Quality Defect Loss (ความสูญเสียจากของเสียหรือชิ้นงานเสีย) คือความสูญเสียที่ฉุดค่า Quality Rate ในOEEให้ต่ำกว่าที่ควร และเป็นหนึ่งใน 16 ความสูญเสียหลักตามแนวทางKaizen/Focused Improvementของ JIPM ต่างจากความสูญเสียด้านความพร้อมใช้งาน (Availability) หรือความเร็ว (Performance) ที่มักเห็นผลกระทบชัดในรูปเวลาที่เสียไป Quality Defect Loss ซ่อนตัวอยู่ในรูปของชิ้นงานที่ผลิตออกมาแล้วแต่ใช้งานไม่ได้ ต้องทิ้งหรือต้องนำกลับมาแก้ไขใหม่ ซึ่งกินทั้งเวลา วัตถุดิบ แรงงาน และเครื่องจักรไปพร้อมกัน โดยที่หลายโรงงานไม่เคยคำนวณต้นทุนที่แท้จริงออกมาเป็นตัวเลขให้เห็นภาพชัดเจน
บทความนี้ทำหน้าที่เป็นคลังอ้างอิงเร็ว (quick-reference playbook) สำหรับจำแนกชนิดของเสียที่พบบ่อยหน้างานออกเป็นกลุ่ม พร้อมมาตรการมาตรฐานที่ควรพิจารณาก่อนเป็นลำดับแรก ซึ่งต่างจากบทความP-M Analysisที่เป็นวิธีวิเคราะห์เชิงลึกระดับฟิสิกส์ 8 ขั้นตอน ออกแบบมาสำหรับของเสียเรื้อรัง (chronic) ที่หาสาเหตุแท้จริงไม่เจอสักที กล่าวโดยสรุปคือบทความนี้ตอบคำถามว่า "ของเสียแบบนี้ควรลองแก้ด้วยมาตรการอะไรก่อน" ส่วน P-M Analysis ตอบคำถามว่า "ทำไมของเสียแบบนี้ถึงยังไม่หายสักที ทั้งที่ลองมาหลายมาตรการแล้ว"
กติกาที่ต้องยึดเสมอ: หากนำมาตรการมาตรฐานจากบทความนี้ไปใช้แล้วของเสียยังไม่ลดลงตามเป้า หรือลดลงชั่วคราวแล้วกลับมาเกิดซ้ำเป็นรอบ ๆ ห้ามวนแก้ไขด้วยมาตรการเดิมซ้ำไปเรื่อย ๆ ให้ escalate ไปใช้P-M Analysisทันที เพราะนั่นคือสัญญาณว่าทีมงานยังไม่เข้าใจกลไกการเกิดของเสียอย่างแท้จริง
Quality Defect Loss คืออะไร ในกรอบ OEE
ในการคำนวณ OEE ค่า Quality Rate หาได้จากสัดส่วนของชิ้นงานที่ผ่านสเปกตั้งแต่ครั้งแรกเทียบกับจำนวนชิ้นงานทั้งหมดที่ป้อนเข้าสู่กระบวนการ ทุกชิ้นที่ต้องคัดทิ้งหรือต้องนำกลับมาแก้ไขจะถูกนับเป็น Quality Defect Loss ทั้งสิ้น ไม่ว่าสาเหตุจะมาจากเครื่องจักร วัตถุดิบ วิธีการทำงาน หรือคน ข้อสำคัญคือ Quality Defect Loss ไม่ได้วัดแค่ "จำนวนของเสีย" แต่วัดผลกระทบต่อประสิทธิภาพโดยรวมของกระบวนการ เพราะทุกชิ้นที่เสียหมายถึงเวลาเครื่องจักร วัตถุดิบ และแรงงานที่ถูกใช้ไปแล้วแต่ไม่สร้างมูลค่าตอบแทนกลับมา และหากปล่อยให้สะสมโดยไม่มีระบบติดตามที่ดี ตัวเลขนี้จะกลายเป็นความสูญเสียที่ใหญ่กว่าที่ผู้บริหารหลายคนคาดคิดไว้มาก นอกจากนี้ ของเสียที่หลุดรอดไปถึงมือลูกค้ายังส่งผลต่อความเชื่อมั่นและความสัมพันธ์ทางธุรกิจในระยะยาว ซึ่งมักมีมูลค่าความเสียหายสูงกว่าต้นทุนการผลิตของชิ้นงานนั้นเองอยู่หลายเท่าตัว
ของเสียช่วงเริ่มเดินเครื่อง (Startup Defect) กับของเสียช่วงเดินเครื่องปกติ (Running Defect)
ของเสียแบ่งตามช่วงเวลาที่เกิดออกเป็นสองกลุ่มใหญ่ที่มีสาเหตุและแนวทางแก้ไขต่างกันโดยสิ้นเชิง กลุ่มแรกคือของเสียช่วงเริ่มเดินเครื่องหลัง changeover หรือปรับตั้งเครื่องใหม่ ซึ่งเกิดจากกระบวนการยังไม่เข้าสู่สภาวะคงตัว (stable state) เช่น เครื่องยังไม่ได้อุณหภูมิทำงาน แม่พิมพ์ยังไม่เข้าที่ หรือค่าพารามิเตอร์ยังปรับไม่นิ่ง เรื่องนี้มีรายละเอียดเฉพาะมากพอที่จะแยกเป็นอีกบทความหนึ่งคือความสูญเสียช่วงเริ่มเดินเครื่อง/สตาร์ทอัพซึ่งอธิบายวิธีจัดการ warm-up และ first-article inspection โดยเฉพาะ บทความนี้จะเน้นกลุ่มที่สองคือของเสียที่เกิดขึ้นระหว่างเดินเครื่องผลิตต่อเนื่องในสภาวะที่กระบวนการควร stable แล้ว ซึ่งมักมีสาเหตุจากการสึกหรอสะสมของเครื่องมือ ความผันแปรของวัตถุดิบ สิ่งปนเปื้อนที่ค่อย ๆ สะสม หรือความเหนื่อยล้าของพนักงานระหว่างกะ
