Ericsson meets SMID
measure
April, 2011
Agenda
› 4th April
– Ericsson presentation
– Statistical tools in manufacturing
– DMAIC/IDDOV
› 7th April
– Define
– Measure
› 11th April
– Analyze
› 14th April
– Implement
– Control
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 2
DMAIC Chart
D
Comprehensive
Light
efine
M
easure
A
nalyze
I
mprove
C
ontrol
Understand the task
and its financial
impact.
Develop and execute
an appropriate data
collection method.
Find the root
causes.
Generate and
implement solutions.
Ensure that the
results will last.
• Task selection
matrix
• SMART review
• Stakeholder map
• Risk Management
• Process map
• Data collection
table
•Pareto diagram
• Fishbone diagram
• Correlation
analysis
• FMEA risk analysis
• Process map
• Documentation,
standardization
and training
• SWOT analysis
• Process map
• VOC and break
down to CTQs
• 7MT
• Affinity diagram
• 7QCT
• 7MT
• Measurement
system analysis
• Sampling technique
• SIPOC
• Gauge R&R, Gauge
attribute
• Capability analysis
• Benchmark
• Tagushi loss
functions
• 7QCT
• Hypothesis testing
• Regressionanalysis
• DOE
• Anova
• 7MT
• Data
transformations
• Simulations
• Poka-Yoke
• Hypothesis testing
• Loss functions
• Cost/Benefit
selection
•Pugh Concept
Selection
• 7QCT
• SPC
• Business case
verification
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 3
7 MT
Seven
Management
Tools
7 Management Tools
Which tool to choose???
Affinity diagram
Y
X
Y
X
Y
X
Y
X
”IF-OTHERWISE”
”WHEN”
Fishbone diagram
Product D
Matrix diagram
Product C
Arrow diagram
”HOW”
Product A
Flowchart
Tree diagram
”WHY”
Product B
”WHAT”
Relation diagram
X
1
2
3
4
”WHICH ONE”
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 5
”CLARIFY”
Variation is
our business
enemy number
one.
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 6
The Statistical Objective of Six
Sigma
Process Off Target
Excessive Variability
Target
Reduce
variation
Defects
Process Off Target
Center
Process
Target
LSL
USL
Defects
Target
LSL
USL
LSL
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 7
USL
Graphical analysis
För länge sen fanns det en kung och en drottning, som varje dag sa till varann:
-Tänk, om vi ändå hade haft ett barn! Men de hade ingen fått. Så en dag, när drottningen badade, hände sig att en groda
kröp upp ur vattnet och sa till henne: - Din längtan blir uppfylld. Inom ett år, kommer du att få en dotter. Precis som grodan
hade sagt, gick det. Drottningen fick en dotter, som var så fager att kungen blev utom sig av glädje och ställde till med en
stor fest. Han bjöd inte bara sina släktingar, vänner och bekanta utan också feerna, för att de skulle bli goda och nådiga
mot barnet. Det fanns tretton feer i hans rike. Men han hade bara tolv guldtallrikar som de kunde äta på; därför fick den
trettonde stanna hemma. Festen firades med pompa och ståt, och när den var över, skänkte fererna åt prinsessan
underbara gåvor. Den ena gav henne dygd, den andra skönhet, den tredje rikedom och så vidare. Den lilla prinsessan fick
allt som man kunde önska sig här i världen. När elva av feerna hade meddelat sina goda önskningar, kom plötsligt den
trettonde in. Hon ville hämnas för att hon inte hade blivit bjuden,och utan att hälsa eller ens se på någon, ropade hon med
hög röst: - Kungadottern komer att sticka sig på en slända, när hon blir femton år, och hon kommer att falla död ner. Utan
ett ord mer vände hon om och lämnade salen. Alla blev förskräckta. Då trädde den tolfte feen fram, hon som ännu inte
hade meddelat sin önskan. Eftersom hon inte kunde utplåna den onda spådomen utan bara mildra den, så sa hon: Prinsessan kommer inte att dö utan bara sova djupt i hundra år. Kungen ville bevara sitt älskade barn och därför skickade
han ut en befallning att alla sländor i hela riket skulle eldas upp. Men feernas önskningar passade helt in på flickan. Hon
blev fager och god, vänlig och klok och alla som såg henne älskade henne. Den dan hon fyllde femton år, var kungen och
drottningen inte hemma, och flickan var ensam i slottet. Där strövade hon omkring överallt, kikade in i salar och kammare,
som det föll henne in och till sist kom hon till ett gammalt torn. En smal spiraltrappa förde upp till en liten dörr. I låset satt
en rostig nyckel. När flickan vred om, öppnade dörren sig, och i den lilla kammaren innanför satt en gammal gumma vid
en slända och spann flitigt lin. - God dag, gamla mor, sa prinsesan, vad gör du? - Jag spinner, svarade gumman och
nickade med huvudet. - Vad är det som snurrar och surrar så lustigt? frågade flickan och hon tog sländan och ville spinna,
hon med. Men knappt hade hon rört spinnstolen, förrän spådomen gick i uppfyllellse och hon stack sig i fingret på
sländan. I samma ögonblick som hon stack sig, sjönk hon ner på bädden, som stod där, och föll i djup sömn. Och hela
slottet föll i sömn på samma gång som hon. Kungen och drottningen som just hade kommit hem och kommit in i salen,
somnade, och hela hovet med dem. Hästarna i stallet, hundarna på gården, duvorna på taket, flugorna på väggen, alla
sov. Ja, till och med elden, som flammade i spisen, blev stilla och somnade in. Steken slutade fräsa, och kocken som just
skulle ge kökspojken en örfil, träffade honom inte och båda somnade. Vinden la sig och träden utanför slottet slutade
susa. Runt omkring sottet växte en törnroshäck upp. För varje år blev den allt högre, och tlll sist omgav den hela sottet
och växte höre än tornen, så att inte ens flaggorna syntes. I riket berättade man sagan om den sköna sovande Törnrosa så kallades nämligen prinsessan - och ibland kom prinsar och unga riddare som ville tränga igenom häcken för att komma
in i slottet. Men det var omöjligt, för törnet höll tätt och flera ynglingar blev hängande där utan att kunna komma loss och
de dog en jämmerlig död. Efter många och långa år kom slutligen en prins till riket och han hörde en gammal man berätta
om törnroshäcken. Innanför den låg ett slott, sa gubben, där en underbar prinsessa sov sedan hundra år, och med henne
kungen, drottningen och hela hovet. Gubben hade också hört sin farfar säga, att många prinsar hade kommit dit och
försökt tränga genom häcken, men de hade fastnat och dött en sorglig död. Då sa ynglingen: -Jag är inte rädd, jag vill rida
dit och se den fagra Törnrosa. Och hur ivrigt den gamle än avrådde honom, ville prinsen inte lyssna till hans ord. u hade
faktiskt de hundra åren just gått, och den dagen var kommen, när Törnrosa skulle vakna upp igen. När kungasonen
nalkades häcken, bestod den av idel stora, vackra rosor. De böjde sig undan av sig själva och släppte igenom honom helt
oskadd. Bakom honom slöt de sig åter till en häck. å slottsgården såg han hästarna och de brokiga jakthundarna ligga
och sova; på taket satt duvorna med huvudet under vingen. När han kom in i slottet, sov flugorna på väggen, kocken i
köket höll fortfarande handen lyft över kökspojken, och pigan satt med den svarta tuppen som skulle plockas. är prinsen
fortsatte, såg han hela slottet ligga sovande i den stora salen, och på tronen slumrade kungen och drottningen. Han gick
vidare och allt var så tyst att varje andedrag hördes. Slutligen kom han till tornet och öppnade dörren till den lilla
kammaren, där Törnrosa låg och sov. är låg hon och var så vacker, att han inte kunde ta blicken ifrån henne. Han böjde
sig ner och gav henne en kyss. Så snart hans mun hade rört vid flickans mun, slog hon upp ögonen, vaknade och såg
vänligt på honom. Sen gick de ut tillsammans, och kungen, drottningen och hela hovet vaknade, och alla såg på varandra
med stora ögon. Hästarna på gården reste sig, jakthundarna hoppade och viftade med svansarna, duvorna på taket drog
huvudet ur vingen och såg sig om och flög ut över fälten. Flugorna på väggen kröp vidare, elden i köket tog fart; steken
började fräsa, kocken gav kökspojken en örfil, så att han skrek, och pigan plockade tuppen färdig. Så firade prinsen och
Törnrosa bröllop med prakt och ståt, och sen levde de lyckliga i alla sina dagar.
A picture says more
than a thousand
words!
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 8
Why we use graphical analysis?
Graphical tools are some of the most powerful
(and simplest to apply) in the Six Sigma Toolbox
They are always the starting point for
understanding your data
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 9
Graphical analysis – Easier to understand
› Children's books contains pictures and very little words
› Children learn by figures
“These have a relation”
› People use words to explain….
…..But if words is not enough a picture is added
› The human eye can see more than an artificial test
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 10
Common tools
›
›
›
›
›
›
›
Pie charts
Time series plots
Histogram
Process capability plots
Box plot
Scatter plot
Matrix Plot
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 11
Pie Charts
„Reasons for late approval“ (percentage)
25%
10%
20%
30%
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 12
15%
Time Series Plot
The time series plot is a useful diagnostic tool. Often these plots will show a story –
trends, sudden shifts, a regular cycle, extreme values… all can be used as
leads in the problem solving process.
Faults reported
(per hour)
300
150
0
Time
03:00pm
09:00pm
03:00pm
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 13
09:00pm
Frequency Diagrams - Histogram
The Histogram is used to look graphically at the distribution of data
The source data is sub-divided into categories, eg. 60-55, 55-60,…, and the frequency
of occurrence is plotted for these, giving a graph similar to below. The type of
distribution can be estimated from this, as can the mean, median & mode
Frequency
20
10
0
0
50
RawData
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 14
100
Detecting trends
60
10
50
Frequency
40
5
30
20
0
10
10 15 20 25 30 35 40 45 50 55
The same data plotted in two different ways…. The trend is obvious.
Without the TS plot in this case the data, wrong conclusions would hade been drawn with
the base of the data
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 15
Capability analysis
describes the process performance
Process Capability
LSL
USL
P rocess D ata
LS L
3,00000
Target
*
USL
9,00000
S ample M ean
5,04999
S ample N
100
S tD ev (Within)
2,75707
S tD ev (O v erall) 2,78586
W ithin
Ov erall
P otential (Within) C apability
Cp
0,36
C PL
0,25
C PU
0,48
C pk
0,25
C C pk 0,36
O v erall C apability
Pp
PPL
PPU
P pk
C pm
0
O bserv ed P erformance
P P M < LS L
300000,00
PPM > USL
90000,00
P P M Total
390000,00
E xp.
PPM
PPM
PPM
2
Within P erformance
< LS L
228577,33
> USL
75974,50
Total
304551,83
4
6
8
E xp. O v erall P erformance
P P M < LS L 230909,09
PPM > USL
78113,59
P P M Total
309022,67
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 16
10
0,36
0,25
0,47
0,25
*
The Box Plot
140
130
120
Furthered jobs
(per month)
110
100
90
80
70
60
50
1
2
3
Supplier
The Box Plot is useful for comparing distributions. The box represents the middle
50% of the distribution. The horizontal line is the median. Asterisks represent
points which would fall outside the expected range of values.
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 17
Scatter Plot
The Scatter plot is a useful tool in understanding the relationship between two variables.
