Data-analyysi on päätöksenteon peruskallio - Case palvelutuotanto

Julkaistu 05.02.2008    Kirjoittanut Olavi Kokkonen  Tilaa RSS


Miksi data ja sen analysointi on tärkeää?
Koska vain tosiasioiden pohjalta voimme tehdä perusteltuja päätöksiä. Data-analyysin suomat mahdollisuudet ovat tai ainakin niiden pitäisi olla johdon erityisessä suojeluksessa ja kiinnostuksen kohteena niiden tuodessa päätöksen tekoon ryhtiä ja varmuutta.

Myös standardit, joihin usein vetoamme, korostavat datan merkitystä, vaikka eivät sitä suoraan sanokaan. Puhutaan jatkuvasta parannuksesta, prosessien kyvykkyydestä jne. Vain keräämällä sopivaa (=oikeaa ja ilmiötä kuvaavaa) dataa voimme saada tietoa näistä asioista. Sekä tehdä tarvittavia päätöksiä, tosiasioiden pohjalta.

Data-analyysin tekemiseksi meillä on erinomaisia apuvälineitä. Näihin kuuluvat luonnollisesti erilaiset grafiikkaohjelmat sekä tilastomatemaattiset ohjelmat kuten Minitab, joka mahdollistaa monipuolisen data-aineiston analyysin.

Data-analyysi voidaan jakaa kahteen osaan. Toisen osan muodostaa graafinen datojen analyysi ja toisen osan minitabpal1.jpgtilastomatemaattinen tunnuslukujen laskenta. Silloin kun se on mahdollista näiden kahden yhdistäminen tuo oman lisäarvonsa päätöksentekoon. Graafisesta esityksestä näemme helposti trendit, joiden tietojen syventämiseen tuo oman lisänsä erilaiset aineistosta lasketut tunnusluvut.

Kunnollisen ja merkitsevän data-analyysin pohjana on ja pitää olla luetettavan datan keräys. Näennäisdata johtaa helposti meidät tekemään vääriä johtopäätöksiä. Ennen analyysin tekemistä on meidän tiedettävä mitä perusjoukkoa data kuvaa sekä miten edustavaa se on perusjoukon suhteen.

Oleellista on ennen varsinaista data-analyysia, jossa käytämme käyttämäämme dataa, että tiedämme minkälaista se on sekä miten hyvin se kuvaa edustamaansa perusjoukkoa. Tähän meillä on käytettävissä erilaisia matemaattisia tunnuslukuja yhtä hyvin kuin graafinen analyysi piirtämällä datan jakauma.

Matemaattisina tunnuslukuina voimme käyttää jakauman vinoutta, huipukkuutta, monihuippuisuutta jne. Hyviä tunnuslukuja voivat olla myös datasta lasketut keskiarvo ja hajonta tai varianssi. Graafisessa esityksessä nämä datan ominaisuudet paljastuvat näkyvällä tavalla suoraan kuviosta.

grafinen_summary_net.jpg

Datan käsittely analyysiä varten voi vaatia meiltä ennen analyysiä tiettyjä toimenpiteitä. Yksi tärkeimpiä on datan luokittelu sopivaan määrään luokkia ja että se tehdään oikein. Luokkia ei saa olla liian vähän muttei myöskään liikaa. Luokkarajat on määrättävä siten, että aina on selvää mihin luokkaan havainto kuuluu. Toinen tarvittava datan esikäsittely voi olla datan normeeraus jolloin saadaan data yhteismitalliseksi, se voidaan luokitella ja siitä voidaan laskea tunnuslukuja.

Data-analyysin onnistumisen edellytys on "rehellinen" pohjatiedonkeräys. Eli meidän on kerättävä edustavaa dataa kuvaamaan sitä ilmiötä jota haluamme tutkia. Pohjatiedon keräyksessä on muistettava, että joskus keräämme suurella vaivalla dataa joka ei kuitenkaan anna vastinetta päätöksen teolle verrattuna keräämisen vaivaan. Eli datan keräyksessäkin tarvitaan tervettä järkeä.

Yksi usein unohdettu mahdollisuus datan keräyksessä on se, että meillä voi itse asiassa olla pohjadata valmiina jossain tiedostossa. Eikä se siten vaadin erillistä keräämistä vaan ainoastaan sopivan tietokantaohjelman käytön. Näin erityisesti nykyään kun yhä enemmän käytetään tietokoneita muun muassa valmistuksen eri vaiheiden rekisteröintiin.

Graafisessa analyysissä piirretään erilaisia kuvaajia datan pohjalta. Kuvaajien tarkoitus on antaa meille tietoa datasta ja sen jakautumisesta. Ehkä tyypillisimpiä ovat suorakulmaiseen koordinaatistoon piirretyt aikasarjaa kuvaavat käyrät, pylväskuviot ja ns. piirakkakuviot.

Matemaattisessa analyysissä laskemme erilaisia tunnuslukuja kuvaamaan keräämäämme dataa. Käytettyjä ovat erilaiset keskiluvut (aritmeettinen keskiarvo, mediaani, moodi, keskihajonta, varianssi yms.), muita usein käytettyjä tunnuslukuja ovat mm. korrelaatiokerroin, suoran kulmakertoimet jne. Helpoin tapa laskea näitä tunnuslukuja on käyttää tilastomatemaattisia analyysiohjelmia kuten Minitabia. tuoda niihin monista eri

Nykyiset tilastomatemaattiset kirjasto-ohjelmat, kuten yllämainittu Minitab suovat todella monipuoliset minitabpal2.jpganalyysimahdollisuudet. Yhtenä erinomaisena puolena näissä ohjelmissa on se, että ne yhdistävät matemaattisen analyysin graafiseen analyysiin. Ne esittävät tulokset myös graafisessa muodossa ja antavat siten monipuolisemman kuvan datasta ja sen ominaisuuksista.

Nykyaikaisten matemaattisten analyysiohjelmien hyvänä puolena on myös se, että raakadataa voidaan noutaa ohjelman käsittelyyn useista eri lähteistä ja raakadata käsitellään ohjelmalla sellaiseen muotoon, jota ohjelma ymmärtää ja mistä se voi jatkaa analyysin suorittamiseen. Näin säästytään työläältä vaiheelta syöttää data käsin ohjelman "murskattavaksi", mikä on työlästä, mikäli meillä on suuri joukko dataa analysoitavaksi.

Päätöksen teon pohjaksi nämä ohjelmat laskevat meille halutessamme lukuisia erilaisia tunnuslukuja, tekevätpä ne myös esimerkiksi valvontakortteja prosessin kyvykkyyden arvioimiseksi, puhumattakaan regressio- ja varianssianalyysistä tai mittaussysteemin analyysistä (MSA).

Case palvelutuotanto - Jonotusajan lyhentäminen

Seuraavana on esitelty lyhyt Case data-analyysistä palvelusektorilta. Tavoitteena on lähestyä terveydenhuollon jonotusaikaa kerätyn tuotantotiedon avulla, ja selvittää selittääkö jokin kerätty tieto jonotusajan kestoa ja vaihtelua sekä jakauman luonnetta. Ensimmäisenä halutaan saada kuva lähtötilanteesta, jonotusajasta ja sen vaihtelusta graafisessa ja numeraalisessa muodossa. Liäsksi halutaan saada tieto siitä, kuinka usein toiminnalle asetettu raja, 40 päivää, ylitetään. Alkuanalyysiin käytetään kuvaavaa statistiikkaa.

jonotusaika_copy.jpg
Kuvasta ja statistiikasta on pääteltävissä, että jonotusaika on noin 34 päivää ja se vaihtelee tapauskohtaisesti 30 - 52 päivää. TÄmä on selvästi enemmän kuin tälle asetettu aikaraja 40 päivää.

Seuraavana visualisoidaan syy- ja seurauskaavion avulla mitkä tekijät voisivat vaikuttaa jonotusaikaan. Tämä luovuustyökalu helpottaa ja tehostaa tekijöiden kartoitusta ja ideointia sekä auttaa hahmottamaan analyysitapahtumaa, mitä itseasiassa olet analysoimassa.

kalaruoto_terveydenhuolto.jpg
Kuvassa sakaroissa on jonotusaikaan vaikuttavia tekijöitä.

Varsinainen analyysi toteutetaan käyttäen graafisia data-analyysejä. Graafien avulla saadaan visualisoitua, mikä tai mitkä tekijät vaikuttavat jonotusaikaan ja helpottavat kohdentamaan ideoinnin tai parannusaktiviteetit oikeisiin paikkoihin tai toimintoihin.

box_plot_terveydenhuolto.jpg
Monilaatikkokuvasta on havaittavissa, että terveyskeskuksissa A, B ja C jonotusajat ovat lyhyemmät kuin D ja E. Kuvan perusteella selvitettiin yksiköiden välisiä toimintamallieroja. Huomattiin, että terveyskeskuksien A ja B toimintamallit poikkesivat muista ja vaikuttivat parhailta. Parhaat käytännöt päätettiin ottaa käyttöön kaikissa yksiköissä.

Viimeisenä vaiheena terveyskeskuksista kopioidaan parhaat käytännöt toisiin yksiköihin ja arvioidaan kuinka toimenpiteet ovat tehonneet. 

suorituskyky_ennen.jpgsuorituskyky_jlkeen.jpg
Ennen ja jälkeen parannustoimenpiteiden toteutetut suorituskykyanalyysit osoittavat, että on saavutettu merkittävä parannus. Ennen 11,5 % tapahtumista ylitti 40 päivää, kun parannuksen jälkeen tämä oli tämä oli käytännössä 0 %.

Yllä olevasta lienee käynyt ilmiselväksi data-analyysin merkitys päätöksen teon pohjana eli sen tarkoitus on tuottaa tosiasiatietoa siitä, miten asiat nyt ovat tai miten tällä hetkellä toimimme asetettuihin tavoitteisiin verrattuna.

Vain oikein kerätty, ilmiötä rehellisesti kuvaava data, josta tiedämme, että se kuvaa haluamaamme ilmiötä ilman erhettä (bias), suo meille mahdollisuuden tehdä oikeat johtopäätökset asioiden tilasta.

Kun tiedämme mitä ilmiötä datamme edustaa ja että se on edustava näyte tutkimastamme ilmiöstä voimme tehdä oikeita päätöksiä ja niin data-analyysistämme muodostuu vankka pohja päätöksenteolle – päätöksenteon peruskallio.


olavi3.jpg
Olavi Kokkonen

Kommentoi

(Sähköpostiosoitettasi ei julkisteta.)
Syötä kuvassa näkyvät kirjaimet ja numerot.
Captcha Code

Klikkaa kuvaa nähdäksesi uuden koodin.

    Tagipilvi

    Design for Six SigmaWheeleruutiskirjeROIdatan laatuparannusmenetelmäsuorituskykymittaritCDAOFATtilastollinen päätöksentekoOpetusmenetelmättehokkuusreunaJatkuva parantaminenIATFjärjestäminenKingmanerityissyyFMEAoeeparannustoimintaMarkkinointiprosessijidokamuutosTQMnollavirheTätä on LeankoulutusTuottavuustoiminnan lainalaisuudetLean Six Sigma Black BeltarvovirtakuvausasiakasDesign of ExperimentsL8-matriisipuhdistaminenVOCennustaminenVSMLittlen lakiriskiHukkaValue Stream Mappingsatunnainen vaihtelumittaaminenkvantitatiiviset menetelmätlaatu ratkaiseeDOEPDSALeanryhmätyöskentelyPDCASPC-korttilaatutyökalutryhmittelykaaviotoiminnan laitmixturehävikkifunktiohyväksymisnäytteenottoohjaussuunnitelmalajittelumonimuuttujakoeMinitabvaihtelun vaikutus0-virheneukkarikoehukan muodotToyotaJurantilastoTOCparannusmalliarvovirta-analyysidata-analyysi5W2H tehdasfysiikkajohtamisjärjestelmäoperaatiotutkimusOpettaminensyy-seurauskaavioLean-visioMonte Carloparannuksen johtaminensysteemiprosessikuvauskorrelaatioLaatukonferenssi5Späämäärämallitehollinen aikaKingmanin yhtälöBig DatalaatutaulutParetodatan käsittelyKataacceptance samplinglaadunkehittäjäAsiakastarveTaguchiMinitab 18ISO 9000Black BeltpaloautopeliCTPkalanruotoOhnoTPMSPCtäystekijäkoevuodiagrammiläpimenoaikagurutASQparantaminenparannusstabiiliqfdDSDdataLean-talomittavirheISO 9001:2015Gage R&RDeminglaadunparannusIshikawaMarkkinointijitohjauskorttiKaikakuHarryprosessikausaliteettiCTQmonimuuttujatestiinnovaatiotoleranssikustannussäästötTPSShewhartSix Sigmariskinkartoitusdatan käsittelydatan luokitteluongelmanratkaisuLean HandbookideointiSigmaCrosbyDMAICparannustoiminnan kehittyminenlaatulaadunohjausIATF 16949ISO 9001Body of KnowledgeLaatutyökalutmallityökalutDFSSmittaussysteemidatan keräyslaadunhallintaasiakastyytyväisyystiedonkerääminenShingoluotettava mittausDemonstraatiotmittausprosessiCombanion by MinitabkoesuunnitteluaivoriihiKaizenFeigenbaumBalanced Scorecardjaksoaikalaatu Suomessa8DDMADVANOVAhypoteesitestiarvovirtadatan käsittelyControl PlankuvaaminenregressioanalyysiBOKasiakastyytyväisyysFactory PhysicsMSAvaihtelut-testiPDSA-ympyräsatunnaissyysekoitekoeLaatujärjestelmäLean Six SigmalainalaisuudetohjaushistogrammihypoteesitestausGageHall of Famestandardointimielenmallittilastomatematiikkasitoutuminenturvallisuusmuutoksen tuskaEDAmenetelmätvalvontaJohtaminen

    Arkisto