Chiedi a chiunque cosa significhi \u201cqualit\u00e0\u201d e probabilmente ti descriver\u00e0 un\u2019esperienza: un prodotto che funziona in modo affidabile, che calza a pennello e che dura nel tempo.
Quando le aziende ottimizzano il costo della qualit\u00e0, di solito si concentrano su *cosa* viene prodotto e *come*: meno difetti, processi pi\u00f9 rigorosi, attrezzature migliori. Tutte cose importanti. <\/p>\n\n
Eppure, l\u2019integrit\u00e0 dei dati alla base di ogni decisione sulla qualit\u00e0 viene raramente esaminata con lo stesso rigore. Ed ecco la realt\u00e0 dei fatti: i risultati vengono trascritti a mano. I dati arrivano da sistemi diversi in formati diversi. Alcuni sono stati acquisiti in modo errato alla fonte \u2014 e il problema spesso viene alla luce solo quando ormai \u00e8 gi\u00e0 diventato costoso. <\/p>\n\n
Un singolo errore di misurazione o un risultato etichettato in modo errato raramente rimane confinato a una sola parte. Si riflette nei grafici SPC e nelle analisi di accumulo delle tolleranze, dove i team prendono decisioni con pi\u00f9 sicurezza di quanta ne giustifichino i dati. Se non viene individuato, influisce sull\u2019ottimizzazione del progetto e determina la versione successiva del prodotto. Un difetto visibile comporta scarti o richiede adeguamenti nei sottosistemi adiacenti; un errore invisibile nei dati comporta dei costi, a volte ben oltre la portata dell\u2019errore originale. <\/p>\n\n
I costi degli errori di solito incidono maggiormente sul costo della qualit\u00e0,<\/strong> e la qualit\u00e0 dei dati influisce fortemente su questo equilibrio. I dati inaffidabili aumentano la probabilit\u00e0 di non conformit\u00e0 impreviste e di dover correre ai ripari all\u2019ultimo momento. I dati delle ispezioni ci sono\u2026 ma quanto ci fidiamo di loro? Questa \u00e8 una domanda fondamentale. <\/p>\n\n I costi non si fermano al prodotto, per\u00f2. Ogni fabbrica ha un costo nascosto<\/strong> che ormai \u00e8 diventato parte integrante della realt\u00e0 produttiva: ingegneri altamente qualificati passano fino all\u201980% del loro tempo a cercare, consolidare e ricontrollare i dati invece di analizzarli. Raramente compare nei rapporti sul costo della qualit\u00e0, eppure si tratta di un costo operativo sostanziale \u2014 e ogni intervento manuale rappresenta un\u2019ulteriore possibilit\u00e0 di errore. <\/p>\n\n Quando i risultati vengono messi in discussione, si eseguono ulteriori misurazioni. Quando in produzione si apportano modifiche che per\u00f2 non vengono riportate nel sistema di gestione del ciclo di vita del prodotto, i team di progettazione lavorano sulla base di ipotesi che non rispecchiano pi\u00f9 la realt\u00e0, mentre le soluzioni manuali di ripiego fanno lievitare il costo del venduto. Nessuna singola funzione all\u2019interno della catena del valore produttiva ha una visione d\u2019insieme completa, e si crea cos\u00ec un circolo vizioso: pi\u00f9 controlli manuali per compensare dati di cui non ci fidiamo del tutto, generando cos\u00ec altri dati di qualit\u00e0 incerta. <\/p>\n\n Questo circolo vizioso diventa ancora pi\u00f9 rilevante se si considera la direzione che sta prendendo il settore. Con la definizione basata su modelli, i gemelli digitali e la previsione della qualit\u00e0 supportata dall\u2019IA, la qualit\u00e0 dei dati passa dall\u2019essere un semplice aspetto di base a diventare *il* fattore decisivo: dati di input scadenti non solo producono risultati scadenti, ma permettono all\u2019automazione di diffondere in modo efficiente conclusioni errate. <\/p>\n\n Ma \u00e8 vero anche il contrario \u2014 ed \u00e8 proprio questa la vera opportunit\u00e0. Immagina un\u2019unica infrastruttura digitale<\/strong> in cui i dati vengono arricchiti in ogni fase, pur conservando sempre tutte le informazioni necessarie, dall\u2019idea progettuale alla produzione fino alla verifica della qualit\u00e0. I passaggi di consegne diventano automatici. Il consolidamento manuale scompare. A noi rimane solo ci\u00f2 che crea davvero valore: prendere decisioni. <\/p>\n\n I produttori meglio posizionati per il prossimo decennio non saranno quelli con pi\u00f9 attrezzature di controllo, ma quelli le cui decisioni sulla qualit\u00e0 si basano su dati che non devono mai mettere in discussione \u2014 dati che fluiscono senza interruzioni dal modello CAD al rapporto di misurazione, con solo qualche intervento manuale intenzionale. I dati di misura meritano lo stesso rigore che applichiamo ai prodotti stessi: in un mondo basato sui modelli, i due aspetti sono inseparabili. <\/p>\n\n Quindi, prima di lanciarti nella prossima iniziativa di miglioramento dei processi, poniti prima una domanda pi\u00f9 semplice: quanto ti fidi dei tuoi dati? E quante mani devono passare prima che qualcuno possa agire sulla base di essi? Ovunque ci sia esitazione, l\u00ec c\u2019\u00e8 un punto di partenza \u2014 e molto probabilmente uno degli investimenti in qualit\u00e0 pi\u00f9 convenienti che un\u2019azienda possa fare. <\/p>\n","protected":false},"excerpt":{"rendered":" Chiedi a chiunque cosa significhi \u201cqualit\u00e0\u201d e probabilmente ti descriver\u00e0 un\u2019esperienza: un prodotto che funziona in modo affidabile, che calza a pennello e che dura nel tempo. Ma quell\u2019esperienza non \u00e8 un caso. \u00c8 il risultato di centinaia di scelte ingegneristiche che riguardano la progettazione, la produzione e il controllo qualit\u00e0 \u2014 e ognuna di […]<\/p>\n","protected":false},"author":11,"featured_media":19390512,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":"","_members_access_role":[],"_members_access_error":""},"categories":[943,419],"tags":[],"expertise":[],"industry":[],"langue-parlee":[],"class_list":["post-19390514","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-articolo-di-esperti","category-notizie"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/posts\/19390514","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/comments?post=19390514"}],"version-history":[{"count":1,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/posts\/19390514\/revisions"}],"predecessor-version":[{"id":19390515,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/posts\/19390514\/revisions\/19390515"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/media\/19390512"}],"wp:attachment":[{"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/media?parent=19390514"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/categories?post=19390514"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/tags?post=19390514"},{"taxonomy":"expertise","embeddable":true,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/expertise?post=19390514"},{"taxonomy":"industry","embeddable":true,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/industry?post=19390514"},{"taxonomy":"langue-parlee","embeddable":true,"href":"https:\/\/www.metrologicdcs.com\/it\/wp-json\/wp\/v2\/langue-parlee?post=19390514"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}La consapevolezza di questi limiti fa aumentare ulteriormente i costi.<\/strong> <\/h3>\n\n