4M101-09 KPI และการควบคุม 4M เปลี่ยนให้เป็นข้อมูลเพื่อการบริหาร

KPI และการควบคุม 4M – เปลี่ยน Man, Machine, Material และ Method ให้เป็นข้อมูลเพื่อการบริหาร

ปัจจัยในกระบวนการผลิต 4 ด้าน ( 4M in Production Process)

KPI และการควบคุม 4M – เปลี่ยน Man, Machine, Material และ Method ให้เป็นข้อมูลเพื่อการบริหาร

จากตอนที่ผ่านมา เราได้เรียนรู้การบริหาร Man, Machine, Material และ Method รวมถึงการวิเคราะห์ Root Cause และการควบคุม 4M Change แต่การบริหารทั้งหมดจะมีประสิทธิภาพได้ยาก หากองค์กรยังใช้เพียงความรู้สึก เช่น “ช่วงนี้ของเสียน่าจะเยอะขึ้น” “เครื่องนี้ดูเหมือนเสียบ่อย” หรือ “พนักงานน่าจะทำงานดีขึ้นแล้ว” การบริหารกระบวนการผลิตที่ดีต้องเปลี่ยนสิ่งเหล่านี้ให้เป็น ข้อมูลที่วัดได้ (Measurable Data) และนี่คือบทบาทของ KPI – Key Performance Indicator 

หลักคิดสำคัญของตอนนี้คือ Measure → Monitor → Analyze → Action → Improve หรือพูดง่าย ๆ ว่า “สิ่งที่เราไม่วัด เราจะรู้ได้ยากว่ากำลังดีขึ้นหรือแย่ลง” แต่ในอีกด้านหนึ่ง การวัดทุกอย่างก็ไม่ได้หมายความว่าจะบริหารได้ดี เพราะ KPI ที่มากเกินไปอาจสร้างข้อมูลจำนวนมหาศาลโดยไม่ช่วยในการตัดสินใจ ดังนั้นสิ่งสำคัญคือ เลือกวัดสิ่งที่สำคัญต่อกระบวนการจริง

KPI ในการควบคุม 4M คืออะไร

KPI คือค่าที่ใช้ติดตามว่ากระบวนการกำลังทำงานได้ตามเป้าหมายหรือไม่ เมื่อประยุกต์กับ 4M เราจึงสามารถสร้างตัวชี้วัดเพื่อเฝ้าดูสถานะของ Man, Machine, Material และ Method ได้อย่างเป็นระบบ

ตัวอย่างเช่น หากโรงงานมีเป้าหมายลด Defect จาก 5% เหลือ 2% การดูเพียง Defect Rate บอกเราได้ว่า ผลลัพธ์เป็นอย่างไร แต่ยังไม่บอกว่า ทำไมจึงเป็นเช่นนั้น หากเรามี KPI ของ 4M เพิ่มเติม เช่น Skill Competency, OEE, Incoming Defect และ Process Compliance เราจะสามารถมองเห็นปัจจัยต้นเหตุได้เร็วขึ้น นี่คือความแตกต่างระหว่าง Result KPI – บอกผลที่เกิดขึ้นแล้ว กับ Process KPI – บอกสิ่งที่กำลังเกิดขึ้นในกระบวนการ การบริหารที่ดีควรมีทั้งสองแบบ

KPI ของ Man – คนพร้อมและสามารถทำงานได้หรือไม่

Man KPI ควรสะท้อนทั้งความรู้ ทักษะ ความพร้อม และพฤติกรรมในการทำงาน

ตัวอย่าง KPI ได้แก่ Training Completion Rate, Competency Pass Rate, Skill Coverage, Human Error Rate, Absenteeism Rate, Productivity per Man-Hour และ Safety Incident ลองสมมติโรงงานกำหนดว่า Critical Process ต้องมี Operator Skill Level 3 อย่างน้อย 2 คนต่อกะ

กะ A มี 3 คน
กะ B มี 2 คน
กะ C มีเพียง 1 คน

แม้จำนวนพนักงานแต่ละกะเท่ากัน แต่ Skill Coverage แตกต่างกัน หากกะ C มี Defect สูงกว่ากะอื่น ข้อมูล Skill Matrix จะช่วยให้ทีมเห็นความสัมพันธ์ได้ทันที ดังนั้น KPI ของ Man ไม่ควรวัดเพียง “มีคนกี่คน?” แต่ควรวัด “มีคนที่ทำงานนี้ได้อย่างถูกต้องกี่คน?”

ตัวอย่าง KPI Man: Training Completion สูง แต่ Defect ยังสูง โรงงานหนึ่งมี Training Completion Rate 100% ผู้บริหารจึงคิดว่าปัญหาด้านคนไม่น่าจะมี แต่เมื่อดู Competency Pass Rate พบเพียง 72% หมายความว่า พนักงานทุกคน เข้าอบรมครบ แต่มีเพียง 72% ที่สามารถปฏิบัติงานได้ตามมาตรฐานจริง นี่คือเหตุผลที่ไม่ควรใช้ Training Attendance เป็นตัวแทนของ Competency ตัวชี้วัดที่เหมาะสมควรเชื่อมกับ ผลลัพธ์ที่ต้องการจริง

KPI ของ Machine – เครื่องพร้อมและมีประสิทธิภาพเพียงใด

Machine KPI ที่สำคัญ เช่น

OEE – Overall Equipment Effectiveness
Availability
Performance Rate
MTBF – Mean Time Between Failures
MTTR – Mean Time To Repair
Breakdown Frequency
PM Compliance
Minor Stop
Machine-related Defect

ตัวอย่างเครื่องจักร A และ B มี OEE เท่ากันที่ 70% แต่เมื่อแยกองค์ประกอบพบว่า

Machine A มี Availability ต่ำ เพราะ Breakdown สูง

Machine B มี Availability สูง แต่ Performance ต่ำ เพราะเดินเครื่องช้า

แม้ OEE เท่ากัน แต่แนวทางแก้ปัญหาแตกต่างกันโดยสิ้นเชิง

Machine A ต้องเน้น Reliability และ Maintenance

Machine B ต้องวิเคราะห์ Speed Loss, Minor Stop หรือ Process Setting

ดังนั้น KPI ที่ดีไม่ควรบอกเพียง “คะแนนเท่าไร” แต่ควรช่วยบอกว่า “ควรไปดูตรงไหนต่อ”

KPI ของ Material – วัตถุดิบพร้อมและมีคุณภาพหรือไม่

Material KPI สามารถติดตามตั้งแต่ Supplier จนถึงการใช้จริง เช่น

Incoming Defect Rate
Supplier PPM
Supplier On-Time Delivery
Material Yield
Scrap Rate
Stockout Rate
Expired Material
Inventory Accuracy
Inventory Turnover

ตัวอย่าง Supplier A มี Incoming Defect 200 PPM และส่งตรงเวลา 98% Supplier B มี Incoming Defect เพียง 100 PPM แต่ส่งตรงเวลา 75% หากดูเฉพาะ Quality อาจคิดว่า Supplier B ดีกว่า แต่ Delivery ที่ไม่เสถียรอาจทำให้โรงงานต้องเพิ่ม Safety Stock หรือเสี่ยง Production Stop ดังนั้น Supplier Performance ควรดูหลายมิติ ไม่ใช่เพียงราคาและ Defect

KPI ของ Method – กระบวนการทำตามมาตรฐานหรือไม่

Method KPI ช่วยตอบคำถามว่า Standard ที่กำหนดไว้ถูกนำไปใช้จริงหรือไม่

ตัวอย่าง KPI ได้แก่

Process Compliance Rate
First Pass Yield (FPY)
Rework Rate
Standard Cycle Time Achievement
Control Plan Compliance
Audit Finding
Process Capability
Change Implementation Effectiveness

สมมติโรงงานมี Process Compliance Rate 98% แต่ FPY เพียง 85% ข้อมูลนี้น่าสนใจ เพราะหมายความว่าพนักงานส่วนใหญ่ทำตาม Method แล้ว แต่ยังเกิด Defect สูง ทีมงานจึงไม่ควรรีบ Training พนักงานเพิ่ม แต่ควรถามว่า

“Method ที่กำหนดไว้ถูกต้องและมีความสามารถเพียงพอหรือไม่?”

บางครั้งปัญหาไม่ได้เกิดจากคนไม่ทำตาม Standard แต่เกิดจาก Standard นั้นไม่สามารถสร้างผลลัพธ์ที่ต้องการได้ตั้งแต่ต้น

Leading KPI และ Lagging KPI

การออกแบบ KPI ที่ดีควรแยกระหว่าง Leading Indicator และ Lagging Indicator

Lagging KPI คือผลลัพธ์ที่เกิดขึ้นแล้ว เช่น Defect Rate, Customer Complaint, Breakdown และ Scrap Cost

Leading KPI คือสัญญาณที่สามารถบอกความเสี่ยงก่อนเกิดผล เช่น PM Compliance, Skill Coverage, Material Moisture หรือ Process Parameter Deviation

ตัวอย่างเช่น

PM Compliance ลดลง → Breakdown อาจเพิ่มในอนาคต

Training/Competency ต่ำ → Human Error อาจเพิ่ม

Incoming Defect เพิ่ม → Production Defect อาจเพิ่ม

ดังนั้นองค์กรไม่ควรรอให้ Customer Complaint เพิ่มแล้วจึงเริ่มแก้ แต่ควรมี Leading KPI เพื่อทำหน้าที่เป็น Early Warning System

KPI ที่ดีต้อง Actionable

สมมติ Dashboard แสดงว่า Defect Rate = 5.4% ข้อมูลนี้บอกสถานการณ์ แต่ยังไม่เพียงพอต่อการแก้ปัญหา หากสามารถ Drill Down ต่อได้ว่า Defect 5.4%
→ Scratch 3.2%
→ Machine M03 2.7%
→ Shift B 2.1%
→ เกิดหลัง Change Tool

ตอนนี้ข้อมูลเริ่มนำไปสู่ Action ได้

ดังนั้น KPI ที่ดีต้องไม่ใช่เพียง Nice to Know แต่ควรเป็น Need to Act

เป้าหมาย KPI ต้องมีบริบท

การกำหนด Target ว่า OEE ต้อง 85% หรือ Defect ต้องต่ำกว่า 1% ไม่ควรนำตัวเลขของโรงงานอื่นมาใช้โดยไม่พิจารณาบริบท กระบวนการผลิตแต่ละประเภทมี Product Mix, Machine Age, Technology และ Business Requirement แตกต่างกัน เป้าหมายที่เหมาะสมควรพิจารณา

Baseline ปัจจุบัน + Customer Requirement + Business Goal + Process Capability + Improvement Potential

ตัวอย่าง Defect ปัจจุบัน 8% การกำหนดเป้าหมายเหลือ 0.1% ภายในหนึ่งเดือนอาจไม่สมเหตุผล อาจกำหนด Roadmap เป็น 8% → 5% → 3% → 1% แล้วปรับปรุงอย่างต่อเนื่อง

Dashboard 4M – ทำให้ข้อมูลจำนวนมากมองเห็นง่าย

เมื่อมี KPI หลายตัว การใช้ Dashboard ช่วยให้ผู้บริหารและหน้างานเห็นสถานการณ์ได้รวดเร็ว

ตัวอย่าง Dashboard 4M อาจแสดง

Man: Skill Coverage 92%, Human Error 1.2%

Machine: OEE 87%, MTTR 1.8 ชั่วโมง

Material: Incoming Defect 350 PPM, Stockout 0.3%

Method: Process Compliance 94%, FPY 97.6%

สามารถใช้สถานะ

Green = Normal
Yellow = Warning
Red = Action Required

เป้าหมายไม่ใช่ทำ Dashboard ให้สวย แต่คือทำให้คนเห็น Abnormality ได้เร็ว

ตัวอย่าง: Dashboard สีเขียวทั้งหมด แต่โรงงานยังขาดทุน สิ่งนี้สามารถเกิดขึ้นได้หาก KPI ถูกออกแบบไม่สัมพันธ์กับ Business Goal 

ตัวอย่างทุกแผนกตั้ง KPI ของตนเองและทำได้ตามเป้า

Production วัด Output
Maintenance วัด PM Completion
Quality วัด Inspection Completion
Warehouse วัด Stock Accuracy

ทุกตัวเป็นสีเขียว แต่ Scrap Cost และ Inventory เพิ่มขึ้นอย่างต่อเนื่อง นี่แสดงว่า KPI ระดับแผนกไม่ได้เชื่อมโยงกับ เป้าหมายองค์กร ดังนั้น 4M KPI ควรเชื่อมโยงกับผลลัพธ์หลัก เช่น Quality + Cost + Delivery + Safety + Productivity + Customer Satisfaction

KPI กับ Pareto Analysis

เมื่อ KPI แสดงว่ามีปัญหา ขั้นต่อไปคือการหาว่าอะไรสร้างผลกระทบมากที่สุด

สมมติ Defect Rate = 6% เมื่อแยกประเภทพบว่า

Scratch = 40%
Dimension = 25%
Color = 15%
Crack = 10%
อื่น ๆ = 10%

Pareto ช่วยให้เห็นว่า Scratch เป็นปัญหาหลัก

จากนั้นจึงใช้ 4M + Fishbone วิเคราะห์ Scratch ต่อ ดังนั้นกระบวนการสามารถเป็น

KPI → Detect Problem → Pareto → 4M/Fishbone → 5 Why → Corrective Action

ข้อมูลแต่ละระดับจึงเชื่อมโยงกัน

KPI กับ Control Chart

KPI รายเดือนสามารถบอกแนวโน้มภาพรวม แต่บาง Process ต้องควบคุมละเอียดกว่านั้น

ตัวอย่าง Temperature ของกระบวนการควรอยู่ที่ 200 ± 5°C การดูค่าเฉลี่ยรายวันว่า 200°C อาจดูปกติ แต่ข้อมูลจริงอาจแกว่งระหว่าง 190–210°C ค่าเฉลี่ยจึงซ่อนความแปรปรวนไว้

Control Chart หรือ SPC ช่วยให้เห็นว่า Process กำลัง Stable หรือมี Special Cause Variation 

นี่คือความแตกต่างระหว่าง ดูค่าเฉลี่ย กับ ดูพฤติกรรมของกระบวนการ

ตัวอย่างกรณีศึกษา: ลด Defect จาก 6% เหลือ 1%

โรงงานแห่งหนึ่งมี Defect Rate เฉลี่ย 6%

ทีมงานสร้าง Dashboard 4M และพบข้อมูลดังนี้

Man – Competency Pass 95%
Machine – OEE 72%
Material – Incoming Defect 800 PPM
Method – FPY 93%

จาก Pareto พบว่า Defect ส่วนใหญ่เกิดจาก Dimension Out

Fishbone Analysis พบ Possible Causes หลายรายการ แต่ข้อมูลชี้ว่า Defect เกิดมากหลัง Machine Warm-up

ทีมงานตรวจ Machine Parameter และพบ Sensor มี Drift หลังอุณหภูมิสูงขึ้น

จึงทำ Calibration และเพิ่ม Warm-up Standard ใน Method

หลังปรับปรุง

Defect ลดจาก 6% → 1%

OEE เพิ่มจาก 72% → 89%

FPY เพิ่มจาก 93% → 98.5%

กรณีนี้แสดงให้เห็นว่า KPI ไม่ได้มีไว้เพื่อรายงานผล แต่ทำหน้าที่เป็น เข็มทิศในการค้นหาปัญหา

Real-Time KPI กับ Smart Factory

ในโรงงานแบบดั้งเดิม KPI อาจถูกสรุปวันละครั้งหรือเดือนละครั้ง ปัญหาคือเมื่อเห็นตัวเลข ปัญหาอาจเกิดไปแล้วหลายวัน

Smart Factory สามารถรับข้อมูลจาก PLC, Sensor, MES, SCADA, WMS หรือ Quality System แบบ Real-Time

ตัวอย่าง Dashboard พบว่า Cycle Time เพิ่มจาก 60 เป็น 68 วินาทีต่อเนื่อง 30 นาที ระบบสามารถแจ้งเตือนได้ทันที

Supervisor จึงเข้าไปตรวจ Process ก่อนที่ Productivity ทั้งกะจะเสียหาย 

นี่คือการเปลี่ยนจาก Report What Happened ไปสู่ Detect What Is Happening และในระดับที่สูงขึ้นคือ Predict What Will Happen

AI กับ KPI ของ 4M

เมื่อองค์กรมีข้อมูลมากขึ้น AI และ Machine Learning สามารถช่วยค้นหา Pattern ที่มนุษย์มองเห็นได้ยาก

ตัวอย่างระบบพบว่า Defect มีโอกาสเพิ่มขึ้นเมื่อเกิดเงื่อนไขพร้อมกันคือ

Material Moisture > 0.15%
Machine Temperature > 205°C
Operator Experience < 3 เดือน

แต่แต่ละปัจจัยแยกกันอาจยังไม่สร้าง Defect AI จึงสามารถช่วยวิเคราะห์ Interaction ระหว่าง 4M อย่างไรก็ตาม AI ไม่สามารถชดเชยข้อมูลที่ไม่มีคุณภาพได้ หลักสำคัญยังคงเป็น Good Data → Good Analysis → Better Decision

อย่าสร้าง KPI มากเกินไป 

บางโรงงานมี KPI หลายร้อยตัวจนไม่มีใครรู้ว่าตัวไหนสำคัญ

KPI ที่ดีควรตอบคำถามได้ว่า ถ้าตัวเลขนี้ผิดเป้า เราจะทำอะไรต่อ?

