RSS
 

Posts Tagged ‘andmekogumisvorm’

Kui kasulikud on su andmebaasid tegelikult?

09 Mar

andmebaasOn ainult aja küsimus, millal sa oma probleemide lahendamisel jõuad vajaduseni anda nähtustele numbriline kirjeldus. Peaaegu alati on koheselt järgmine küsimus – kuskohast andmeid saada? Põhimõtteliselt on 2 võimalust – tee andmekogumisvorm ja korja kõik andmed nullist. Alternatiiv on kaevuda olemasolevatesse andmebaasidesse ja katsuda sealt midagi välja tuhnida.

Miks sa EI PEAKS andmebaasidega pikalt mässama

Andmebaase ei loodud sinu praeguse probleemi lahendamiseks. Kes teab või mäletab, miks nad üldse kunagi loodi. Igatahes on väga tõenäoline, et selles sisalduv informatsioon ei aita sind eriti. Seega on selles sisalduvatel andmetel tavaliselt mitmed puudujäägid. Näiteks:

  • Erinevad ühikud. Sinul on tarvis näiteks normeeritud aega, andmebaas pakub sulle tehtud tükke. Sulle on tarvis liitreid, andmebaas annab sulle kilogramme. Või minuteid. Või tükke. Ma arvan, et sa saad juba aru.
    Iga teisendamine aga toob kaasa mingisuguse % ulatuses eksimuse, sest päris elus ei ole asjad nii lihtsad kui on 2. klassi matemaatika. Iga teisenduse tegemiseks on vaja midagi eeldada. Eeldamine aga… Iga suurim rukkisse panek algab sellega, et keegi mõtleb – “Okei, seda me päris täpselt ei tea, aga eeldame et….”
  • Kui suur osa andmetest tegelikult andmebaasis on? Peaaegu igal andmebaasil ilmneb varem või hiljem mingi tehniline äpardus, mis ei võimalda kõiki andmeid sisestada. Kui sul õnnestub seda vältida, siis teeb suvaline töökorralduse muutus sama töö ära. Igatahes varem või hiljem teeb keegi mingi Exceli faili või avab roheliste kaantega kaustiku ja kirjutab sinna peale “1996-1998”. See tuleb välja tavaliselt siis, kui oled teinud mingi erakordse avastuse ja käid seda usinalt näpp püsti jagamas. Siis koputatakse sulle delikaatselt õlale ja viiakse kurssi päris maailmas toimuvaga.
  • Mida üks või teine termin tegelikult tähendab? Väga harva kui kaks erinevat andmebaasi jõuavad samale tulemusele. Kui hakata lähemalt uurima, siis ilmneb mustmiljon pisiasja, mis ühes kohas on tehtud niimoodi ja teises kohas naamoodi. Suure tõenäosusega ei vasta kumbki ka üldtunnustatud õpiku definitsioonile.

 

Miks sa siiski PEAKSID andmebaasidega mässama

Ebatäpsed, tundmatut probleemi lahendavad, tundmatu sihtgrupi vajadusi rahuldavad…. ometi sa neid ignoreerida  ei saa. Miks siis nii?

  • Pikaajaline info. Tihtipeale võtaks täiesti nullist kõige kogumine tohutu aja. Andmebaas samas on viimased 4-5 aastat mingis omas rütmis tiksunud ja sinna on kogunenud küllaltki pikaajaline info. Seega peab uurima, mida ja kuidas sul on võimalik sealt kätte saada. See võib sul kokku hoida väga palju aega ja raha. Kui palju raha? Täpselt niipalju, kui see probleem sulle iga päev põhjustab.
  • Trendi hindamiseks ei pea hetkeväärtused õiged olema. Oletame, et su mingisugune tootlikkuse indeks tuleb peale pikemat maadlemist andmebaasiga 79%. Mida see number tegelikult ütleb? Suurt mitte midagi – samahästi võib see olla 124%, samahästi võib see olla 49%. See tegelikult pole oluline, su arvutustes on nagunii mingi viga sees. Kui sa aga oled oma “eksimuses” järjekindel, siis sa saad hinnata trendi, dünaamikat. Milline oli see number eelmine aasta või aasta enne eelmist aastat? Mis muutunud on? Kuhu me liigume? Otsuste tegemisel on aga trendid märksa olulisemad kui mingid hetkeväärtused.
  • Mis probleemi su andmebaasid siis ikkagi lahendavad? Kui sa teed omale selgeks, millist infot su andmebaasid sisaldavad ja millist nad ei sisalda, saad sa neid muutma hakata. Sa saad sõnastada selged probleemid ja mõelda, kas neid on võimalik automaatselt mingites punktides salvestada ja kuidas neid hiljem sulle vajaminevalt töödelda saaks. Sa saad täna muuta oma tulevikuotsuste kvaliteeti.