One variable is plotted on the X-axis and the other on the Y-axis, giving a graph as below.
This example indicates that test point 1 correlates with test point 2. Further tools could be
used to prove or disprove this.
130
Testpoint 1
120
110
100
90
10
15
20
Test point 2
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 18
25
Matrix plot
35
81
0
7
,9
,7
25
32
40
6
4
03
,
7
5
-4
0,4
63 66
1
5
,
66
9
,
1
8
7,39994
A
2,81172
32,7781
B
25,9035
0,4703
C
-45,4640
D
The Matrix plot is a useful tool quick check up many relations.
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 19
Common Shapes Of Frequency Diagrams
Observe
Conclude
Action
Shape
Histogram of C1
Use capability analysis
If chart shows no special
causes, data may come from a
stable process.
300
Frequency
Symmetric,
bell-shaped
400
200
100
0
5
6
7
8
9
10
11
12
C1
Histogram of C3
25
Bi-modal,
two humps
Data may come from a mixture
of two processes.
Investigate before
further analysis.
Frequency
20
15
10
5
0
6,0
7,5
9,0
10,5
12,0
13,5
C3
Histogram of C8
1200
1000
800
Frequency
Asymmetric,
long tail
Data may come from a process Consider transformation
and proceed with
which is not easily explained
caution.
with simple mathematical
assumptions (like normality).
600
400
200
0
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 20
14
28
42
56
C8
70
84
98
7 QCT
Seven
Quality
Control
Tools
7 Quality Control Tools
Frequency matrix
Pareto diagram
Bar chart
Scatter diagram
Run chart
Stock balance: No of units vs. no of days
900
800
700
500
I Chart of Total
400
100
300
UCL=97,05
200
100
0
90
10
20
30
40
Product X
50
60
70
80
Individual Value
Histogram
80
60
Histogram of Process 1; Process 2
LCL=53,00
1
11
21
31
41
51
61
Observation
71
81
Variable
Process 1
Process 2
12
50
Histogram of C3
91
10
2005-08-29
600
500
400
8
6
4
2
300
0
200
57
2005-08-26
100
0
Stratification
_
X=75,02
70
Frequency
0
Frequency
BALANCE
600
0
4
8
12
16
20
24
28
C3
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 22
63
69
75
Data
81
87
93
Frequency diagram
Test
station/Issue
GPIB not
responding
Instrument set
up required
RS232 not
responding
Ate281A
//
///
/
Ate281B
/
////
//
Ate281C
///
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 23
Network
connection not
available
/
Bar chart
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 24
Pareto diagram
A core tool for analysing categorized data, e.g. Defect types. It is a useful visual tool
to help focus on the ‘vital 20%’ of the issues which are often found to contribute
to 80% of the problems. Pareto Chart for Defects
100
400
80
60
200
40
100
20
0
Defect
Count
Percent
Cum %
0
Mis
ws
cr e
S
g
sin
274
64.8
64.8
s
Mis
in
lips
gC
59
13.9
78.7
t
ske
Ga
y
ak
Le
43
10.2
88.9
i
us
Ho
e
t iv
f ec
De
19
4.5
93.4
In
let e
mp
co
10
2.4
95.7
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 25
rt
Pa
er s
Ot h
18
4.3
100.0
Percent
Count
300
Scatter diagram
› Used to show the relationship between two variables.
› The relation between 2 variable is sometimes referred as the
correlation
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 26
Run chart
Run Chart of Random
Run Chart of Random; ...; integer
16
14
14
Random; ...; integer
16
Random
12
10
8
6
4
2
0
12
10
8
6
4
2
0
1
10
20
Number of runs about median:
Expected number of runs:
Longest run about median:
A pprox P-Value for Clustering:
A pprox P-Value for Mixtures:
30
39
50.5
12
0.010
0.990
40
50
60
Observation
Number of runs up or down:
Expected number of runs:
Longest run up or down:
A pprox P-Value for Trends:
A pprox P-Value for Oscillation:
70
64
66.3
4
0.288
0.712
80
90
100
1
10
20
Number of runs about median:
Expected number of runs:
Longest run about median:
A pprox P-Value for Clustering:
A pprox P-Value for Mixtures:
30
49
50.5
5
0.380
0.620
40
50
Sample
60
Number of runs up or down:
Expected number of runs:
Longest run up or down:
A pprox P-Value for Trends:
A pprox P-Value for Oscillation:
70
80
90
100
68
66.3
3
0.655
0.345
› A run chart or line diagram is usually used to illustrate the development
of a course of events over time.
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 27
Variation a function of…
Process
Design
Material
…not only in production processes, but in administrative and logistic processes as well
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 28
The Statistical Objective of Six
Sigma
Process Off Target
Excessive Variability
Target
Reduce
variation
Defects
Process Off Target
Center
Process
Target
LSL
USL
Defects
Target
LSL
USL
LSL
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 29
USL
Type of data
Continuous Data (Variable data)
500
400
Frequency
Continuous data is information that can be measured on a
continuum or scale. Continuous data can have almost any
numeric value and can be meaningfully subdivided into
finer and finer increments, depending upon the precision of
the measurement system.
Histogram of C3
600
300
200
100
0
0
4
8
12
16
20
24
28
C3
Discrete Data
5
4
Count
Percentages: The proportion of items with a given
characteristic; need to be able to count both occurrences
and non-occurrences, e.g. Yield
Chart of C1
6
3
2
1
Attribute data: Gives only conforming or non conforming
information, e.g. Pass/Fail, Red/Green, 1 / 0, etc.
Counts: Number of events per hour, per shift or other
delimitations
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 30
0
1
2
3
4
5
C1
6
7
8
9
More information in continuous /
variable data
EXAMPLE
Attribute data:
3 late deliveries out of 100. Fault rate 3%.
Continuous data :
Antal dagar från beställning till leverans
25
20
40
15
30
10
Late
deliveries
Deliveries on time
5
0
12
14
16
C6
18
20
19
50
Frequency
Frequency
Antal dagar från beställning till leverans
Gräns för försening
20
Late
deliveries
Deliveries on time
10
0
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 31
12
16
20
C7
24
28
More information in continuous /
variable data
EXAMPLE
Attribute data:
0 failing units on measurement A.01 in a 10 unit pre-series run.
Continuous data:
Testresultat för testpunkt A.01
Testresultat för testpunkt A.01
Normal
Normal
Toleransgräns
Toleransgräns
Mean
StDev
N
4
14,82
0,5519
10
Mean
StDev
N
3,0
9,949
0,3069
10
2,5
Frequency
Frequency
3
2
Approved
units
1
0
13,5
14,0
14,5
15,0
Failed
units
15,5
16,0
2,0
1,5
1,0
Approved
units
0,5
0,0
10
C10
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 32
11
12
13
C10
14
Failed
units
15
Causes of variation
Noise factors
Inputs
Y
Design factors
f (Y)= X1, X2, X3, ....... Xn
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 33
Variation
Standard deviation
(std, s, )
Special cause
variation
Output power
Average, Mean-value
(x, m or µ, M)
Common cause
variation
Measurement no
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 34
Normalizing the process
The time for an order acknowledgement is in average 3 days for a
certain product. The predictability is at 0,5 days one standard deviation.
In a customer contract it is required a:
• Order acknowledgement within 4 days
Does this request any immediate improvement activity of the order
acknowledge process?
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 35
Securing deliveries
The product from a particular supplier has
been late in 5 of 20 occasions. You have now
a very important delivery to make. You want
to assure 99% delivery accuracy. How big
safety margin should you apply to your
supply organization?
Std=5 days
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 36
Risk calculation.
