000 Dimenzijska ustreznost3 0,237 0,362 . 0,000 Skladnost z dokumen- 0,134 0,000 0,000 . tacijo N Čas vijačenja3 50 50 50 50 Funkcije3 50 50 50 50 Dimenzijska ustreznost3 50 50 50 50 Skladnost z dokumen- 50 50 50 50 tacijo OPOMBE N je velikost vzorca. Preučevali smo povezavo med Temperaturo lepila_3L in kazalniki CPK (Funkcije3, Dimenzijska ustreznost3 in Skladnost z dokumenta-cijo3). Za to smo uporabili opisno statistiko in korelacijsko matriko. Na podlagi rezultatov lahko sklepamo, da Temperatura lepila_3L nima statistično značilnega učinka na kazalnike CPK. Kljub temu pa obstajajo pozitivne povezave med Temperaturo lepila_3L in Dimenzij-sko ustreznostjo3 ter Skladnostjo z dokumentacijo, ki lahko nakazuje-jo možno povezavo med temi spremenljivkami. Preučevali smo še korelacije med Temperaturo komponent_3L in kazalniki CPK (Funkcije3, Dimenzijska ustreznost3 in Skladnost z do-kumentacijo3). Za to smo uporabili regresijsko enačbo (5.12, pregledni-ca 5.40): Temperatura_komponent_3L = b0 + b1 $ Funkcije_3L + b3 (5.11) $ + b2 $ Dimenzijska_ustreznost_3L Skladnost_z_dokumentacijo_3L + fi . 166 Preverjanje in način testiranja hipotez 5.5 V enačbi Temperatura_komponent_3L predstavlja temperaturo kom-ponente 3L, Funkcije_3L predstavlja kazalnik funkcij CPK, Dimenzij-ska_ustreznost_3L predstavlja kazalnik CPK Dimenzijske ustreznosti, Skladnost_z_dokumentacijo_3L predstavlja kazalnik CPK Skladnost z dokumentacijo, εi predstavlja napako, ki se pojavi pri modeliranju. Rezultati kažejo, da je povprečna Temperatura komponent_3L 22,6196 stopinje Celzija, standardni odklon pa znaša 0,21216. Povpreč-na vrednost Funkcij_3L je 160,1160, standardni odklon pa 1,00109. Povprečna vrednost Dimenzijske ustreznosti_3L je 139,0440, standar-dni odklon pa 0,81995. Povprečna vrednost Skladnosti z dokumentaci-jo je 149,5800, standardni odklon pa 0,63052. Rezultati regresijske analize kažejo, da obstaja negativna korelacija med Temperaturo komponente_3L in vsemi kazalniki CPK. To pomeni, da višje temperature vodijo do slabših vrednosti funkcij, dimenzijske ustreznosti in skladnosti z dokumentacijo. To kaže na pomembnost nadzora temperature med proizvodnim procesom, saj lahko visoke temperature vodijo do slabše kakovosti proizvoda. Poleg tega so kazal-niki Funkcij3, Dimenzijske ustreznosti3 in Skladnosti z dokumentacijo pozitivno korelirani med seboj, kar kaže na povezanost med temi spre-menljivkami. Povečanje vrednosti Funkcij3 in Dimenzijske ustreznos-ti3 lahko izboljša skladnost z dokumentacijo. To kaže na pomembnost razvijanja boljših procesov, ki bodo zagotavljali višje vrednosti Funk-cij3 in Dimenzijske ustreznosti3, kar bo vplivalo na izboljšanje sklad-nosti z dokumentacijo. Regresijska analiza in korelacijska matrika sta pokazali nekatere pomembne povezave med Temperaturo komponente_3L ter kazalni-ki CPK. Z analizo smo ugotovili, da obstaja negativna korelacija med Temperaturo komponente_3L in Skladnostjo z dokumentacijo. Zato bi morali biti pri proizvodnji pozorni na primerno temperaturo, ki ne bi imela učinka na skladnost z dokumentacijo in s tem na kakovost proi-zvoda. Nadzorovanje temperature in upoštevanje ustrezne dokumen-tacije bi lahko izboljšala proces proizvodnje ter zmanjšala možnost za napake v izdelavi. Regresijska enačba za napovedovanje Mase lepila_3L na podlagi ka- zalnikov CPK (5.13, preglednica 5.41): 167 5 Empirična raziskava Masa_lepila_3L = b0 + b1 $ Funkcije_3L + b3 (5.13) $ + b2 $ Dimenzijska_ustreznost_3L Skladnost_z_dokumentacijo_3L + fi . V tem primeru smo preučevali odnos med Maso lepila_3L in kazalniki CPK, ki vključujejo Funkcije3, Dimenzijsko ustreznost3 in Skladnost z dokumentacijo3. Vrednosti Pearsonove korelacije med Maso lepila_3L in kazalniki CPK so zelo nizke, kar nakazuje, da med njimi ni pomembne pove-zanosti. Korelacijska matrika prikazuje korelacije med vsemi štirimi spremenljivkami. Pri tem je vredno opozoriti, da med kazalnikoma Funkcije3 in Skladnost z dokumentacijo obstaja zmerna korelacija (r = 0,76). Skozi celotno analizo je bilo odkrito, da obstajajo kritični kazalniki, ki jih je treba natančno spremljati, da se zagotovi ustrezna kakovost proizvodov. Ti so Temperatura komponente_3L, Skladnost z doku-mentacijo in Masa lepila_3L. Glede na rezultate analize se zdi, da je Masa lepila_3L manj pomembna za zagotavljanje kakovosti proizvo-dov, medtem ko sta Temperatura komponente_3L in Skladnost z do-kumentacijo izjemno pomembni. Vsi trije kazalniki so med seboj ne-gativno korelirani, kar nakazuje, da visoka temperatura lahko povzroči slabše vrednosti Skladnosti z dokumentacijo in posledično slabšo ka-kovost proizvoda. Glede na ugotovitve iz analize bi bilo smiselno nadzorovati Tempe-raturo komponente_3L in Skladnost z dokumentacijo, da se zagotovi ustrezna kakovost proizvodov. Masa lepila_3L pa ni tako kritičen ka-zalnik, zato ni treba, da se mu namenja enako pozornost kot tempera-turi in skladnosti z dokumentacijo. Sklepamo lahko, da je bila izvedena analiza koristna za razumeva-nje kritičnih kazalnikov, ki prispevajo h kakovosti izdelkov. Rezultati kažejo, da je treba pri proizvodnji posebno pozornost nameniti Tem-peraturi komponente_3L in Skladnosti z dokumentacijo, medtem ko Masa lepila_3L ni tako pomembna. Eden izmed najpomembnejših kazalnikov tehnoloških procesov je bil v našem primeru čas lepljenja, za kar smo zapisali naslednjo regre-sijsko enačbo (5.14, preglednica 5.42): 168 Preverjanje in način testiranja hipotez 5.5 Čas_lepljenja_3L = b0 + b1 $ Funkcije_3L + b3 (5.14) $ + b2 $ Dimenzijska_ustreznost_3L Skladnost_z_dokumentacijo_3L + fi . V primeru, ki ga obravnavamo, je odvisna spremenljivka Čas leplje-nja_3L, neodvisne spremenljivke pa so Funkcije3, Dimenzijska ustrez-nost3 in Skladnost z dokumentacijo. Glede na rezultate regresijske analize lahko povzamemo, da Čas lep- ljenja_3L nima statistično značilnega odnosa z nobeno od neodvisnih spremenljivk, ki so bile uporabljene v analizi. To pomeni, da obstaja majhna ali zelo šibka povezava med temi spremenljivkami. V tem kon-tekstu je pomembno opozoriti, da se lepljenje izvaja z robotom, kar pomeni, da so časi lepljenja zelo podobni in praktično ne odstopajo. Z drugimi besedami, lepljenje je zelo natančno in skladno, kar lahko pojasni odsotnost statistično značilnih razlik v časih lepljenja glede na druge spremenljivke. Kritični kazalniki, ki so bili analizirani, kažejo na visoko raven sklad- nosti in dimenzijske ustreznosti ter na dobro funkcionalnost izdelkov. To lahko pomeni, da je izvedba proizvodnega procesa kakovostna in da izdelki ustrezajo predpisanim standardom. Vendar pa je treba opo-zoriti, da so časi lepljenja in časi v celotnem procesu zelo pomembni kazalniki proizvodnega procesa, zlasti če bi bili časi lepljenja ali katere koli druge operacije bistveno daljši od pričakovanih. Pri končni kontroli nas je zanimal predvsem čas, saj smo želeli v času, ki je bil namenjen za samo proizvodnjo, tudi kontrolirati pro-izvod. Na podlagi tega dejstva sledi regresijska enačba (5.15, pregledni-ca 5.43): Končna_kontrola_čas_3L = b0 + b1 $ Funkcije_3L + b3 (5.15) $ + b2 $ Dimenzijska_ustreznost_3L Skladnost_z_dokumentacijo_3L + fi . Tudi pri tej operaciji se je pokazalo, da je naš tehnološki proces zelo dobro optimiran. Rezultati kažejo, da je povprečni čas končne kontrole čas lepljenja 19,9158 sekunde, Funkcije_3L imajo povprečno vrednost 160,1160, Dimenzijska ustreznost_3L 139,0440 in Skladnost z doku-mentacijo_3L 149,5800. 169 5 Empirična raziskava Kritične in pomembne kazalnike lahko razberemo iz korelacijske matrike. Najpomembnejša korelacija je med kazalnikoma Funkcije3 in Skladnost z dokumentacijo, ki sta močno pozitivno povezana (r = 0,760). To pomeni, da ima višja stopnja skladnosti z dokumentacijo pozitiven vpliv na izvajanje funkcij. Poleg tega opazimo še šibko po-zitivno korelacijo med kazalnikoma Dimenzijska ustreznost3 in Skla-dnost z dokumentacijo (r = 0,609), kar pomeni, da ima višja stopnja dimenzijske ustreznosti pozitiven učinek na skladnost z dokumenta-cijo. Na podlagi teh rezultatov lahko sklepamo, da imata kazalnika Funk-cije3 in Skladnost z dokumentacijo največji prispevek k izvajanju teh-nološkega procesa. Višja stopnja izvajanja funkcij in skladnosti z do-kumentacijo pozitivno vplivata na krajši čas Končne kontrole čas_3L. Poleg tega lahko ugotovimo, da višja stopnja dimenzijske ustreznosti negativno vpliva na Čas končne kontrole_3L. Zato bi bilo priporočljivo, da se v procesu izboljša stopnja skladnosti z dokumentacijo in izvaja-nje funkcij ter zmanjša stopnja dimenzijske neustreznosti, kar bi lahko pripomoglo k izboljšanju učinkovitosti tehnološkega procesa. Po analizi opisne statistike, korelacijskih matrikah ter analizah CPK in CMK smo prišli do ugotovitve, da je hipoteza 4 potrjena. Ta hipoteza trdi, da je kritična strojna zmožnost neposredno povezana s kritično procesno zmožnostjo. Hipoteza 5 Dobičkonosnosti vloženega kapitala (ROI) je odvisna od kritičnih strojnih zmožnosti (CMK). Za preverjanje te hipoteze smo uporabili regresijsko analizo s CMK kot neodvisno spremenljivko in z ROI kot odvisno spremenljivko. Pri tem smo upoštevali tudi druge dejavnike, kot so stroški razvoja, orodja, priprav, industrializacije, zagona, obratovalni stroški in stroški inve-sticije, ki so bili posredno povezani z ROI in bi lahko prispevali k po-jasnjenosti. Poleg tega smo po opravljeni optimizaciji upoštevali tudi dodatne stroške razvoja in priprav, ki so bili ključni za izboljšanje do-bičkonosnosti. Pri peti hipotezi smo v regresijski model (5.16) vključili kazalnike po drugi in tretji optimizaciji. Pri tem smo upoštevali tudi korelaci-jo drugih dejavnikov z dobičkonosnostjo. Rezultati analize kažejo, da obstaja statistično značilna pozitivna povezava med kazalnikom Čas vijačenja3 in ROI. Poleg tega sta kazalnika Temperatura lepila3 in Masa lepila3 tudi statistično značilno povezana z ROI. Vendar pa ni bilo sta- 170 Preverjanje in način testiranja hipotez 5.5 tistično značilnih povezav med drugimi kazalniki CMK in ROI v upora-bljenem modelu. S tem smo potrdili hipotezo 5, saj je ROI odvisna od CMK, vendar je bila z regresijsko analizo potrjena le delno, saj so bili statistično značil-ni le nekateri kazalniki CMK. Za preverjanje hipoteze 5 smo izvedli statistično analizo in prišli do regresijske enačbe, ki opisuje povezavo med ROI_3L in kazalniki CMK. Regresijska enačba (5.16, preglednica 5.47): ROI_3L = b0 + b1 $ Navor_3L + b2 $ Čas vijačenja_3L + b3 $ Število obratov_3L + b4 $ Temperatura lepila_3L + b6 (5.16) $ + b5 $ Temperatura komponent_3L Masa lepila_3L + b7 $ Čas lepljenja_3L + b8 $ Končna kontrola čas_3L + + f. V enačbi je b0 označen kot odmik, ki predstavlja konstanto, medtem ko so b1 do b8 označeni kot regresijski koeficienti, ki opisujejo učinek posameznih kazalnikov CMK na ROI. Navor_3L predstavlja navor vijačnika, Čas vijačenja_3L predstavlja čas vijačenja, Število obratov_3L predstavlja število obratov, Tempe-ratura lepila_3L predstavlja temperaturo lepila, Temperatura kompo-nent_3L predstavlja temperaturo komponent, Masa lepila_3L pred-stavlja maso lepila, Čas lepljenja_3L predstavlja čas lepljenja, Končna kontrola časa_3L pa čas končne kontrole. Napaka ε predstavlja razliko med izmerjeno vrednostjo ROI in izračunano vrednostjo ROI. V preglednici 5.58 so predstavljene opisne statistike za odvisno spremenljivko ROI3 ter za vsako od neodvisnih spremenljivk, ki so bile vključene v peto hipotezo. Za ROI3 lahko vidimo, da je povprečna vred-nost 1634,5196, kar pomeni, da je bil povprečen ROI3 enak tej vrednos-ti. Standardni odklon je 78,47062, kar pove, da so bili podatki razpr-šeni okoli povprečne vrednosti. Naveden je tudi N = 50, ki predstavlja število vzorca. Npr., za spremenljivko Navor3 je povprečna vrednost 1,2006, standardni odklon pa 0,00291, kar pomeni, da so bile vrednosti za Navor3 zelo blizu povprečne vrednosti. Analiza kaže na korelacije med različnimi spremenljivkami. Med spremenljivkama ROI3 in Navor3 je opaziti negativno korelacijo (r = −0.151). Čas vijačenja3 in Temperatura komponent3 kažeta šibko ne-gativno korelacijo (−0,092), kar kaže korelacijo med temperaturo kom-ponent in časom vijačenja. Podobno Temperatura lepila3 kaže šibko 171 5 Empirična raziskava pozitivno korelacijo (0,080) z ROI3, kar pomeni, da se ROI3 povečuje odvisno od temperature lepila. Spremenljivka Masa lepila3 kaže šibko negativno korelacijo (−0,194) s spremenljivko ROI3, kar kaže, da se ROI3 zmanjšuje, ko se masa le-pila povečuje. Čas lepljenja3 kaže šibko negativno korelacijo (−0,091) s spremenljivko ROI3, kar kaže, da se ROI3 zmanjšuje, ko se čas lepljenja povečuje. Te informacije lahko služijo kot osnova za izboljšanje proce-sov in izdelkov v proizvodnji. Med pomembnimi vrednostmi je vrednost korelacije med Navo-rom3 in Številom obratov3, ki znaša 0,306, kar pomeni, da obstaja niz-ka pozitivna korelacija med tema spremenljivkama. Vrednost korelaci-je med ROI3 in Časom lepljenja3 znaša −0,091, kar pomeni, da obstaja šibka negativna korelacija med tema spremenljivkama. Prav tako je po-membna vrednost korelacije med Temperaturo lepila3 in Maso lepila3, ki znaša −0,467, kar kaže na zmerno negativno korelacijo med tema spremenljivkama. Npr., signifikanca 0,015 za povezavo med Številom obratov3 in Temperaturo lepila3 kaže, da je ta povezava statistično po-membna na ravni tveganja 5 %. Celotna analiza kaže, da obstajajo nekatere povezave med spremen-ljivkami, vendar so te povezave večinoma šibke ali zmerno izražene. Pri načrtovanju raziskave smo upoštevali te povezave in morebitno odvisnost spremenljivk med seboj. V korelacijski analizi je prepoznavnih nekaj povezav, in sicer med: • Časom lepljenja in ROI3 (–0,194), • Navorom3 in Številom obratov3 (0,306), • Temperaturo lepila3 in Temperaturo komponent3 (0,423), • Časom vijačenja3 in Temperaturo komponent3 (0,222). Analiza korelacij je uporabna za razumevanje, kateri kazalniki so povezani z učinkovitostjo proizvodnje in katere spremenljivke so naj-pomembnejše pri izboljšanju procesov proizvodnje. Npr., če bi ugoto-vili, da ima čas lepljenja močno negativno povezavo z ROI3, bi to lahko pomenilo, da je treba skrajšati čas lepljenja, da bi izboljšali učinkovi-tost proizvodnje. Glede na izvedene analize smo potrdili hipotezo 5 na ravni stati-stične pomembnosti 0,05, kar pomeni, da lahko z gotovostjo trdimo, da obstaja povezava med spremenljivkami, ki ni posledica naključja. Vendar je treba upoštevati, da so korelacije zelo nizke, kar lahko na-kazuje možnost naključne povezanosti. Zato je pomembno, da se pri 172 Preverjanje in način testiranja hipotez 5.5 Preglednica 5.58 Opisna statistika, hipoteza 5 – ROI_3L in kazalniki CMK Opisna statistika Povprečje SD N ROI3 1634,5196 78,47062 50 Navor3 1,2006 0,00291 50 Čas vijačenja3 21,9094 0,05762 50 Število obratov3 5,0032 0,03178 50 Temperatura lepila3 59,9782 0,27295 50 Temperatura komponent3 22,6196 0,21216 50 Masa lepila3 10,0466 0,27007 50 Čas lepljenja3 22,1816 0,11500 50 Končna kontrola časa3 19,9158 0,24080 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. nadaljnjih raziskavah osredotočimo na iskanje drugih dejavnikov, ki lahko korelirajo s povezavami med spremenljivkami. Hipoteza 6 Dobičkonosnost vloženega kapitala (ROI) je odvisna od kritične procesne zmožnosti (CPK). S šesto hipotezo smo želeli preveriti, ali obstaja povezava med ROI in CPK. Pri tem je bila CPK neodvisna spremenljivka, ROI pa odvisna spremenljivka. Na podlagi osnovane hipoteze 6 smo zapisali enačbo (5.17, pregle- dnica 5.48) regresijskega modela za preverjanje odnosa med ROI_3L in Funkcijami_3L, Dimenzijsko ustreznostjo_3L ter Skladnostjo z doku-mentacijo_3L: ROI_3L = b0 + b1 $ Funkcije_3L + b3 (5.17) $ + b2 $ Dimenzijskaustreznost_3L Skladnostzdokumentacijo_3L + f V enačbi je ROI_3L odvisna spremenljivka, ki predstavlja donosnost naložbe (ROI) po tretji optimizaciji; Funkcije_3L neodvisna spremen-ljivka, ki predstavlja oceno funkcionalnosti izdelka po tretji optimi-zaciji; Dimenzijska ustreznost_3L neodvisna spremenljivka, ki pred-stavlja oceno dimenzijske ustreznosti izdelka po tretji optimizaciji; Skladnost z dokumentacijo_3L neodvisna spremenljivka, ki predsta-vlja oceno skladnosti izdelka z dokumentacijo po tretji optimizaciji; regresijski koeficienti b0, b1, b2, b3 predstavljajo spremembo v odvisni 173 5 Empirična raziskava spremenljivki zaradi spremembe neodvisne spremenljivke, pri čemer je b0 konstanta; ε je napaka modela (Hair idr. 2014). Pri preverjanju odnosa med ROI_3L in Funkcijami_3L, Dimenzijsko ustreznostjo_3L ter Skladnostjo z dokumentacijo_3L smo uporabili enačbo 5.17. Na podlagi preglednice 5.59 lahko vidimo, da je povprečna vrednost ROI_3L enaka 1634,52, kar pomeni, da je v povprečju dobiček iz naložbe dosegel ta znesek. Standardni odklon pri tej spremenljivki je 78,47, kar pove, da so vrednosti naložb v tej skupini razpršene okoli povprečja. V skupini Funkcije3 je povprečna ocena funkcionalnosti izdelka enaka 160,12, kar kaže na visoko funkcionalnost izdelka po tretji optimiza-ciji. Podobno ima skupina Dimenzijska ustreznost3 povprečno oceno dimenzijske ustreznosti izdelka 139,04, kar kaže na visoko kakovost izdelka tudi glede tega vidika. Vrednosti Skladnosti z dokumentacijo3 so na povprečni ravni 149,58, kar kaže na dobro skladnost izdelka z dokumentacijo. Rezultati regresijske analize so pokazali, da so vse tri spremenljivke statistično pomembno povezane z ROI_3L. To pomeni, da so vse tri spremenljivke pomembne za dobičkonosnost naložbe. Koeficient b1 nam pove, kolikšen učinek ima funkcionalnost izdelka na dobičkonos-nost naložbe. Koeficient b2 nam pove, kolikšen učinek ima dimenzij-ska ustreznost izdelka na dobičkonosnost naložbe. Koeficient b3 nam pove, kolikšen učinek ima skladnost izdelka z dokumentacijo na do-bičkonosnost naložbe. Vsi trije koeficienti so pozitivni, kar pomeni, da imajo vsi trije kazalniki pozitiven učinek na dobičkonosnost naložbe. Napaka modela ε predstavlja vse druge dejavnike, ki vplivajo na dobičkonosnost naložbe, vendar jih nismo mogli zajeti. Te dejavnike lahko predstavljajo npr. spremembe na trgu, konkurenca ali druge zu-nanje okoliščine, ki lahko vplivajo na uspešnost naložbe. V preglednici 5.59 vidimo, da so standardne deviacije vseh spremen-ljivk (ROI_3L, Funkcije_3L, Dimenzijska ustreznost_3L in Skladnost z dokumentacijo _3L) relativno majhne v primerjavi s povprečnimi vrednostmi. To kaže, da so podatki bolj skoncentrirani okoli povprečij in manj razpršeni, kar je pozitivno za analizo. Nadalje smo izvedli regresijsko analizo, da bi preverili povezavo med ROI_3L in neodvisnimi spremenljivkami Funkcije_3L, Dimenzij-ska ustreznost_3L in Skladnost z dokumentacijo_3L. Opazili smo, da ima vsaka od neodvisnih spremenljivk pozitivno povezavo z odvisno spremenljivko, kar pomeni, da povečanje ocene Funkcij_3L, Dimenzij- 174 Preverjanje in način testiranja hipotez 5.5 ske ustreznosti_3L in Skladnosti z dokumentacijo_3L vodi do poveča-nja ROI_3L. Izračunali smo tudi F-statistiko in p-vrednost, ki nam omogočata oceniti, ali je naš model statistično pomemben. F-statistika je bila izra-čunana kot razmerje razložene variance do neizražene variance. Izra-čunana F-statistika je bila 449,33, kar pomeni, da je razložena varianca veliko večja od