Igas organisatsioonis on tema andmebaasid hindamatuks info otsimise allikaks. Seal sisalduva lihtsaimki analüüs võimaldab teha märksa kvaliteetsemaid ja ratsionaalsemaid otsuseid. Need võivad lahendada pikaajalisi vaidlusi ja lõpetada mõtetuid tülisid. Nende kasutamisel peab siiski säilitama ettevaatlikkuse.  Peab alati arvestama, milleks nad tegelikult loodi ja mismoodi nad oma aruanded kokku panevad.

Kas mul jäi mõni andmebaasi eksimuse liik välja? Kui oskad täiendada pane see kommentaaridesse kirja.

Sarnased postitused:

 

Stratifitseerimine – kuidas eraldada ebaoluline olulisest

20 Feb

Stratifitseerimine on üks seitsmest “tööriistast”, mida üks kvaliteedijuht peaks oskama kasutada. Natuke lähemalt rääkides pole tegemist väga käegakatsutava asjaga nagu seda on näiteks Ishikawa või Pareto diagramm. Pigem on see kontseptsioon, millega peaksid arvestama andmete kogumisest kuni nende analüüsimiseni.

Stratifitseerimine – ikkagi, mis see siis on?

Stratiftseerimine on andmete kihistamine, nende ümbergrupeerimine. Seda on vaja teha selleks, et jõuda probleemipõhjustele jälile. Nimelt on probleem selles, et probleem ei pruugi väga selgelt välja tulla andmeid tervikuna vaadates. Asja olemusele jälile jõudmiseks pead sa neid eristama ning otsima mustreid. Kui ma Pareto diagrammist rääkides mainisin n.ö. paralleelastme diagramme, siis see tegevus on sisuliselt stratifitseerimine.

Kui tuua näiteks Exceli tabel, kuhu on märgitud kõik su probleemid näiteks toodete, avastamiskohtade, defekti asukoha vmt järgi, siis stratifitseerimisel sa asud otsima mustreid. Kui mustreid ei tule välja toodete kaupa, siis äkki tulevad nad välja defekti asukoha järgi? Kui selle järgi ei tule välja, siis äkki tulevad protsessi etapi kaupa?

Tüüpilisemad faktorid, mille põhjal stratifitseerida on:

  • Seadmed, tööriistad
  • Erinevad vahetused, erinevad osakonnad
  • Kasutatavad materjalid
  • Protsessi erinevad etapid
  • Erinevad tarnijad
  • Erinevad tooted

See nimekiri ei ole loomulikult lõplik – küll aga annavad mingisuguse pildi sellest, mis nad võivad olla.

Stratifitseerimine andmete kogumisel

On umbes tuhat korda kergem mõtelda stratifitseerimisfaktoritele enne andmete kogumist kui siis, kui on vaja andmetest mingit sotti saada. Pärast on lihtsalt ropp töö neid faktoreid väga täpselt määratleda ning mõningatel juhtudel pole see isegi enam võimalik. Pole midagi mõtetumat kui hunnik andmeid, mis sulle mitte midagi ei ütle. Seega mõtle juba enne andmete kogumist, mida sa tegelikult teada tahad.

Üks võimalus konkreetsete stratifitseerimisfaktorite määratlemiseks on ajurünnak. Tee lihtsalt oma meeskonnaga Ishikawa diagramm ning sul on faktorid käes. Seejärel saad sa juba vaadata, mis andmed sul olemas on ning mis vajab täiendavat kogumist. Siit edasi on juba väga lihtne asuda koostama andmekogumisvorme.

Kasu sinu jaoks

Stratifitseerimine võib näidata sulle mustreid seal, kus neid esmapilgul ei tundu olevat. On küllaltki tavaline, et küllaltki “rahuliku” pealispinna all toimetab üks probleem ja põhjustab sulle vaikselt nagu hambasööbik mingeid probleeme. Need probleemid ei pruugi olla väga teravad, seega sa ei lahenda neid. Nende lahendamata jätmine aga võib sulle pikas perspektiivis maksma minna miljoneid. Ja seda sa ju ei tahaks? Probleemide otsimine ja nende lahendamine on üks ütlemata kasumlik tegevus, seega palun tee seda.

Sarnased postitused:

 

Andmekogumisvormide erinevad tüübid

26 Jan

Andmekogumisvorme on igasuguseid. Sõltuvalt sellest, mida parasjagu vaja teada on, saab neid ühte ja teistpidi konstrueerida ja kombineerida. Nende kasutamine võib sulle anda informatsiooni kuskohas ja mis juhtub, milline on juhtumiste sagedus, milline on varieeruvus. Vormid aitavad sind ka lahenduste väljatöötamisel.

Andmekogumisvormide erinevad tüübid:

  1. Defekti või põhjuse andmekogumisvorm. Nagu nimigi ütleb sobib defektide või põhjuste kaardistamiseks, et teada saada mis kõige levinum on. Näiteks kui probleemiks on töölehtede ebakorrektne täitmine tööde vastuvõtja poolt, siis võib proovida vaadata, milles kõige enam eksitakse. Küllaltki suvalise iseloomuga näidis:
  2. Andmekogumise vorm esinemistiheduse näitamiseks. See on mõeldud visuaalse pildi andmiseks protsessi varieeruvusest ning keskmistest. Teoreetiliselt saab sellest edasi teha histogrammi ja vaadata ka jaotumist.
  3. Andmete fikseerimise leht. Vajalik siis kui on vaja fikseerida mingeid väärtusi aja jooksul. Näiteks temperatuur, voolupinge vmt parameeter hilisemaks andmetöötluseks.
  4. Kinnitus kontroll-leht (checklist). Kasutatakse selleks, et töötajal ei jääks midagi kahe silma vahele. Sisuliselt pannakse kriitilised tegevused kirja ning töötaja peab igaühe juurde märkima, et on selle teinud. Kriitilised tegevused võivad olla suunatud mingite levinumate kvaliteediprobleemide välistamiseks või siis veendumaks, et ohutusnõudeid on järgitud.
  5. Kontsentratsiooni diagramm. Kõige tüüpilisem näide kontsentratsiooni on näiteks tööohutuse uurimine (muidugi juhul, kui õnnetusi on palju olnud). Võta oma hoone või ruumi skeem ja märgi peale kuskohas õnnetused on toimunud. Kas kuskil tekivad suuremad kobarad ristidest? Suurepärane abimees, kui üks hüpoteesidest on see, et töökeskkond põhjustab mittevastavusi või õnnetusi. See võib olla vilets valgustus, ohtlik trepiaste, müra või jumal teab mis.
  6. “Saateleht”. Väga mitmekülgset infot pakkuv andmekogumisvorm. Tähendab seda, et tootega pannakse kaasa leht, kuhu siis märgitakse igas protsessi etapis näiteks inspektsiooni tulemused. Selliselt vormistatuna annab ta ennekõike informatsiooni selle kohta, kuskohas vead tekivad. Sinna peale aga võib märkida ka näiteks protsessi algus ja lõpuaja ning sa saad teada nii seda, kui kaua protsessi etapid aega võtavad kui ka seda, kui kaua pooltoodang vahepeal “järjekorras” seisis.


Andmekogumisvormid ei ole ainult kvaliteediprobleemide mõõtmiseks. Mina kasutasin esinemistiheduse ja defekti andmekogumisvormide kombinatsiooni oma protsessi tasakaalustamise projekti juures. Mõõtsin protsessietappi kiirust ja samal ajal õnnestus fikseerida ka mittevastavusi.

Saatelehte olen ma kasutanud ooteaegade kaardistamiseks. Checklist on üks peamistest tööriistadest nii töö standardiseerimisel kui ka probleemide ennetamisel. Kontsentratsiooni diagrammi saad lisaks ruumiskeemidele kasutada ka oma tootevisandil – näiteks märkimaks, kuskohas esineb kõige rohkem vigasid.

Võta omale 5 minutit ja tee erinevad andmekogumisvormid omale selgeks – leheke paberit võib su organisatsiooni jaoks olla kasulikum kui 10 raamatut. 🙂

Sarnased postitused:

 

Andmekogumisvormide ehk kontroll-lehtede koostamine

21 Jan

Jätkan Kauro Ishikawa 7 lihtsa kvaliteedijuhtimise tööriistade tutvustamisega. Sedakorda vaatame erinevaid tööriistade gruppi, mida nimetatakse andmekogumisvormideks. ASQ on neid ristinud veel defektide kontsentratsiooni diagrammiks. Põhimõtteliselt vahet pole kuidas nimetada, asja sisuks on andmete kogumine seal, kus töö toimub ning eeldatavasti vähima võimaliku vaevaga.

Mida silmas pidada ja mis sest kõigest tolku on

Enne kui nende koostamisest rääkima hakata, siis andmete kogumisel on üks väga hea eelis – kui sa pole harjunud tööoperatsioone mingi pikema aja jooksul jälgima, siis see on sinu kuldne võimalus sellega algust teha. Kohati tundub, et paar tundi töö jälgimist võib anda väärtuslikumat informatsiooni kui ükskõik milline koosolek, ajurünnak või andmetega žongleerimine.

Nüüd rääkides protsessist kuidas andmeid koguda, siis esimene kuldreegel on, et tee oma vorm või kontroll-leht iga probleemi lahendamiseks uuesti. Kunagi ära kasuta mingit asja, mis tundub olevat sobilik.  See väike ajaline investeering hoiab sul hiljem kokku märksa rohkem aega ja vaeva kui mingi “ah-käib-kah” kähmaka kasutamine.

Aga milleks üldse andmeid koguda? Peamine põhjus on selles, et on vaja teada. Enne mõõtmisi on tegemist lihtsalt mingite müütide ja arvamustega. Vaieldakse, arvatakse, mõeldakse ja arutatakse, kuid tegelikult midagi ei teata. Rusikareegel – kui asi kisub targutamiseks, siis asu mõõtma. Pane paika algusseis, kontrolli võimalikke seoseid, tööta välja plaan ja tee ära. Ja siis mõõda uuesti. Nüüd sa tead, mis tegelikult toimub. Sa tead, mis aitab ja mis mitte. Saad planeerida parendusi ja jätta lootmine, et küll läheb paremaks. Sa tead, et läheb paremaks ning sa tead, mida sa selleks tegema pead.

Kuidas andmekogumisvormi koostada

Kõige lihtsam ja kiirem moodus andmekogumisvormi koostamiseks:

  1. Määratle probleem. Alguspunktina sobib väga hästi põhjus-tagajärg diagrammi koostamine oma meeskonnaga. Seejärel vali põhjus(ed), mille kohta vajad täpsemat informatsiooni. Vaata ka postitust põhjus-tagajärg diaframmi koostamiseks: Ishikawa diagramm
  2. Töötage välja hüpoteesid. Enne edasiminemist tuleb leida vastused järgnevatele küsimustele. Miks see probleem eksisteerib? Millised faktorid mõjutavad seda? Näiteks: kas erinevus tuleb inimeste vahel? Kas erinevust võiks põhjustada üks-teine või kolmas parameeter? Kui me kasutame protsessis näiteks vett, siis kas vee karedus mängib rolli? Aga temperatuur? Aga happelisus-leeliselisus? Aga …? Põhimõtteliselt mõelge välja, mida te täpsemalt teada tahate ning milliseid hüpoteese kontrollida soovite.
  3. Määrake mõõtühikud. Millistes mõõtühikutes mõõta saate? Millistes mõõtühikutes teil andmeid vaja on? Kui mõõtjaid saab olema rohkem kui üks, siis märkige mõõtühikud kindlasti vormile, see aitab hilisemaid jamasid oluliselt vähendada.
  4. Tehke valmis esimene versioon. Nüüdseks on sul teada praktiliselt kogu informatsioon, mida vaja, et teha valmis vormi esimene versioon. Planeeri esimesse vormi märkuste lahter või siis kategooria “muud”. See tuleb kasuks pilootmõõtmistel ettenägematute asjade ülesmärkimiseks.
  5. Tehke pilootmõõtmine. Mine ja katseta. Täpsed tulemused ei ole praegusel üldse olulised. Eesmärk on täiustada oma vormi. Ära unusta mõõtmismeeskonda korrektselt instrueerida – on mõtetu aega kaotada ebapiisava suhtlemise tõttu. Võib täiesti kindel olla, et erinevaid arusaamu esineb ka seal, kus see tundub ilmvõimatu olevat. Käige protsess läbi ja lahendage kõik tekkivad küsimused.
  6. Tehke parandused. Kas sul oli piisavalt ruumi info märkimisel? Vajadusel vähenda infovälja või eralda rohkem ruumi. Kas enamus mõõtmistulemusi läksid kategooriasse “muud”? Milliseid märkusi tehti proovimõõtmiste käigus? Võta kindlasti tagasisidet ka mõõtjate käest – mida nähti, mida tunti, mida arvati. Korrigeeri oma vormi.
  7. Alustage oma mõõtmisi. Nii lihtne see ongi.


Andmete kogumine ja analüüs on ainus võimalus midagi teadlikult paremaks teha. Võib loota, et asjad muutuvad. Võib lõpmatuseni arutleda kes peaks tegema ja mida peaks tegema. Võib tuutuda oma edust, milles keegi alati kindel pole. See kõik on aga ebavajalik, kui sa saad võtta kontrolli sündmuste üle enda kätte, määratleda parendusvõimalused ning seada uued eesmärgid ning saavutada need. Sa tead, kus sa oled, sa tead kuhu sa edasi liigud. Sa tead, mida sa saavutanud oled. Selleks kõigeks pead sa aga natukene mõõtma 🙂

Ma räägin erinevatest andmekogumisvormidest siin: Andmekogumisvormide erinevad tüübid

Sarnased postitused: