공정의 불량 원인 찾기, 파레토도

파레토도는 품질 관리에서 자주 사용하는 분석 도구입니다. 파레토 원리를 기반으로 만들어졌어요. 이는 문제의 80%가 주요 원인 20%에서 발생한다는 의미입니다. 즉, 파레토도를 사용하면 가장 중요한 문제를 빠르게 파악할 수 있습니다.

파레토도

이미지출처:https://ko.wikipedia.org/wiki/%ED%8C%8C%EB%A0%88%ED%86%A0%EB%8F%84#/media/%ED%8C%8C%EC%9D%BC:800px-Pareto_fr.png

 

 

---

 

파레토도의 구성 요소

1. 막대 그래프: 각 원인별로 발생 빈도를 나타냅니다.
2. 누적선 그래프: 전체 불량의 누적 비율을 보여줍니다.

파레토도는 이렇게 두 가지 그래프를 한눈에 볼 수 있어, 직관적으로 이해하기 쉽습니다.

---

파레토도 작성 방법

1. 데이터 수집

불량 원인에 대한 데이터를 수집합니다. 예를 들어, 제조 공정에서 발생하는 불량 유형과 그 빈도를 기록합니다.

2. 데이터 정렬

가장 빈도가 높은 원인부터 내림차순으로 정렬합니다.

3. 누적 비율 계산

각 원인의 비율을 계산하고, 누적 비율을 구합니다.

4. 그래프 작성

막대 그래프와 누적선 그래프를 그립니다. Excel이나 R, Python의 시각화 도구를 활용할 수 있습니다.

 

파이썬을 사용한 파레토도 작성 예시

다음은 Python을 사용하여 파레토도를 작성하는 코드입니다:

import matplotlib.pyplot as plt
import pandas as pd

# 불량 데이터 예시
data = {'원인': ['A', 'B', 'C', 'D', '기타'],
        '빈도': [40, 25, 15, 10, 10]}
df = pd.DataFrame(data)

# 빈도 내림차순 정렬
df = df.sort_values(by='빈도', ascending=False)

# 누적 비율 계산
df['누적 비율'] = df['빈도'].cumsum() / df['빈도'].sum() * 100

# 막대 그래프
fig, ax1 = plt.subplots()

ax1.bar(df['원인'], df['빈도'], color='C0')
ax1.set_xlabel('원인')
ax1.set_ylabel('빈도', color='C0')

# 누적선 그래프
ax2 = ax1.twinx()
ax2.plot(df['원인'], df['누적 비율'], color='C1', marker='D', ms=7)
ax2.set_ylabel('누적 비율 (%)', color='C1')

# 제목과 눈금 설정
plt.title('파레토도')
ax1.set_ylim(0, df['빈도'].max()*1.1)
ax2.set_ylim(0, 110)
ax2.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{int(x)}%'))
plt.show()

---

파레토도의 장점

1. 주요 문제 파악: 가장 큰 영향을 미치는 원인을 쉽게 파악할 수 있습니다.
2. 우선 순위 결정: 개선해야 할 우선순위를 명확히 할 수 있습니다.
3. 효율적 자원 배분: 자원을 효율적으로 사용하여 문제를 해결할 수 있습니다.

---

파레토도 활용 예시

예시 1: 제조 공정 불량 분석

어느 제조 회사에서 불량 원인을 분석했습니다. 데이터는 아래와 같습니다:

• 불량 A: 40%
• 불량 B: 25%
• 불량 C: 15%
• 불량 D: 10%
• 기타: 10%

이 데이터를 파레토도로 작성해보면, 불량 A와 B가 전체 불량의 65%를 차지합니다. 이 두 가지 원인을 집중적으로 개선하는 것이 효율적이겠죠?

예시 2: 고객 불만 분석

고객 불만 데이터를 분석해보면:

• 배송 지연: 50%
• 제품 불량: 20%
• 고객 서비스 문제: 15%
• 기타: 15%

여기서 배송 지연과 제품 불량이 전체 불만의 70%를 차지합니다. 이 두 가지 문제를 우선 해결해야 고객 만족도를 높일 수 있습니다.

---

고급자 팁: 파레토도 심화 분석

파레토도를 단순히 그리는 것에서 끝나지 않고, 심화 분석을 통해 더욱 깊이 있는 인사이트를 얻을 수 있습니다.

다변량 파레토도

여러 변수들을 동시에 분석하여 더 복잡한 문제를 파악할 수 있습니다. 예를 들어, 특정 제품 라인별 불량 원인을 비교해볼 수 있습니다.

파레토도와 다른 도구의 결합

파레토도를 사용한 후, 원인 분석을 위해 다른 도구들과 결합해보세요. 예를 들어, 원인 분석을 위해 피쉬본 다이어그램을 함께 사용할 수 있습니다.

실제 현장에서의 활용

파레토도는 다양한 산업에서 활용됩니다. 제조업에서는 제품 불량 원인을 파악하는 데, 서비스업에서는 고객 불만을 분석하는 데 유용합니다. 또한, IT 업계에서는 버그 원인을 분석하거나, 마케팅에서는 고객 이탈 원인을 분석할 때도 사용됩니다.

---

파레토도 활용 시 주의사항

1. 데이터의 신뢰성: 수집한 데이터가 신뢰할 수 있는지 확인해야 합니다. 잘못된 데이터는 잘못된 결론을 초래할 수 있습니다.
2. 원인의 세분화: 너무 일반적인 원인보다는 가능한 한 구체적으로 세분화하는 것이 좋습니다. 예를 들어, "기계 불량" 대신 "기계 A의 부품 B 결함"처럼 구체적으로 기록합니다.
3. 지속적인 모니터링: 파레토도는 한 번 작성하고 끝내는 것이 아니라, 지속적으로 업데이트하여 최신 데이터를 반영해야 합니다.

---

 

파레토도는 불량 원인을 파악하고 우선순위를 정하는 데 매우 유용한 도구입니다. 기초부터 심화 과정까지 익히면, 더욱 효과적으로 문제를 해결할 수 있습니다.