RSS
 

Posts Tagged ‘mõõtmine’

Kuidas müüte murda

19 Oct
Müüt murtud.
Mõõtmisplaaniga mees jõuab kaugele.

Kvaliteedijuhtimine on olemuselt faktidel põhinev distsipliin. Jah kõhutunne, jah intuitsioon, jah kogenud töötajate arvamus…. Nüüd lähme ja kontrollime seda. Üldjuhul 10’st linnalegendist 6’le mingit faktilist tõestust ei leita. Tegemist on kas mingite soovunelmatega või siis väga keeruliste asjadega, mida üritatakse võimalikult lihtsalt seletada. Täna ma annangi sulle ühe tööriista müütide murdmiseks – mõõtmisplaani.

Millal teha mõõtmisplaan

Kui sa mõtled D-M-A-I-C parendustsüklile, siis mõõtmisplaani on sul vaja sel hetkel, kui probleem on defineeritud ning algab mõõtmiste ja andmete kogumise faas.

Kui D-M-A-I-C päris sinu teema pole, siis peaksid seda kasutama mõne keerulisema probleemiga pusimisel, millele igal inimesel on oma seletus – üks süüdistab ilma, teine ülemust, kolmas hukkaläinud noorust. Kõik seletused on juhtkui head, kuid kõik korraga ka nagu õiged olla ei saa. Vot siis ongi parim aeg mõtetu filosofeerimine lõpetada ja asja täpsustama hakata.

Mõõtmisplaani vajalikud osad

Vajalikud asjad, mille peale mõelda ning ka kirja panna on:

  • Mõõtmiste eesmärk: Kuhu sa lõpuks tahad välja jõuda, mida sa tegelikult täpsustada tahad? Ei ole väga harv, kui tormatakse päev otsa mõõdulindiga ringi ja õhtu lõppedes avastatakse, et kasu sellest kõigest ikka väga vähe on olnud.
  • Hüpotees, nähtus või protsessi osa. Mida sa mõõtma hakkad?
  • Mõõtühikud. Mis mõõtühikutes sa andmeid koguma pead? Vahest on tükid olulised, teinekord sekundid, kolmas kord kilogrammid. Võimalik ka, et samaaegselt vaja kahes mõõtühikus andmeid fikseerida.
  • Andmete kogumise koht. Kuskohas sa andmeid fikseerima hakkad? Vaatad videokaameralt, piilud aknast või ronid ninapidi juurde?
  • Andmete kogujad. Kes hakkavad reaalselt andmeid koguma? Mitte alati ei saa ega pea see kvaliteedijuht olema. See pole lihtsalt võimalik.
  • Andmete kogumise moodus. Kuidas andmeid kogutakse? Siinkohal tasub mõõtjad-andmekogujad kindlasti kokku võtta ning veenduda, et kõik teevad täpselt ühtemoodi. Rohkem kui üks kord on juhtunud nii, et andmete stratifitseerimisel ilmneb suurim erinevus just mõõtjate vahel.
  • Stratifitseerimisfaktorid. Siinkohal pead sa mõtlema oma hüpoteesidele veel kord. Kas põhjus on erinevates töötajates? Kas põhjus on erinevates nädalapäevades? Hommiku- või õhtutundides? Siinkohal aja maha võtmine ning asja üle järgimõtlemine võib hiljem anda olulise ajasäästu.
  • Mis aja jooksul andmed kogutakse. Millised on ajalised piirangud? Ainult tööajal? Järgmise kahe nädala jooksul välja arvatud teisipäeviti? Mis igaes.
  • Valimi suurus ja moodustamine. Kui palju sul andmepunkte vaja on, et teha julgeid järeldusi terviku kohta ning mis-kes selle valimi peaks moodustama?
  • Kuidas sa andmeid kasutad. Sa pead juba ette mõtlema, mis sa kogutud andmetega peale hakkad. Mida sa nendega teha oskad, mida nendega teha vaja on? Keskmised arvutada, histogrammid teha, korrellatsioon- regressioonanalüüs, veel midagi?
  • Olemasolevad andmed. Kas juba on midagi kogutud ka? Kas neid saab kasutada või ei?

 

Distsiplineeritud lähenemine müütidele = võit

Pole mingit kahtlust, et oma tegevuse läbimõtlemine on su tervisele kasulik. Vähem sihitut tegutsemist, vähem vaidlemist, vähem kaotsiläinud aega ja närvirakkusid. Mõõtmisplaani koostamine võimaldab sul süsteemselt oma eesmärgile jõuda.

Siin on sulle ka “blankett” mõõtmisplaan: Mõõtmisplaan template

Kasuta terviseks.

Sarnased postitused:

 

Kuidas probleemi olemust mõõta?

26 Sep

Tänane artikkel tuleb sarjast DMAIC parendustsükkel (define-measure-analyze-implement-control) ning on järjeks probleemi defineerimisele. Räägime sedakorda sellest, kuidas ähmasest peavalust ja ebameeldivast ärevustundest vormida selgepiiriline vastane, keda julge rünnakuga alistada. Igatahes. Et minna edasi, vaatame korraks tagasi.

Kuhu me oma probleemi lahendamisega oleme jõudnud?

Vaatame, kuhu me probleemi lahendamisega oleme jõudnud:

  • On olemas võrdlemisi selge probleemi sõnastus;
  • Sa tead milliseid (huvi)gruppe/protsessi osa probleem puudutab;
  • Sa oled probleemi iga huvigruppi seisukohalt lahti mõtestanud – mis see nende jaoks tähendab, millist rolli nad probleemi olemasolus mängivad;
  • Sul on selge ettekujutus, kellega sa hakkad seda probleemi lahendama – projekti meeskond on kokku pandud;
  • Sul on kritseldatud valmis “helikopteri” vaade protsessile. Näiteks SIPOC diagrammi kujul;
  • Sa tead kuhu ja millal sa tahaksid välja jõuda.

Võib-olla hakkad nüüd juba märkama mingit probleemi esinemise mustrit. Võib-olla tekkivad esimesed hüpoteesid, milles võiks probleem olla. Igatahes, nüüd on aeg asuda nende hüpoteeside kohta rohkem infot koguma ning alustuseks pead protsessi mõõtma.

Mida mõõta?

Milles su probleem seisneb? Tahad tootlikkust? Tahad kvaliteeti parendada? Lühemat lead-aega (toorainest tarneni kliendile)? Sõltub probleemi olemusest võid sa muuta toote parameetreid, tsükliaegu, pooliku töö (work-in-process) hulka protsessis või mida iganes. Tihtipeale su probleemi sõnastus annab paljuski ära kuhu oma silmad pöörata.

Kuidas mõõta?

Võtame nüüd rahulikult ja samm-sammult läbi selle, kuidas mõõta.

  • Tee silmad lahti ja vaata. Vana kvaliteedijuhtimise traditsiooni vaimus tähendab ringi vaatamine lõpuks ka millegi paberile panemist. Näiteks voodiagrammi kujul või siis väärtusahela kaardina (value stream map). Kui sul on juba mingi protsess kirjeldatud, siis mine ja vaata kuidas see tegelikult töötab. Ära usalda pimesi olemasolevat dokumentatsiooni, eriti kui ta on vana või detailsuse aste on liiga üldine.
  • Millest mida ja kuidas tehakse ning mismoodi see sinu jaoks hetkel oluline on. Härrasrahva keeles – identifitseeri oma praeguse probleemi seisukohalt olulised sisendid, väljundid ning peamised protsessimõõdikud. Näiteks teekeetmisel on sisendiks teepakike, kuum vesi, lusikatäis suhkrut ning kuumakindel tass. Väljundiks on magusalt aurav tee. Protsessimõõdikud võivad olla näiteks suhkrukaal, temperatuur milleni sa vett kuumutad, tassi kuumakindluse näitaja, suhkrukogus, teekoti kaal, teekoti loputamise aeg, mahajahutamise aeg jne. Nagu näha võib ka kõige lihtsamal protsessil olla mingi miljon mõõdikut. Määra, mis sinu jaoks praeguse probleemi kontekstis oluline on.
  • Loo andmete kogumise ja analüüsi plaan. Andmete kogumise plaan on selline vahva asi, kus sa paned paika: kes, kus, millises mõõtühikus ja mismoodi andmeid korjab. Lisaks valimi suurus ja moodustamine ning stratifitseerimisfaktorid (erinevad liinid, erinevad inimesed, erinevad tsehhid, erinevad tooted jne). Mõtle siinkohal ka natuke ette – milliste tööriistadega sa kavatsed neid andmeid analüüsima hakata? Lihtsaimatest moodustest on korrellatsioon ja regressioonanalüüs ning variatsiooni analüüs (joonista alustuseks kasvõi üks histogramm või tee ohjekaart).
  • Analüüsi oma mõõtmissüsteemi. Alati on üks osa sinu probleemist ebatäpne mõõtmissüsteem. Kui tõsine? Selle teadasaamiseks pead alustuseks oma mõõteriistad ära taatlema/kailbreerima. Keerulisem lähenemine hõlmab analüüsi, mil määral erinevad mõõteriistad ja inimesed saavad sama tulemuse. Inglise keeles on teema nimi Gage R&R, mis on täitsa eraldiseisvat postitust väärt. Igatahes ole kindel, et kui su mõõteriist näitab 3’e, siis see on ikkagi õige number.
  • Hakka andmeid koguma. Tee sobiv andmekogumisvorm ja tuld. Lase oma mõõtmisplaan käiku.
  • Tee oma silmad veelgi suuremalt lahti. Pane andmed oma protsessikaardile.
  • Teosta kiire suutlikusanalüüs. Kui sa kasutad Minitab’i või QI Macros Exceli lisa, siis see on rohkem nupuvajutamise küsimus. Exceliga tehes on see pikem protsess – igatahes peamine idee on varieeruvuse hindamisel ning sinu suutlikkusel etteantud nõuetesse mahtuda.
  • Tee kiired parandused. Mõõtmistega on selline vahva asi, et saad protsessi päris lähedalt tundma ning tunnetama. On väga tõenäoline, et ainuüksi andmete kogumise eesmärgil fokusseeritud protsessi jälgimine on andnud sulle olulist infot probleemi põhjuste ja mõnede lahenduste osas. Kui nii, siis ära enam passi vaid nopi viljad kohe ära. Lihtsalt ära unusta progressi jälgida.

Korras! Või siis mitte?

Kui sa oled kiired võidud kätte saanud, siis kas võib jala sirgu lükata ning asja sinnapaika jätta? See on omamoodi neetud värk. Kui üks töötav lahendus on leitud, siis kiputakse teema sinnapaika jätma. Tegime ära. Lahendatud. Mis seal salata, ka endal paaril korral käed lenksust lahti lasknud ning taevapoole tõstetud.

A mis sa siis tegelikult oled ära teinud?

Mitte midagi. Tõenäoliselt keerulise probleemi väikesele aspektile pihta saanud. Tegelikult saab veel edasi minna ning rünnata probleemi veelgi sügavamalt.

Selleks peab kogutud infot edasi analüüsima. Sellest aga juba kunagi edaspidi.

Sarnased postitused:

 
 

Likvideeri probleemid enne kui nad mingit kahju põhjustavad

13 Apr

Kui mitu korda ma pean sama probleemi lahendama?

Porivaiba paranduse seadmel oli 3 olulist parameetrit, mis mõjutasid paranduse kvaliteeti. Olles läbi käinud parandatud vaibad avastasime, et parandused ei jää kinni ja need tuleb uuesti üle teha. Peale väikest veaotsingut tuli välja, et me ei kasutanud õiget temperatuuri kummi vulkaniseerimisel. Lihtne korrektuur ja asi toimis.

Kuni ühel hetkel enam ei toiminud. Jälle. Uuesti kiire veaotsing, sedakorda juba tuttavat rada pidi. Raja lõppus lahendus ka sama – suurenda temperatuuri.

Triviaalne probleem, triviaalne lahendus, raha selle pisikese detaili taga 450 000 – 700 000 EEK’i, enamus tulenev ümbertegemiste kõrgest määrast.

Lubage mul tutvustada lahenduse järgmist sammu…

Kuidas teha nii, et korra lahendatud probleem ka lahendatuks jääks? Siinkohal tuleb appi kvaliteedijuhtimine viimane käsitletavatest seitsmest lihtsast tööriistast – ohjekaart. Absoluutselt geniaalne oma lihtsuses,  võid õpetada ka kõige lihtsamale inimesele oma firmast.

Millal kasutada?

Kuigi sa saad teda kasutada ka andmete analüüsi käigus, siis minul endal on teda pigem tulnud kasutada mingi kriitilise parameetri ohjamisel. ohjekaart annab sulle infot selle kohta, kas asi toimib normaalselt või on suundumas lubatud piiridest väljapoole. Mis see kriitiline parameeter peaks olema?

Mis iganes tegelikult – võib olla su operatsioonidega seotud, võib olla ka finantsnäitaja. Oluline on, et see peegeldaks mingit väga olulist parameetrit. Sa ei taha oma aega raisata mõtetute numbrite maalimisele.

Vaatame naljaviluks, kuidas need üldse välja näevad. Aegrida on lihtsake:

1 – 1 – 5 – 1 – 3 – 2 – 1 – 1 – 1 – 4 – 6 – 4 – 2 – 5 – 4

Selle ohjekaart näeb välja selline:

Kontrollkaart

X-teljel on siis mõõtmise hetked ja y-teljel mõõdetud väärtus. Kõik, kes kunagi lugenud Salu Juhani tegemistest, peaksid instinktiivselt aru saama, kuidas see töötab. Ok see oli natuke teine asi aga siiski.

Lisaks kõigele muule on siin joonisel ülemine ja alumine ohjejoon (UCL ja LCL joonisel) ning keskmise joon. UCL ja LCL on matemaatiliselt arvutatud, kliendinõuded ja piirangud on omaette teema. Igatahes need jooned on seal selleks, et välja tuua hälbeid protsessi käitumises.

Mõningad asjad, millele võiksid ohjekaarti uurides tähelepanu pöörata:

  • Trend. 6 järjestikust punkti, mis tõusevad või langevad – asi liigub varem või hiljem ohjei alt välja. Tee midagi kohe ja pahandused jäävad ära.
  • Protsess liigub oma keskväärtusest välja. Protsess tervikuna on liikumas, midagi fundamentaalsemat on juhtunud ja sinu protsess on üsna varsti väga suurel määral lubatud piiridest väljaspool.
  • Punktid väljapool UCL, LCL või siis ka kliendinõuete piire. Õnnetus on juba juhtunud, nüüd ruttu-ruttu juurpõhjuse otsimisele. Loodetavasti saad jälile enne, kui asjad hullemaks lähevad.

 

Nii lihtne ongi?

Aga loomulikult, mis siin ikka pikalt keerutada. Tegelikult on ohjekaartide tüüpe rohkem, mingi 6-7 sõltuvalt,mis andmeid sul parasjagu vaja analüüsida või mis probleemi sul on vaja lahendada. Kas sa pead neist kõike teadma? Teadmised on iseenesest kihvtid, kuid praktilist väärtust ei pruugi sellel väga suurt olla.

Jäta lihtsalt meelde, et sul on vaja vähemalt 25 mõõtmistulemust enne kui sa hakkad kaugeleulatuvaid järeldusi tegema. Teine oluline asi on – elimineeri eripõhjused (trend ja protsessi nihkumised keskmise ümber), seejärel saad hakata protsessi “timmima” kliendinõuetele vastavaks.

Ohjekaart võib säästa sulle tohutult palju raha.

Näiteks ei pea sa ostma enam niipalju peavalu tablette. Ei ole midagi ärritavamat kui probleem, mille lahendust sa tead aga mis kõige kiuste muudkui esile kerkib. Ma kujutan ette kreeka kangelast frustratsiooni näiteks hüdraga võitlemisel – kui kaua sa kavatsed seda ühte ja sama draakonit kloppida?

Kas sinu organisatsioonis on olemas kriitilisi parameetreid, mida peaks ohjeima?

Sarnased postitused:

 

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:

 

Kuidas aru saada, mismoodi nähtused on omavahel seotud?

26 Feb

Probleemide lahendamisel on oluline teada kuidas erinevad tegevused, nähtused on omavahel seotud. Mis juhtub, kui ma keeran selle kraani kinni? Mis juhtub, kui me protsessis ei kasuta survena 4 bari vaid 5 bari? Kui palju pikeneb protsessiaeg, kui ma kasutan 80 kraadise vee asemel 60 kraadist vett?

Aeg-ajalt tekib ajurünnaku käigus hüpoteese, kus väidetakse eksisteerivat mingi seos. See võib nii olla, võib ka mitte. Seost saab kontrollida hajuvusdiagrammiga, mis on üks seitsmest lihtsast kvaliteedijuhtimise tööriistast.

Seda saab kasutada, kui mõlema parameetri andmed on numbriliselt väljendatavad ning nad on pidevad. See tähendab nad ei ole loend, ei ole binaarsed a’la “Jah/ei” ning üks andmeridadest ei ole andmetesilt (operaator1, operaator2….). Sa ei saa seda kasutada näiteks selgitamaks, kas rohelistel toodetel on rohkem defekte kui punastel – selle jaoks on stratifitseerimine ja Pareto diagrammid.

Mõõtmine

Seose tugevuse mõõtmiseks peaksid sul olema kindlal ajahetkel fikseeritud 2 faktorit – mis iganes suurus x ja suurus y. Ma väga ei keskenduks siinkohal korrelatsioonifaktori käsitsi arvutamisele – mõistlikum on minna lihtsama vastupanu teed ja kasutada Exceli funktsioone.

