In ogni progetto di miglioramento c’è una domanda che viene spesso data per scontata: possiamo davvero fidarci dei dati che stiamo usando?
Nel Lean Six Sigma le decisioni si prendono sulla base dei dati. Ma se il sistema con cui raccogliamo le misure non è affidabile, anche l’analisi più accurata rischia di portare a conclusioni sbagliate.
La MSA, acronimo di Measurement System Analysis, serve esattamente a questo: capire se il sistema con cui misuriamo è abbastanza preciso, stabile e ripetibile da supportare decisioni corrette.
In questa guida vedremo cos’è la Measurement System Analysis, perché è importante, in quale fase si utilizza, quali sono i principali metodi di analisi e come interpretarne i risultati.
Cos’è la MSA (Measurement System Analysis)
La Measurement System Analysis è l’insieme di tecniche statistiche utilizzate per valutare la qualità di un sistema di misurazione.
Un sistema di misurazione non è solo lo strumento che usiamo, ma comprende tutti gli elementi che contribuiscono a generare il dato:
- lo strumento di misura;
- la persona che effettua la misurazione;
- il metodo utilizzato;
- l’ambiente in cui avviene la misura;
- il pezzo, il campione o il processo misurato;
- le procedure operative e i criteri di valutazione.
L’obiettivo della MSA è capire quanta parte della variabilità che osserviamo dipende davvero dal processo e quanta, invece, viene introdotta dal sistema di misurazione.
In altre parole, la MSA aiuta a distinguere tra:
- variabilità reale del processo;
- errore generato dalla misurazione.
Se l’errore di misura è troppo elevato, i dati raccolti non sono affidabili e, di conseguenza, ogni decisione basata su quei dati diventa rischiosa.
Perché la Measurement System Analysis è importante
Ogni processo genera variabilità. Nel Six Sigma questa variabilità viene analizzata per individuare cause, difetti, scostamenti e opportunità di miglioramento. Ma prima di analizzare il processo, occorre verificare che il sistema di misurazione sia adeguato.
Senza una MSA, un’organizzazione rischia di:
- attribuire al processo problemi che nascono invece dalla misurazione;
- non individuare difetti reali perché il sistema di misura non è abbastanza sensibile;
- prendere decisioni operative su dati instabili o incoerenti;
- avviare azioni correttive non necessarie;
- sottovalutare o sovrastimare la performance del processo.
Un sistema di misurazione non affidabile genera quindi sprechi, rilavorazioni, costi aggiuntivi e, soprattutto, perdita di fiducia nei dati.
Per questo la MSA è particolarmente importante nelle fasi iniziali di un progetto Lean Six Sigma, in particolare durante la fase Measure del ciclo DMAIC.
MSA e DMAIC: in quale fase si utilizza
La MSA si utilizza principalmente nella fase Measure del metodo DMAIC:
- Define: si definisce il problema e l’obiettivo del progetto;
- Measure: si raccolgono i dati e si verifica l’affidabilità del sistema di misurazione;
- Analyze: si analizzano le cause del problema;
- Improve: si sviluppano e testano le soluzioni;
- Control: si mantengono i risultati nel tempo.
La logica è semplice: prima di analizzare i dati, bisogna essere sicuri che quei dati siano credibili.
Se la MSA mostra che il sistema di misurazione non è adeguato, il team deve intervenire prima di procedere con analisi più approfondite. In caso contrario, il rischio è costruire l’intero progetto su una base fragile.
Che cosa si intende per sistema di misurazione
Quando si parla di sistema di misurazione non bisogna pensare solo a strumenti fisici come calibri, bilance, sensori o macchine di controllo.
Un sistema di misurazione può essere anche:
- una valutazione visiva;
- una classificazione fatta da un operatore;
- un controllo qualità documentale;
- una checklist;
- una registrazione manuale;
- un dato inserito in un gestionale;
- una diagnosi o una valutazione basata su criteri definiti.
Questo significa che la MSA non riguarda solo la produzione industriale. È utile anche nei servizi, nella sanità, nella logistica, nel customer service e in tutti i contesti in cui le decisioni dipendono dalla qualità dei dati raccolti.
Le principali fonti di errore nella misurazione
Un sistema di misurazione può essere influenzato da diverse fonti di errore. Le più comuni sono cinque.
Ripetibilità
La ripetibilità indica la capacità dello stesso operatore di ottenere risultati coerenti misurando più volte lo stesso elemento con lo stesso strumento. Se la ripetibilità è bassa, il sistema produce risultati diversi anche quando le condizioni di misura dovrebbero essere identiche.
Riproducibilità
La riproducibilità indica la capacità di operatori diversi di ottenere risultati coerenti misurando lo stesso elemento con lo stesso metodo. Se operatori diversi arrivano a conclusioni diverse, il sistema può essere influenzato da interpretazioni soggettive, formazione non uniforme o procedure poco chiare.
Bias (accuratezza)
Il bias è lo scostamento sistematico tra il valore misurato e il valore reale o di riferimento. Un sistema con bias tende a sovrastimare o sottostimare la misura in modo costante.
Linearità
La linearità valuta se il bias rimane costante lungo tutto il range di misurazione. Uno strumento può essere accurato per valori bassi ma meno affidabile per valori alti, o viceversa.
Stabilità
La stabilità indica la capacità del sistema di mantenere prestazioni costanti nel tempo. Un sistema stabile produce misure coerenti anche a distanza di giorni, settimane o mesi, a parità di condizioni.
Tipologie di dati nella MSA
La scelta del metodo di Measurement System Analysis dipende dal tipo di dato da analizzare. In generale distinguiamo tra:
- dati continui, quando la misura assume valori numerici su una scala continua, come peso, tempo, lunghezza, temperatura, pressione o costo;
- dati attributivi, quando il risultato è una classificazione, ad esempio conforme/non conforme, positivo/negativo, accettato/rifiutato.
Per i dati continui si utilizza tipicamente lo studio Gage R&R. Per i dati attributivi si utilizza invece l’Attribute Agreement Analysis, che valuta il livello di accordo tra valutatori e rispetto a uno standard di riferimento.
Gage R&R: il metodo più utilizzato per dati continui
Il Gage R&R è uno degli strumenti più noti della MSA. La sigla R&R sta per Repeatability and Reproducibility, cioè ripetibilità e riproducibilità.
Questo studio serve a capire quanta parte della variabilità totale osservata dipende dal sistema di misurazione. In uno studio Gage R&R vengono normalmente coinvolti:
- più operatori;
- più pezzi o campioni;
- più ripetizioni della stessa misura;
- uno stesso strumento o metodo di misurazione.
L’analisi permette di stimare:
- la variabilità dovuta allo strumento;
- la variabilità dovuta agli operatori;
- la variabilità tra i pezzi misurati;
- la percentuale di variabilità totale attribuibile al sistema di misura.
Come interpretare i risultati di un Gage R&R
Uno degli indicatori principali è la percentuale di variazione attribuibile al sistema di misurazione, spesso indicata come % Gage R&R. In linea generale:
- inferiore al 10%: il sistema di misurazione è considerato adeguato;
- tra 10% e 30%: il sistema può essere accettabile, ma va valutato in base al contesto, al rischio e alla criticità del processo;
- superiore al 30%: il sistema è generalmente considerato non adeguato e richiede interventi di miglioramento.
Queste soglie non vanno applicate in modo meccanico. La decisione dipende anche dal settore, dal livello di rischio, dal costo dell’errore e dalla criticità della caratteristica misurata. In un processo ad alta criticità — ad esempio in ambito medicale, aerospaziale o farmaceutico — può essere necessario un livello di affidabilità molto più rigoroso.
Attribute Agreement Analysis: MSA per dati attributivi
Non tutti i sistemi di misurazione producono dati numerici. In molti casi il risultato è una classificazione: prodotto conforme o non conforme, pratica completa o incompleta, reclamo classificato per categoria, difetto presente o assente.
In questi casi si utilizza l’Attribute Agreement Analysis, che valuta:
- quanto un valutatore è coerente con sé stesso nel tempo;
- quanto valutatori diversi sono coerenti tra loro;
- quanto le valutazioni sono allineate a uno standard di riferimento.
È uno strumento particolarmente utile quando la misurazione contiene una componente soggettiva. Se il livello di accordo è basso, il problema può dipendere da criteri poco chiari, formazione insufficiente, esempi non standardizzati o categorie troppo ambigue.
Come eseguire una MSA: le fasi principali
Una Measurement System Analysis efficace richiede metodo. Le fasi principali sono sette.
1. Definire cosa misurare
Il primo passo è identificare la caratteristica critica da misurare. Deve essere collegata al problema di business, alla qualità del prodotto o servizio, oppure a un requisito del cliente.
2. Definire il sistema di misurazione
Occorre descrivere in modo chiaro quale strumento viene utilizzato, chi effettua la misurazione, quale procedura viene seguita, in quali condizioni avviene la misura e come vengono registrati i dati.
3. Selezionare campioni rappresentativi
I campioni devono coprire il normale range di variabilità del processo. Scegliere campioni troppo simili tra loro rende l’analisi poco significativa.
4. Coinvolgere operatori rappresentativi
Gli operatori scelti dovrebbero essere le persone che normalmente effettuano quella misurazione nel processo reale. Lo scopo non è testare operatori “ideali”, ma capire come funziona il sistema nella pratica.
5. Raccogliere i dati in modo controllato
Le misurazioni vanno pianificate e registrate con attenzione. Quando possibile, è utile randomizzare l’ordine dei campioni per ridurre il rischio di influenze o memorizzazioni.
6. Analizzare i risultati
Una volta raccolti i dati si calcolano gli indicatori statistici più adatti al tipo di analisi. Il risultato deve rispondere a una domanda concreta: il sistema di misurazione è adeguato per prendere decisioni?
7. Definire azioni di miglioramento
Se il sistema non è adeguato, occorre intervenire sulle cause dell’errore. Le azioni possono includere:
- calibrazione o sostituzione degli strumenti;
- revisione delle procedure operative;
- formazione degli operatori;
- definizione di criteri di valutazione più chiari;
- miglioramento delle condizioni ambientali;
- automazione o standardizzazione della raccolta dati.
Esempio pratico di MSA
Immaginiamo un’azienda che vuole ridurre i difetti su un componente meccanico. La caratteristica critica è il diametro di un foro, misurato con uno strumento manuale.
Il team raccoglie dati su diversi pezzi, coinvolgendo tre operatori e ripetendo più volte la misurazione. L’analisi Gage R&R mostra che una parte significativa della variabilità deriva non dal processo produttivo, ma dal modo in cui gli operatori utilizzano lo strumento.
In questo caso intervenire subito sul processo sarebbe prematuro. Prima bisogna migliorare il sistema di misurazione: standardizzando la procedura, formando gli operatori, verificando lo stato dello strumento e introducendo un metodo di controllo più robusto. Solo dopo aver reso affidabile il sistema di misura sarà possibile analizzare correttamente la variabilità del processo.
MSA nei servizi e nei processi transazionali
La Measurement System Analysis non è utile solo in produzione. Anche nei servizi esistono sistemi di misurazione che possono generare errori o incoerenze, ad esempio:
- classificazione dei ticket di assistenza;
- valutazione della completezza di una pratica;
- categorizzazione dei reclami;
- misurazione dei tempi di risposta;
- controllo della qualità di una documentazione;
- valutazione della soddisfazione del cliente.
Se due operatori classificano lo stesso reclamo in categorie diverse, tutte le analisi successive rischiano di essere distorte. Prima di migliorare il processo, quindi, bisogna migliorare il modo in cui il dato viene definito e raccolto.
Errori comuni nella Measurement System Analysis
Uno degli errori più frequenti è considerare la MSA come un passaggio puramente tecnico o statistico. In realtà la MSA è uno strumento decisionale: serve a stabilire se i dati sono abbastanza affidabili per guidare il miglioramento.
Altri errori comuni sono:
- eseguire la MSA dopo aver già preso decisioni importanti;
- analizzare solo lo strumento e ignorare operatori, metodo e ambiente;
- usare campioni poco rappresentativi;
- coinvolgere operatori diversi da quelli reali;
- applicare le soglie di accettabilità in modo rigido, senza considerare il contesto;
- non ripetere la MSA quando cambiano strumenti, persone o procedure.
Conclusioni: misurare bene per migliorare davvero
La Measurement System Analysis è un passaggio fondamentale in ogni progetto Lean Six Sigma. Prima di analizzare un processo e prendere decisioni, dobbiamo essere certi che i dati su cui ci basiamo siano affidabili.
Un sistema di misurazione preciso, stabile e coerente è la base per identificare i problemi reali, evitare azioni correttive inutili e ottenere miglioramenti concreti e duraturi. Investire nella qualità della misurazione significa investire nella qualità delle decisioni.
Se vuoi imparare ad applicare correttamente la MSA e gli altri strumenti del Lean Six Sigma nel tuo contesto aziendale, i percorsi di certificazione di The Lean Six Sigma Company ti offrono metodo, strumenti e competenze per farlo con sicurezza.