หากไม่มีคำตอบ อาจต้องถามว่าจำเป็นต้องวัดหรือไม่ หลักง่าย ๆ ในการเลือก KPI คือ

Important – สำคัญต่อเป้าหมาย

Measurable – วัดได้อย่างน่าเชื่อถือ

Simple – คนใช้งานเข้าใจ

Timely – ได้ข้อมูลทันเวลา

Actionable – นำไปสู่การตัดสินใจได้

จาก KPI สู่ Daily Management

KPI จะมีคุณค่ามากที่สุดเมื่อถูกนำมาใช้ในการบริหารงานประจำวัน

ตัวอย่าง Daily Meeting 10 นาทีหน้า Production Board

Yesterday Output = 9,500 / Target 10,000
Defect = 3.2% / Target < 2%
OEE = 78% / Target > 85%

ทีมงานไม่จำเป็นต้องประชุมยาว แต่ถามว่า อะไรผิดเป้า? → เพราะอะไร? → ใครรับผิดชอบ? → แก้เมื่อไร?

KPI จึงเปลี่ยนจาก “รายงานผู้บริหาร” มาเป็น เครื่องมือของคนหน้างาน

KPI กับ PDCA

KPI เชื่อมโยงกับ PDCA ได้โดยตรง

Plan: กำหนดเป้าหมายและ KPI

Do: ดำเนินงานตามมาตรฐาน

Check: ตรวจ KPI และวิเคราะห์ Gap

Act: แก้ไขและปรับปรุง

หลังปรับปรุงต้องกลับมาวัดใหม่ วงจรจึงเป็น Target → Measure → Gap → Root Cause → Action → Result → New Standard เมื่อทำซ้ำอย่างต่อเนื่อง KPI จะกลายเป็นกลไกขับเคลื่อน Continuous Improvement

ตัวอย่างชุด KPI 4M สำหรับโรงงานเริ่มต้น หากโรงงานยังไม่มีระบบ KPI 4M ไม่จำเป็นต้องเริ่มจากตัวชี้วัดจำนวนมาก สามารถเลือกเพียง 2–3 ตัวต่อ M เช่น

Man: Competency Coverage, Human Error Rate

Machine: OEE, Breakdown Hours, PM Compliance

Material: Incoming Defect, Material Yield, Stockout

Method: FPY, Process Compliance, Rework Rate

จากนั้นเชื่อมกับ KPI ผลลัพธ์ เช่น Defect + Cost + Delivery + Safety

เมื่อระบบข้อมูลพร้อมจึงค่อยเพิ่มความละเอียด แนวทางนี้ดีกว่าการสร้าง Dashboard ใหญ่ตั้งแต่วันแรกแต่ไม่มีใครใช้ข้อมูลจริง

การบริหาร 4M ที่มีประสิทธิภาพต้องเปลี่ยน Man, Machine, Material และ Method จากสิ่งที่เราคิดว่าเกิดขึ้น ให้กลายเป็นสิ่งที่เรารู้ว่าเกิดขึ้นจริง KPI ทำหน้าที่เหมือนเครื่องมือวัดสุขภาพของกระบวนการ ช่วยให้เห็นความผิดปกติเร็วขึ้น วิเคราะห์สาเหตุได้แม่นขึ้น และติดตามได้ว่าการปรับปรุงให้ผลจริงหรือไม่ แต่หัวใจสำคัญไม่ได้อยู่ที่จำนวน KPI หรือความสวยงามของ Dashboard สิ่งสำคัญคือ “เมื่อเห็นตัวเลขแล้ว เรารู้หรือไม่ว่าต้องทำอะไรต่อ?” KPI ที่ดีที่สุดจึงไม่ใช่ KPI ที่มีข้อมูลมากที่สุด แต่คือ KPI ที่ช่วยให้คน มองเห็นปัญหา ตัดสินใจ และลงมือปรับปรุงได้เร็วที่สุด

เมื่อองค์กรเชื่อม 4M + KPI + Data + Root Cause Analysis + PDCA เข้าด้วยกัน การบริหารการผลิตจะเปลี่ยนจากการแก้ปัญหาตามเหตุการณ์ ไปสู่ Data-Driven Manufacturing ที่สามารถควบคุมและปรับปรุงกระบวนการอย่างต่อเนื่อง และเมื่อเดินทางมาถึงจุดนี้ เรามีองค์ประกอบเกือบครบแล้ว ตั้งแต่ความเข้าใจ 4M การบริหารแต่ละ M การวิเคราะห์ปัญหา การควบคุม Change และการใช้ KPI ขั้นสุดท้ายคือการนำทั้งหมดมาประกอบเป็น ระบบบริหาร 4M ที่ใช้งานได้จริงในโรงงาน

#4M #KPI #ManufacturingKPI #ManMachineMaterialMethod #DataDrivenManufacturing #ProductionManagement #OEE #FPY #QualityKPI #Dashboard #SPC #Pareto #RootCauseAnalysis #PDCA #ContinuousImprovement #SmartFactory #Industry40 #ProductionKPI #บริหารการผลิต #การจัดการโรงงาน

.