Üldjuhul peaks valimi suurus olema vähemalt 25-50 andmepunkti ning teadupärast saab olla korrelatsioonikordaja vahemikus -1…0…1. Seose olemasolu võib aimata kui korrelatsiooni kordaja on vahemikkudes -1….-0,65 ja 0,65…1. Kui korrellatsioonikordaja jääb nende vahele, siis võiks öelda, et seost nagu ei ole. Päris tõsikindlalt seda siiski väita ei saa.

Vaatame ühte päriselulist näidet:

X-teljel on siis kuu keskmine temperatuur ning Y-teljel hoone kütmiseks ärakulutatud kütusekogus kuus. Korrelatsioonikordaja on -0,73, mis ütleb, et seos on olemas. Mis peamine – see on ka loogiline – temperatuuri langedes kasvavad küttekulud.

Vahemärkusena – selliseid ilusaid õpikunäiteid, kus punktiparv on ilusasti 45-kraadise nurga all üht või teistpidi püsti, pole mina veel suutnud päris elus näha. Märksa tõenäolisem on ülaltoodud pilt.

Küsimused, mida pead endalt küsima hajuvusdiagrammi tõlgendamisel:

  • Kuidas ja mis hetkel sa oma andmed saad? Kuigi ülaltoodud näites on korrelatsioon küllaltki tugev, siis kütusekulu on võetud mahutisse valamise hetkest, mitte reaalselt põletamise hetkest. Kuivõrd mahuti oli aga 3000 liitrit, siis see solgib andmeid päris kõvasti, sest ei peegelda väga täpselt reaalselt selles kuus katlamajas põletatud kütuse hulka.
  • Mida andmed sisaldavad? Tegelikult põletati kütust ka olmevee soojendamiseks. Kui suur selle osa on? Stratifitseerimine on oluline tööriist ka hajuvusdiagrammi koostamisel.
  • Kui stabiilne on süsteem olnud? Antud näite puhul oli kõik väga stabiilne. Kogu perioodi vältel juhtis maja kütmist automaatika, mille töörežiimi ei muudetud. Mingeid eritöid soojustuse parendamiseks ei tehtud. Reaalses elus ajalooliste andmete töötlemisel on sul siiski väga harva selline stabiilsus olemas. Pigem on tõenäoline, et vähemalt korra aastas on toimunud mingi šokk, mingi suurem muudatus. Eriti tõenäoline on see siis, kui protsess on oluline ning omab suurt mõju ettevõtte kasumlikkusele.
  • Kas tulemus on loogiline? Mõnikord käib tulemus risti-vastu sellele, mis on loogiline. Vahest see ongi niimoodi aga võimalik on, et seose puudumist seletavad eelnevad kolm küsimust.
  • Mis tegelikult põhjustab mida? TTÜ väidab, et nende ülikoolist tulevad tipud. TTÜ uhke vilistlasena oletame, et see väide on tõene. Mis aga seda põhjustab? On see turundus, mis meelitab endale Vabariigi parimad abituriendid? On see vastuvõtmise protseduur, mis jätab nõrgemad ukse taha? Või on see erakordselt kõrge õpetamise ja teaduse tegemise tase? Korrelatsioonianalüüs ei vasta küsimusele “miks?”, selle pead sa ise välja mõtlema.
  • Millal miski midagi põhjustab? Lähme näitega korraks kvaliteedijuhtimisest kaugemale. Kui su müügimeeskond teeb keskmiselt ühes kuus igapäevaselt 50 esmakohtumist päevas ning see number suureneb või väheneb, siis millal see hakkab mõjutama müügikäivet? Millal see hakkab mõjutama kulusid iga tehtud lepingu kohta? On ilmselge, et selle müügikäive muutub viiteajaga. Mul on olnud situatsioone, kus ühe andmerea kahenädalase nihutamisega kasvas korrelatsioonikordaja 0,45 -> 0,68. Ehk siis seose puudumiselt, mingi seose olemasoluni.

 

Kokkuvõtteks

Hajuvusdiagramm võib olla väga võimas tööriist mõistmaks, mis sul üldse ettevõttes toimub. See ei ole siiski päris ohutu – sa pead siiski arvestama kõikvõimalike eksimustega. Korrelatsiooni olemasolu võib tähendada seose olemasolu, võib ka mitte. Veidral kombel ei tähenda ka korrelatsiooni puudumine seose puudumist. Võib-olla sa pole lihtsalt õigeid andmeid õigesti kasutanud. Mis iganes. Kasuta igatahes aga ole ettevaatlik, et jalga ei tulistaks.

Sarnased postitused: