Tate & Lyle ถือเป็นผู้นำในวงการอุตสาหกรรมผู้ผลิตอาหารและเครื่องดื่มระดับโลก ได้รับความน่าเชื่อถือมายาวนาน มีประวัติและความน่าประทับใจในการ “ทำอาหารให้มีความพิเศษ” โดยการเปลี่ยน ข้าวโพด มันสำปะหลัง และวัตถุดิบอื่นๆที่เป็นส่วนผสมที่มาเพิ่มรสชาติ เนื้อสัมผัส และ คุณค่าอาหารให้กับอาหารชนิดต่างๆ หนึ่งในผลิตภัณฑ์ที่เป็นที่รู้จักกันมากที่สุดในสหรัฐอเมริกา คือ สารทดแทนความหวานชื่อ SPLENDA® Sucralose
ในวันหนึ่งที่ Tate & Lyle ต้องเผชิญหน้ากับความท้าทายใหม่ในกระบวนการกลั่นน้ำตาลข้าวโพด (corn sugars) ทางบริษัทจึงตัดสินใจใช้ โปรแกรม Minitab มาเป็นเครื่องมือเพื่อช่วยเหลือในการทำภาระกิจนี้
สิ่งท้าทาย: การทำให้ขนาดอนุภาคในกระบวนการตกผลึกให้มีขนาดเท่าๆกัน
อดัม รัสเซล (Adam Russell) เริ่มทำงานในตำแหน่ง Global Operations Master Black Belt ที่ Tate & Lyle เขาได้รับผิดชอบงานที่ท้าทายชิ้นหนึ่ง คือ การทำให้ขนาดอนุภาคของน้ำตาลข้าวโพดในกระบวนการตกผลึกมีขนาดเท่าๆกัน
รัสเซลได้พูดถึงเรื่องนี้ไว้ว่า “หนึ่งในปัจจัยที่ส่งผลต่อคุณภาพของกระบวนการตกผลึก คือ การแจกแจงของขนาดอนุภาค (particle size distribution) …….ทำไมในปัจจัยนี้ถึงมีความสำคัญ? …..เราเริ่มพัฒนาผลิตภัณฑ์นี้เพื่อผู้บริโภคเมื่อ 20-30 ปีที่แล้ว โดยสิ่งที่ผู้บริโภคต้องการ คือ น้ำตาลข้าวโพดที่มีรสชาติและเนื้อสัมผัสเหมือนกับน้ำตาลทรายทั่วไป หรือ น้ำตาลทรายอ้อย ตอนนั้นสิ่งที่เราต้องทำให้ได้ คือ ขนาดอนุภาคของน้ำตาลข้าวโพดที่จะต้องมีลักษณะใกล้เคียงกับน้ำตาลทรายทั่วๆไป”
Tate & Lyle พบว่ามีอุปสรรคหลายอย่างที่อยู่ในกระบวนการผลิตและเป็นสิ่งที่ทำให้ไม่สามารถผลิตน้ำตาลที่มีขนาดอนุภาคตามที่ต้องการของข้อกำหนดที่ยอมรับได้ และพวกเขาเองไม่สามารถระบุสาเหตุได้อีกด้วย บริษัทได้แต่เพียงคาดการณ์ว่าปัจจัยที่อาจจะส่งผลต่อความผันแปรของขนาดอนุภาค มีดังต่อไปนี้
- อุณหภูมิ (Temperatures)
- ความดัน (Pressures)
- อัตราการไหล (Flow rates)
- ค่าความเป็นกรด – ด่าง (pH)
- คุณสมบัติการนำไฟฟ้า (Conductivity)
- และอื่นๆ
สิ่งที่ Minitab นำมาใช้ในการช่วยเหลือ
Tate & Lyle เริ่มต้นจากการสร้างแผนผังกระบวนการผลิตใน Companion by Minitab (ปัจจุบัน คือ Minitab Engage TM) ซึ่งอยู่ในรูปแบบแผนภูมิที่ปรับแต่งให้สามารถทำความเข้าใจได้ง่ายขึ้น
ในกระบวนการตกผลึกของน้ำตาลจากข้าวโพด(learn more about process maps) จะเริ่มจากน้ำเชื่อมที่ถูกป้อนจากโรงกลั่นไปยังกระบวนการเพื่อตกผลึก (ซึ่งใช้เวลาหลายวัน) จากนั้นจึงเข้าสู่กระบวนการหมุนเหวี่ยง (centrifuged) แล้วนำไปตากให้แห้ง สุดท้ายจึงนำไปบรรจุถุงเพื่อเตรียมส่งให้ลูกค้า
จากแผนภูมิการผลิตของกระบวนการตกผลึก พวกเขาพบว่าการกระจายขนาดอนุภาคมีความไม่น่าเชื่อถือ มีลักษณะไม่คงที่ ดังนั้นพวกเขาจึงคิดว่าต้องทำความเข้าใจเสียก่อนว่าอะไรเป็นสาเหตุของความผันแปรและจะได้สามารถควบคุมสาเหตุเหล่านั้นได้
รัสเซลกล่าวไว้ว่า “ทุกอย่างวัดได้ในโรงงานเคมี… ทุกจุดที่เป็นไปได้มีเครื่องรับส่งข้อมูลกลับไปยังนักวิเคราะห์ ซึ่งถือเป็นสิ่งที่ดี แต่มันสร้างความท้าทายให้กับเราที่มีข้อมูลจำนวนมากแต่ไม่รู้ว่าจะทำอย่างไรกับมัน”
เพื่อให้เข้าใจข้อมูลของขนาดอนุภาคได้ดียิ่งขึ้น รัสเซลและทีมของเขาจึงใช้โปรแกรมทางสถิติอย่าง Minitab เพื่อสร้างแผนภูมิ Xbar ตามที่แสดงด้านล่างนี้
ตัวแปรหลายหลายๆตัวมีความสัมพันธ์ระหว่างกันแบบไม่เป็นเชิงเส้น ดังนั้นจึงพิสูจน์ได้ยากว่าตัวแปรใดที่มีผลกระทบต่อตัวแปรอื่นๆ นอกจากนี้ยังขนาดอนุภาคยังไม่สามารถทราบค่าได้จนกว่าจะได้ใส่ลงไปในถุงบรรจุ เพราะว่าในขั้นตอนการทำให้แห้ง ผลิตภัณฑ์จะอยู่ในรูปแบบเจลที่มีของเหลวแทรกอยู่กับของแข็ง หรือ ที่เรียกว่า “slurry”
มีตัวแปรตั้งต้นที่เป็นไปได้มากกว่า 1,000 รายการสำหรับกรณีนี้ ตัวแบบจำลองการถดถอย (Multiple regression model) หลายๆตัวแบบเพียงอย่างเดียวอาจไม่สามารถทำให้หาคำตอบได้
เนื่องจากตัวแปรทำนายจำนวนมากมีปฏิสัมพันธ์ซึ่งกันและกันในรูปแบบที่ซับซ้อนไม่รู้จบ พวกเขาต้องหาแนวทางที่สามารถระบุตัวแปรทำนายที่ส่งผลต่อการกระจายขนาดอนุภาคมากที่สุด พวกเขาจึงหันมากใช้ TreeNet ใน Salford Predictive Modeler (SPM)
“การใช้เพียงเทคนิคสร้างแบบจำลองแบบดั้งเดิมอย่างเดียวไม่พอ มันไม่สามารถตอบโจทย์ได้” รัสเซลกล่าว “มันยากมากสำหรับเราที่จะเข้าใจความสัมพันธ์ระหว่างตัวแปรและผลลัพธ์ แต่โชคดีที่ TreeNet ของ SPM ทำให้การศึกษาตัวแปรทำนายที่สำคัญแบบเจาะจงนั้นง่ายขึ้นมากและสามารถกำหนดกลยุทธ์เพื่อให้จัดการกับปัจจัยนั้นได้อย่างมีประสิทธิภาพ ฉันเชื่อว่าอัลกอริทึม TreeNet ของ Minitab และ SPM สามารถทำงานร่วมกันได้อย่างมีประสิทธิภาพมาก แน่นอนว่า SPM ไม่ได้มาแทนที่ Minitab หรือโปรแกรมสถิติอื่นๆ แต่เมื่อเราใช้มันร่วมกัน ฉันคิดว่าเราจะได้คำตอบเร็วที่เร็วขึ้นแน่นอน”
รัสเซลใช้ค่าตั้งต้นตามที่ TreeNet กำหนดไว้ และปรับเพียงค่าจำนวนต้นไม้ เมื่อเขาเริ่มปรับลดจำนวนตัวแปรทำนาย ทำให้เขามีความเข้าใจมากขึ้นโดยดูจากสิ่งที่เกิดขึ้นกับค่า R-squared ในการทดสอบ
เพื่อค้นหาความหมายที่แท้จริงของตัวแปรที่มีความสำคัญเหล่านี้ รัสเซลล์ใช้ SPM สร้าง partial dependency plot และพบว่าตัวแปรบางตัว ตกที่ตำแหน่งจุดสูงชันบนเส้นโค้ง ซึ่งเป็นตัวระบุให้เห็นถึงความสำคัญของตัวแปรเหล่านั้น หากไม่มีเส้นโค้ง partial dependency plot ของ SPM เราอาจไม่สามารถรู้ถึงความสำคัญของตัวแปรเหล่านี้
จากนั้นเขาใช้วิธีการอย่าง stepwise เพื่อดึงตัวแปรออกมาทีละตัวและดูว่าเกิดอะไรขึ้นกับ R-squared มันไม่ได้เปลี่ยนแปลงอย่างมีนัยสำคัญ จนเขานำตัวแปรที่สำคัญที่สุดลำดับที่สี่ออกมา เขานำตัวแปรนี้ไปให้ทีมผู้ผลิตและขอข้อมูลเพิ่มเติม
ผลลัพธ์
รัสเซลสามารถจำกัดตัวแปรทำนายกว่า 1,000 ตัว ให้เหลือเพียง 8 ตัว ด้วยความรวดเร็วโดยใช้การจัดอันดับความสำคัญของตัวแปรของ SPM และตัวแปรทำนายทั้ง 8 ตัว ที่เป็นต้นเหตุของความผันแปรประมาณครึ่งหนึ่งที่เกิดขึ้นในตัวอย่างทดสอบ
การใช้เครื่องมือใน SPM เพื่อทำการกำจัดตัวแปรจากบนลงล่าง (shaving from the top) ทำให้รัสเซลสามารถหาตัวแปรที่มีผลต่อค่า R-squared มากกว่าตัวแปรอื่นๆ อย่างมีนัยสำคัญได้เร็วขึ้น และตัวแปรที่ว่านี้ คือ ตัวแปรที่เกี่ยวข้องกับขั้นตอนการป้อนน้ำเชื่อม (feed stream) ไปยังขั้นตอนการตกผลึก แต่ผลกระทบต่อผลิตภัณฑ์ขั้นสุดท้ายยังไม่ชัดเจนนัก จนรัสเซลล์ใช้ SPM สร้างตัวแบบจำลอง และทำการศึกษาต่อด้วยการใช้ partial dependency plot ของ SPM ซึ่งผลลัพธ์ที่ได้จากการวิเคราะห์ทำให้รัสเซลสรุปได้ว่าทำไมตัวแปรนี้จึงมีความสำคัญอย่างมากต่อขนาดอนุภาคที่มีขนาดไม่แน่นอน partial dependency plot ของ SPM แสดงให้เห็นว่าตัวแปรนี้มีแนวโน้มที่จะทำให้มีเปลี่ยนแปลงอย่างไรใน “เส้นโค้งการกระจาย (distribution curve)”
รัสเซลให้ข้อมูลเพิ่มว่า “ในขณะที่เราย้ายตำแหน่งไปยังส่วนต่างบนเส้นโค้งการกระจายนี้ ถ้าโชคดีเราจะพบค่าสัมประสิทธิ์ความผันแปรที่มีค่าต่ำ แต่ถ้าโชคร้ายเราจะพบค่าสัมประสิทธิ์ความผันแปรที่มีค่าสูง และถ้าหากไม่มี SPM ฉันจะไม่มีวันรู้เรื่องนี้เลย”
เมื่อบรรลุเป้าหมายแล้ว รัสเซลพบว่ามีสองสามวิธีที่พวกเขาสามารถนำมาใช้เพื่อลดความแปรผันในขนาดอนุภาคของผลึกน้ำตาลข้าวโพด และช่วยให้ผู้ผลิตอาหารใช้ส่วนผสมเหล่านั้นในการปรับปรุงผลิตภัณฑ์สำหรับผู้บริโภค * กรณีศึกษานี้สร้างขึ้นโดยใช้ Companion โดย Minitab ก่อนมีการเปลี่ยนไปเป็น Minitab Engage ในปี 2021
บทความต้นฉบับ : Helping Tate & Lyle Ensure Sweeteners Feel More Like Plain Sugar
ต้นฉบับนำมาจาก Minitab Case Study, แปลและเรียบเรียงโดยสุวดี นำพาเจริญ,
บริหารจัดการ SCM Blog โดยชลทิชา จำรัสพร บริษัท โซลูชั่น เซ็นเตอร์ จํากัด ตัวแทน Minitab ในประเทศไทย
เพิ่มเติมเกี่ยวกับบริษัท Minitab
Minitab ช่วยให้บริษัทและองค์กรต่างๆ สามารถมองเห็นแนวโน้มของข้อมูล, แก้ปัญหาและค้นพบประเด็นสำคัญจากข้อมูลเชิงลึก โดยนำเสนอชุดโซลูชั่นที่ครอบคลุมทุกด้านและดีที่สุดสำหรับซอฟต์แวร์ในระดับเดียวกัน ที่ใช้สำหรับการวิเคราะห์ข้อมูลและการปรับปรุงกระบวนการ
ด้วยวิธีการที่เป็นเอกลักษณ์ และการนำเสนอซอฟต์แวร์และบริการแบบองค์รวม Minitab ช่วยให้องค์กรเข้าถึงกระบวนการตัดสินใจในส่วนที่ช่วยผลักดันให้เกิดความเป็นเลิศทางธุรกิจได้ดีขึ้น ความง่ายในการใช้งานที่โดดเด่นกว่าใครมีส่วนช่วยให้ Minitab สามารถทำให้การเข้าถึงข้อมูลเชิงลึกเป็นเรื่องที่ง่าย ทีมงานของ Minitab ซึ่งประกอบด้วยผู้เชี่ยวชาญทางด้านการวิเคราะห์ข้อมูลที่ได้ผ่านการอบรมมาเป็นอย่างเข้มงวด จะช่วยให้ผู้ใช้งานมั่นใจว่าจะได้รับประโยชน์สูงสุดจากการใช้งานวิเคราะห์ข้อมูลและพร้อมที่จะให้คำปรึกษาตลอดเวลาที่ใช้งานเพื่อนำไปสู่การตัดสินใจที่ดีขึ้น รวดเร็ว และแม่นยำ
เป็นเวลากว่า 50 ปีที่ Minitab ได้ช่วยองค์การต่าง ๆ เพิ่มรายได้ ควบคุมและลดต้นทุน เพิ่มคุณภาพ เสริมสร้างความพึงพอใจของลูกค้า และเพิ่มประสิทธิภาพ ธุรกิจและองค์นับหมื่นทั่วโลกใช้ Minitab Statistical Software®, Companion by Minitab®, Minitab Workspace®, Salford Predictive Modeler® and Quality Trainer® เป็นเครื่องมือช่วยในการค้นพบและปรับปรุงความบกพร่องในกระบวนการ