| มิติ | Startup Defect | Running Defect |
|---|---|---|
| ช่วงเวลาที่เกิด | หลัง changeover จนกว่ากระบวนการจะนิ่ง | ระหว่างเดินเครื่องต่อเนื่องในสภาวะที่ควร stable แล้ว |
| สาเหตุทั่วไป | เครื่องยังไม่ได้อุณหภูมิ/ความดันทำงาน ปรับตั้งยังไม่นิ่ง | เครื่องมือสึกหรอสะสม วัตถุดิบผันแปร สิ่งปนเปื้อนสะสม |
| แนวทางหลัก | Warm-up standard, first-article inspection | SPC ต่อเนื่อง, TBM/CBM, Poka-Yoke ที่จุดเกิดของเสีย |
| อ่านเพิ่มเติม | Startup Yield Loss | บทความนี้ |
ของเสียซ่อมได้ (Rework) กับของเสียทิ้ง (Scrap)
อีกมิติหนึ่งที่ต้องแยกให้ชัดคือของเสียที่ยังนำกลับมาแก้ไขให้ผ่านสเปกได้ (rework) กับของเสียที่ต้องคัดทิ้งเพราะไม่คุ้มค่าหรือไม่สามารถแก้ไขได้ (scrap) หลายโรงงานมีอคติโดยไม่รู้ตัวว่า rework "ไม่เสียหาย" เพราะสุดท้ายสินค้าก็ผ่านสเปกออกไปหาลูกค้าได้ ทั้งที่ความจริงแล้ว rework แย่งเวลาเครื่องจักรและกำลังคนจากงานผลิตปกติไปเต็ม ๆ เพียงแต่ไม่ปรากฏเป็นตัวเลขเสียหายที่มองเห็นชัดเหมือน scrap เท่านั้น การไม่แยกสองประเภทนี้ออกจากกันอย่างชัดเจนในระบบบันทึกข้อมูลเป็นสาเหตุหนึ่งที่ทำให้การคำนวณต้นทุนความสูญเสียคลาดเคลื่อนอย่างมาก
| ประเด็น | Rework (ซ่อมได้) | Scrap (ของเสียทิ้ง) |
|---|---|---|
| นิยาม | แก้ไขแล้วผ่านสเปกได้โดยไม่กระทบฟังก์ชันหรือความปลอดภัย | ไม่คุ้มค่าหรือไม่สามารถแก้ไขให้ผ่านสเปกได้ |
| ต้นทุนที่เกิด | แรงงานและเวลาเครื่องจักรซ้ำ มักถูกมองข้ามว่า "ฟรี" | ต้นทุนวัตถุดิบและแรงงานที่ผลิตไปแล้วทั้งหมด บวกค่ากำจัดของเสีย |
| ผลต่อกำลังการผลิต | แย่งเวลา/กำลังคนจากงานผลิตปกติ | เสียกำลังการผลิตเต็มจำนวนไม่มีทางแก้ |
| การบันทึกข้อมูล | ต้องมีรหัสเหตุผล (reason code) แยกจาก scrap ชัดเจน | ต้องแยกออกจาก rework ชัดเจนเพื่อคำนวณ COPQ ให้ถูกต้อง |
เมื่อไรใช้ Playbook นี้พอ เมื่อไรต้อง Escalate
ก่อนลงมือแก้ของเสียทุกครั้ง คำถามแรกที่ควรถามไม่ใช่ "จะแก้อย่างไร" แต่เป็น "ควรใช้เครื่องมือวิเคราะห์แบบไหน" เพราะการเลือกเครื่องมือผิดจะทำให้เสียเวลาไปกับการวิเคราะห์ที่ลึกเกินความจำเป็น หรือตื้นเกินไปจนแก้ไม่ตรงจุด หลักการเลือกที่ใช้ได้จริงคือเริ่มจากคำถามว่า "ของเสียชนิดนี้เคยเจอมาก่อนหรือไม่ และรู้สาเหตุที่แท้จริงหรือยัง" ถ้าเคยเจอและรู้สาเหตุแล้ว ให้ใช้มาตรการมาตรฐานตาม playbook นี้ได้ทันทีโดยไม่ต้องวิเคราะห์ซ้ำ แต่ถ้าเป็นของเสียใหม่ หรือของเสียเดิมที่แก้ไม่หายสักที ต้องเลือกเครื่องมือวิเคราะห์ให้เหมาะกับความซับซ้อนของปัญหาตามระดับที่สรุปไว้ในตารางด้านล่าง
| สถานการณ์ | เครื่องมือที่เหมาะสม | เหตุผล |
|---|---|---|
| ของเสียชนิดที่เคยเจอ รู้สาเหตุและมีมาตรการมาตรฐานรองรับอยู่แล้ว | มาตรการมาตรฐานตามกลุ่มของเสีย (playbook นี้) | ประหยัดเวลา ไม่ต้องวิเคราะห์ซ้ำสิ่งที่รู้คำตอบอยู่แล้ว |
| ของเสียใหม่ สาเหตุไม่ซับซ้อน มีความสัมพันธ์เหตุ-ผลตรงไปตรงมา | Why-Why Analysis (5 Why) | ไล่ตามห่วงโซ่เหตุผลได้ทีละขั้นจนถึงรากปัญหา |
| ของเสียมีหลายปัจจัยร่วมกัน ต้องจัดลำดับความสำคัญด้วยข้อมูล | QC 7 Tools (Pareto, Fishbone, Scatter Diagram) | ใช้สถิติเชิงพรรณนาแยกปัจจัยหลักออกจากปัจจัยรอง |
| ของเสียเกิดจากความล้มเหลวของระบบที่มีหลายเหตุประกอบกัน | FTA (Fault Tree Analysis) | มองความสัมพันธ์ของสาเหตุร่วมเป็นแผนภาพต้นไม้แบบ AND/OR |
