Puntos clave
Respuesta breve: Los datos de atributo son categóricos: aprobado o reprobado, pasa o no pasa, un recuento de defectos. Los datos variables se miden en una escala continua: longitud, peso, temperatura. Los datos variables muestran qué tan cerca del límite se está operando, permitiendo una advertencia temprana antes de que ocurran defectos, y requieren muestras mucho más pequeñas para la misma potencia estadística. Los datos de atributo son más sencillos de recopilar pero no muestran nada hasta que una pieza falla. Véase también gráfico de control vs gráfico de rachas.
Los datos de atributo responden sí o no. Registran si una pieza aprobó o reprobó, o cuentan cuántos defectos ocurrieron. Son sencillos y rápidos de recopilar —una marca o un recuento— pero no aportan información sobre qué tan buena o marginal fue cada pieza.
Los datos variables son una medición en una escala continua —la dimensión real, el peso o la temperatura. Muestran exactamente dónde se sitúa cada pieza dentro de la especificación, y eso es lo que los hace mucho más potentes para el control y la advertencia temprana.
Un eje tiene una especificación de diámetro de 10,00 ± 0,05 mm. Los datos de atributo registran solo "aprobado" hasta que una pieza finalmente mide 10,06 y falla —momento en el que el proceso ha estado desviándose durante una hora y ha producido un lote cerca del límite. Los datos variables miden el diámetro real en cada verificación: 10,01, 10,02, 10,03... la tendencia hacia el límite queda clara mucho antes de que cualquier pieza falle, por lo que el operario ajusta el proceso mientras todo sigue estando bien. Son las mismas piezas, pero un método advierte y el otro solo informa la falla.
Una verificación de aprobado/reprobado no te dice nada hasta que una pieza falla. Una medición muestra una tendencia que se acerca al límite mientras las piezas todavía están bien, de modo que puedes actuar antes de que ocurran defectos. También necesita muestras mucho más pequeñas para detectar un desplazamiento, lo que la hace más eficiente además de más informativa.
Los datos de atributo son adecuados cuando la medición es impracticable o la característica es genuinamente categórica —presente o ausente, correcto o incorrecto, una imperfección visual. En cualquier otro caso, prefiere los datos variables por su poder de advertencia temprana y la eficiencia en el tamaño de muestra.
1. Usar datos de atributo donde es posible medir. Se renuncia a la advertencia temprana y a la eficiencia de la muestra.
2. Aumentar el tamaño de muestra de atributo para compensar. Los datos de atributo requieren muestras mucho más grandes para la misma potencia.
3. No aplicar SPC a los datos variables. Recopilar mediciones pero nunca graficar la tendencia.
4. Aprobado/reprobado en una dimensión crítica. El proceso deriva sin ser visto hasta que una pieza finalmente falla.
Los datos variables impulsan un SPC real, que detecta desviaciones en Rendimiento y Calidad antes de que se conviertan en tiempo de inactividad o chatarra —alimentando la mejora del OEE río arriba de la falla en lugar de contabilizarla después.
Fabrico captura datos de calidad medidos para que puedas trazar tendencias y actuar antes de que las piezas fallen, no solo contar los rechazos. Reserva una demostración para ver la calidad basada en datos variables en tu OEE.
Los datos variables —muchas menos para la misma potencia estadística.
Dan advertencia temprana antes de que ocurran los defectos, mientras las piezas todavía están bien.
No —son adecuados para verificaciones genuinamente categóricas donde la medición es impracticable.
Los datos variables impulsan el control estadístico de procesos más útil.
Cuando la característica es verdaderamente categórica, como presente/ausente o una imperfección visual.
Iniciar sesión
Blog