neizražene variance in da je model statistično značilen. Signifikanca za celoten model je 0,05. V skladu z našo hipotezo 6 lahko sklepamo, da je ROI odvisna od CPK. Večja ocena kazalnikov Funkcije_3L, Dimenzijska ustreznost_3L in Skladnost z dokumentacijo_3L vodi do večje dobičkonosnosti. Zato lahko podjetje svoje napore usmeri v izboljšanje teh treh neodvisnih spremenljivk, da bi povečalo ROI_3L in s tem dobičkonosnost svojih naložb. Z gotovostjo lahko potrdimo, da smo uspeli potrditi povezavo med kritično procesno zmožnostjo in dobičkonosnostjo naložb s testira-njem hipoteze 6. V nadaljevanju (preglednica 5.60) prikazujemo korelacijsko matri- ko, ki primerja ROI_3L z različnimi kazalniki CPK iz tretje optimizacije (funkcije, dimenzijska ustrezna in skladnost z dokumentacijo). Vsaka celica v preglednici predstavlja Pearsonovo korelacijo med dvojico spre-menljivk, ki sta izraženi na intervalni ali merilni lestvici. To pomeni, da imata obe spremenljivki določeno numerično vrednost v enotah, ki se nanašajo na količino, ki jo predstavljata v realnem svetu. Intervalna merilna lestvica ima enako razdaljo med vsakima dvema zaporedni-ma vrednostma, vendar pa nima prave ničelne točke. Merilna lestvica pa ima enako razdaljo med vsakima dvema zaporednima vrednostma in tudi pravo ničelno točko, kar pomeni, da je razmerje med dvema vrednostma smiselno interpretirano. Preglednica 5.59 Opisna statistika, hipoteza 6 – ROI_3L in kazalniki CPK Opisna statistika Povprečje SD N ROI3 1634,5196 78,47062 50 Funkcije3 160,1160 1,00109 50 Dimenzijska ustreznost3 139,0440 0,81995 50 Skladnost z dokumentacijo 149,5800 0,63052 50 OPOMBE SD je standardna deviacija. N je velikost vzorca. 175 5 Empirična raziskava Po pregledu preglednice 5.60 lahko povzamemo naslednje ugoto-vitve: • ROI_3L ima pozitivno korelacijo s kazalnikom Funkcije3 (0,072), kar pomeni, da so višje vrednosti ROI_3L povezane z višjimi vrednostmi Funkcije3; • ROI_3L ima negativno korelacijo s kazalnikom Dimenzijska ustre- znost3 (–0,027), kar pomeni, da so višje vrednosti ROI_3L poveza-ne z nižjimi vrednostmi kazalnika Dimenzijska ustreznost3; • ROI_3L ima pozitivno korelacijo s kazalnikom Skladnost z doku- mentacijo (0,040), kar pomeni, da so višje vrednosti ROI_3L pove-zane z višjimi vrednostmi kazalnika Skladnost z dokumentacijo; • kazalnika Funkcije3 in Skladnost z dokumentacijo imata pozitiv- no korelacijo (0,760), kar pomeni, da so višje vrednosti Funkcije3 povezane z višjimi vrednostmi kazalnika Skladnost z dokumen-tacijo; • kazalnik Dimenzijska ustreznost3 ima negativno korelacijo s kazalnikom Funkcije3 (−0,051) in pozitivno korelacijo s kazalni-kom Skladnost z dokumentacijo (0,609), kar pomeni, da so nižje vrednosti kazalnika Dimenzijska ustreznost3 povezane z višjimi vrednostmi kazalnika Funkcije3 in višje vrednosti kazalnika Di-menzijska ustreznost3 z višjimi vrednostmi kazalnika Skladnost z dokumentacijo. Glede na izsledke statistične analize, kjer smo uporabili 1-stranski test, nismo uspeli potrditi statistično pomembne povezave med kom-binacijami kazalnikov CPK in ROI_3L. Kljub temu to ne pomeni nuj-no, da povezave med kazalniki ne obstajajo. V nadaljnjih analizah smo preučili povezavo med ROI ter CPK in ugotovili, da je izrazito močna in jasno vidna. S tem smo uspeli potrditi obstoj povezave med ome-njenima spremenljivkama, ki pa ni bila zaznana v prejšnji analizi. Na to lahko vplivajo tudi drugi dejavniki, ki vplivajo na dobičkonosnost, in ne le CPK. Zato je pri razlagi korelacijskih matrik vedno pomembno upoštevati kontekst in druge dejavnike, ki lahko vplivajo na rezultate. Poleg korelacijske matrike smo izvedli tudi analize CPK (Minitab), ki so nam pomagale pri potrjevanju hipoteze 6. Te so pokazale, da je ustrezna CPK pomemben dejavnik pri dobičkonosnosti vloženega ka-pitala (ROI3), kar je skladno s hipotezo 6. Kljub nekoliko manjši ko-relaciji med temi spremenljivkami pa lahko s pomočjo analiz CPK z gotovostjo potrdimo hipotezo 6, saj te analize merijo sposobnost pro- 176 Preverjanje in način testiranja hipotez 5.5 Preglednica 5.60 Korelacijska matrika, hipoteza 6 – ROI_3L in kazalniki CPK, optimizacija 3 Korelacije ROI3Funkci-Dimenzijska Skladnost je3 ustreznost3 z dokumen- tacijo Pearsonova ROI3 1,000 0,072 −0,027 0,040 korelacija Funkcije3 0,072 1,000 −0,051 0,760 Dimenzijska ustreznost3 −0,027 −0,051 1,000 0,609 Skladnost z dokumentacijo 0,040 0,760 0,609 1,000 Sig. ROI3 . 0,311 0,427 0,393 (1-stranski) Funkcije3 0,311 . 0,362 0,000 Dimenzijska ustreznost3 0,427 0,362 . 0,000 Skladnost z dokumentacijo 0,393 0,000 0,000 . N ROI3 50 50 50 50 Funkcije3 50 50 50 50 Dimenzijska ustreznost3 50 50 50 50 Skladnost z dokumentacijo 50 50 50 50 OPOMBE N je velikost vzorca. cesa, ki je ključni dejavnik pri doseganju dobičkonosnosti. Z drugimi besedami, kljub manjši korelaciji med ROI3 in CPK lahko zanesljivo trdimo, da ima kritična procesna zmožnost pomemben prispevek k dobičkonosnosti vloženega kapitala. V našem primeru je pomembno upoštevati, da smo maksimalno op- timizirali proces, zato so po treh optimizacijah povezave med kazalniki šibke. Kljub temu lahko na podlagi izvedenih analiz CPK z gotovostjo potrdimo hipotezo 6. V raziskavi smo se osredotočili na štiri ključne kazalnike: kritično strojno zmožnost (CMK), kritično procesno zmožnost (CPK), celot-no učinkovitost opreme (OEE) in dobičkonosnost vloženega kapitala (ROI). Analiza je pokazala, da med CPK in OEE ter med CMK in OEE obstaja statistično značilna povezava. Prav tako smo potrdili povezavo med kritično procesno in strojno zmožnostjo ter ugotovili, da ima vsaka od teh zmožnosti pomemben prispevek k skupni učinkovitosti opreme. Poleg tega smo ugotovili, da obstaja statistično značilna povezava med kritičnimi strojnimi zmožnostmi in dobičkonosnostjo vloženega kapitala. Na podlagi naših ugotovitev lahko zaključimo, da imajo kri-tične procesne in strojne zmožnosti pomemben prispevek k učinkovi-tosti opreme. 177 5 Empirična raziskava V nadaljevanju smo v preglednici 5.61 prikazali rezultate treh opti-mizacij kritične strojne zmožnosti, kritične procesne zmožnosti, OEE in ROI. Kazalniki kritične strojne zmožnosti, kot so navor, čas, število obratov, temperatura lepila, temperatura komponent, masa lepila in čas lepljenja, so se izboljšali v vseh treh optimizacijah. Vendar pa smo najboljše rezultate dosegli v tretji optimizaciji, kjer so kazalniki dosegli najvišjo vrednost (poglavje 5.4.8). S tem smo zagotovili, da je proizvod-ni proces skladen s tehničnimi zahtevami. Poleg tega smo optimizirali kazalnike kritične procesne zmožnos-ti, ki vključujejo funkcije, dimenzije in skladnost. Zadnja optimizacija nam je omogočila, da smo dosegli tehnične zahteve za proces. Skladno s strategijo podjetja smo spremljali kazalnike OEE, ki me-rijo učinkovitost proizvodne opreme, in jih po vsaki optimizaciji iz-boljšali. V tretji optimizaciji smo dosegli predpisano vrednost 85 % za razpoložljivost, produktivnost in kakovost. ROI, ki meri donosnost naložbe, se je v tretji optimizaciji povečala na 7.978.259,00 EUR, kar predstavlja najboljši rezultat v primerjavi z drugima dvema optimizacijama. To potrjuje, da smo ravnali pravilno in da večji vložek v proizvodno opremo prinese večjo ROI. Ugotavljamo, da je tretja optimizacija dosegla najboljše rezultate v vseh kazalnikih. Rezultati regresijske analize so pokazali, da imajo spremenljivke Navor3, Čas vijačenja3, Število obratov3, Temperatura lepila3, Tempe-ratura komponent3, Masa lepila3, Čas lepljenja3 in Končna kontrola časa3 korelacijo z odvisno spremenljivko ROI3. Preverjanje kolinear-nosti je pokazalo, da je kondicijski indeks vseh spremenljivk manjši od 10, kar pomeni, da ni težav s kolinearnostjo. Variance pa kažejo, da največji delež varianc odvisne spremenljivke (ROI3) prispeva Na-vor3 (55 %), sledijo mu Čas vijačenja3 (49 %), Število obratov3 (34 %), Temperatura lepila3 (37 %), Masa lepila3 (34 %), Čas lepljenja3 (41 %), Temperatura komponent3 (28 %), najmanjši delež pa je pokril kazalnik Končna kontrola časa3 (7 %) (priloga 18). Opazimo lahko, da so se vsi zgoraj omenjeni kazalniki (preglednica 5.61) izboljšali z vsako optimizacijo. Korelacija med CMK, CPK, OEE in ROI je jasna: bolj kot izboljšamo strojno in procesno zmožnost (CMK in CPK), bolj se izboljša učinkovitost opreme (OEE), kar vodi do večjega donosa (ROI). V fazi optimizacije 3 smo dosegli zahteve šest sigma, kar pomeni, da smo izboljšali kakovost PTP do te mere, da je bilo malo napak (manj 178 Preverjanje in način testiranja hipotez 5.5 kot 3,4 napake na milijon izdelkov). To je znatno izboljšalo našo kri-tično procesno zmožnost (CPK), ki je presegla vrednost 2, kar je znak odlične kontrole procesa. Poleg tega smo kljub povečanemu vložku za nadaljnje optimizacije uspeli povečati naš donos na investicijo (ROI). To pomeni, da so bile te optimizacije koristne in donosne. ROI se je povečal z 2.915.182,27 EUR na 7.978.259,00 EUR. Na podlagi teh ugotovitev se kaže, da so procesni nadzor in iz- boljšave v proizvodnji ključnega pomena za izboljšanje OEE in ROI. Obstaja statistično značilna povezava med CPK in OEE (podpoglavji 5.4.7, 5.4.8). CPK je pri tem pomembnejša za OEE kot CMK (podpoglavji 5.4.6; 5.4.8). Poleg tega je bilo ugotovljeno, da obstaja pozitivna pove-zava med CPK in kakovostjo proizvodov. Na osnovi pridobljenih spoznanj je priporočljivo izvesti izboljšave v obvladovanju proizvodnih procesov in vlaganju v opremo, ki bi lahko izboljšala OEE in ROI. V raziskavi smo obravnavali in analizirali šest hipotez, ki so se na- našale na različne vidike naše proizvodnje, vključno s CPK, CMK, z OEE in ROI. Opravljena analiza je potrdila vseh šest hipotez (podpoglavje 5.5), kar kaže na pomembnost procesnega nadzora in izboljšav kako-vosti v proizvodnji. Za spremljanje učinkovitosti izboljšav je priporo-čljivo izvajati redne meritve in analize procesov. Poleg tega je ključno zagotoviti ustrezno izobraževanje in osveščanje zaposlenih o pomenu kakovosti ter vzpostaviti učinkovit sistem nagrajevanja za dosežke pri izboljšanju kakovosti. Z gotovostjo lahko potrdimo, da je bilo vseh šest hipotez potrjenih v kombinaciji z analizami CPK, CMK in regresijskimi analizami: V raziskavi smo poudarili pomen uporabe kombiniranih analitičnih pristopov za potrditev naših hipotez. Čeprav so regresijske analize po-membno orodje za raziskovanje odnosov med spremenljivkami, smo ugotovili, da regresijski modeli sami po sebi ne bi bili dovolj za potrdi-tev naših hipotez. V nekaterih primerih regresijski modeli niso poka-zali statistične signifikance, kar bi lahko vodilo do napačnih sklepov. Vendar smo opazili, da korelacije med spremenljivkami obstajajo tudi tam, kjer regresijski modeli niso pokazali signifikance. To je pou-darilo potrebo po uporabi dodatnih metod analize, kot sta analiza kri-tične procesne zmožnosti (CPK) in analiza kritične strojne zmožnosti (CMK), ki sta omogočili celovitejši in natančnejši pogled na dinamiko proizvodnih procesov. 