Meer dan 50 landen
Wereldwijd gebruik, lokale gevolgen
47 jaar actief
Opgericht in 1979
50+ medewerkers
Europa, de VS en Azië
Meer dan 2000 klanten
Meer dan 20.000 gebruikers
Blog: Wijziging in berekening van regelgrenzen in het nieuwe VDA-AIAG SPC handboek: praktische implementatie
Over de auteur
Marc Schaeffers is algemeen directeur van Datalyzer en beschikt over meer dan 35 jaar ervaring met de implementatie van systemen voor statistische procescontrole (SPC) bij fabrikanten over de hele wereld. Hij heeft organisaties in de automobiel-, lucht- en ruimtevaart-, hightech-, voedingsmiddelen- en dranken- en medische sector ondersteund bij de implementatie van geavanceerde oplossingen op het gebied van kwaliteitsbeheer en Industrie 4.0.
Samenvatting
Het VDA-AIAG SPC-handboek uit 2026 introduceert een nieuwe benadering voor het berekenen van controlegrenzen, waarbij gebruikers de mogelijkheid krijgen om verschillende betrouwbaarheidsniveaus te kiezen in plaats van uitsluitend uit te gaan van de traditionele drie-sigma-methode. Deze wijziging weerspiegelt het feit dat in de moderne productie aanzienlijk meer gegevens worden verzameld dan ten tijde van de ontwikkeling van statistische procescontrole (SPC).
Hoewel de nieuwe aanpak meer flexibiliteit biedt, roept deze ook praktische vragen op. Hoe moeten betrouwbaarheidsniveaus worden gekozen? Wat zijn de afwegingen tussen het opsporen van procesveranderingen en het minimaliseren van valse alarmen? En is het aanpassen van het betrouwbaarheidsniveau werkelijk de beste manier om de effectiviteit van SPC te verbeteren?
In dit artikel worden de statistische concepten achter de nieuwe aanbevelingen toegelicht en worden de praktische implicaties daarvan besproken op basis van de ervaring die Datalyzer heeft opgedaan bij de implementatie van SPC-systemen in productieomgevingen wereldwijd. Wij concluderen dat de nieuwe benadering op basis van betrouwbaarheidsniveaus een waardevolle aanvulling vormt op de SPC-toolbox. Een succesvolle implementatie hangt echter minder af van de keuze voor andere controlegrenzen en meer van het waarborgen dat operators zinvolle, bruikbare waarschuwingen ontvangen. Voor de meeste organisaties zal intelligent alarmbeheer grotere voordelen opleveren dan het louter wijzigen van de statistische berekeningen. In een andere blog hebben wij de gevolgen van de nieuw gedefinieerde capaciteitsindexen besproken.
Belangrijkste punten
1. Inleiding
Met de publicatie van het nieuwe VDA AIAG SPC-handboek in juli 2026 is een van de belangrijkste veranderingen op het gebied van statistische procescontrole (SPC) in decennia doorgevoerd. Hoewel er veel aandacht is besteed aan de nieuwe procescapabiliteitsindexen, is de invoering van een nieuwe benadering voor het berekenen van controlegrenzen een even belangrijke verandering. Al bijna een eeuw vormen de drie-sigma-controlegrenzen van Shewhart de basis van SPC. Deze zijn opmerkelijk effectief gebleken en worden vandaag de dag nog steeds op grote schaal toegepast in de verwerkende industrie. Waarom wordt er in het nieuwe handboek dan een alternatieve benadering geïntroduceerd? Het handboek beveelt aan om organisaties de mogelijkheid te bieden verschillende betrouwbaarheidsniveaus te kiezen bij het berekenen van controlegrenzen. Hoewel het handboek uitlegt hoe deze grenzen kunnen worden berekend, biedt het relatief weinig richtlijnen over waarom deze flexibiliteit is ingevoerd of hoe deze in de praktijk moet worden toegepast. Op basis van onze ervaring met de implementatie van SPC-systemen in productieomgevingen over de hele wereld zijn wij van mening dat de motivatie hiervoor nauw verband houdt met de spectaculaire toename van geautomatiseerde gegevensverzameling. Moderne fabrieken genereren veel meer gegevens dan Walter Shewhart zich in 1931 ooit had kunnen voorstellen, wat praktische uitdagingen met zich meebrengt waarvoor traditionele SPC nooit is ontworpen. In dit artikel worden eerst de statistische begrippen toegelicht die in de nieuwe handleiding worden geïntroduceerd, waarna wordt ingegaan op de praktische overwegingen bij de implementatie ervan in grootschalige SPC-systemen.
