Data-Analyse

Data-analyse in de Gouden Eeuw

Een oud voorbeeld van data-analyse gaat over de grote pestepidemie, die Londen in de 17de eeuw in haar greep hield. Aanvankelijk ging alle aandacht uit naar het verzorgen van de zieken. Na verloop van tijd werd echter de vraag gesteld: waar komt de pestepidemie vandaan, wat is de oorzaak? De gedachte was dat, wanneer de oorzaak bekend zou zijn, de oplossing ook binnen handbereik lag. Mocht je ooit al iets aan Lean Six Sigma gedaan hebben, komt deze redenering – van probleem naar oorzaak naar oplossing – je wellicht bekend voor.

Knappe koppen kwamen bijeen en braken zich het hoofd. Oorzaken werden wel degelijk bedacht, maar geen enkele sneed hout. Totdat een jonge arts, laten we hem voor het gemak John Smith noemen, op het idee kwam eerst alle pestgevallen eens in kaart te brengen. Zo gezegd, zo gedaan. Op een plattegrond van Londen tekende hij met rode verf en zijn dunste penseel de gevallen in. Wat hij zag, was – simpel gezegd – een concentratie van pestgevallen op bepaalde plekken in de stad. Zich afvragend wat hij hier nu precies mee opgeschoten was, nam hij de plattegrond met rode stippen mee naar de volgende bijeenkomst van knappe koppen.

“Lekker creatief bezig geweest, Smith?” “Is dat nou moderne kunst, dat kan mijn dochtertje van drie ook!” Zo ongeveer waren de eerste commentaren van de inmiddels moedeloos en cynisch geworden knappe koppen. Totdat iemand een verband zag. “Verrek, de concentraties zijn allemaal rond waterputten!” Aandachtig bogen alle hoge heren (aan vrouwenemancipatie werd in die tijd helaas nog niet gedaan) zich over de kaart. Er leek een verband gevonden. De pil was bitter als bier toen iemand ontdekte dat er ook genoeg waterputten waren met nauwelijks pestgevallen.

Gelukkig liet John Smith het er niet bij zitten. Hij besloot op onderzoek uit te gaan. Met vrouw en kinderen bezocht hij verschillende waterputten. Voorzichtig, want besmetting lag op de loer. Bij waterputten met een hoge concentratie pestgevallen bleek het met de hygiëne slecht gesteld. Ratten waterpoloden bij wijze van spreken in de put, terwijl burgers er hun drinkwater uit schepten. Bij waterputten met nauwelijks tot geen pestgevallen was het precies andersom. Het vergelijken van de beste met de slechtste gevallen was, met de kennis van nu, een van de pijlers voor het bestrijden van de epidemie.

Data-analyse binnen Lean Six Sigma

Misschien had je al een vermoeden: (ook) binnen Lean Six Sigma wordt data-analyse gebruikt, sterker nog: omarmd. In de zogenaamde Measure-fase verzamelen en interpreteren we data om vast te kunnen stellen hoe het proces dat we willen verbeteren presteert. Dat noemen we ook wel een nulmeting. We stellen vast hoe groot het probleem – in wiskundetaal hebben we het dan over de Y, maar dat terzijde – nu echt is.

In de Analyse-fase – het woord zegt het eigenlijk al – gaan we nog een stapje verder met het analyseren van data. Vandaar dat deze fase ook wel de Sherlock Holmes-fase genoemd wordt. We zoeken grondoorzaken door potentiele invloedsfactoren – nu ik toch bezig ben: in wiskundetaal zijn dat de X’en – en de procesprestatie met elkaar in verband te brengen. Hierbij maken we gebruik van statistiek.

Eerst zoeken we globale verbanden. Dit doen we door de verzamelde data visueel te maken, in een grafiek te zetten bijvoorbeeld. En bij een vermoeden van een verband gebruik we hypothesetesten om het bewijs waterdicht te krijgen, voor zover er binnen statistiek zoiets bestaat als waterdicht. Mocht je trouwens willen weten wat een hypothesetest is, in het woordenboek op onze website vind je de volgende definitie: Bij hypothesetoetsing worden twee hypotheses of veronderstellingen geformuleerd: de nulhypothese en de alternatieve hypothese. De kans dat de nulhypothese klopt wordt getoetst. Als de kans hierop heel klein is geworden, wordt de nulhypothese verworpen en de alternatieve hypothese aangenomen. De nulhypothese wordt geformuleerd als: ‘er is geen verschil tussen….’ (bijvoorbeeld groep 1 is gelijk aan groep 2). De alternatieve hypothese wordt geformuleerd als: “er is een verschil tussen…” (bijvoorbeeld groep 1 is niet gelijk aan groep 2, dus we hebben een statistisch verschil gevonden).

De toegevoegde waarde van data-analyse

Een medewerker die al twintig jaar hetzelfde werk doet, kan waarschijnlijk prima inschatten hoe goed of slecht een proces presteert. En er zijn ook andere manieren om grondoorzaken te vinden, met een visgraatdiagram of het interpreteren van de Value Stream Map bijvoorbeeld. Het voordeel van data-analyse is echter dat het, mits goed toegepast, zuiver en onomstotelijk vaststelt wat de procesprestatie is. En dat het je niet alleen grondoorzaken helpt te vinden, maar ook nog eens, met een cijfer waarvoor je dan wel even wat statistiek moet toepassen, aangeeft hoe belangrijk die grondoorzaak is.

Van het bestrijden van de pest in de 17de eeuw tot het optimaliseren van processen in moderne bedrijven, data-analyse speelt een cruciale rol in het vinden van oplossingen voor complexe problemen. De historische toepassing door John Smith in Londen toont aan hoe data-analyse niet alleen kan leiden tot inzichten, maar ook tot daadwerkelijke oplossingen. Binnen Lean Six Sigma wordt deze methodologie omarmd om processen te verbeteren en prestaties te optimaliseren. De objectiviteit en nauwkeurigheid van data-analyse maken het een onmisbaar instrument in onze voortdurende zoektocht naar verbetering.