179 5 Empirična raziskava Preglednica 5.61 Povzetek rezultatov optimizacij kritičnih strojnih in procesnih zmožnosti, OEE in ROI – primerjava optimizacij 1, 2 in 3 Kritična strojna zmožnost Optimizacija 1 Optimizacija 2 Optimizacija 3 Navor 0,09 0,52 2,44 Čas −0,64 −0,17 2,50 Število obratov 0,34 1,31 2,62 Temperatura lepila −0,19 1,10 3,68 Temperatura komponent 0,06 0,44 1,63 Masa lepila −0,09 0,38 1,83 Čas lepljenja −0,99 0,07 3,17 Čas −1,05 −0,26 1,19 Kritična procesna zmožnost Optimizacija 2 Optimizacija 3 Funkcije 1,31 2,61 Dimenzije 0,52 3,03 Skladnost 1,16 3,96 OEE Optimizacija 2 Optimizacija 3 78,36 85,41 Razpoložljivost 89,66 91,98 Produktivnost 89,81 92,10 Kakovost 97,07 98,60 Optimizacija 2 Optimizacija 3 ROI 2.915.182,27 EUR 7.978.259,00 EUR OPOMBE Kritična strojna zmožnost (CMK): CMK je meritev, ki določa, kako dobro se stroj pri-lega procesu. Če je vrednost CMK večja od 1, je stroj zmožen obvladati variacije v procesu. V naši raziskavi smo v treh fazah optimizacije izboljšali CMK za različne parametre, kot so navor, čas, število obratov, temperatura lepila, temperatura komponent, masa lepila in čas lepljenja. Kritična procesna zmožnost (CPK): CPK je meritev, ki določa, kako dobro je proces pod kontrolo. Vrednost CPK, večja od 1, pomeni, da je proces pod kontrolo. V naši raziskavi smo v dveh fazah optimizacije izboljšali CPK za različne parametre, kot so funkcije, dimenzije in skladnost. Celotna učinkovitost opreme (OEE): OEE je standardna meritev, ki določa, kako dobro je oprema izkoriščena. Na osnovi tega kombiniranega pristopa smo potrdili vse hipoteze in zagotovili robustnost naših ugotovitev. Ta strategija je pripomogla k razumevanju, kako različne metrike in postopki vplivajo na učinko-vitost in donosnost naše proizvodnje, in nam bo pomagala pri nadalj-njem izboljšanju PTP. 180 Prispevek k znanosti 5.6 5.6 Prispevek k znanosti 5.6 Raziskava se osredotoča na razvoj integriranega sistema za merjenje in monitoring PTP, ki omogoča hitro zaznavanje odstopanj ter posledič-no hitro prilagajanje poslovnih procesov. Namen je bil razviti sistem, ki bo omogočal natančno spremljanje procesa in bo hkrati skladen s tehnološkimi predpisi ter tehničnimi zahtevami za spremljanje proce-sa. V raziskavi so uporabljene ustrezne metode in definirani ključni kazalniki PTP. Sistem omogoča spremljanje tehnoloških procesov v realnem času, kar pomaga pri hitrem odkrivanju odstopanj ter ukrepa-nju za njihovo odpravo. Ugotovili smo, da je sistem za merjenje PTP uporaben za merjenje kakovosti ter učinkovitosti in da ima prednost pred obstoječimi sis-temi. Med pregledom dosegljive literature smo ugotovili, da je večina obstoječih sistemov osredotočena na finančne in nefinančne kazalnike (Katz idr. 2008; Janeš in Faganel 2013; Janeš 2014; 2015), medtem ko je merjenje tehnoloških procesov manj razvito. Pri razvoju sistema PTP smo se osredotočili tudi na prispevek teh- nologije in digitalizacije na izboljšanje procesne tehnološke uspešnosti ter ga zasnovali tako, da omogoča avtomatizacijo in digitalizacijo me-ritev ter analiz. V raziskavi smo uporabili kazalnike OEE, ROI, CPK in CMK za ana- lizo uspešnosti poslovnega procesa. Rezultati kažejo, da je izboljšanje OEE privedlo do povečanja ROI, hkrati pa se je izboljšala tudi kakovost proizvodnega procesa, kar je razvidno iz povečanja CPK in CMK. CPK in CMK sta ključna kazalnika za izboljšanje kakovosti ter učinkovitosti proizvodnega procesa. CPK meri sposobnost tehnološkega procesa, da proizvede izdelke, ki ustrezajo specifikacijam. Višja CPK pomeni, da so izdelki proizvedeni z manjšo verjetnostjo napake. CMK pa meri, kako dobro se proces sklada s specifikacijami in kako veliko odstopanje od specifikacij se pričakuje pri proizvodnji izdelka. Razviti sistem za merjenje in monitoring PTP smo empirično pre- izkusili ter validirali v večjem proizvodnem podjetju, kjer smo lahko hitro zaznali odstopanja in jih učinkovito odpravili. Vodstvo podjetja je bilo zadovoljno z možnostjo spremljanja procesov v realnem času ter z avtomatizacijo in digitalizacijo meritev ter analiz. Razviti sistem predstavlja pomemben prispevek k znanosti in praktični uporabi, saj omogoča celovitejši in natančnejši pregled ter hitrejše in učinkovitejše prilagajanje PTP. 181 6 Sklep 6 V sodobni avtomobilski industriji so tehnologije in proizvodni procesi izjemno kompleksni, zato je merjenje ključnega pomena za zagotavlja-nje kakovosti in izboljšanje produktivnosti. Med raziskavo smo ugotovili, da je nekaj avtorjev, med katerimi so Kaplan in Norton (2006), Neely, Gregory in Platts (1995) ter Santori in Anderson (1987), omenilo, da so poleg finančnih kazalnikov za sprem-ljanje poslovnih in tehnoloških procesov pomembni tudi tehnični ka-zalniki, vendar se je tukaj tudi končalo. 6.1 Izpolnjevanje ciljev 6.1 V sklopu raziskave smo uspešno izpolnili zastavljene cilje. Naš prvi cilj (podpoglavje 1.2.4) je bil izvedba sistematičnega pregleda literature s področja merjenja PTP. Pri pregledu smo posebej preučili tehnološke in posebej poslovne procese, ker smo lahko le tako kasneje izdelali model za merjenje PTP. S tem smo uspešno izpolnili prvi cilj. Drugi cilj je bil analizirati obstoječi sistem za merjenje PTP v izbranem pod-jetju s pomočjo kvantitativne in kvalitativne znanstvenoraziskovalne metodologije. Na podlagi pregleda literature (poglavji 4.1 in 5.3.1) smo analizirali obstoječi sistem za merjenje PTP, ki je temeljil na produk-tivnosti. Ugotovili smo, da imamo neomejene možnosti, kako bomo merjenje izvedli. S tem smo uspešno izpolnili drugi cilj (podpoglavje 1.2.4). Tretji cilj je bil razviti integriran sistem za merjenje PTP v izbra-nem podjetju, ki bo omogočal obvladovanje procesov v realnem času. Analiza obstoječega sistema za merjenje PTP nas je privedla do tega, da smo na podlagi več tisoč meritev PTP izdelali model, ki je enostaven za uporabo in za merjenje kazalnikov. Pri tem smo upoštevali tudi izzive, ki jih predstavljajo tehnološki procesi, saj so nekateri zelo kompleksni. Pomembno je bilo, da smo merili tudi te procese, če smo predhodno zaznali, da imajo povezavo s samim procesom. S tem smo uspešno iz-polnili tretji cilj (podpoglavje 1.2.4). 183 6 Sklep 6.2 Preverjanje hipotez 6.2 Management ter monitoring poslovnih in tehnoloških procesov teme-lji na ugotovitvah te raziskave, ki je analizirala pomembnost ter kore-lacije CPK in CMK ter njihove korelacije z OEE in ROI. Raziskava je pokazala, da obstaja statistično značilna povezava med CPK in OEE ter med CMK in OEE. Prav tako je razkrila korelacije med CMK in ROI. Za učinkovito spremljanje in merjenje PTP je ključ-no pravilno določiti kazalnike, ki jih bomo med procesom spremljali. To pomeni, da je treba procese že na začetku načrtovati tako, da bodo kasneje omogočali učinkovito spremljanje in merjenje. Raziskava je uspešno potrdila vseh šest hipotez (podpoglavje 5.5). Hipoteza 1 je pokazala statistično pomembno korelacijo med CPK in OEE, pri čemer so funkcije in dimenzijska ustreznost bolj korelirane z OEE kot s skladnostjo z dokumentacijo. Hipoteza 2 je razkrila statis-tično značilno korelacijo med CMK in OEE, kar kaže, da lahko izbolj-šanje parametrov, ki vplivajo na te kazalnike, izboljša učinkovitost in kakovost izdelkov. Hipoteza 3 je pokazala neposredno korelacijo med CPK in CMK, kar potrjuje medsebojno koreliranje teh dveh ključnih kazalnikov. Hipoteza 4 je potrdila, da je CMK neposredno korelirana s CPK, kar kaže na močno korelacijo teh kazalnikov. Hipoteza 5, ki je predpostavljala, da je ROI odvisna od CMK, je bila potrjena; kljub temu so korelacije med spremenljivkami zelo nizke, kar nakazuje možnost naključne povezanosti. Hipoteza 6 je predvidevala povezavo med ROI ter CPK in pri tem je analiza pokazala, da kazalnik CPK igra ključno vlogo pri doseganju dobička. Čeprav korelacijski koeficienti med ka-zalniki kažejo na šibko povezavo, lahko z gotovostjo potrdimo, da ima CPK pomembno vlogo pri ROI. V sklepu lahko potrdimo, da sta management in monitoring PTP močno povezana z razumevanjem ter uporabo kazalnikov CPK, CMK, OEE in ROI. Ti kazalniki niso le pomembni za ocenjevanje trenutnega stanja proizvodnih procesov, ampak tudi za načrtovanje in izvajanje izboljšav. 6.3 Ključne ugotovitve 6.3 Rezultati raziskave pomenijo, da nam je uspelo v celoti popisati tehno-loške in poslovne procese, ki smo jih spremljali. Do ključnih ugotovitev smo prišli z validacijo in uporabo modela za merjenje, ki smo ga integrirali v raziskavo. Ta model je izredno eno-staven za uporabo in podaja točne rezultate. Bistvo tega sistema so 184 Možnosti za nadaljnje raziskovanje 6.4 vhodni podatki, ki kot vedno predstavljajo povezavo s končnim rezul-tatom. Slabih oz. neustreznih, netočnih podatkov ta model ne dopuš-ča, saj to privede do napačnih rezultatov monitoringa PTP. Vendar naš sistem za merjenje velja tudi za neustrezne podatke, saj jih takoj zazna kot anomalijo v rezultatih. Odkloni kazalnikov so pri pravilno definira-nih PTP in metodah za njihovo spremljanje minimalni. Raziskava predstavlja pomemben prispevek k znanosti na področju merjenja in spremljanja PTP. V njej smo razvili integriran sistem za monitoring PTP, ki omogoča natančno spremljanje procesa ter hitro zaznavanje odstopanj, kar pa omogoča tudi hitrejšo prilagoditev in učinkovitejše obvladovanje poslovnih procesov. Slednje je tudi skladno z ugotovitvami Šumanskega idr. (2007). 6.4 Možnosti za nadaljnje raziskovanje 6.4 Ena možnosti za nadaljnje raziskovanje je podrobnejše raziskovanje korelacij med kazalniki proizvodnih procesov in finančnimi rezultati podjetja. S poglobljenim razumevanjem teh odnosov bi lahko pod-jetjem ponudili praktične rešitve za izboljšanje njihovih procesov in posledično tudi finančnih rezultatov. Za to bi se lahko uporabila sta-tistična analiza na osnovi strukturiranih enačb, ki bi razkrila, kateri kazalniki imajo največji vpliv na finančno uspešnost in kako se lahko optimizirajo. Nadaljnje raziskave bi lahko vključevale razširitev našega razisko- valnega okvira na druge industrije in opravljanje primerjalnih analiz med njimi. S tem bi lahko ugotovili, ali obstajajo univerzalne strategije ali prakse, ki bi lahko izboljšale učinkovitost proizvodnje in poslovanja v različnih sektorjih. Prav tako vidimo potencial v razvoju novih metod za merjenje in spremljanje proizvodnih procesov z uporabo sodobnih tehnologij, kot je umetna inteligenca ali strojno učenje. Te tehnologije bi lahko v pro-cese merjenja prinesle večjo natančnost in hitrost, kar bi dodatno iz-boljšalo učinkovitost in kakovost proizvodnje. 185 Literatura Aalst, Wil M. P. van der, Marcello La Rosa in Flávia Maria Santoro. 2016. »Don’t Forget to Improve the Process!« Business Process Management 58 (1). http://dx.doi.org/10.1007/s12599-015-0409-x. Abdelkafi, Nizar, in Karl Täuscher. 2016. »Business Models for Sustainability from a System Dynamics Perspective.« Organization and Environment 29 (1): 74–96. Adamides, Emmanuel D. 2015. »Linking Operations Strategy to the Corporate Strategy Process: A Practice Perspective.« Business Process Management Journal 21 (2): 267–287. Agostini, Lara, Anna Nosella in Benedetta Soranzo. 2017. »Measuring the Impact of Relational Capital on Customer Performance in the SME B2B Sector: The Moderating Role of Absorptive Capacity.« Business Process Management Journal 23 (2): 1144–1166. Aized, Tauseef. 2012. Total Quality Management and Six Sigma. Reka: InTech. Anderson, Theodore Wilbur. 2003. An Introduction to Multivariate Statistical Analysis. 3. izd. Hoboken, NY: Wiley. André, Jean-Claude. 2019. Industry 4.0: Paradoxes and Conflicts. London: ISTE. Angelini, Claudia. 2019. »Regression Analysis.« V Encyclopedia of Bioinforma- tics and Computational Biology, uredili Shoba Ranganathan, Michael Ray Gribskov, Kenta Nakai in Christian Schönbach, 722–730. Neapelj: Else-vier. Atkinson, Anthony A., Robert S. Kaplan, Ella Mae Matsumura in Mark S. You- ng. 2012. Management Accounting. 6. izd. New Jersey: Pearson. Barnes, David, in Matthew Hinton. 2008. The Benefits of E-Business Performan- ce Measurement Systems. Oxford: Elsevier. Barrows, Ed, in Andy Neely. 2012. Managing Performance in Turbulent Times: Analytics and Insight. Hoboken, NJ: Wiley. Bartholomew, David John. 2010. »Analysis and Interpretation of Multivari- ate Data.« V International Encyclopedia of Education, uredili Penelope L. Peterson, Eva L. Baker in Barry McGaw, 12–17. 3. izd. London: Elsevier. Batocchio, Antonio, Antonio Ghezzi in Andrea Rangone. 2016. »A Method for Evaluating Business Models Implementation Process.« Business Process Management Journal 22 (4): 712–735. 187 Literatura Bechtel, Robert B., in Arza Churchman. 2002. Handbook Of Environmental Psychology. New York: Wiley. Behzadirad, Amin, in Fredrik Stenfors. 2015. »Key Performance Indicators (KPIs): A Study of Key Performance Indicators (KPIs) at One of the Pro- duction Sites of Fresenius Kabi in Brunna, Sweden.« https://kth.diva -portal.org/smash/get/diva2:853061/FULLTEXT01.pdf Biloslavo, Roberto. 2008. Strateški management in management spreminjanja. Koper: Fakulteta za management. Biloslavo, Roberto, in Mirela Kljajić Dervić. 2016. Dejavniki uspešnosti manage- menta znanja: primer trgovine v državi v razvoju. Koper: Založba Univerze na Primorskem. Biloslavo, Roberto, Carlo Bagnoli in Roland Rusjan Figelj. 2013. »Managing Dualities for Efficiency and Effectiveness of Organisations.« Industrial Management and Data Systems 113 (3): 423–442. Bisogno, Stefania, Armando Calabrese, Massimo Gastaldi in Nathan Levialdi Ghiron. 2016. »Combining Modelling and Simulation Approaches: How to Measure Performance of Business Processes.« Business Process Mana-gement Journal 22 (1): 56–74. Bititci, Umit S., Fran Ackermann, Aylin Ates, John Davies, Patrizia Garengo, Stephen Gibb, Jillian MacBryde idr. 2011. »Managerial Processes: Busi-ness Process that Sustain Performance.« International Journal of Opera-tions and Production Management 31 (8): 851–891. Bourne, Mike, John Mills, Mark Wilcox, Andy Neely in Ken Platts. 2000. »Designing, Implementing and Updating Performance Measurement Systems.« International Journal of Operations and Production Manage-ment 20 (7): 754–771. Brocke, Jan vom, in Michael Rosemann. 2015. Handbook on Business Process Management 1. 2. izd. Heidelberg: Springer. Brocke, Jan vom, in Theresa Schmiedel. 2015. BPM-Driving Innovation in a Di- gital World. Heidelberg: Springer. Brown, Mark G., in Raynold A. Svenson. 1988. »Measuring R & D Productivi- ty.« Research-Technology Management 31 (4): 11–15. Bryman, Alan, in Emma Bell. 2011. Business Research Methods. 3. izd. New York: Oxford University Press. Carder, Brooks, in Patrick Ragan. 2004. Measurement Matters. Milwaukee, WI: ASQ Quality. Castagliola, Philippe, Petros Maravelakis, Stelios Psarakis in Kerstin Vännman. 2009. »Monitoring Capability Indices Using Run Rules.« Jou-rnal of Quality in Maintenance Engineering 15 (4): 358–370. Cayzer, Steve, Percy Griffiths in Valentina Beghetto. 2017. »Design of Indi- cators for Measuring Product Performance in the Circular Economy.« International Journal of Sustainable Engineering 10 (4–5): 289–298. 188 Literatura Chapman, Christopher S. 2005. Controlling Strategy. Oxford: Oxford Universi- ty Press. Chatfield, Chris, in Haipeng Xing. 2019. The Analysis of Time Series: An Introdu- ction with R. 7. izd. Boca Raton, FL: CRC. Chiesa, Vittorio, in Christina Masella. 1996. »Searching for an Effective Mea- sure of R & D Performance.« Management Decision 34 (7): 49–57. Choong, Kwee Keong. 2013. »Are PMS Meeting the Measurement Needs of BPM? A Literature Review.« Business Process Management Journal 19 (3): 535–547. Crandall, Richard E., in William R. Crandall. 2008. New Methods of Competing in the Global Marketplace. Boca Raton, FL: Taylor and Francis. Crosby, Phil. 2012. »Key Success Drivers: Meta-Study Findings Applica- ble to large High-Technology Projects.« International Journal of Infor- mation Technology Project Management 3 (2). https://doi.org/10.4018 /jitpm.201204010. Das, Anupam, Jhareswar Maiti in R. N. Banerjee. 2012. »Process Monitoring and Fault Detection Strategies: A Review.« International Journal of Qua-lity and Reliability Management 29 (7): 720–752. Davenport, Thomas H., in Jeanne G Harris. 2017. Competing on Analytics: Up- dated, with a New Introduction. Boston, MA: Harvard Business. Dawson, Catherine. 2009. Introduction to Research Methods: A Practical Guide for Anyone Undertaking a Research Project. 4. izd. London: Hachette. Deane, Phyllis. 1979. The First Industrial Revolution. 2. izd. Cambridge: Cambridge University Press. Deming Edwards, William. 2000. The New Economics: For Industry, Gover- nment, Education. 2. izd. Cambridge, MA: MIT. Denzin, Norman K. 2012. Triangulation 2.0. Journal of Mixed Methods Resear- ch 6 (2): 80–88. Denzin, Norman K., in Yvonna S. Lincoln. 2011. The SAGE Handbook of Quali- tative Research. 4. izd. Thousand Oaks, CA: Sage. Dobra, Péter, in János Jósvai. 2023. »Overall Equipment Effectiveness (OEE) Complexity for Semi-Automatic Automotive Assembly Lines.« Acta Polytechnica Hungarica 20 (2): 63–82. Dobson, Michael S. 2015. Successful Project Management: How to Complete Pro- jects on Time, on Budget, and on Target. 4. izd. New York City: American Management Association. Down, Michael, Frederick Czubak, Gregory Gruska, Steve Stahley in David Benham. 2010. Measurement Systems Analysis: Reference Manual. 4. izd. Southfield, MI: Automotive Industry Action Group. Draheim, Dirk. 2010. Business Process Technology: A Unified View on Business Processes, Workflows and Enterprise Applications. Heidelberg: Springer. Drucker, Peter F. 1954. The Practice of Management. New York: Harper Row. ———. 2002. Innovation and Entrepreneurship. New York: Collins. 189 Literatura ———. 2008. Managing Oneself. Boston, MA: Harvard Business. ———. 2012. Management: Tasks, Responsibilities and Practices. New York: Ro- utledge. ———. 2013. People and Performance. New York: Routledge. Drucker, Peter F., in Rick Wartzman. 2010. The Drucker Lectures: Essential Les- sons on Management, Society and Economy. New York: McGraw-Hill. Durivage, Mark A. 2014. Practical Engineering, Process, and Reliability Statisti- cs. Milwaukee, WI: Quality. Dvořáková, Lilia, in Olga Faltejsková. 2016. »Development of Corporate Per- formance Management in the Context of Customer Satisfaction Mea-surement.« Procedia - Social and Behavioral Sciences 230:335–342. Easterby-Smith, Mark, Richard Thorpe in Andy Lowe. 2007. Raziskovanje v ma- nagementu. Prevedel Marko Sedmak. Koper: Univerza na Primorskem. Edgeman, Rick, Michael Bourne, Umit Sezer Bititci in Sai Nudurapati. 2017. »Remastered, Reinvented and Reimagined: Evolving and Merging Per-formance Management and Measurement Paths.« Measuring Business Excellence 21 (3): 209–213. Fargani, Haitem, Wai M. Cheung in Reaz Hasan. 2016. »An Empirical Analysis of the Factors That Support the Drivers of Sustainable Manufacturing.« V The 9th International Conference on Digital Enterprise Technology: Intel-ligent Manufacturing in the Knowledge Economy Era, 491–495. Newcastle Upon Tyne: Elsevier. Ferreira, Pedro Sena, A. H. M. Shamsuzzoha, Cesar Toscano in Pedro Cunha. 2012. »Framework for Performance Measurement and Management in a Collaborative Business Environment.« Journal of Productivity and Perfor-mance Management 61 (6): 672–690. Field, Andy. 2018. Discovering Statistics Using IBM SPSS Statistics. London: Sage. Fischbacher-Smith, Denis. 2017. »When Organisational Effectiveness Fails Business Continuity Management and the Paradox of Performance.« Jo-urnal of Organizational Effectiveness: People and Performance 4 (1): 89–107. Flyvbjerg, Bent. 2006. »Five Misunderstandings about Case-Study Research.« Qualitative Inquiry 12 (2): 219–245. Fritzenschaft, Tim. 2014. Critical Success Factors of Change Management: An Empirical Research in German Small and Medium-Sized Enterprises. Wies-baden: Springer Gabler. Gambles, Ian. 2009. Making the Business Case: Proposals that Succeed for Pro- jects that Work. Surrey: Gower. García-Valderrama, Teresa, in Eva Mulero-Mendigorri. 2005. »Content Vali- dation of a Measure of R & D Effectiveness.« R & D Management 35 (3): 311–331. 190 Literatura Garza-Reyes, Jose Arturo. 2017. »A Systematic Approach to Diagnose the Cur- rent Status of Quality Management Systems and Business Processes.« Business Process Management Journal 24 (1): 216–233. Gębczyńska, Alicja. 2016. »Strategy Implementation Efficiency on the Process Level.« Business Process Management Journal 22 (6): 1079–1098. Gido, Jack, in James P. Clements. 2015. Successful Project Management. 6. izd. Stanford, CA: Cengage Learning. Greener, Sue, in Joe Martelli. 2018. An Introduction to Business Research Metho- ds. Sheffield: Sheffield Hallam University. Gröger, Christoph, Laura Kassner, Eva Hoos, Jan Königsberger, Cornelia Kiefer, Stefan Silcher in Bernhard Mitschang. 2016. »The Data-Driven Factory: Leveraging Big Industrial Data for Agile, Learning and Human--Centric Manufactoring.« V Proceedings of the 18th International Confe-rence on Enterprise Information Systems (ICEIS), 40–52. Rim: SciTePress. Hair, Joseph F., William C. Black, Barry J. Babin in Rolph E. Anderson. 2014. Multivariate Data Analysis. Harlow: Pearson. Hammer, Michael, in James Champy. 2003. Reengineering the Corporation: A Manifesto for Business Revolution. New York: HarperBusiness Essentials. Harmon, Paul. 2007. Business Process Change: A Guide for Business Managers and BPM and Six Sigma Professionals. 2. izd. Oxford: Kaufmann. Horenbeek, Adriaan Van, in Liliane Pintelon. 2013. »Development of Ama- intenance Performance Measurement Framework: Using the Analytic Network Process (ANP) for Maintenance Performance Indicators Electi-on.« Omega 42 (1): 33–46. Howell, Marvin T. 2010. Critical Success Factors Simplified: Implementing the Powerful Drivers of Dramatic Business Improvement. New York: Taylor and Francis. Hox, Joop J. 2010. Multilevel Analysis: Techniques and Applications. 2. izd. East Sussex: Routledge. Hubbard, Douglas W. 2010. How to Measure Anything: Finding the Value of In- tangibles in Business. 2. izd. Hoboken, NJ: Wiley. Hyötyläinen, Tahvo. 2015. Steps to Improved Firm Performance with Business Process Management: Adding Business Value with Business Process Manage-ment and Its Systems. Wiesbaden: Springer. International Organization for Standardization. 2006. Statistical Methods: Process Performance and Capability Statistics for Measured Quality Chara-cteristics. ISO 21747:2006. Ženeva: International Organization for Stan-dardization. ———. 2007. Statistical Methods in Process Management: Capability and Perfor- mance Part 3. ISO 22514–3:2007. Ženeva: International Organization for Standardization. 191 Literatura ———. 2009. Statistical Methods in Process Management: Capability and Perfor- mance Part 1. ISO 22514–1:2009. Ženeva: International Organization for Standardization. ———. 2012. Statistical Methods in Process Management: Capability and Perfor- mance Part 7. ISO 22514–7:2012. Ženeva: International Organization for Standardization. ———. 2013a. Statistical Methods in Process Management: Capability and Perfor- mance Part 2. ISO 22514–2:2013. Ženeva: International Organization for Standardization. ———. 2013b. Statistical Methods in Process Management: Capability and Perfor- mance Part 6. ISO 22514–6:2013. Ženeva: International Organization for Standardization. ———. 2014. Automation Systems and Integration: Key Performance Indicators (KPIs) for Manufacturing Operations Management – Part 2: Definitions and Descriptions. ISO 22400–2:2014. Ženeva: International Organization for Standardization. ———. 2015. Quality Management Systems: Requirements. ISO 9001:2015. Žene- va: International Organization for Standardization. Ivaldi, Silvia, Giuseppe Scaratti in Ezio Fregnan. 2022. »Dwelling within the Fourth Industrial Revolution: Organizational Learning for New Com-petences, Processes and Work Cultures.« Journal of Workplace Learning 34 (1): 1–26. Ivanko, Štefan. 2007. Raziskovanje in pisanje del: metodologija in tehnologija raz- iskovanja in pisanja strokovnih in znanstvenih del. Kamnik: Cubus image. Janeš, Aleksander. 2014. »Empirical Verification of the Balanced Scorecard.« Industrial Management and Data Systems 114 (2): 203–219. ———. 2015. Razvoj sistema uravnoteženih kazalnikov. Koper: Univerza na Pri- morskem, Fakulteta za management. Janeš, Aleksander, in Armand Faganel. 2013. »Instruments and Methods for the Integration of Company’s Strategic Goals and Key Performance Indi-cators.« Kybernetes: The International Journal of Systems and Cybernetics 42 (6): 928–942. Janeš, Aleksander, Roberto Biloslavo in Armand Faganel. 2017. »Sustainable Business Model: A Case Study Of Fonda.Si.« Annales Series Historia et Sociologia 27 (1): 175–190. Janiesch, Christian, Martin Matzner in Oliver Müller. 2012. »Beyond Process Monitoring: A Proof-of-Concept of Event-Driven Business Activity Ma-nagement.« Business Process Management Journal 18 (4): 625–643. Jensen, Klaus Bruhn, in Nicholas W. Jankowski. 1991. A Handbook of Qualita- tive Methodologies for Mass Communication Research. London: Routledge. Johnson, H. Thomas, in Robert S. Kaplan. 1987. Relevance Lost: The Rise and Fall of Management Accounting. Boston, MA: Harvard Business. 192 Literatura Jung, Boochun, Kevin Jialin Sun in Yanhua Sunny Yang. 2012. »Do Financial Analysts Add Value by Facilitating More Effective Monitoring of Firms’ Activities?« Journal of Accounting, Auditing and Finance 27 (1): 61–99. Kang, Bokyoung, Dongsoo Ki in Suk-Ho Kan. 2012. »Periodic Performance Prediction for Real-Time Business Process Monitoring.« Industrial Ma-nagement and Data Systems 112 (1): 4–23. Kaplan, Robert S. 2010. Conceptual Foundations of the Balanced Scorecard. Boston, MA: Harvard Business. Kaplan, Robert S., in David P. Norton. 1996. The Balanced Scorecard: Transla- ting Strategy Into Action. Boston, MA: Harvard Business. ———. 2001. The Strategy Focused Organization: How Balanced Scorecard Com- panies Thrive in the New Business Environment. Boston, MA: Harvard Bu-siness. ———. 2006. Alignment: Using the Balanced Scorecard to Create Corporate Syner- gies. Boston, MA: Harvard Business. ———. 2008. The Execution Premium: Linking Strategy to Operations for Compe- titive Advantage. Boston, MA: Harvard Business. Katz, Jeffrey P., Eric Higgins, Marsha Dickson in Molly Eckman. 2008. »The Impact of External Monitoring and Public Reporting on Business Per-formance in a Global Manufacturing Industry.« Business and Society 48 (4): 489–510. Kennerley, Mike, in Andy Neely. 2002. »A Framework of the Factors Affecting the Evolution of Performance Measurement Systems.« International Jo-urnal of Operations and Production Management 22 (11): 1222–1245. Kerzner, Harold. 2011. Project Management Metrics, KPIs, And Dashboards: A Guide to Measuring and Monitoring Project Performance. Hoboken, NJ: Wiley. Kirchmer, Mathias. 2017. High Performance through Business Process Manage- ment: Strategy Execution in a Digital World. 3. izd. Cham: Springer. Klun, Monika in Peter Trkman. 2017. »Business Process Management – At the Crossroads.« Business Process Management Journal 24 (3): 786–813. Kohlborn, Thomas, Oliver Mueller, Jens Poeppelbuss in Maximilian Roeglin- ger. 2014. »New Frontiers in Business Process Management (BPM).« Bu-siness Process Management Journal 12 (4): 3–6. Koliza, Chrysovalanti. 2008. The Development of a Performance Measurement Method in Support of the New Product Introduction Process. Hertfordshire: University of Hertfordshire. Kovačič, Art. 2007. »Benchmarking the Slovenian Competitiveness by System of Indicators.« Benchmarking: An International Journal 14 (5): 553–574. Kralj, Janko. 2003. Management: temelji managementa, odločanje in ostale nalo- ge managerjev. Koper: Fakulteta za management Koper. Kuhn, Thomas S. 1970. The Structure of Scientific Revolutions. Chicago: Uni- versity of Chicago Press. 193 Literatura Kumar, Ranjit. 2010. Research Methodology: A Step-by-Step Guide for Beginners. 3. izd. London: Sage. Laguna, Manuel, in Johan Marklund. 2019. Business Process Modeling, Simula- tion and Design. 3. izd. Boca Raton, FL: CRC. Laux, Christian. 2017. »Project-Specific External Financing and Headquarters Monitoring Incentives.« Journal of Law, Economics, and Organization 17 (2): 397–412. Lopes, Isabel Silva, Sérgio Dinis Sousa in Eusébio Nunes. 2015. »Methodology for Uncertainty Characterization of Performance Measures.« Internatio-nal Journal of Quality and Reliability Management 33 (9): 1286–1310. Lu, Yan, K. C. Morris in Simon Frechette. 2016. Current Standards Landscape for Smart Manufacturing Systems, NIST Interagency/Internal Report (NIS-TIR). Gaithersburg, MD: National Institute of Standards and Techno-logy. Madhani, Pankaj M. 2015. »Salesforce Control System, Performance Measures and the Business Cycle.« Compensation and Benefits Review 47 (2): 91– 100. Mainga, Wise. 2016. »Examining Project Learning, Project Management Com- petencies, and Project Efficiency in Project-Based Firms (PBFs).« Inter-national Journal of Managing Projects in Business 10 (3): 454–504. Malatras, Apostolos, Abolghasem Asgari, Timothy Baugé in Mark Irons. 2008. »A Service-Oriented Architecture for Building Services Integration.« Jo-urnal of Facilities Management 6 (2): 132–150. Margherita, Alessandro. 2014. »Business Process Management System and Activities: Two Integrative Definitions to Build an Operational Body of Knowledge.« Business Process Management Journal 20 (5): 642–662. Martin, B., A. Al-Shabibi, S. M. Batraneanu, M. D. Ciobotaru, G. L. Darlea, M. Ivanovici, L. Leahu, idr. 2008. »Advanced Monitoring Techniques for a Large-Scale Data-Processing Network.« Campus-Wide Information Systems 25 (5): 287–300. Martz, Wes. 2013. »Evaluating Organizational Performance: Rational, Natu- ral, and Open System Models.« American Journal of Evaluation 34 (3): 385–401. McCann, Ronan, Muhannad A. Obeidi, Cian Hughes, Éanna McCarthy, Dar- ragh S. Egan, Rajani K. Vijayaraghavan, Ajey M. Joshi, Acinas Garzon, Victor, Dowling, Denis P., McNally, Patrick J. in Brabazon, Dermot. 2021. »In-Situ Sensing, Process Monitoring and Machine Control in Laser Powder Bed Fusion: A Review.« Additive Manufacturing 45 (1): 102058. Meister, Walter. 2006. »Successful Project Management for Small to Medium Enterprises (SMEs).« V PMI® Global Congress 2006: Asia Pacific, Bangkok, Thailand, 1–10. Newtown Square, PA: Project Management Institute. Melcher, Joachim. 2012. Process Measurement in Business Process Management: Theoretical Framework and Analysis of Several Aspects. Karlsruhe: KIT. 194 Literatura Melnyk, Steven A., Umit Bititci, Ken Platts, Jutta Tobias in Bjørn Andersen. 2014. »Is Performance Measurement and Management Fit for the Futu-re?« Management Accounting Research 25 (2): 173–186. Micheli, Pietro, in Matteo Mura. 2017. »Executing Strategy through Compre- hensive Performance Measurement Systems.« International Journal of Operations and Production Management 37 (4): 423–443. Mills, John, Ken Platts, Andy Neely, Huw Richards in Michael Bourne. 2002. Creating a Winning Business Formula. Cambridge: Cambridge University Press. Möldner, Alexander Kurt, Jose Arturo Garza-Reyes in Vikas Kumar. 2008. »Exploring Lean Manufacturing Practices’ Influence on Process Innova-tion Performance.« Journal of Business Research 106 (220): 233–249. Montequín, Vicente Rodríguez, César Álvarez Pérez, Francisco Ortega Fer- nández in Joaquín Villanueva Balsera. 2013. »Scorecard and KPIs for Monitoring Software Factories Effectiveness in the Financial Sector.« International Journal of Information Systems and Project Management 1 (3): 29–43. Morrison, Catherine J. 1993. A Microeconomic Approach to the Measurement of Economic Performance: Productivity Growth, Capacity Utilization, and Re-lated Performance Indicators. New York: Springer. Mourougan, Sendil. 2015. »Enhancing Organisation Performance for Custo- mer Satisfaction and Cost Effectiveness through Integrated Manage-ment System.« IOSR Journal of Business and Management 17 (9): 50–65. Mundwiller, Stephen. 2018. Statistical Process Control: A Pragmatic Approach. Boca Raton, FL: CRC. Neely, Andy. 1999. »The Performance Measurement Revolution: Why Now and What Next?« International Journal of Operations and Production Ma-nagement 19 (2): 205–228. ———. 2002. Business Performance Measurement: Unifying Theory and Integra- ting Practice. Cambridge: Cambridge University Press. Neely, Andy, Mike Gregory in Ken Platts. 1995. »Performance Measurement System Design: A Literature Review and Research Agenda.« Internatio-nal Journal of Operations and Production Management 15 (4): 80–116. Newton, Richard. 2016. Project Management Step by Step: How to Plan and Ma- nage a Highly Successful Project. 2. izd. New York: Pearson. Nicholds, Boyd A., in John P. T. Mo. 2016. »Estimating Performance from Ca- pabilities in Business Process Improvement.« Business Process Manage-ment Journal 22 (6): 1099–1117. Norton, Dewey. 2012. The Executive’s Guide to Financial Management: Improving Risk, Strategy, and Financial Performance. Basingstoke: Palgrave Macmil-lan. 195 Literatura Oxelheim, Lars, in Clas Wihlborg. 2008. Corporate Decision-Making with Ma- croeconomic Uncertainty: Performance and Risk Management. New York: Oxford University Press. Pagano, Robert R. 2013. Understanding Statistics in the Behavioral Sciences. 10. izd. Boston, MA: Cengage Learning. Parmenter, David. 2007. Key Performance Indicators: Developing, Implementing and Using Winning KPIs. Hoboken, NJ: John Wiley & Sons. ———. 2010. Key Performance Indicators: Developing, Implementing, and Using Winning KPIs. 2. izd. Hoboken, NJ: Wiley. ———. 2016. The Financial Controller and CFO’s Toolkit: Lean Practices to Trans- form Your Finance Team. 3. izd. Hoboken, NJ: Wiley. Pavlin, Robert. 2018–2019. Monitoring in optimizacija proizvodnje LED DRL, neobjavljen dnevnik. Pavlin, Robert, in Aleksander Janeš. 2024. »Monitoring tehnoloških procesov v podjetju avtomobilske industrije.« Izzivi prihodnosti 9 (1): 21–51. Peljhan, Darja, Metka Tekavčič, Mojca Marc in Aleksandra Šobota. 2010. »Ob- vladovanje uspešnosti poslovanja: ali slovenska podjetja napredujejo?« Teorija in praksa 47 (4): 671–691. Pojasek, Robert B. 2003. »Lean, Six Sigma, and the Systems Approach: Ma- nagement Initiatives for Process Improvement.« Environmental Quality Management 13 (2): 85–92. Porter, Michael E. 1985. Competitive Advantage: Creating and Sustaining Supe- rior Performance. New York: Free Press. ———. 2008. On Competition. Posodobljena, razširjena izd. Boston, MA: Har- vard Business School Publishing Corporation. Project Management Institute. 2021. A Guide to the Project Management Body of Knowledge (PMBOK Guide). 7. izd. Newtown Square, PA: Project Mana-gement Institute Pyzdek, Thomas. 2003. The Six Sigma Handbook: The Complete Guide for Gre- enbelts, Blackbelts, and Managers at All Levels. New York: McGraw-Hill. Randles, Sally, in Oliver Laasch. 2015. »Theorising the Normative Business Model.« Organization and Environment 29 (1): 53–73. Ravesteyn, Pascal, in Ronald Batenburg. 2010. »Surveying the Critical Success Factors of BPM‐Systems Implementation.« Business Process Manage-ment Journal 16 (3): 492–507. Rifkin, Jeremy. 2011. The Third Industrial Revolution: How Lateral Power is Transforming Energy, the Economy, and the World. New York: Palgrave Macmillan. Robert, Marc, Philippe Giuliani in Calin Gurau. 2022. »Implementing Industry 4.0 Real-Time Performance Management Systems: The Case of Schnei-der Electric.« Production Planning and Control 33 (2–3): 244–260. Rodman, Karmen. 2010. »Dejavniki zaznane kakovosti visokošolskega zavoda z vidika delodajalcev.« Doktorska disertacija, Univerza na Primorskem. 196 Literatura Röglinger, Maximilian, Jens Pöppelbuß in Jörg Becker. 2012. »Maturity Mo- dels in Business Process Management.« Business Process Management Journal 18 (2): 328–346. Rosing, Mark von, August-Wilhelm Scheer in Henrik von Scheel. 2015. The Complete Business Process Handbook: Body of Knowledge from Process Mo-deling to BPM. Waltham, MA: Kaufmann. Rothbard, Murray N. 2006. Economic Thought before Adam Smith: An Austrian Perspective on the History of Economic Thought. 2 zv. Auburn, AL: Elgar. Sansone, Cinzia, Per Hilletofth in David Eriksson. 2017. »Critical Operations Capabilities for Competitive Manufacturing: A Systematic Review.« In-dustrial Management and Data Systems 117 (5): 801–837. Santori, Peter R., in Alan D. Anderson. 1987. »Manufacturing Performance in the 1990s: Measuring for Excellence.« Journal of Accountancy 164 (5): 141. Saraph, Jayant V., P. George Benson in Roger G. Schroeder. 1989. »An Instru- ment for Measuring the Critical Factors of Quality Management.« Deci-sion Sciences 20 (4): 810–829. Sayer, Natalie J., in Bruce Williams. 2007. Lean For Dummies. Hoboken, NJ: Wiley. Scheer, August-Wilhelm, Wolfram Jost, Helge Heß in Andreas Kronz. 2006. Corporate Performance Management: ARIS in Practice. Heidelberg: Sprin-ger. Schwab, Klaus. 2016. The Fourth Industrial Revolution. Ženeva: World Econo- mic Forum. Sekaran, Uma, in Roger Bougie. 2016. Research Methods for Business: A Skill- -Building Approach. Chichester: Wiley. Shimokawa, Koichi, Ulrich Jurgens in Takahiro Fujimoto. 1997. Transforming Automobile Assembly: Experience in Automation and Work Organization. Berlin: Springer. Silva, Hugo de Oliveira Guimarães da, Mariana Cristina Magalhães Costa, Ma- ria Victoria Cabrera Aguilera, Maria da Glória Diniz de Almeida, Bernar-do Bastos da Fonseca, José Salvador da Motta Reis, Luís César Ferreira Motta Barbosa idr. 2021. »Improved Vehicle Painting Process Using Sta-tistical Process Control Tools in an Automobile Industry.« International Journal for Quality Research 15 (4): 1245. Singh, Adarsh Kumar, in Sekar Vinodh. 2017. »Modeling and Performance Eva- luation of Agility Coupled with Sustainability for Business Planning.« Journal of Management Development 36 (1): 109–128. Sivaev, Dmitry. 2013. »How Should We Help Business Grow? Delivering Busi- ness Support.« Local Economy 28 (7–8): 906–910. Star, Sequoia, Darlene Russ-Eft, Marc T. Braverman in Roger Levine. 2016. »Performance Measurement and Performance Indicators: A Literature Review and a Proposed Model for Practical Adoption.« Human Resource Development Review 15 (2): 1–31. 197 Literatura Sydler, Renato, Stefan Haefliger in Robert Pruksa. 2014. »Measuring Intellec- tual Capital with Financial Figures: Can We Predict Firm Profitability?« European Management Journal 32 (2): 244–259. Šumanski, Martina Miklavčič, Igor Kolenc in Mirko Markič. 2007. »Teamwork and Defining Group Structures.« Team Performance Management: An In-ternational Journal 13 (3/4): 102–116. Taticchi, Paolo, ur. 2010. Business Performance Measurement and Management: New Contexts, Themes and Challenges. Heidelberg: Springer. Taticchi, Paolo, in Kashi R. Balachandran. 2008. »Performance Measurement and Management: A Literature Review and a Research Agenda.« Interna-tional Journal of Accounting and Information Management 16 (2): 140–154. Taticchi, Paolo, Patrizia Garengo, Sai S. Nudurupati, Flavio Tonelli in Roberto Pasqualino. 2015. »A Review of Decision-Support Tools and Performance Measurement and Sustainable Supply Chain Management.« Internatio-nal Journal of Production Research 53 (21): 6473–6494. Tbaishat, Dina. 2017. »Business Process Modelling using ARIS: Process Archi- tecture.« Library Management 38 (2/3): 88–107. Teplická, Katarína, Samer Khouri, Tawfik Mudarri in Magdaléna Freňáková. 2023. »Improving the Quality of Automotive Components through the Effective Management of Complaints in Industry 4.0.« Applied Sciences 13 (14): 8402. Thomas, Paul G. 2006a. »The Aims of Performance Measurement.« V Perfor- mance Measurement, Reporting, Obstacles and Accountability: Recent Tren-ds and Future Directions, uredil Paul G. Thomas, 11–14. Acton: Australian National University. ———. 2006b. »The Disappointing Record of Performance Measurement/Ma- nagement (PMM).« V Performance Measurement, Reporting, Obstacles and Accountability: Recent Trends and Future Directions, uredil Paul G. Tho-mas, 51–54. Acton: Australian National University. Thomson, Thomas M. 1998. Managment by Objectives. Misenheimer: Jossey- -Bass/Pfeiffer. Tracy, Brian. 2002. Create Your Own Future: How to Master the 12 Critical Fa- ctors of Unlimited Success. Hoboken, NJ: Wiley. Trnavčevič, Anita. 2010. »Študija paradigm raziskovanja v magistrskih nalo- gah s področja družboslovja.« Management 5 (1): 69–84. Turner, Rodney, Ann Ledwith in John Kelly. 2010. »Project Management in Small to Medium-Sized Enterprises: Matching Processes to the Nature of the Firm.« International Journal of Project Management 28 (8): 744–755. ———. 2012. »Project Management in Small to Medium‐Sized Enterprises.« Management Decision 50 (5): 942–957. Underdahl, Brian. 2011. Business Process Management For Dummies. Indiana- polis, IN: Wiley. 198 Literatura Verband der Automobilindustrie. 2011. VDA 5 Quality Management in the Auto- motive Industry-Capability of Measurement Processes. Berlin: Verband der Automobilindustrie. ———. 2016. VDA 6 Quality Management in the Automotive Industry-Process Au- dit. Berlin: Verband der Automobilindustrie. Venkatraman, N., in Vasudevan Ramanujam. 1986. »Measurement of Busi- ness Performance in Strategy Research: A Comparison of Approaches.« Academy o/Manogrement Review 11 (4): 801–814. Verle, Karmen, in Mirko Markič. 2012. Kompetence vršnih managerjev in orga- niziranost kot osnova uspešnosti organizacije. Koper: Fakulteta za mana-gement Koper. Verle, Karmen, Mirko Markič, Borut Kodrič in Annmarie Gorenc Zoran. 2014. »Managerial Competencies and Organizational Structures.« Industrial Management and Data Systems 114 (6): 922–935. Vries, Marc J. de. 2016. Teaching about Technology: An Introduction to the Philo- sophy of Technology for Non-philosophers. 2. izd. Basel: Springer. Waal, Andre de, in Karima Kourtit. 2013. »Performance Measurement and Management in Practice.« International Journal of Productivity and Per-formance Management 62 (5): 446–473. Wade, David, in Ron Recardo. 2001. Corporate Performance Management: How to Build a Better Organization through Measurement-Driven Strategic Alignment. Woburn, MA: Butterworth-Heinemann Watson, Rick M. 1998. »Implementing Self-Managed Process Improvement Teams in a Continuous Improvement Environment.« The TQM Magazine 10 (4): 246–257. Welbourne, Theresa M., in Claudia J. Ferrante. 2008. »To Monitor or Not to Monitor.« Group and Organization Management 33 (2): 139–162. Wilkinson, Adrian, Tom Redman, Ed Snape in Mick Marchington. 1998. Ma- naging with Total Quality Management: Theory and Practice. London: Pal-grave. Wilson, Brett, Tom Provencher, Jacqueline Gough, Stephanie Clark, Ramil Abdrachitov, Karolien de Roeck, Sarah Jane Constantine idr. 2014. »De-fining a Central Monitoring Capability Sharing the Experience of Tran-sCelerate BioPharma’s Approach, Part 1.« Therapeutic Innovation and Re-gulatory Science 48 (5): 529–535. Wysocki, Robert K. 2004. Project Management Process Improvement. Norwood, AR: Artech House. Yen, Vincent C. 2009. »An Integrated Model for Business Process Measure- ment.« Business Process Management Journal 15 (6): 865–875. Yin, Robert K. 2009. Case Study Research: Design and Methods. Thousand Oaks, CA: Sage. 199 Recenziji Znanstvena monografija Razvoj sistema za management poslovnih in tehnoloških procesov je osredotočena na rezultate študije primera mer-jenja učinkovitosti in uspešnosti poslovnih ter tehnoloških procesov proizvodnega podjetja, ki deluje v avtomobilski industriji. Osredoto-čenost se izkazuje na postavitvi sistema managementa in monitoringa kazalnikov poslovnih ter tehnoloških procesov z uporabo kvalitativnih in kvantitativnih metod. Razvita in empirično potrjena metodologi-ja podpira kvantificiranje doslej šibko raziskanega vidika povezanosti med poslovnimi ter tehnološkimi procesi in njihovimi ključnimi ka-zalniki. Ugotovitve raziskave imajo bistveno aplikativno vrednost, saj neposredno podpirajo oblikovanje in uvedbo sistema managementa monitoringa kazalnikov v celovit sistem merjenja poslovanja proi-zvodnega podjetja. Snovanje sistema managementa in monitoringa kazalnikov poslovnih ter tehnoloških procesov, ki je na takšen način kvantitativno podprto, prinaša dodatno dimenzijo temu relativno šib-ko raziskanemu vidiku managerskih orodij. Sistem managementa in monitoringa kazalnikov poslovnih ter tehnoloških procesov je orodje, ki je namenjeno managerjem za opisovanje in spremljanje ključnih ka-zalnikov s tehnološkega ter poslovnega vidika, ki prispevajo in izka-zujejo delež pri izpolnjevanju strateških ciljev. Tudi v tem študijskem primeru je eden izmed strateških ciljev podjetja razvoj organizacije v smislu izboljševanja socio-ekonomskega sistema, trajnostnega razvo-ja in posledično zahtevanih organizacijskih sprememb. Postavljen in preizkušen empirični model obenem podpira potrebne organizacijske spremembe, ki morajo slediti viziji, izbranim strateškim ciljem in celo-viti strategiji podjetja. Prof. dr. Tomaž Kern 201 Recenziji Naslov znanstvene monografije je Razvoj sistema za management po-slovnih in tehnoloških procesov. Avtorja sta uporabila inovativen pristop, ko sta razvila metodologijo na osnovi študije primera uspešnega slo-venskega proizvodnega podjetja, ki je hkrati inovativni kompetenč-ni center mednarodne korporacije. Njuna raziskava je privedla do pomembnega prispevka s področja povezovanja industrije in javne univerze. Pri uporabi študije primera za oblikovanje sistema za mana-gement in monitoring poslovnih in tehnoloških procesov je bil odziv podjetja zelo pozitiven, saj je delo pripomoglo k izboljšanju razumeva-nja in merjenja ter doseganju višjega donosa pri investicijah v projekte priprave in montaže izdelkov za avtomobilsko industrijo. Preizkušen model je poudaril pomembnost kvantifikacije managerskega orodja za opis povezanosti kazalnikov poslovnih in tehnoloških procesov, kar je podprlo sistematično in načrtno izvedbo operativnih aktivnosti. Ugo-tovitve raziskave so zelo pomembne, saj podpirajo opis, razumevanje in integracijo za management in monitoring poslovnih in tehnoloških procesov v celovit sistem merjenja poslovanja proizvodnega podjetja. Po uspešni izvedbi raziskave se preizkušeni model sistema za manage-ment poslovnih in tehnoloških procesov ob primernih prilagoditvah lahko razširi še na druge proizvodne procese podjetja ter na hčerinska podjetja mednarodne korporacije. Prof. dr. Maja Meško 202 Založba Univerze na Primorskem www.hippocamus.si