Utilizing QFD model to determine quality characteristics of the products and priority needs of customers in the medical industry products (Case Study: Plasma seat product in mashhad`s Sahateb medical equipment company)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Quality Function Deployment (QFD) as one of the quality engineering methods; originates from market study and product or service customers identification, where by determining their needs; tries to involve them in all stages of product or service development. This study uses QFD method to apply customers' criteria in production of Coach Plasma in Mashhad`s Sahateb Company. Coach Plasma is used for healthy bloodletting. The proposed study of this paper designed and distributed a questionnaire, which includes identification & determination of customers' needs and investigation of their satisfaction of manufactured products, while looking for technical and engineering characteristics related to their needs. The Coach Plasma costumers are categorized into two groups of local and external customers. Data collection was done based on available documents, experts opinions, structured interview with managers and questionnaire. Customers' needs were studied in QFD teams. Collecting essential information such as needs importance degree and competitive benchmarking of customer`s needs, the weight of each need has been evaluated. In this research, House of Quality was used from first matrix of QFD leading to estimation of engineering & technical characteristics in order to enter to the quality deployment matrix. Take a look at obtained results, we could mention the role of each of these external factors in satisfaction of Sahateb Company customers and technical characteristics of the company in providing these factors and the prioritization of the customer's needs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle