VCM_122019_LR

DATA MANAGEMENT 27 V A L U E C H A I N M A N A G E M E N T - D E C E M B E R 2 0 1 9 6. Tijdens een sollicitatiegesprek evalue- ren de beoordelaars op een schaal van 1 tot 5 in hoeverre een sollicitant past binnen de bedrijfscultuur. Op basis van deze en andere factoren kan iemand anders beslissen of een kandidaat de job aangeboden krijgt. In het eerste geval betreft het een niet-continue (‘discrete’) ordinale meting (alleen gehele getallen zijn mogelijk). In het tweede geval gaat het om discrete binaire gegevens (ja/ neen). In beide gevallen kunnen we ‘attri- bute agreement analysis’ toepassen. Voorbeelden van ‘exploratory data analysis’ Enkele eenvoudige instrumenten voor grafi- sche analyse kunnen ons meer vertellen dan duizend woorden. Men zegt wel eens dat er wat data betreft slechts drie regels bestaan: Regel één: zet de data uit in een grafiek. Regel twee: zet de data uit in een grafiek. En regel drie: zet de data uit in een grafiek. Voor onze toepassing betekent dit dat we ons moeten focussen op het datadistributie- patroon, de evolutie van het proces met het verloop van de tijd en de eventuele aanwe- zigheid van abnormaliteiten. Deze stappen kunnen helpen bepalen of er met de data iets mis is. Hierna volgen twee voorbeelden. Voorbeeld 1: bitterheid van bier Uit de grafische samenvatting van Minitab in figuur 2 blijkt dat deze data niet normaal zijn. Ze vertonen een tri-modaliteit (een opvallende piek op drie plaatsen) die ver- oorzaakt kan zijn door ofwel verschuivingen in het proces ofwel andere factoren. Geen enkel natuurlijk proces kan op deze manier worden verklaard. Bijgevolg kunnen we geen betrouwbare besluiten trekken voordat we de aard van deze abnormaliteit begrijpen. Zou het kunnen dat de piek op 12, 15 respectievelijk 18 eenheden te maken heeft met de processpecificaties? Ja. Wat de toleranties betreft, zijn de ondergrens en de bovengrens vastgelegd op 12 respectievelijk 18, wat de middenwaarde (en het streefcij- fer) op 15 brengt. Dat kunnen we zien in de capaciteitsanalyse (‘capability analysis’) in figuur 3. Tot op zekere hoogte werden data gema- nipuleerd, waarbij de gemeten waarden (vooral degene die de bovengrens over- schrijden) werden afgerond op het aan- vaardbare cijfer. Gelukkig laat een capa- citeitsanalyse zien hoe het echte proces eruitziet. De praktische conclusie hier is dat de histori- sche data niet betrouwbaar waren. Het hele meet- en registratieproces was aan verbete- ring toe. Voorbeeld 2: gebruik van lijm Een van de verrichtingen die bij het maken van bierverpakkingen komt kijken, is het aanbrengen van etiketten op de flessen. Daarvoor wordt gebruik gemaakt van gesmolten lijm. Het verbruik van deze lijm wordt opgevolgd en gerapporteerd. Voor de optimalisering van het lijmverbruik moe- ten we eerst naar de historische data kijken (figuur 4). Zelfs zonder dat een p-waarde wordt beko- men, is het duidelijk dat de data niet nor- maal zijn. Hoe zou dat komen? Een blik op een tijdreeks (figuur 5) kan dat misschien helpen verklaren. Wat het histogram weergaf, was een weke- lijkse uitmiddeling – niet het dagelijkse ver- bruik. Effectieve metingen werden duidelijk eenmaal per week uitgevoerd, en elk cijfer werd over meerdere dagen uitgevlakt. Rap- portering over dagelijks verbruik was een vereiste, maar niemand leek problemen te hebben met gelijke cijfers van dag tot dag. Als gevolg daarvan begonnen dagelijkse effectieve metingen plaats te vinden, wat veel gedetailleerdere informatie opleverde om in de toekomst processen te optimalise- ren. Stel je kritisch op Ongeacht welk proces we willen optimalise- ren, data hebben we altijd nodig. Telkens als we gebruik maken van data, moeten we ons kritisch opstellen ten opzichte van de nauw- keurigheid van die data. Als er een statisti- sche analyse mogelijk is om de meetfout te schatten, dan moet die worden uitgevoerd. Kan een dergelijke analyse niet worden uit- gevoerd, dan moeten we er op een indirecte manier proberen achter te komen in hoe- verre we op het betreffende meetsysteem kunnen vertrouwen. Alexander Silantyev

RkJQdWJsaXNoZXIy MjkyNTU=