Qual e’ la probabilita di completare il processo descritto in piu’ di 220 ore note
le attuali prestazioni delle singole attivita’?
task 1
task 2
task 3
task 4
task 5
task 6
task 7
m
(hours)
100
50
25
40
10
15
40

(hours)
10
10
5
2
3.5
4
4
2
1
5
3
6
4
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 37
7
Yield and DPMO
What is yield?
› Yield is defined as a percentage of met commitments (total
of defect free events) over the total number of
opportunities.
Number OK
Yield 
Total number
› Failure rate is the opposite to yield i.e. 1-yield
Number Not OK
Failure Rate 
Total number
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 39
Yield
LSL
Yield + defects = 100%
USL
Yield
defects
(opportunities)
Yield rolled trough = Partial yield
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 40
Discrete data-Rolled Thru Yield (RTY)
Most processes are complex interrelationships of many sub-processes. The
overall performance is usually of interest to us.
First Process
FTY
First Process
99%
Second
Process
Rolled yield for these three
processes is
0.99 x 0.89 x 0.95 = .837,
almost 84%
Rolled yield is a realistic
assessment of the cumulative
effect of sub-processes
Rework
FTY
Second Process
89%
Third Process
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 41
Rework
FTY
Third Process
95%
Terminator
Rework
YIELD
(process yield)no of operations
Yield \No of op.
0,8
0,95
0,97
0,99
0,9999
0,999997
3
0,512000
0,857375
0,912673
0,970299
0,999700
0,999991
10
0,107374
0,214639
0,737424
0,904382
0,999000
0,999970
100
0,000000
0,005921
0,047553
0,366032
0,990049
0,999700
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 42
1000
0,000000
0,000000
0,000000
0,000043
0,904833
0,997004
10000
0,000000
0,000000
0,000000
0,000000
0,367861
0,970445
Do we like yield?
› Pros
› Cons
– Easy to understand
– Uncertain
› (if you measure too few)
– Traditional
– Needs a lot of data
– Easy to get result
› (Yes, No)
– Only ON/OFF
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 43
Is it fair to compare processes and products that have different levels of complexity?
DPO
› DPO - Defects Per Opportunity
DPO 
DPMO
 opportunities
› DPMO - Defects Per Million Opportunities
DPMO 
Opportunity
 defects
 defects
 opportunities
*1 000 000
› Measurable
› The number of opportunities for a defect to occur, is related to
the complexity involved.
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 44
Advantage of DPMO
› Example: we have three processes with following result:
›
›
›
›
Process 1
Failures: 10
Total tested: 1000
Opportunities: 250
10
) 100  99%
1000
yield  (1 
10
1 000 000 
250 1000
DPMO 
yield  (1 
DPMO 
 40
Process 2
Failures: 10
Total tested : 1000
Opportunities : 100
10
) 100  99%
1000
10
1 000 000 
100  1000
 100
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 45
Process 3
Failures: 10
Total tested : 1000
Opportunities : 30
yield  (1 
DPMO 
 333
10
) 100  99%
1000
10
1 000 000 
30 1000
When we have a...
6 process
DPMO
Fault rate
(%)
Yield
(%)
3.4
0.00034
99.9997
0.02
99.98
5 process
233
4 process
6 210
0.6
99.4
3 process
66 807
6.6
93.4
2 process
308 537
30.8
69.2
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 46
Sigma, DPMO and Yield
DPMO = Defects per
million opportunities
Product Yield vs dpmo
100%
1000 opportunities and
90% yield requires
almost 4 sigmas margin
90%
80%
Yield [%]
Product
complexity
70%
60%
100 000 opp. 10 000 opp.
1000 opp.
100 opp.
50%
40%
30%
20%
10%
0%
0
Required longterm System or
Design margin
Required shortterm System or
Design margin
1
10
100
1000
10000
dpmo
4.5 4
3
6
4.5
5.5
Ericsson @ SMID - Measure phase | Commercial in confidence | © Ericsson AB 2011 | 2011-03-24 | Page 47
100000