Diagrama de Causa y Efecto de Six Sigma en RStudio
Análisis del total de la producción agrícola generada a nivel nacional durante el año 2017
Laura Mello Zavala/Santa Mariana Gutiérrez Hernández/Nancy Martínez González/Alejandro Mora Pacheco
30 de mayo de 2018
Integrantes
Laura Mello Zavala
Santa Mariana Gutiérrez Hernández
Nancy Martínez González
Alejandro Mora Pacheco
Objetivo
Analizar la primera fase de la metodología Six Sigma con R, analizando datos estadisticos de Gobernación.
Introducción
Éste documento permitirá entender la fase de “Definición” de la metodología Six Sigma dentro de R; para lo cual se usarán datos estadísticos obtenidos de la página de Gobernación (datos.gob.mx), del total de la producción agrícola generada a nivel nacional durante el año 2017.
¿Qué es Six Sigma y cuáles son sus fases?
Six Sigma constituye un modelo de gestión de calidad que también se conoce como DMAIC, siglas de las palabras en inglés: define, measure, analyze, improve y control. En español: definir, medir, analizar, mejorar y controlar. Estas son las cinco fases que se han de aplicar en cada proceso.
Metodología DMAIC
Definir: determinar las principales necesidades de la empresa y los puntos más importantes para la calidad de los procesos involucrados en el negocio.
Medir: medir y evaluar el desempeño de estos procesos.
Analizar: estudiar y mapear los datos recogidos, para poder localizar el origen de los problemas en los procesos e identificar oportunidades para mejorarlos.
Mejorar: optimización de los procesos a través de la implementación de soluciones que sean al mismo tiempo correctivas y preventivas.
Controlar: acompañar el efecto de las soluciones a corto, medio y largo plazo, por medio del control de rendimiento de los procesos y señalando posibles mejoras adicionales.
El presente trabajo se centrará en la primera de las fases, Definir, a través de la utilización del llamado diagrama de causa y efecto:
Diagrama de Causa y Efecto
El Diagrama de causa y Efecto (o Espina de Pescado) es una técnica gráfica ampliamente utilizada, que permite apreciar con claridad las relaciones entre un tema o problema y las posibles causas que pueden estar contribuyendo para que él ocurra.
Se usa para:
• Visualizar, en equipo, las causas principales y secundarias de un problema. • Ampliar la visión de las posibles causas de un problema, enriqueciendo su análisis y la identificación de soluciones. • Analizar procesos en búsqueda de mejoras. • Conduce a modificar procedimientos, métodos, costumbres, actitudes o hábitos, con soluciones - muchas veces - sencillas y baratas. • Educa sobre la comprensión de un problema. • Sirve de guía objetiva para la discusión y la motiva. • Muestra el nivel de conocimientos técnicos que existe en la empresa sobre un determinado problema. • Prevé los problemas y ayuda a controlarlos, no sólo al final, sino durante cada etapa del proceso.
Causa y Efecto
Para la ejecución del Diagrama de Causa y Efecto se requiere de la instalación de los siguientes paquetes:
Six Sigma
library(readxl)
library(SixSigma)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# Como primer punto se lee el dataset desde excel#
Produccion_agricola <- read_excel("C:/Users/mb60265/Documents/R/Total de la producción agrícola 5 Productos y Entidades Principales.xlsx")
# Diagrama de Causa-Efecto #
efecto <- "Rendimiento"
causas.gr <- c("Ciclo", "Moda", "Cultivo", "Entidad")
causas <- vector(mode = "list", length = length(causas.gr))
causas[1] <-
list(c("Otoño-Invierno", "Primavera-Verano"))
causas[2] <- list(c("Riego", "Temporal"))
causas[3] <-
list(c(
"Avena forrajera",
"Chile Verde",
"Frijol",
"Maíz grano",
"Jitomate"
))
causas[4] <-
list(c("México", "Michoacán", "Oaxaca", "Puebla", "Veracruz"))
ss.ceDiag(
efecto,
causas.gr,
causas,
sub = "Producción Agricola",
ss.col = c("#00FFFF", "#00CCFF", "#0066FF", "#33FF00")
)
Conclusiones
Con el diagrama de Causa y Efecto logramos visualizar las principales características del total de la producción agrícola generada a nivel nacional durante el año 2017, esto se realizó por medio de un análisis de los 5 estados de la República que producen los niveles mas altos de los principales productos agrícolas, tales como avena forrajera, chile verde, frijol, maíz de grano y jitomate y los cuales contemplan los ciclos de primavera-verano y otoño-inverno.
Con esto se cumpliría con la primera fase de la metodología Six Sigma, ya que se definieron e identificaron las necesidades de producción a nivel nacional y a partir de ello se podría medir y evaluar el desempeño de otras entidades de la república.