Patrick Beks, 5 juli 2017

Gevalideerde data verzamelen voor six sigma eindelijk kinderspel!

U heeft besloten six sigma in uw organisatie te adopteren. Uw medewerkers zijn opgeleid tot champions, green- en blackbelts en de eerste projecten zijn geselecteerd op basis van de bij deze medewerkers bekende strategische focuspunten. Juiste en gevalideerde data zijn in deze situatie cruciaal om uw six sigma-programma te doen slagen of een vliegende start te geven. Het verzamelen van deze data is echter vaak een bijzonder lastige en tijdrovende klus. Herkent u deze situatie? In deze blog ga ik in op het belang van gevalideerde data en de wijze waarop het verzamelen van deze data kinderspel is (geworden).

 shutterstock_628861529_six_sigma_700px.jpg

Data, de kracht én achilleshiel van six sigma

De kracht van de six sigma-aanpak ligt in het gebruik van data. Geen beslissingen op basis van onderbuikgevoel maar empirisch onderzoek dat ervoor zorgt dat de juiste beslissingen worden genomen om helder gekwantificeerde doelen te halen.

Deze aanpak brengt veel voordelen met zich mee. Zo worden door het gebruik van de juiste data factoren als emotie en politiek losgekoppeld van besluitvorming. Bovendien zorgen deze data ook ná afronding van het verbeterproject voor concrete borging door middel van Statistical Process Control (SPC). Met deze SPC-regelkringen vindt continue data-monitoring van het proces plaats en wordt door middel van een OCAP (Out of Control Action Plan) een gesloten regelkring gerealiseerd.

Tot slot zorgt de afhankelijkheid van data ervoor dat projectdoelen helder gekwantificeerd moeten worden. Hierdoor krijgen verbeterprojecten een duidelijke kop en staart in de vorm van respectievelijk een projectcontract (de projectcharter) en een décharge van de betreffende green- of blackbelt.

Dit zorgt ervoor dat relatief korte en kansrijke projecten kunnen worden geselecteerd en een continue verbetering binnen de organisatie wordt gestimuleerd. Een veel gehoord tegenargument hierbij is dat six sigma-projecten per definitie een lange doorlooptijd zouden kennen. Men beweert soms dat korte, daadkrachtige projecten alleen volgens, bijvoorbeeld Kaizen-methoden, gerealiseerd kunnen worden. Door in uw six sigma programma direct te beschikken over actuele data, weerlegt u eenvoudig deze argumenten.

"In God we trust, all others bring data."

- W. Edwards Deming

Aan de andere kant maakt juist de afhankelijkheid van de data tevens de achilleshiel van six sigma. Zonder gevalideerde data immers geen uiteindelijke nulhypothesen of potentiële invloedfactoren. Laat staan een bewezen en breed gedragen verbetervoorstel. Gebrek aan gevalideerde data maakt toepasbaarheid van de six sigma-methodologie dus onmogelijk.

Hoe zorgt u dat u eenvoudig aan juiste data komt? Hier kan process mining uitkomst bieden.

Gevalideerde data verzamelen met Process Mining

Met behulp van Celonis Process Mining krijgt u eenvoudig inzicht in de wijze waarop processen daadwerkelijk worden uitgevoerd. De digitale footprint die gebruikers tijdens hun werkzaamheden in IT-systemen achterlaten, wordt tot een overzicht van alle werkelijk voorgekomen procesflows gevisualiseerd. Hierbij gaat het dus om de beoogde procesflow én de afwijkingen (outliers) hierop. Met name laatstgenoemden zijn interessant bij de zoektocht naar invloedfactoren middels bijvoorbeeld de BOB- vs WOW-techniek.

Een praktijkvoorbeeld

Een praktijkvoorbeeld verduidelijkt wellicht deze situatie. Uw six-sigma project heeft een projectdoel met als CTQ (critical to quality) de doorlooptijd van orders tot aan facturatie. Met behulp van celonis visualiseert u uw order-to-cash proces. De happyflow, bestaande uit het afgesproken proces en alle uitzonderingen hierop, zijn hiermee direct inzichtelijk.

U kunt eenvoudig zien wat deze uitzonderingen zijn en welke invloed ze hebben op uw CTQ. Door in uw datamodel potentiële invloedfactoren als verantwoordelijke afdeling, klant of type order op te nemen, kunt u middels celonis een eventuele correlatie zichtbaar maken en via de statistische tools die six-sigma rijk is, de significantie ervan aantonen.

Celonis Six Sigma voorbeeld.png

Figuur 1: Het effect van (potentiële) invloedsfactoren gevisualiseerd in Celonis.

Process Capability Report for Days Process Capability Analysis Char Report for Days

Figuur 2: Process Capability analyse en regelkaart voor doorlooptijd van service orders in minitab op basis van werkelijke celonis proces data.

De juiste data, hoe nu verder?

Celonis Process Mining is een intelligente big data technologie, aangedreven door Artificial Intelligence (AI) en machine learning. Op deze wijze verkregen data liegen niet. Toch is een kanttekening hierbij noodzakelijk. Als six sigma belt weet u immers dat juiste interpretatie van data een nauwkeurige en verantwoordelijke taak is.

Een bekend voorbeeld is het onderzoek dat concludeerde dat het verstandig is om juist minder in plaats van meer brandweerleden naar een brand te laten uitrukken. Hoe meer brandweerleden uitrukken, des te hoger het schadebedrag van de brand is, zo wees het onderzoek uit.

In dit voorbeeld ligt het voor de hand dat het de omvang van de brand is die zowel het aantal brandweerleden als het schadebedrag bepaalt. Toch is het verschil tussen causaliteit en correlatie lang niet altijd zo duidelijk. Process Mining alleen zal uw processen dan ook niet verbeteren. Dit maakt de combinatie tussen enerzijds Process Mining en anderzijds de geavanceerde statistische technieken van six sigma bijzonder complementair.

Tip! Lees ook:

 

Dimensys beschikt over aantoonbare ervaring in beide vakgebieden en is daarmee de ideale partner om uw six sigma-programma een impuls te geven. Wilt u weten wat we hierin voor uw organisatie kunnen betekenen, of wenst u een demo? Neem dan gerust contact met ons op.

Live Demo: Procesanalyse met Celonis Process Mining