| ของเสียเรื้อรัง แก้ด้วยมาตรการมาตรฐานหรือ Why-Why แล้วไม่หายขาด หรือหายชั่วคราวแล้วกลับมาซ้ำ | P-M Analysis | ต้องเข้าใจกลไกทางฟิสิกส์ของปรากฏการณ์อย่างละเอียด ไม่ใช่แค่เหตุผลระดับผิว |
ไม่ว่าจะเลือกใช้เครื่องมือใดในตารางข้างต้น หลักการที่ต้องยึดเสมอโดยไม่มีข้อยกเว้นคือการไปดูของจริงที่หน้างานตามแนวคิดGenba-Genbutsu-Genjitsuเพราะข้อมูลของเสียที่รายงานบนกระดาษหรือในระบบ มักไม่สามารถบอกรายละเอียดสภาพจริงของชิ้นงานเสีย ตำแหน่งที่เกิด และสภาพแวดล้อมขณะเกิดได้ครบถ้วนเท่ากับการไปเห็นด้วยตาตัวเองที่หน้างานจริง
ตารางจำแนกกลุ่มของเสียตามชนิดกระบวนการ
ของเสียที่พบในโรงงานผลิตแทบทั้งหมดสามารถจัดกลุ่มได้เป็น 6 กลุ่มหลักตามลักษณะอาการที่ปรากฏ การจำแนกกลุ่มให้ถูกต้องตั้งแต่ต้นเป็นก้าวแรกที่สำคัญที่สุด เพราะแต่ละกลุ่มมีจุดกำเนิดและมาตรการมาตรฐานที่เหมาะสมต่างกันโดยสิ้นเชิง การเหมารวมของเสียทุกชนิดเข้าด้วยกันแล้ววิเคราะห์แบบเดียวเป็นสาเหตุหนึ่งที่ทำให้ทีมงานแก้ปัญหาไม่ตรงจุดและเสียเวลาซ้ำแล้วซ้ำเล่า
| กลุ่มของเสีย | อาการที่พบบ่อย | ตัวอย่างกระบวนการ | จุดตรวจพบทั่วไป |
|---|---|---|---|
| มิติ/ขนาดผิดสเปก | เกินพิกัด (oversize/undersize) รูปทรงบิดเบี้ยว ความหนาไม่สม่ำเสมอ | กลึง กัด ปั๊มขึ้นรูป ฉีดพลาสติก | เกจวัด เครื่อง CMM กราฟ SPC |
| ผิวงาน/ความสวยงาม | รอยขีดข่วน รอยบุบ สีเพี้ยน ครีบ (burr) ฟองอากาศบนผิวเคลือบ | พ่นสี ชุบผิว ฉีดพลาสติก ปั๊มขึ้นรูป | ตรวจสายตาใต้แสงมาตรฐาน เทียบ limit sample |
| ประกอบผิด/ชิ้นส่วนขาด | ใส่ผิดทิศทาง ลืมใส่สกรูหรือชิ้นส่วน ใส่ผิดรุ่น | สายการประกอบ (assembly line) | Poka-yoke sensor ตรวจน้ำหนักชิ้นงาน |
| สิ่งปนเปื้อน | เศษโลหะ ฝุ่น คราบน้ำมัน เส้นผมหรือเส้นใย | บรรจุอาหาร อิเล็กทรอนิกส์ ยานยนต์ | X-ray metal detector ตรวจสายตา |
| ใช้งานไม่ได้ตามฟังก์ชัน | เปิดไม่ติด รั่วซึม แรงบิดไม่ได้สเปก ไฟฟ้าลัดวงจร | สถานีทดสอบปลายสาย (end-of-line test) | Function test rig, leak test, torque check |
| บรรจุภัณฑ์/ฉลากผิด | ฉลากเยื้องศูนย์ บาร์โค้ดอ่านไม่ได้ ข้อมูล lot หรือวันหมดอายุผิด | สายบรรจุภัณฑ์ (packaging line) | ระบบ Vision, scanner verification |
ในทางปฏิบัติ ของเสียหนึ่งชิ้นอาจเข้าข่ายมากกว่าหนึ่งกลุ่มพร้อมกันได้ เช่น ชิ้นงานที่มีสิ่งปนเปื้อนอาจทำให้มิติผิดสเปกไปด้วย กรณีแบบนี้ให้บันทึกกลุ่มที่เป็นสาเหตุต้นทางเป็นหลัก ไม่ใช่กลุ่มที่เป็นอาการปลายทางที่มองเห็นตอนตรวจพบ เพราะการนำข้อมูลไปทำ Pareto ในภายหลังจะผิดเพี้ยนถ้าจัดกลุ่มตามอาการปลายทางแทนสาเหตุต้นทาง
ทีมงานควรทบทวนตารางจำแนกกลุ่มนี้ร่วมกับข้อมูลจริงของโรงงานตนเองอย่างน้อยปีละครั้ง เพราะสัดส่วนของเสียแต่ละกลุ่มจะเปลี่ยนไปตามการเปลี่ยนแปลงของผลิตภัณฑ์ วัตถุดิบ และเครื่องจักรที่ใช้งาน กลุ่มที่เคยเป็นปัญหาหลักเมื่อสองปีก่อนอาจไม่ใช่ปัญหาหลักอีกต่อไปหากมีการปรับปรุงไปแล้ว
Cost of Poor Quality (COPQ) — ต้นทุนของเสียที่มองไม่เห็น
Cost of Poor Quality (COPQ) คือการแปลงของเสียทุกชนิดให้เป็นตัวเงิน เพื่อให้ผู้บริหารและทีมงานเห็นภาพเดียวกันว่าของเสียแต่ละกลุ่มสร้างความเสียหายมากน้อยเพียงใด แนวคิดนี้ใกล้เคียงกับหลักการของCost Deploymentที่ใช้จัดลำดับความสำคัญโครงการ Kaizen ทั้งโรงงาน เพียงแต่ COPQ โฟกัสเฉพาะความสูญเสียด้านคุณภาพ COPQ แบ่งออกเป็นสองกลุ่มใหญ่คือต้นทุนความล้มเหลวภายใน (internal failure cost) ที่เกิดขึ้นก่อนสินค้าถึงมือลูกค้า กับต้นทุนความล้มเหลวภายนอก (external failure cost) ที่เกิดขึ้นหลังสินค้าออกจากโรงงานไปแล้ว ซึ่งมักมีมูลค่าความเสียหายสูงกว่าต้นทุนภายในหลายเท่าตัว เพราะนอกจากต้นทุนทางตรงแล้วยังกระทบความเชื่อมั่นของลูกค้าที่ประเมินเป็นตัวเลขได้ยาก
