Akademik Veri Yönetim Sistemi
Verimlilik Dergisi, cilt.2010, sa.2, ss.47-65, 2010 (Hakemli Dergi)
Günümüzde kalite dünya pazarında rekabetin ana unsurlarından biri haline gelmiştir. İşletmeler
artık ürün ve süreçlerin kalite tasarım, kontrol ve iyileştirme çalışmalarına
daha fazla önem vermekte, bu çalışmaları da tüm çalışanların katılımıyla
gerçekleştirmektedir. Sonuç olarak müşteri memnuniyetinin kazanılmasıyla
birlikte maliyetlerin düşürülmesi, verimlilik ve kârlılığın artırılması
istenmektedir. Kalite iyileştirme çalışmalarında sıklıkla sahadan, müşteriden
ve üretimden veriler toplamak yoluyla çeşitli analizler yapılmaktadır. Bu
analizlerde, özellikle karışık tipte ve çok sayıda girdi ve çıktı değişkenine
sahip büyük miktardaki veri kümeleri için giderek daha fazla veri madenciliği
(VM) yaklaşımları kullanılmaktadır. Ancak VM, kalite iyileştirme çalışmalarında
bulunanlar tarafından hâlâ yeterince tanınmayan ve kalite iyileştirmeye olası
katkıları yeterince araştırılmamış bir alandır. Bu çalışmada, öncelikle VM
süreci tanımlanmış ve ardından 1997-2007 yılları arasını kapsayan literatürden
seçilen, imalat sektöründe belirli kalite iyileştirme problemlerine uygulanmış
VM çalışmaları değerlendirilmiştir. Kalite iyileştirme problemlerinden süreç ve
ürün kalitesinin tanımlanması, kalitenin tahmini, kalitenin sınıflandırılması
ve kalite parametrelerinin optimizasyonu üzerinde durulmuştur. Çalışmada ayrıca,
en yaygın kullanılan ve etkili VM tekniklerinden karar ağaçlarının bir döküm
fabrikasında döküm hatalarına neden olan değişkenleri ve seviyelerini
belirlemek amacıyla yapılan uygulamaya yer verilmiştir.
Quality is a major requirement of competition in today’s
world markets. Organizations give much more importance to quality design, control
and improvement of products and processes, and accomplish these with the
participation of all employees. As a result, it is aimed to achieve customer
satisfaction along with reduction in cost and increase in productivity and
profitability. In quality improvement (QI) studies, a variety of analyses are performed
by collecting data from the field, customer and manufacturing. In these
analyses, an increasing number of data mining (DM) approaches are being used, especially
for large datasets with too many and mixed type of input and output variables.
However, DM is still not widely known and utilized by people practicing QI, and
there is no sufficient research into the possible contributions of it to QI. In
this study, first of all, the DM process is defined, and then selected DM applications
on certain QI problems in manufacturing industry, published in 1997-2007, are
examined. Among the QI problems, the followings are studied: description of
product and process quality, prediction of quality, classification of quality,
and optimization of quality parameters. Moreover, a case study is presented,
which utilizes a commonly used and effective DM technique called decision trees
for identifying influential process variables and their levels that cause
casting defects in a casting company.