بکارگیری برنامه ریزی آرمانی خطی در روش گسترش عملکرد کیفیت در شرایط خاکستری (مطالعه موردی: بررسی کیفیت روغن زیتون)
محورهای موضوعی : مدیریت صنعتی
Behzad Babakhani
1
(
Master of Industrial Engineering,Islamic Azad University of Arak
)
Emad Roghanian
2
(
Assistant Professor in Department of Industrial Engineering, Khajeh Nasir University
)
Shima Azarnia
3
(
Master of Industrial Engineering, Islamic Azad University of Arak
)
کلید واژه: customer satisfaction, روش گسترش عملکرد کیفیت, رضایت مندی مشتری, برنامه ریزی آرمانی خطی, اعداد خاکستری, Quality Function Deployment Method, Linear Goal Programing Method, Grey Numbers,
چکیده مقاله :
روش گسترش عملکرد کیفیت (QFD)، یکی از روشهای پیشرفته در مهندسی کیفیت می باشد که با مطالعه بازار، شناسایی خواسته ها و الزامات مشتریان(CR) و شناسایی مشخصه های فنی و مهندسی (EC)، سعی درلحاظ نمودن آن در تمام مراحل طراحی و تولید برای توسعه محصول جدید (NPD)، در جهت افزایش سهم بازار و جلب رضایت مشتریان دارد. یکی از گام های مهم در روش QFD تعیین مقادیر عددی خانه کیفیت (HOQ) می باشد. امروزه با توجه به افزایش پیچیدگی و عدم قطعیت اطلاعات، انجام ارزیابی و تصمیم گیری برای تعیین مقادیر عددی خانه کیفیت بصورت یک عدد قطعی امری دشوار است. در تحقیقات انجام شده پیشین از اعداد فازی در تعیین مقادیر عددی خانه کیفیت برای شرایطی که تصمیم گیرنده با اطلاعات زبانی و یا بسیار مبهم روبرو است، استفاده شده است. اما از آنجایی که در دنیای واقعی اطلاعات اغلب به صورت ناقص و ناکافی وجود دارد می توان از اعداد خاکستری در قالب یک بازه به جای اعداد قطعی و فازی جهت تعیین امتیاز هر شاخص استفاده کرد تا ضمن پرهیز از پیچیدگی های مدل سازی اعداد فازی و خطاپذیری مدل های قطعی از سادگی اعداد خاکستری استفاده شود. در این پژوهش به ارائه مدل ترکیبی گسترش عملکرد کیفیت و برنامه ریزی آرمانی خطی در شرایط خاکستری پرداخته ایم. ابتدا به دلیل وجود اطلاعات ناقص و ناکافی در زمینه مورد مطالعه از تئوری اعداد خاکستری در روش گسترش عملکرد کیفیت استفاده شده است. همچنین برای تعیین اهمیت نسبی CRها از روش وزن دهی برنامهریزی آرمانی خطی مبتنی بر اعداد خاکستری استفاده می شود. با توجه به نتایج بدست آمده از این مدل می توان ادعا کرد مدل ارائه شده قادر است روش گسترش عملکرد کیفیت را در شرایطی که اطلاعات ناقص و مبهمی در دسترس قرار دارد نیز مورد استفاده قرار داد. اعتبار روش پیشنهادی در قالب یک مطالعه موردی که به بررسی رضایتمندی مشتری از کیفیت روغن زیتون ایرانی نسبت به نمونه خارجی میپردازد، بررسی میشود.
Quality Function Deployment (QFD) method, is one of the developed methods in Engineering Quality which through studying marketing, identifying requirements and commitments of customers and identifying technical and Engineering characteristics, tries to consider that in all processes of development and manufacturing for new product development (NPD), function in direction of increasing marketing share and customer satisfaction one of the important steps in QFD method, determining quantitative amounts of HOQ. Nowadays, regarding the increase of complexity and uncertainty of information, evaluating and decision-making to determine the quantity of HOQ as an absolute number is a complex issue. In the previous studies conducted, Fuzzy logic was used for determining the numerical quantity of HOQ for the conditions where the decision-maker was faced verbal or vague information. However, since information in the real world is insufficient or incomplete, one can use Grey Numbers in the form of an interval instead of absolute or Fuzzy numbers to determine the credit for each indicator so that, besides avoiding modeling for fuzzy numbers or error-accepting in absolute models, the simplicity of grey numbers is practiced. In the present study, it is deal with presenting Linear Goal Programming Method in grey conditions. First, because of insufficiency and incompleteness of information in the present field of grey numbers theory, Quality Function Deployment method is used. Also, to determine the relative importance, the weighting in Linear Goal Programming Method based on grey numbers is used, with regard to the results gained from the model, one can claim that the presented model can be used where the Quality Function Deployment Method can give incomplete, vague information. The validity of the proposed method is measured in the form of a case study which investigates the customer satisfaction regarding Iranian olive oil quality.
1- Ahmadi, A., & Fatola, M. (2003). A comprehensive approach to strategic management. Tehran, Publication of Knowledge.
2- Bennera, M., & Linnemann, A.R, & Jongen, W.M.F, & Folstar, P. (2003). Quality Function Deployment (QFD) can it be used to develop food products. Food Quality and Preference, 14, 327–339.
3- Bevilacqua, M., &Ciarapica, F.E., & Marchetti, B. (2012). Development and test a new fuzzy-QFD approach for characterizing customers rating. Food Quality and Preference, 24, 75-84.
4- Chang, P.C. (2006). Managing business attributes and performance for commercial banks. Journal of American Academy of Business, 9, 104-109.
5- Deng, G. (1988). Introduction of grey system theory. The Journal of Grey Systems, 1, 1-24.
6- Dikmen, I., & Birgonul, M.T., & Kiziltas, S. (2005). Strategically uses of quality function deployment (QFD) in the construction industry. Building and Environment, 40, 245–255.
7- Dong, G., & Yamaguchi, D., & Nagai, M. (2006). A grey-based decision makingapproach to the supplier selection problem. Mathematical andComputer Modeling, 46, 573-581.
8- Fang, M., & Tzeng, G. (2004). Combining grey relational and TOPSISconcepts for selecting an expatriate host country.Mathematical andcomputer modeling, 46, 1473-1490.
9- Jafarnejad, A., & Momeni, M., Abdali, M. (2010). Quality chocolate products in the food industry using QFD and AHP. Journal of Industrial Management, Faculty of Humanities, Islamic Azad University.
10- K, D. (1994). Grey system and grey relational model ACM SIGCEBulletin. The Journal of Grey Systems 20, 1-9.
11- Kuo, D., & Yang, T., & Hung, G. (2008).The use of grey relational analysis in solving multiple attribute decision making problem. Computers and Industrial Engineering, 55, 80-93.
12- Li, G. D., Yamaguchi, D., & Nagai, M. (2007). A grey based decision-making approach to the supplier selection problem. Mathematical and Computer Modeling, 46(3-4), 573-581.
13- Lin, Y. H., Lee, P. C., & Ting, H. I. (2008). Dynamic multi attribute decision making model with grey number evaluations. Expert Systems with Applications, 35(4), 1638-1644.
14- Liu, H.T., & Tsai, Y.L. (2012).A fuzzy risk assessment approach for occupational hazards in the construction industry. Safety Science, 50, 1067–1078.
15- Liu, S., & Lin, Y. (2006). Grey information: Theory and practical applications. Springer.
16- Li, Y.L., & Tang, J.F., & Chin, K.S.,& Han, Y., & Luo, X.G. (2012).A rough set approach for Estimating correlation measures in quality function deployment. Information Sciences, 189,126–142.
17- Mohamadi, A., Molaei, N. (2010). Application of gray multi-criteria decision making in evaluating companies' performance. Industrial Management, 2(4), 125-142.
18- Rezaeifar, A. (2005). The risk ranking of projects using multi-criteria decision making model. Second International Conference on Project Management.
19- Rezaei, K., Ashtiani, H. (2001). Client-centered approach to the design and improvement of product quality.
20- Shih, C.S., & Hsu, Y.T., & Yeh, J., & Lee, P.C. (2011). Grey number prediction using the grey modification model withprogression technique. Applied Mathematical Modeling, 35, 1314–1321.
21- Tai, Y.Y, & Lin, J.Y., & Chen, M.S., & Lin, M.C. (2011). A grey decision and prediction model for investment in the core-competitiveness of product development. Technological Forecasting & Social Change, 78(7), 1254- 1267.
22- Wang, Y.M., & Elhag, T. (2007). A goal programming method for obtaining interval weights from an interval comparison matrix. European Journal of Operational Research, 177, 458–471.
23- Wei, G.(2011). Grey relational analysis model for dynamic hybrid multiple attribute decision making. Knowledge-Based Systems, 24, 672–679.
24- Wiecek, M., & Ehrgott, M., & Fadel, G., & Figueira, J.R. (2005). Multiple criteria decision making for engineering. Omega, 36, 337-339.
25- Yousefie, S., & Mohammadi, M., & Haghighat Monfared, J. (2011). Selection effective management tools on setting European Foundation for Quality Management (EFQM) model by a quality function deployment (QFD) approach. Expert Systems with Applications, 38, 9633–9647.
26- Zarei, M., & Fakhrzad, M.B., & Jamali, M. (2011). Food supply chain leanness using a developed QFD model. Journal ofFood Engineering, 102, 25–33.
27- Zhai, L.Y., & Khoo, L.P, & Zhong, Z.W. (2010). Towards a QFD-based expert system: A novel extension to fuzzy QFD methodology using rough set theory. Expert Systems with Applications, 37, 8888–8896.
_||_