| ประเภท | รายการต้นทุน | ตัวอย่าง |
|---|---|---|
| Internal Failure Cost | ต้นทุนวัตถุดิบของเสีย (scrap material) | วัตถุดิบที่ผลิตเสียแล้วต้องคัดทิ้งทั้งชิ้น |
| Internal Failure Cost | ต้นทุนแรงงานและเครื่องจักรงานซ่อม (rework) | เวลาที่พนักงานและเครื่องจักรใช้แก้ไขชิ้นงานเสีย |
| Internal Failure Cost | ต้นทุนตรวจซ้ำ (re-inspection) และขายลดเกรด | ตรวจ 100% ซ้ำหลังพบปัญหา หรือขายเป็นเกรดรอง |
| External Failure Cost | ต้นทุนรับคืนสินค้าและเคลมประกัน (warranty claim) | ลูกค้าส่งสินค้าคืนหรือเรียกร้องค่าชดเชย |
| External Failure Cost | ต้นทุนจัดการข้อร้องเรียนและเรียกคืนสินค้า (recall) | ทีมงานต้องสอบสวนและติดตามแก้ไขที่ลูกค้า |
| External Failure Cost | ผลกระทบต่อความเชื่อมั่นลูกค้าและแบรนด์ | ประเมินเป็นตัวเงินตรงยาก แต่ส่งผลต่อยอดขายระยะยาว |
แนวคิดที่ช่วยอธิบาย COPQ ให้ผู้บริหารเข้าใจง่ายคือ "ภูเขาน้ำแข็งของต้นทุนคุณภาพ" ต้นทุนที่มองเห็นชัดอย่าง scrap และ rework เป็นเพียงส่วนยอดที่โผล่พ้นน้ำ ขณะที่ต้นทุนความล้มเหลวภายนอก เวลาที่ผู้บริหารและวิศวกรต้องใช้สอบสวนปัญหา และผลกระทบต่อความเชื่อมั่นของลูกค้า คือส่วนใหญ่ที่จมอยู่ใต้น้ำและมักไม่ถูกนับรวมในรายงานต้นทุนทั่วไป การทำ COPQ อย่างจริงจังจึงเป็นการดึงต้นทุนส่วนที่จมอยู่ใต้น้ำเหล่านี้ขึ้นมาให้ทุกคนเห็นร่วมกัน
สูตรที่ใช้ติดตามภาพรวมคือ COPQ คิดเป็นร้อยละของยอดขาย เท่ากับ (COPQ รวมทั้งภายในและภายนอก หารด้วยยอดขายรวม) คูณ 100 ตัวเลขนี้ควรถูกติดตามเป็นแนวโน้มรายไตรมาสมากกว่าดูค่าเดี่ยว ๆ เพราะเป้าหมายที่แท้จริงคือทิศทางลดลงต่อเนื่อง ไม่ใช่ตัวเลขสมบูรณ์แบบในทันที
มาตรการรายกลุ่มของเสีย และบทบาทของ Poka-Yoke
เมื่อจำแนกกลุ่มของเสียได้แล้ว ขั้นตอนถัดไปคือเลือกมาตรการมาตรฐานที่เหมาะกับแต่ละกลุ่ม ตารางด้านล่างสรุปแนวทางที่ควรลองก่อนเป็นลำดับแรก พร้อมสัญญาณที่บ่งชี้ว่าถึงเวลาต้อง escalate ไปวิเคราะห์เชิงลึก
| กลุ่มของเสีย | มาตรการมาตรฐานที่ควรทำก่อน | สัญญาณที่ควร escalate |
|---|---|---|
| มิติ/ขนาดผิดสเปก | SPC control chart ที่จุดวิกฤต ตารางตรวจสภาพเครื่องมือตัด/แม่พิมพ์ first-article inspection ทุกครั้งที่ changeover | ค่า Cpk ต่ำเรื้อรังแม้ปรับ setting แล้วหลายครั้ง |
| ผิวงาน/ความสวยงาม | มาตรฐาน limit sample ควบคุมสภาพแวดล้อม (ฝุ่น/ความชื้น) OPL วิธีจับชิ้นงานไม่ให้เกิดรอย | ตำหนิรูปแบบเดิมเกิดซ้ำหลายกะโดยหาจุดกำเนิดไม่เจอ |
| ประกอบผิด/ชิ้นส่วนขาด | Poka-yoke แบบ shutout ไม่ให้ไปสถานีถัดไปถ้าใส่ไม่ครบ, kitting, OPL ลำดับการประกอบ | เกิดในหลายรุ่นผลิตภัณฑ์พร้อมกัน สงสัยปัญหาการออกแบบ jig |
| สิ่งปนเปื้อน | จุดทำความสะอาดตามมาตรฐาน AM ฝาครอบป้องกัน 5ส บริเวณจุดเสี่ยง | ตรวจพบแหล่งปนเปื้อนใหม่ที่ไม่เคยมีในประวัติ |
| ใช้งานไม่ได้ตามฟังก์ชัน | 100% function test ก่อนบรรจุ เชื่อมผลกับ FMEA เพื่อหาจุด Detection ต่ำ | อัตราของเสียฟังก์ชันสูงแม้ทุกพารามิเตอร์วัดได้อยู่ในสเปก |
| บรรจุภัณฑ์/ฉลากผิด | กล้อง vision ตรวจ 100% scanner verification ก่อนปิดกล่อง | เกิดเฉพาะช่วง changeover หรือความเร็วสูงเท่านั้น |
สังเกตว่ามาตรการที่ปรากฏซ้ำมากที่สุดในตารางข้างต้นคือPoka-Yokeหรือกลไกกันความผิดพลาด เพราะเป็นมาตรการที่ทรงพลังที่สุดในกลุ่มของเสียที่มีสาเหตุจากความผิดพลาดของคนหรือลำดับขั้นตอน หลักการของ Poka-Yoke คือออกแบบให้ความผิดพลาดเกิดขึ้นไม่ได้ตั้งแต่ต้น (ฟังก์ชันควบคุม) หรืออย่างน้อยที่สุดต้องแจ้งเตือนทันทีที่เกิด (ฟังก์ชันเตือน) แทนที่จะพึ่งพาความระมัดระวังของพนักงานเพียงอย่างเดียวซึ่งไม่มีวันเชื่อถือได้ 100% ในระยะยาว
| วิธีการ Poka-Yoke | หลักการ | ตัวอย่างการใช้งาน |
|---|---|---|
| Contact Method (สัมผัส) | ใช้เซนเซอร์หรือหัววัดตรวจรูปทรง ตำแหน่ง หรือการมีอยู่ของชิ้นส่วน | ตรวจว่าใส่ชิ้นส่วนครบและอยู่ตำแหน่งถูกก่อนปล่อยเข้าสถานีถัดไป |
| Fixed-Value Method (ค่าคงที่) | นับจำนวนครั้งหรือปริมาณให้ตรงค่าที่กำหนดเท่านั้น | นับจำนวนรอบขันสกรูให้ครบตามที่ตั้งไว้ก่อนปล่อยผ่าน |
| Motion-Step Method (ลำดับขั้นตอน) | ล็อกไม่ให้ข้ามขั้นตอนหรือทำผิดลำดับที่กำหนด | บังคับให้สแกนบาร์โค้ดยืนยันก่อนพิมพ์และติดฉลากปิดกล่อง |
ข้อควรระวังคือ Poka-Yoke ไม่ใช่มาตรการที่ติดตั้งแล้วจบ ต้องมีการตรวจสอบสภาพการทำงานเป็นระยะ เพราะเซนเซอร์เสื่อมสภาพหรือถูกปิดการทำงานโดยไม่ตั้งใจได้เช่นกัน รายละเอียดกลไก หลักการออกแบบ และตัวอย่างเพิ่มเติมอยู่ในบทความ Poka-Yoke ฉบับเต็ม
เคสตัวอย่างที่ 1: ลดของเสียงานเชื่อมจาก 3.2% เหลือ 0.9%
โรงงานประกอบโครงสร้างยานยนต์แห่งหนึ่งพบว่าสถานีเชื่อม MIG บนสายการผลิตแชสซีมีอัตราของเสียสะสม 3.2% ของจำนวนรอยเชื่อมทั้งหมดในแต่ละไตรมาส ของเสียส่วนใหญ่ตรวจพบที่จุดตรวจสายตาและ X-ray ปลายสาย ในรูปของรูพรุน (porosity) และรอยกัดขอบ (undercut) ทีมงานเริ่มจากการจำแนกกลุ่มของเสียตามหมวดหมู่ในบทความนี้ พบว่าเข้าข่าย "ใช้งานไม่ได้ตามฟังก์ชัน" เพราะกระทบความแข็งแรงของรอยเชื่อมโดยตรง จึงเลือกใช้Why-Why Analysisร่วมกับ4M Analysisเป็นเครื่องมือเริ่มต้น เนื่องจากเป็นของเสียที่เคยเกิดมาก่อนและสงสัยว่าสาเหตุไม่ซับซ้อนเกินไปนัก
ผลการไล่สาเหตุพบปัจจัยร่วมสี่ข้อ ได้แก่ อัตราการไหลของแก๊สปกป้องแนวเชื่อม (shielding gas) ไม่คงที่จากเรกูเลเตอร์ที่สึกหรอ ความเร็วป้อนลวดเชื่อมเลื่อนไหลเพราะแรงตึงของสปูลลวดไม่ได้มาตรฐาน ช่องว่างการประกบชิ้นงาน (fit-up gap) แปรผันจากความคลาดเคลื่อนของสถานีปั๊มขึ้นรูปต้นทาง และมุมจับคบเชื่อมของพนักงานแต่ละคนไม่สม่ำเสมอเพราะไม่เคยมีมาตรฐานอ้างอิงที่ชัดเจน ทีมงานจึงวางมาตรการสี่ข้อคู่กัน ได้แก่ เปลี่ยนเรกูเลเตอร์พร้อมติดตั้งมาตรวัดอัตราการไหลที่มีโซนสีเขียว-แดงบอกช่วงใช้งานได้ตามหลักVisual Managementกำหนดค่ามาตรฐานแรงตึงสปูลลวดพร้อมทำ OPL สอนมุมจับคบเชื่อมที่ถูกต้อง ติดตั้งเกจตรวจช่องว่างประกบชิ้นงานก่อนเริ่มเชื่อมทุกชิ้น และเพิ่มการอบรมตามแผนSkill Matrixให้พนักงานทุกคนผ่านเกณฑ์มุมจับคบเชื่อมมาตรฐานก่อนขึ้นสถานีจริง
| ตัวชี้วัด | ก่อนปรับปรุง | หลังปรับปรุง (3 เดือน) |
|---|---|---|
| อัตราของเสียงานเชื่อม (Defect Rate) | 3.2% | 0.9% |
| ชั่วโมงงานซ่อม (Rework) ต่อเดือน | 96 ชั่วโมง | 24 ชั่วโมง |
| อัตรา Scrap จากรอยเชื่อมเสียหายถาวร | 1.1% | 0.2% |
| COPQ โดยประมาณต่อเดือน | ประมาณ 480,000 บาท | ประมาณ 120,000 บาท |
| ข้อร้องเรียนลูกค้าต่อไตรมาส | 4 ครั้ง | 0 ครั้ง |
ทีมงานสรุปและนำเสนอผลตามโครงเรื่องมาตรฐานQC Storyให้ผู้บริหารเห็นทั้งกระบวนการตั้งแต่การจำแนกปัญหาจนถึงมาตรการป้องกันซ้ำ ข้อสังเกตสำคัญคือของเสีย 0.9% ที่เหลือยังคงถูกติดตามต่อเนื่อง หากตัวเลขนี้ไม่ลดลงอีกแม้ควบคุมทั้งสี่ปัจจัยแล้ว ขั้นตอนถัดไปคือ escalate ไปใช้P-M Analysisเพื่อหากลไกทางฟิสิกส์ที่ลึกกว่านี้ เช่น ผลกระทบจากองค์ประกอบทางเคมีของวัสดุฐานที่แปรผันตามผู้ผลิตแต่ละล็อต
เคสตัวอย่างที่ 2: แก้ปัญหาฉลากบรรจุภัณฑ์เยื้องศูนย์
สายบรรจุภัณฑ์ของโรงงานอาหารแปรรูปแห่งหนึ่งประสบปัญหาฉลากติดเยื้องศูนย์และบาร์โค้ดอ่านไม่ได้บางส่วน อัตราการเกิดอยู่ที่ 2.6% ของกล่องที่ผ่านเครื่องติดฉลากความเร็วสูง ปัญหานี้ปลายทางไปสร้างความเสียหายที่ศูนย์กระจายสินค้าของลูกค้า เพราะระบบสแกนอัตโนมัติของลูกค้าอ่านบาร์โค้ดไม่ผ่านและตีกลับสินค้าทั้งพาเลท กลายเป็นต้นทุนความล้มเหลวภายนอกที่สูงกว่าต้นทุนภายในมาก ทีมงานจำแนกกรณีนี้เข้ากลุ่ม "บรรจุภัณฑ์/ฉลากผิด" และพบว่ามักเกิดถัดจากการเปลี่ยนรุ่นสินค้าในช่วงที่เครื่องยังปรับความเร็วไม่นิ่ง ทำให้จังหวะเวลาการติดฉลากกับตำแหน่งกล่องบนสายพานไม่สอดคล้องกัน ประกอบกับเซนเซอร์ตรวจจับตำแหน่งกล่องมีค่าคลาดเคลื่อนสะสมที่ไม่เคยมีตารางสอบเทียบ (calibration) ประจำ
มาตรการที่นำมาใช้คือติดตั้งกล้อง vision ตรวจสอบตำแหน่งฉลากและถอดรหัสบาร์โค้ดยืนยัน 100% ก่อนกล่องเข้าสู่ขั้นตอนบรรจุลงพาเลท พร้อมระบบ reject อัตโนมัติแยกกล่องที่ฉลากเยื้องออกจากสายทันทีตามหลักPoka-Yokeแบบ contact method กำหนดตารางสอบเทียบเซนเซอร์ตำแหน่งกล่องเป็นประจำและผูกเข้าแผนบำรุงรักษาเชิงเวลา และจัดทำมาตรฐานการตั้งค่าความเร็วช่วง changeover ใหม่เป็นค่าที่ผ่านการทดสอบแล้วว่าให้ผลลัพธ์คงที่ ลดการพึ่งพาการปรับตั้งด้วยประสบการณ์ส่วนบุคคลของพนักงานแต่ละคน
| ตัวชี้วัด | ก่อนปรับปรุง | หลังปรับปรุง (2 เดือน) |
|---|---|---|
| อัตราฉลากเยื้องศูนย์/อ่านบาร์โค้ดไม่ได้ | 2.6% | 0.3% |
| ข้อร้องเรียน/เคลมจากลูกค้าต่อเดือน | 3 ครั้ง | 0 ครั้ง |
| COPQ โดยประมาณต่อเดือน | ประมาณ 150,000 บาท | ประมาณ 15,000 บาท |
| First-Pass Yield จุดบรรจุภัณฑ์ | 97.4% | 99.7% |
เคสนี้แสดงให้เห็นว่าของเสียที่ดูเหมือนเรื่องเล็กอย่างฉลากเยื้องศูนย์ สามารถสร้างต้นทุนความล้มเหลวภายนอกตามแนวคิดCost Deploymentที่สูงกว่าต้นทุนภายในหลายเท่า และมาตรการมาตรฐานง่าย ๆ อย่างกล้อง vision กับตารางสอบเทียบก็เพียงพอแก้ปัญหาได้โดยไม่ต้องใช้เครื่องมือวิเคราะห์เชิงลึกแต่อย่างใด
ตัววัดที่ต้องติดตาม (Metrics)
การบริหาร Quality Defect Loss อย่างเป็นระบบต้องอาศัยตัวชี้วัดที่มองเห็นทั้งขนาดของปัญหาและแนวโน้มการเปลี่ยนแปลง ตารางด้านล่างสรุปตัวชี้วัดหลักที่ควรติดตามควบคู่กันไป ไม่ใช่เลือกใช้เพียงตัวใดตัวหนึ่งเท่านั้น
| ตัวชี้วัด | สูตรคำนวณ | ใช้เมื่อไร |
|---|---|---|
| Defect Rate | (จำนวนของเสีย หารด้วยจำนวนผลิตทั้งหมด) คูณ 100 | ภาพรวมทั่วไป ติดตามรายวันหรือรายกะ |
| PPM (Parts Per Million) | (จำนวนของเสีย หารด้วยจำนวนทั้งหมด) คูณ 1,000,000 | อุตสาหกรรมที่ของเสียต่ำมาก เช่น ยานยนต์หรืออิเล็กทรอนิกส์ |
| DPMO (Defects Per Million Opportunities) | (จำนวนข้อบกพร่องทั้งหมด หารด้วยผลคูณของจำนวนหน่วยกับโอกาสเกิดข้อบกพร่องต่อหน่วย) คูณ 1,000,000 | ชิ้นงานที่มีจุดเสี่ยงของเสียหลายจุดต่อชิ้น เช่น จุดเชื่อมหรือจุดบัดกรีหลายจุด |
| COPQ ร้อยละยอดขาย | (COPQ รวม หารด้วยยอดขายรวม) คูณ 100 | รายงานผู้บริหาร เปรียบเทียบข้ามปีหรือข้ามโรงงาน |
| First-Pass Yield (FPY) | (จำนวนชิ้นที่ผ่านโดยไม่ต้องซ่อม หารด้วยจำนวนที่เริ่มผลิต) คูณ 100 | วัดประสิทธิภาพของสถานีเดียว |
| Rolling Throughput Yield (RTY) | FPY สถานี 1 คูณ FPY สถานี 2 คูณ ... คูณ FPY สถานี n | สายการผลิตหลายขั้นตอน มองเห็นผลสะสมที่ final inspection มองไม่เห็น |
ในการเลือกใช้ตัวชี้วัด ควรเริ่มจาก Defect Rate และ First-Pass Yield ก่อนเพราะคำนวณง่ายและสื่อสารกับพนักงานหน้างานได้ทันที ส่วน PPM และ DPMO เหมาะกับการรายงานเทียบเกณฑ์มาตรฐานอุตสาหกรรมหรือรายงานให้ลูกค้าในกลุ่มยานยนต์และอิเล็กทรอนิกส์ที่มักกำหนดเกณฑ์ยอมรับเป็นหน่วย PPM โดยตรง ขณะที่ COPQ ร้อยละยอดขายเหมาะสำหรับการนำเสนอผู้บริหารระดับสูงที่ต้องการเห็นผลกระทบเป็นตัวเงินมากกว่าตัวเลขเชิงเทคนิคล้วน ๆ
Rolling Throughput Yield สำหรับสายการผลิตหลายขั้นตอน
จุดอ่อนของการดูแค่ตัวเลขที่จุดตรวจสอบสุดท้าย (final inspection) คือมองไม่เห็นของเสียที่ถูกตรวจพบและแก้ไขระหว่างทางในแต่ละสถานี ทำให้ตัวเลขดูดีกว่าความเป็นจริงมาก Rolling Throughput Yield แก้ปัญหานี้ด้วยการคูณค่า First-Pass Yield ของทุกสถานีเข้าด้วยกัน ตัวอย่างเช่นสายการผลิตที่มี 5 สถานีต่อเนื่องกัน แม้แต่ละสถานีจะดูมีประสิทธิภาพสูงเมื่อดูเดี่ยว ๆ แต่เมื่อคูณรวมกันแล้วอาจพบว่าประสิทธิภาพที่แท้จริงของทั้งสายต่ำกว่าที่คาดไว้มาก
| สถานี | First-Pass Yield |
|---|---|
| สถานี 1: ขึ้นรูป | 98.5% |
| สถานี 2: เชื่อม | 97.0% |
| สถานี 3: ประกอบ | 99.0% |
| สถานี 4: ทดสอบฟังก์ชัน | 98.0% |
| สถานี 5: บรรจุภัณฑ์ | 99.5% |
| Rolling Throughput Yield รวม | ประมาณ 92.2% |
ตัวเลขประมาณ 92.2% นี้คือประสิทธิภาพที่แท้จริงของทั้งสาย ซึ่งต่ำกว่าตัวเลขที่มักรายงานกันคือ Yield ของจุดตรวจสอบสุดท้ายเพียงจุดเดียวอย่างมีนัยสำคัญ และเป็นเหตุผลว่าทำไมโรงงานที่จริงจังกับคุณภาพจึงต้องเก็บข้อมูล First-Pass Yield แยกรายสถานี ไม่ใช่ดูแค่ภาพรวมปลายสายเพียงอย่างเดียว
กับดัก 8 ข้อที่ทำให้ Quality Defect Loss แก้ไม่จบ
จากประสบการณ์หน้างานจริง มีรูปแบบความผิดพลาดซ้ำ ๆ ที่ทำให้ความพยายามลดของเสียไม่ประสบผลในระยะยาว แม้จะมีมาตรการดูดีบนกระดาษก็ตาม
- วัดของเสียเฉพาะจุดตรวจสุดท้าย — ทำให้ไม่รู้ว่าของเสียเกิดขึ้นจริงที่สถานีไหน ซ่อนต้นตอที่แท้จริงไว้หลังจุดตรวจสอบระหว่างทางที่ไม่เคยถูกบันทึกแยก
- ไม่มี Pareto ของเสียแยกตามสถานี กะ หรือเครื่องจักร — เครื่องมือพื้นฐานอย่าง Pareto ในQC 7 Toolsถูกมองข้าม ทำให้จัดลำดับความสำคัญโครงการปรับปรุงผิดพลาด ทุ่มทรัพยากรไปกับปัญหาที่ไม่ใช่ตัวหลัก
- งานซ่อม (rework) ถูกนับเป็น "ฟรี" — เพราะใช้เวลาที่ดูเหมือนว่างของพนักงาน ไม่มีการคิดต้นทุนแรงงานและเครื่องจักรจริง ทำให้ COPQ ต่ำกว่าความเป็นจริงมาก
- ของเสียแบบเดิมเกิดซ้ำเรื้อรังแต่ไม่มีใคร escalate ไป P-M Analysis — ทีมงานใช้มาตรการมาตรฐานเดิมซ้ำไปเรื่อย ๆ ทั้งที่ไม่ได้ผลแล้ว แทนที่จะยอมรับว่าต้องวิเคราะห์เชิงลึกกว่าเดิม
- แก้ปัญหาที่ปลายเหตุด้วยการคัดแยก (sorting) หรือตรวจ 100% ถาวร — กลายเป็นมาตรการที่ไม่มีวันถอดออก สร้างต้นทุนแฝงระยะยาวโดยไม่มีใครตั้งคำถามว่าทำไมยังต้องคัดแยกอยู่จนถึงทุกวันนี้
- ไม่แยกของเสียซ่อมได้กับของเสียทิ้งในระบบบันทึกข้อมูล — ทำให้คำนวณ COPQ คลาดเคลื่อนและมองไม่เห็นว่าต้นทุน rework จริง ๆ สูงกว่าที่คิดไว้มาก
- ติดตั้ง Poka-Yoke แล้วไม่มีการตรวจสอบสภาพเป็นระยะ — เซนเซอร์เสื่อมสภาพหรือถูก bypass โดยไม่มีใครรู้ตัว จนของเสียกลับมาเกิดซ้ำโดยไม่มีสัญญาณเตือนล่วงหน้า
- ไม่เชื่อมข้อมูลของเสียกับ FMEA หรือ QM Matrix — แก้ปัญหาเฉพาะหน้าซ้ำ ๆ โดยไม่อัปเดตเอกสารป้องกันล่วงหน้าให้กระบวนการอื่นที่มีความเสี่ยงคล้ายกันได้เรียนรู้ร่วมกัน
ข้อสังเกตร่วมของกับดักทั้ง 8 ข้อคือมักเกิดจากการวัดผลที่ไม่ครบถ้วนและการยอมรับสภาพเดิมโดยไม่ตั้งคำถาม การป้องกันที่ได้ผลที่สุดคือกำหนดให้ทีมงานทบทวนข้อมูลของเสียแยกตามสถานีและต้นทุนจริงเป็นประจำทุกเดือน ไม่ใช่รอให้เกิดปัญหาใหญ่แล้วค่อยย้อนกลับไปแก้ไข
เชื่อมโยง Quality Defect Loss กับเสา Quality Maintenance (QM)
Playbook นี้เป็นเครื่องมือเชิงรับ (reactive) ที่ใช้จัดการของเสียที่เกิดขึ้นแล้วหน้างาน แต่การบริหารคุณภาพที่ยั่งยืนต้องเชื่อมโยงกับเครื่องมือเชิงป้องกัน (proactive) ของเสาQuality Maintenance (QM)ด้วยเสมอ ข้อมูลของเสียจริงจากหน้างานที่เก็บตาม playbook นี้ควรถูกนำไปทวนสอบและปรับปรุง QA Matrix กับ QM Matrix ให้แม่นยำขึ้นอย่างต่อเนื่อง ในทางกลับกัน ผลการวิเคราะห์จาก QM Matrix ที่ระบุว่าแต่ละขั้นตอนกระบวนการ (Q-Component) มีโอกาสทำให้เกิดของเสียกลุ่มใดได้บ้าง ก็ควรใช้เป็นแนวทางกำหนดว่าจุดตรวจสอบและมาตรการป้องกันในบทความนี้ควรเข้มข้นตรงจุดไหนเป็นพิเศษ
เช่นเดียวกับFMEAที่ประเมิน Severity, Occurrence และ Detection ของแต่ละโหมดความล้มเหลว (failure mode) แล้วคำนวณเป็นค่า RPN เมื่อของเสียกลุ่มใดในบทความนี้มี RPN สูงจากการประเมิน FMEA ควรมีมาตรการป้องกันเชิงรุกตั้งแต่ขั้นตอนออกแบบกระบวนการ ไม่ใช่รอให้เกิดของเสียจริงแล้วค่อยตรวจจับที่ปลายทางเพียงอย่างเดียว
| เครื่องมือ | บทบาท | จุดเชื่อมกับ Quality Defect Loss |
|---|---|---|
| QM Matrix | ระบุว่าแต่ละขั้นตอนกระบวนการมีโอกาสทำให้เกิดของเสียกลุ่มใดได้บ้างเชิงป้องกันล่วงหน้า | ข้อมูลของเสียจริงจาก playbook นี้ใช้ทวนสอบและปรับปรุง QM Matrix ให้แม่นยำขึ้น |
| FMEA | ประเมิน Severity-Occurrence-Detection และคำนวณ RPN ของแต่ละโหมดความล้มเหลว | ของเสียกลุ่มที่มี RPN สูงควรมีมาตรการป้องกัน ไม่ใช่รอตรวจจับปลายทาง |
| P-M Analysis | วิเคราะห์เชิงฟิสิกส์เมื่อของเสียเรื้อรังหาสาเหตุแท้จริงไม่เจอ | ใช้เมื่อ QM Matrix และ FMEA ยังไม่สามารถอธิบายกลไกการเกิดของเสียได้ชัดเจนพอ |
สรุป: เริ่มจากมาตรฐาน ไปสู่เชิงลึกเมื่อจำเป็น
Quality Defect Loss เป็นความสูญเสียที่ทุกโรงงานเผชิญทุกวัน แต่ไม่จำเป็นต้องใช้เครื่องมือวิเคราะห์ที่ซับซ้อนที่สุดกับของเสียทุกชนิด หลักการที่ใช้ได้ผลจริงคือเริ่มจากการจำแนกกลุ่มของเสียให้ถูกต้อง ใช้มาตรการมาตรฐานที่พิสูจน์แล้วก่อนเป็นลำดับแรก ติดตามด้วยตัวชี้วัดที่ครบทั้งอัตราของเสีย ต้นทุน และผลสะสมตลอดสาย และที่สำคัญที่สุดคือต้องรู้จักจุดที่ควรหยุดใช้มาตรการเดิมซ้ำแล้วยอมรับว่าต้อง escalate ไปใช้P-M Analysisเมื่อของเสียเรื้อรังไม่ยอมหายไปจริง ๆ การแยกสองระดับนี้ให้ชัดเจนคือกุญแจสำคัญที่ทำให้ทีมงานไม่เสียเวลาไปกับการวิเคราะห์ที่ลึกเกินความจำเป็น และไม่ติดกับดักแก้ปัญหาแบบผิวเผินซ้ำ ๆ กับของเสียที่แท้จริงแล้วต้องการความเข้าใจเชิงกลไกมากกว่านั้น
หากโรงงานของท่านกำลังเผชิญของเสียเรื้อรังที่แก้ไม่หายสักที หรือต้องการวางระบบบริหาร Quality Defect Loss ตั้งแต่การจำแนกกลุ่ม การคำนวณ COPQ ไปจนถึงการเชื่อมโยงกับ QM Matrix และ FMEA อย่างครบวงจร ทีมที่ปรึกษาของเราพร้อมช่วยวางระบบและฝึกอบรมทีมงานหน้างานให้ใช้เครื่องมือเหล่านี้ได้จริง ดูรายละเอียดบริการได้ที่บริการที่ปรึกษา TPM