Mihin tietoon voi luottaa?

Julkaistu 22.03.2018    Kirjoittanut Matti Pesonen  Tilaa RSS


coffee-cup_300.jpgUskoisitko, että suomalaisten juoman kahvin arvo ylitti yhden prosenttiyksikön bruttokansantuotteesta vuonna 2017? Hyvä että et, koska väite on täyttä puppua.

Vanha ja ilmeinen totuus lienee, että oikeisiin päätöksiin tarvitaan luotettavaa tietoa. Tuskin kukaan ottaisi sattumanvaraisen vastaantulijan neuvoja vakavasti pohtiessaan hyviä sijoituskohteita säästöilleen. Emme vain usko sellaista. Toisaalta arvioitu riski tiedon luotettavuudesta kyllä pienenee, jos jollain on esittää lukuja väitteidensä tueksi ja hän on taloyhtiösi hallituksen pitkäaikainen ja tuttu puheenjohtaja.

Me ihmiset olemme luottavaisia nisäkkäitä. Luotamme näkemäämme ja toisiin ihmisiin paljoakaan ajattelematta. Ja vaikka tämä ominaisuutemme välillä kääntyy meitä itseämme vastaan, on luottamus perusedellytys minkäänlaisen järjestäytyneen yhteiskunnan tai yritystoiminnan pyörittämiselle. Mutta vaikka osaamme jo varoa hädänalaisia prinssejä sähköpostissamme, saatamme täysin sokeasti uskoa tekemiämme mittauksia. Koska tiedämmehän, että vain ihmiset huijaavat, eivät numerot!

Mittarit ja numerot ovat päätöksenteossa kuitenkin helposti samanlaisia, kuin tuttu sijoitusguru. Mieleltään täysin vilpitön ja hyväntahtoinen, mutta tietämätön tietämättömyydestään. Luotettava tieto on päätöksenteon edellytys, mutta usein emme tiedä, onko tietomme luotettavaa. Uskomme että se on, mutta koska emme ole analysoineet tiedon tai datan keräystapaa niin emme tiedä.

Vaikka on helppo erottaa ilmeinen emävale totuudesta, on disinformaation tai vain vähän valheellisen tiedon suodattaminen jo vaikeampaa. Joskus tämän kertoo intuitio, joskus taas ei. Prosesseissa tähän kohinan suodatukseen käytettään SPC:tä, mutta sekään ei auta, jos käytettävät mittaukset valehtelevat ja meillä on riski tehdä ohjauspäätöksiä väärin perustein.

Alun väite suomalaisten juoman kahvin arvosta on tosiaan täyttä puppua, mutta se saattaa ainakin hetken kuulostaa uskottavalta. Väitteen kumoaminen ei sinänsä ole vaikeaa, sillä voimme tehdä karkean arvion hakemalla (suhteellisen luotettavan) tiedon Suomen bruttokansantuotteen ja asukkaiden määrästä, sekä tekemällä arvion kahvin hinnasta. Muutamalla laskutoimituksella saamme tuloksen, että tällä rahamäärällä jokainen suomalainen joisi noin 13 kahvikupillista/päivä. Intuitio kertoo, että tämä tuskin pitää paikkaansa. Vaikkakin jotkut ansioituneet yksilöt tähän tavoitteeseen pääsisivätkin, ei se ole normaalia. Oikea kulutus kahvin määrässä lienee noin neljännes, eli noin 10 kg kahvia/henkilö/vuosi. Eli noin 3 kuppia päivässä, jonka vahvistaa myös alan asiantuntijat (lähde http://www.kahvi.fi/kahvi-lukuina/tilastot/kahvin-kulutus.html).

Ero väittämän ja empiiristen havaintojen välillä on tässä niin suuri, että väittämän täytyy olla väärin. Tällainen päättely ei kuitenkaan ole mahdollista, jos tarkastelemme prosessien käyttäytymistä. Älyttömät poikkeamat, kuten ylimääräiset nollat datassa paljastuvat intuitiolla mutta kaikki muu onkin jo mystistä.

Emme voi vaistonvaraisesti havaita mikä osuus havaitusta mittaustuloksesta johtuu muutoksissa olosuhteissa tai prosessissa ja mikä mittauksesta. Emme voi tietää paljonko virhettä on, jos emme sitä tutki. Tästä syystä myös esim. Lean Six Sigman DMAIC -prosessiin kuuluu oleellisena osana mittauksen ja sen virheen määrittäminen.

Yleensä mittaus vain on sellainen mitä se on, koska se on ennekin ollut sellainen. Näin kerätyn datan perusteella tehtävät päätökset ovat pahimmillaan enemmän kuin täysin sattumanvaraisia. Jos emme tiedä mittauksen virheen suuruutta, on suuri riski tehdä ohjaavia toimenpiteitä väärin perusteisin vaikka ohjauksen teoria olisikin käytössä ja toimiva. Positiivinen puoli on tietenkin mielenrauha ja hyvin nukutut yöt, ignorance is bliss – tietämättömyys on autuutta. Jos emme tiedä olevamme väärässä, niin eihän siitä voi murehtia.

Jos tiedon luotettavuus huolettaa, niin kuinka mittausta tulisi sitten analysoida? Yleensä mittaussysteemin analyysi aloitetaan tarkastelemalla mittausta tyypin 1 Gage-tutkimuksella, jossa tarkastellaan mittauksen poikkeamaa ja toistettavuutta yhden mittaajan ja osan avulla (katso lisää esim. http://www.qk-karjalainen.fi/fi/artikkelit/mittaussysteemin-vaihtelu/ ). Tämä on nopea tapa saada käsitys nykytilasta.

Kun mittaussysteemi läpäisee tyypin 1 tarkastelun, voidaan siirtyä mittauksen uusittavuuden ja toistettavuuden komponenttien analysointiin, eli Gage R&R -tutkimukseen. Ideana tutkimuksessa on selvittää mittauksen kykyä erotella osat toisistaan ja tutkia kuinka paljon mittaus aiheuttaa vaihtelua, kun useampi operaattori mittaa samaa osaa useita kertoja.

Msa_pieni.jpg
Kyseinen analyysi on vaatimuksena esim. autoteollisuuden IATF 16949:2016 -standardissa, joka vaatii kaikkien ohjaussuunnitelmaan määriteltyjen mittausten analyysin MSA-manuaalin määrittämien menetelmien avulla.


Muihin mittauksen analysoinnin menetelmiin voit tutustua myös Quality Knowhow Karjalainen Oy:n kurssilla: Luotettava mittausprosessi (MSA) - Mittaus ja mittauksen suorituskyky, näytekoko.


Pikakertaus Gage R&R-tutkimuksen suorittamiseen Minitabilla löytyy täältä:

 

Matti_pieni.jpg
Matti Pesonen
matti@qk-karjalainen.fi

 

Lähteet:

  1. Kahvin kulutus Suomessa (http://www.kahvi.fi/kahvi-lukuina/tilastot/kahvin-kulutus.html)
  2. Artikkeli: Informaation luotettavuus on usein kehityksen este – Tunnista mittaussysteemin vaihtelu (http://www.qk-karjalainen.fi/fi/artikkelit/mittaussysteemin-vaihtelu/)

 

Kommentoi

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

Klikkaa kuvaa nähdäksesi uuden koodin.

    Tagipilvi

    parannusmalliIshikawatehdasfysiikkaShingoTQMLaatutyökalutdata-analyysisatunnainen vaihtelujohtamisjärjestelmäBig DataGage R&RShewhartSPC-korttiAsiakastarvejidokaarvovirta-analyysigurutparannusmenetelmämielenmallitLeanHarrytehollinen aikaPDSAIATF 16949hävikkifunktioregressioanalyysiDMAICt-testiohjauskorttiParetovaihtelun vaikutuskalanruotoMarkkinointiDFSSmenetelmätBOKLaatujärjestelmäsekoitekoemallimittavirheuutiskirjetilastomatematiikkanollavirheASQmonimuuttujatestiasiakastyytyväisyysTPSHukkaLean Six Sigma Black BeltSigmaOFATValue Stream Mappinglaatutyökalutideointikausaliteettivaihteluparannuspäämäärämallimixturepuhdistaminendatan laatuPDSA-ympyräISO 9001:2015KataJuranlaatu SuomessakorrelaatiooeeDesign for Six SigmaLaatukonferenssiparannuksen johtaminenPDCAtyökaluthypoteesitestausLean HandbookmittaaminenerityissyyVSMryhmätyöskentelytehokkuusreunatilastollinen päätöksentekotilastomonimuuttujakoeacceptance samplingaivoriihiturvallisuuspaloautopeliL8-matriisiTuottavuusMinitabarvovirtakuvaus5SohjaussuunnitelmavalvontakoesuunnitteluKingmanjitlajitteluBalanced Scorecarddatan luokitteluinnovaatioControl PlanohjauslaadunkehittäjäasiakastyytyväisyysLittlen lakiVOCSix SigmaasiakasJatkuva parantaminensuorituskykymittaritdatan käsittelylaadunohjaus0-virheLean-visiokuvaaminenTätä on LeanOpetusmenetelmätTaguchilaatutaulutlaadunparannusCrosbylainalaisuudetDSDdatan käsittelyriskinkartoitusEDAmuutoksen tuskamuutosDOEluotettava mittausKaikakuvuodiagrammiCombanion by Minitabhukan muodotBody of KnowledgeGageWheelerISO 9001FMEAneukkarikoeKaizenIATFDemingongelmanratkaisuprosessiqfdriskisyy-seurauskaavioDemonstraatiotsysteemihypoteesitestiMSAoperaatiotutkimusmittaussysteemitiedonkerääminenROI8DToyotaBlack BelthyväksymisnäytteenottoCDAKingmanin yhtälödatan käsittelytoleranssisatunnaissyyCTQLean Six SigmaennustaminenDesign of ExperimentsANOVAarvovirtatäystekijäkoeLean-taloOhnostabiiliFactory PhysicslaadunhallintaDMADVFeigenbaummittausprosessisitoutuminenCTPjaksoaikastandardointihistogrammidatan keräyskvantitatiiviset menetelmät5W2H SPCJohtaminenkustannussäästöttoiminnan lainalaisuudetMinitab 18järjestäminenparannustoimintaOpettaminendataMonte CarloISO 9000ryhmittelykaavioparannustoiminnan kehittyminentoiminnan laitprosessikuvauslaatu ratkaiseeHall of FamelaatuläpimenoaikaTPMparantaminenMarkkinointiprosessiTOC

    Arkisto