2. De oorsprong van de drie-sigma-controlegrenzen
De oorsprong van de drie-sigma-controlegrenzen
Statistische procescontrole werd geïntroduceerd door Walter A. Shewhart in zijn baanbrekende publicatie uit 1931, getiteld *Economic Control of Quality of Manufactured Product*. Zijn werk legde de basis voor de principes die nog steeds ten grondslag liggen aan moderne controlekaarten. Shewharts keuze voor drie standaardafwijkingen (3σ) als controlegrenzen vormde een praktisch compromis tussen het snel detecteren van daadwerkelijke procesveranderingen en het voorkomen van buitensporig veel valse alarmen. Zoals Donald Wheeler in talrijke publicaties heeft aangetoond, zijn drie-sigma-controlegrenzen opmerkelijk robuust en effectief voor stabiele productieprocessen.
De productiesector is veranderd
Toen Shewhart SPC ontwikkelde, werden metingen handmatig verzameld en werden er relatief weinig proceskenmerken bewaakt. Tegenwoordig verzamelen moderne productiesystemen continu gegevens van PLC’s, vision-systemen, CMM’s, geautomatiseerde meetapparatuur en IoT-apparaten. In veel sectoren is SPC geëvolueerd van het bewaken van een handvol kenmerken naar het continu analyseren van miljoenen metingen per dag.
De uitdaging van valse alarmen
Traditionele drie-sigma-controlekaarten hebben een betrouwbaarheidsniveau van ongeveer 99,73%, wat betekent dat naar verwachting ongeveer 0,27% van de stabiele subgroepen de controlegrenzen zal overschrijden, uitsluitend als gevolg van willekeurige variatie. Bij duizenden grafieken leidt dit dagelijks tot een aanzienlijk aantal statistische signalen, wat alarmmoeheid veroorzaakt en het voor operators bemoeilijkt om werkelijk belangrijke procesveranderingen te herkennen.
Hoewel in de handleiding alarmoverbelasting niet expliciet wordt genoemd als reden voor de invoering van configureerbare betrouwbaarheidsniveaus, wordt er wel benadrukt dat aanvullende regels voor controlekaarten alleen mogen worden toegepast wanneer deze een specifiek doel dienen.
Wat is er veranderd?
Met de nieuwe handleiding kunnen organisaties bij het berekenen van controlegrenzen kiezen uit verschillende betrouwbaarheidsniveaus. Hierdoor veranderen de constanten die voor controlekaarten worden gebruikt (bijvoorbeeld A2, D3 en D4), waardoor organisaties een evenwicht kunnen vinden tussen gevoeligheid en valse alarmen. Dit biedt aanzienlijk meer flexibiliteit. Bijvoorbeeld:
Omgekeerd:
Geen van beide benaderingen is op zich beter. Elke benadering biedt een andere afweging tussen gevoeligheid en stabiliteit.
Om deze afwegingen te begrijpen, zullen we eerst drie statistische begrippen nader bekijken: het percentage valse alarmen, de Operating Characteristic (OC)-curve en de Average Run Length (ARL).
3. Betrouwbaarheidsniveau, OC-curve en ARL
Inzicht in de afweging
De keuze van een betrouwbaarheidsniveau is van invloed op drie belangrijke prestatiekenmerken van elke controlekaart.
Percentage valse alarmen
Het meest voor de hand liggende gevolg is het percentage valse alarmen. Bij traditionele drie-sigma-grenzen wordt verwacht dat ongeveer 0,27% van de stabiele subgroepen de controlegrenzen overschrijdt. Het verlagen van het betrouwbaarheidsniveau verhoogt dit percentage, terwijl het verhogen van het betrouwbaarheidsniveau het juist verlaagt. Vanuit operationeel oogpunt heeft dit een directe invloed op de werkdruk voor operators en ingenieurs.
OC-Curve
Een minder bekend – maar even belangrijk – begrip is de OC-curve. De OC-curve geeft de waarschijnlijkheid weer dat een bepaalde procesverschuiving door de controlekaart wordt gedetecteerd. Kleine procesverschuivingen zijn moeilijk te detecteren, omdat ze moeilijk te onderscheiden zijn van normale procesvariatie. Naarmate de omvang van de procesverschuiving toeneemt, neemt ook de waarschijnlijkheid van detectie toe.
In de figuren 1 en 2 worden de OC-curves voor twee verschillende betrouwbaarheidsniveaus met elkaar vergeleken. De figuren illustreren een belangrijk principe. Door het betrouwbaarheidsniveau te verlagen, neemt de kans toe dat kleine procesverschuivingen worden gedetecteerd, maar deze verbeterde gevoeligheid gaat ten koste van vaker voorkomende valse alarmen. Omgekeerd leidt het verhogen van het betrouwbaarheidsniveau tot minder onnodige waarschuwingen, maar wordt de detectie van daadwerkelijke procesveranderingen vertraagd.
Er dient te worden opgemerkt dat in deze OC-curves uitsluitend rekening wordt gehouden met overschrijdingen van de controlegrenzen. Aanvullende Western Electric- of Nelson-regels zullen de daadwerkelijke detectieprestaties verder beïnvloeden.
Figuur 1: Kans op een waarschuwing in de regelkaart bij een betrouwbaarheidsniveau van 99,73%
Figuur 2: Kans op een waarschuwing op de regelkaart bij een betrouwbaarheidsniveau van 99%
Gemiddelde runlengte
Een andere nuttige maatstaf is de gemiddelde runlengte (ARL). De ARL geeft het gemiddelde aantal subgroepen weer dat wordt verzameld voordat een procesverschuiving wordt gedetecteerd. Lagere betrouwbaarheidsniveaus leiden doorgaans tot een lagere ARL, omdat verschuivingen eerder worden gedetecteerd. Hogere betrouwbaarheidsniveaus leiden tot een hogere ARL, omdat er grotere verschuivingen nodig zijn voordat de controlekaart een signaal afgeeft.
Voor organisaties die grote hoeveelheden producten vervaardigen, kan dit verschil een aanzienlijke invloed hebben op de hoeveelheid afwijkend materiaal die wordt geproduceerd voordat corrigerende maatregelen worden genomen.
Vergelijking van verschillende betrouwbaarheidsniveaus
Om deze afwegingen te illustreren, worden in tabel 1 drie veelbesproken betrouwbaarheidsniveaus voor een X̄-R-grafiek met een subgroepgrootte van vijf met elkaar vergeleken.
| % change detecting sigma change | ARL | ||||||
| A2 | D4 | % False alarms | 0.5 sigma | 1 sigma | 2 sigma | 1 sigma | |
| 99% | 0.5 | 1.96 | 1% | 7.30% | 36.70% | 97.10% | 2.7 |
| 99.73% (AIAG) | 0.58 | 2.11 | 0.27% | 3% | 22.20% | 92.30% | 4.5 |
| 99.99% | 0.75 | 2.45 | 0.01% | 0.30% | 4.90% | 72.00% | 20.4 |
Tabel 1: Resultaten voor verschillende betrouwbaarheidsniveaus op basis van een XR-grafiek met n=5
Er kunnen onmiddellijk verschillende opmerkingen worden gemaakt. Een betrouwbaarheidsniveau van 99% vergroot de kans op het detecteren van kleine procesveranderingen aanzienlijk. Dit gaat echter gepaard met een overeenkomstige toename van het aantal valse alarmen. Aan het andere uiterste zorgt een betrouwbaarheidsniveau van 99,99% voor een drastische vermindering van valse alarmen, maar vermindert het vermogen van de grafiek om betekenisvolle procesveranderingen tijdig te detecteren aanzienlijk. Het traditionele betrouwbaarheidsniveau van 99,73% blijft een goed uitgebalanceerd compromis tussen deze twee uitersten.
Het is opmerkelijk dat de voorbeelden in het nieuwe VDA- AIAG handboek zich voornamelijk richten op betrouwbaarheidsniveaus van 99% en 99,73%, wat erop wijst dat de auteurs verwachten dat gebruikers, waar van toepassing, enigszins strengere grenzen in overweging nemen in plaats van de controlegrenzen zonder meer te verruimen.
Het aanpassen van het betrouwbaarheidsniveau is geen manier om de procescapaciteit te verbeteren.
Dit heeft uitsluitend invloed op de gevoeligheid van de controlekaart voor procesvariatie. Een bredere controlegrens vermindert het aantal valse alarmen, maar vertraagt tevens de detectie van daadwerkelijke procesveranderingen. Fabrikanten dienen daarom betrouwbaarheidsniveaus te kiezen op basis van operationele vereisten, in plaats van uit te gaan van verbeterde procesprestaties.
4. Overwegingen met betrekking tot de praktische uitvoering
In onze voorgaande hoofdstukken hebben wij de statistische achtergrond van het nieuwe VDA AIAG SPC-handboek toegelicht en besproken waarom het handboek de mogelijkheid biedt om verschillende betrouwbaarheidsniveaus te kiezen voor het berekenen van controlegrenzen. Hoewel het belangrijk is om de statistische concepten te begrijpen, vormt de implementatie van deze aanbevelingen in een productieomgeving een heel andere uitdaging. Het kiezen van een betrouwbaarheidsniveau voor één enkele controlekaart is relatief eenvoudig. Het consequent toepassen van dezelfde aanpak op honderden – of zelfs duizenden – controlekaarten is aanzienlijk complexer.
Op basis van onze ervaring met de implementatie van SPC-systemen in productiefaciliteiten wereldwijd zijn wij van mening dat het berekenen van nieuwe controlegrenzen niet de grootste uitdaging vormt. De echte uitdaging is ervoor te zorgen dat SPC een effectief hulpmiddel blijft voor operators en ingenieurs, zonder hen te overweldigen met onnodige waarschuwingen. In dit hoofdstuk worden de praktische overwegingen bij de implementatie van de nieuwe aanbevelingen besproken en geven wij ons advies aan organisaties die de nieuwe VDA-AIAG-aanpak willen invoeren.
Flexibiliteit heeft zijn prijs
Een van de sterke punten van de nieuwe handleiding is dat er niet langer wordt aangenomen dat één enkel betrouwbaarheidsniveau voor elke situatie geschikt is. Vanuit statistisch oogpunt is dit volkomen logisch. Verschillende processen hebben verschillende doelstellingen en verschillende risiconiveaus. Vanuit het oogpunt van de implementatie leidt deze flexibiliteit echter tot extra complexiteit. Stel dat een bedrijf 5.000 controlekaarten heeft. Als voor elke kenmerk een eigen betrouwbaarheidsniveau kan gelden, moet iemand beslissen:
- Welk betrouwbaarheidsniveau dient te worden gehanteerd?
- Wie is verantwoordelijk voor het nemen van die beslissing?
- Hoe zullen deze beslissingen worden vastgelegd?
- Hoe wordt de consistentie tussen de productielijnen en fabrieken gewaarborgd?
- Wat gebeurt er wanneer de eisen van de klant veranderen?
Hoewel het kiezen van een betrouwbaarheidsniveau voor één enkele controlekaart eenvoudig is, kan het hanteren van verschillende instellingen voor duizenden kenmerken al snel een aanzienlijke technische en administratieve inspanning vergen. Alleen al om deze reden verwachten wij dat veel fabrikanten voor het merendeel van hun controlekaarten een gemeenschappelijk standaardbetrouwbaarheidsniveau zullen blijven hanteren.
Dynamische versus vaste controlegrenzen
De nieuwe benadering op basis van het betrouwbaarheidsniveau kan worden toegepast met zowel dynamisch berekende controlegrenzen als vaste controlegrenzen die tijdens een initieel onderzoek naar de procescapaciteit zijn vastgesteld. Beide benaderingen hebben hun voordelen. Dynamische grenzen passen zich automatisch aan naarmate het proces verandert. Ze vergen weinig onderhoud en geven altijd de actuele procesvariatie weer.
Er is echter ook een belangrijk nadeel. Wanneer een proces in de loop van de tijd langzaam afwijkt, kunnen dynamisch berekende grenzen geleidelijk met het proces meebewegen. Als gevolg hiervan leidt een daadwerkelijke verslechtering van de procesprestaties mogelijk niet onmiddellijk tot een signaal dat het proces buiten controle is, omdat de grenzen zelf veranderen. Voor kritieke kenmerken is dit vaak ongewenst.
Onze ervaring leert dat veiligheidskenmerken, wettelijk voorgeschreven kenmerken en voor de klant cruciale afmetingen doorgaans beter kunnen worden bewaakt aan de hand van vaste controlegrenzen die zijn vastgesteld op basis van een stabiel proces. Deze grenzen bieden een consistent referentiekader waaraan toekomstige prestaties kunnen worden getoetst.
Dynamische grenswaarden blijven waardevol tijdens de procesontwikkeling of bij het vaststellen van een eerste referentiepunt, maar zij mogen niet automatisch als de beste keuze voor elke toepassing worden beschouwd.
Moet elk kenmerk een eigen betrouwbaarheidsniveau hebben?
De nieuwe handleiding biedt de mogelijkheid om verschillende betrouwbaarheidsniveaus toe te passen. Dit betekent niet noodzakelijkerwijs dat deze overal moeten worden toegepast. Voor sommige kenmerken is een grotere gevoeligheid duidelijk gerechtvaardigd. Voorbeelden hiervan zijn veiligheidsgerelateerde aspecten, kenmerken die in het verleden instabiel zijn gebleken of processen waarbij zeer kleine verschuivingen aanzienlijke gevolgen hebben. Andere kenmerken zijn wellicht minder kritiek en kunnen ruimere controlegrenzen verdragen zonder dat dit het bedrijfsrisico vergroot.
Hoewel deze aanpak statistisch gezien deugdelijk is, vereist een consistente toepassing ervan gedetailleerde technische kennis voor elke bewaakte eigenschap. Voor organisaties die duizenden SPC-grafieken beheren, wordt dit al snel moeilijk te onderhouden. Daarom verwachten wij dat veel fabrikanten voor een praktisch compromis zullen kiezen:
Met deze aanpak worden de meeste voordelen benut, terwijl onnodige complexiteit wordt vermeden.
De echte uitdaging: alarmmoeheid (alarm fatigue)
Naar onze mening is de grootste uitdaging voor moderne SPC-systemen niet de berekening van controlegrenzen, maar het alarmbeheer. De huidige productiesystemen genereren veel meer gegevens dan waarvoor traditionele SPC was ontworpen. Zelfs wanneer de controlegrenzen correct worden berekend, kunnen operators nog steeds veel meer waarschuwingen ontvangen dan zij redelijkerwijs kunnen onderzoeken. Uiteindelijk gebeuren er twee dingen.
Ten eerste raken operators gewend aan veelvuldige alarmen en gaan zij deze negeren. Ten tweede raken werkelijk belangrijke procesveranderingen verborgen tussen de talrijke routinematige statistische signalen. Geen van beide uitkomsten draagt bij aan een verbetering van de kwaliteit. Om ervoor te zorgen dat SPC effectief blijft, moeten operators erop kunnen vertrouwen dat wanneer er een alarm optreedt, dit hun aandacht verdient.
Een andere manier om onnodige meldingen te verminderen
Een voor de hand liggende manier om het aantal alarmen te verminderen, is het betrouwbaarheidsniveau te verhogen, waardoor de controlegrenzen worden verruimd. Hoewel dit het aantal valse alarmen vermindert, vertraagt het ook de detectie van daadwerkelijke procesveranderingen. Onze ervaring leert dat er vaak een betere oplossing is. In plaats van te vragen of een meetwaarde buiten de controlegrenzen valt, zouden wij ons ook moeten afvragen of het proces zelf in staat is om de gewenste prestaties te leveren.
Een proces met een Ppk-waarde van 12 functioneert ruim binnen de specificatielimieten. Hoewel een afzonderlijke subgroep af en toe buiten de statistische controlegrenzen kan vallen, blijft het risico op de productie van afwijkende producten uiterst klein. Daarentegen vereist precies hetzelfde statistische signaal bij een proces met een Ppk-waarde dicht bij 1,33 onmiddellijk onderzoek. Hoewel beide grafieken identieke SPC-signalen genereren, hoeft de operationele reactie niet noodzakelijkerwijs dezelfde te zijn. Dit illustreert een belangrijk principe: niet elk statistisch signaal vereist dezelfde operationele reactie.
Intelligent beheer van waarschuwingen
Binnen Datalyzer Qualis hebben wij deze uitdaging aangepakt door het mogelijk te maken waarschuwingen te prioriteren op basis van procescapaciteit.
Zo kunnen waarschuwingen die een reactie van de operator vereisen, automatisch worden onderdrukt wanneer de Ppk-waarde een configureerbare drempel overschrijdt. Hierbij wordt de statistische informatie niet genegeerd. De controlekaart registreert nog steeds elk punt en elke overtreding van de regels. Het verschil is dat operators alleen worden onderbroken wanneer het signaal een significant operationeel risico aangeeft. Technisch personeel blijft in staat om alle SPC-informatie te bekijken, terwijl productieoperators hun aandacht kunnen richten op de punten waar dit de grootste meerwaarde oplevert.
Onze ervaring leert dat deze aanpak leidt tot een veel grotere vermindering van onnodige ingrepen door de operator dan het louter aanpassen van de betrouwbaarheidsniveaus.
Onze aanbevelingen
Op basis van onze ervaring met de implementatie raden wij de volgende aanpak aan bij de invoering van het nieuwe VDA AIAG SPC-handboek.
1. Tenzij er een duidelijke technische reden is om hiervan af te wijken, dient u het traditionele betrouwbaarheidsniveau van 99,73% als standaard binnen de organisatie te hanteren.
Het blijft een uitstekend compromis tussen gevoeligheid en valse alarmen en voorkomt onnodige complexiteit bij de configuratie.
2. Gebruik alternatieve betrouwbaarheidsniveaus uitsluitend wanneer daarvoor een duidelijke technische motivering bestaat.
Voorbeelden hiervan zijn veiligheidskritische kenmerken, klantspecifieke eisen of gespecialiseerde procesbewaking.
3. Overweeg vaste regelrenzen voor kritieke kenmerken.
Vaste grenswaarden bieden een stabiel referentiepunt en maken het gemakkelijker om een geleidelijke verslechtering van het proces op te merken.
4. Richt u op alarmbeheer in plaats van louter de regelgrenzen aan te passen.
Het terugdringen van onnodige ingrepen door de gebruiker levert vaak meer voordelen op dan het aanpassen van de statistische berekeningen zelf.
5. Geef prioriteit aan waarschuwingen op basis van de procescapability.
Een proces dat aan de eisen voldoet en een proces dat net aan de eisen voldoet, hoeven niet noodzakelijkerwijs dezelfde operationele reactie teweeg te brengen, zelfs wanneer zij identieke SPC-signalen opleveren.
5. Conclusies
De nieuwe VDA AIAG SPC-handleiding biedt waardevolle flexibiliteit doordat fabrikanten verschillende betrouwbaarheidsniveaus kunnen kiezen voor het berekenen van controlegrenzen. Vanuit statistisch oogpunt is dit een belangrijke ontwikkeling. Voor een succesvolle implementatie is echter meer nodig dan alleen het kiezen van een ander betrouwbaarheidsniveau. Organisaties moeten ook rekening houden met de praktische realiteit van het gebruik van moderne SPC-systemen die duizenden proceskenmerken tegelijkertijd monitoren.
Onze ervaring leert dat de grootste verbeteringen niet voortkomen uit het aanpassen van de wiskundige onderbouwing van de controlegrenzen, maar uit het waarborgen dat operators zinvolle, bruikbare informatie ontvangen. Een goed ontworpen SPC-systeem dient operators te helpen zich te concentreren op de weinige proceswijzigingen die er werkelijk toe doen – en hen niet te overweldigen met statistische signalen die weinig operationele meerwaarde bieden.
Uiteindelijk is het doel van SPC niet veranderd sinds Shewhart het bijna een eeuw geleden introduceerde: het tijdig opsporen van significante procesvariatie, zodat er effectieve corrigerende maatregelen kunnen worden genomen. De nieuwe aanbevelingen van de VDA en AIAG bieden extra flexibiliteit om dat doel te bereiken, maar zij dienen altijd te worden geïmplementeerd binnen een bredere strategie voor effectieve procesbewaking en intelligent alarmbeheer. Bijna honderd jaar nadat Shewhart SPC introduceerde, is de wiskunde weliswaar verder ontwikkeld, maar het doel is nog steeds precies hetzelfde: de juiste informatie op het juiste moment aan de juiste personen verstrekken, zodat betekenisvolle procesvariatie kan worden geëlimineerd voordat deze de productkwaliteit beïnvloedt.
Dit artikel geeft de interpretatie en praktijkervaring van de auteurs met betrekking tot de AIAG & VDA SPC-handleiding weer. Het is bedoeld als praktische leidraad en vormt geen vervanging voor de officiële handleiding.
Bent u zich aan het voorbereiden op de nieuwe AIAG & VDA SPC-handleiding? Neem dan contact op met Datalyzer om te bespreken hoe uw huidige SPC-implementatie kan worden afgestemd op de nieuwe aanbevelingen, of schrijf u in voor een gratis webinar waarin de gevolgen hiervan worden besproken.
9%
Kostenreductie bereikt door klanten
Wat klanten zeggen
“Datalyzer hielp ons kwaliteitsgegevens van alle processen automatisch te koppelen voor geavanceerde analyse”
Dave Beeren
Yield engineer, Philips
Branches die wij bedienen
ISO-gecertificeerd
ISO 27001 & SOC2
