Binnen Six Sigma staat DOE voor Design of Experiments. DOE kun je gebruiken om statistisch onderzoek te doen naar de variabelen die een proces beïnvloeden en naar de resulterende kwaliteit van producten en diensten in een experimentele setting.

"Een DOE laat de beoefenaar tegelijkertijd de effecten begrijpen van het veranderen van instellingen van meerdere variabelen. Zonder DOE ben je beperkt tot zogeheten OFAT-experimenten; OFAT staat voor 'one facto at a time' (een factor per keer). Met OFAT ontdek je niet de interacties die plaatsvinden tussen variabele. Bovendien kost het je een eeuwigheid om een-factor-per-keer-experimenten te volgen."

Het ontwerp van experimenten (Design of Experiments, DOE) is een gestructureerde methode voor het bepalen van de relatie tussen de factoren die het proces beïnvloeden (X-en) op de uitkomst van het proces (Y). De insteek hierbij is om de relatie tussen de factoren die van invloed zijn op het proces en - dus - het resulterend product en proceskwaliteit vast te stellen met een zo minimaal mogelijk aantal experimenten. DOE wordt uitgevoerd in de Analyze-fase, gedurende de overgang naar de Improve-fase

DOE is één van de Six Sigma-tools waarbij via een gestructureerde opzet van experimenten geprobeerd wordt vast te stellen wat de oorzaak is van de fluctuaties in kwaliteit van processen weg te nemen. Het gaat om een verzameling van toegepaste statistieken die gaan over het plannen, uitvoeren, analyseren en interpreteren van controle test om de factoren te evalueren voor de beheersing van de waarde van een parameter of een groep van parameters. Met behulp van deze tool kunnen de randvoorwaarden op te sporen waarbij een proces robuust is. Dit wil zeggen dat de kans op afwijkende resultaten (defecten) zo klein mogelijk is.

Bron: Six Sigma voor Dummies, Craig Gygi, Neil DeCarlo en Bruce Williams

Een Meet Systeem Analyse (MSA) wordt uitgevoerd als onderdeel van de datacollectie om de kwaliteit van de metingen te bepalen voordat je de data daadwerkelijk verzamelt.

Variatie in meetuitkomsten kan zowel menselijke oorzaken hebben als oorzaken in het meetsysteem. Een meetsysteemanalyse evalueert de meetmethode, meetinstrumenten en het hele proces van het verkrijgen van metingen om het meetsysteem (vooraf) te testen op betrouwbare meetresultaten (integriteit van de gegevens die worden gebruikt voor de analyse waarborgen).

De belangrijkste eisen waaraan een betrouwbaar meetsysteem moet voldoen zijn:

1. Accuraat/zuiver: marginale afwijking tussen de gemeten gemiddelde waarde en een standaard.

2. Herhaalbaarheid (Repeatability): minimale afwijking tussen twee metingen aan één meetput, door dezelfde persoon met dezelfde uitrusting. mate waarin herhaalde metingen van eenzelfde product door dezelfde persoon onder gelijkblijvende omstandigheden dezelfde waarde opleveren.

3. Reproduceerbaarheid (Reproducibility): marginale afwijking tussen de metingen aan één meetpunt, met dezelfde uitrusting, door verschillende personen; de mate waarin herhaalde metingen aan verschillende producten door verschillende personen overeenkomen.

4. Stabiel: marginale afwijking tussen twee metingen aan één meetput, door dezelfde persoon met dezelfde uitrusting, over een langere tijdspanne.

5. Lineariteit: het verschil tussen de waarden van de afwijking (bias) over het werkende meetbereik van het meetmiddel. De bias zou niet veel moeten veranderen naar mate het te meten object groter wordt.

6. Onderscheidend: de meting moet onderscheid maken tussen de objecten, ook als de verschillen maar klein zijn. Het onderscheidingsvermogen is de geschiktheid van het meetsysteem om kleine verschillen in de meetwaarden te ontdekken. Deze eigenschap is vaak beter gekend als de resolutie van het meetsysteem.

Van eenmaal geijkte en gekalibreerde meettoestellen wordt aan de uitkomsten niet getwijfeld. Bij metingen zonder apparatuur moet ook de nauwkeurigheid van het meetsysteem worden beoordeeld. In iedere situatie waarin een meting deel uitmaakt van het kwaliteitssysteem, moet eigenlijk de nauwkeurigheid ervan worden bestudeerd.

Gage R&R is een statistische methode om te borgen dat metingen met discrete (binaire) data herhaalbaar en reproduceerbaar zijn. 'Gage' kan worden vertaald als meter (indicator) en R&R staan voor Repeatability (herhaalbaarheid) en Reproducibility (reproduceerbaarheid).

Zie ook: LSS: Meetsysteemanalyse (MSA) [2]

Bron: Lean Six Sigma Toolset, Stephan Lunau (Red.)