Mitä pitäisi ymmärtää datasta - tilastoista? OSA I

Eletään informaatioaikakautta, on olemassa dataa – tietoa – numeraalisessa ja ei-numeraalisessa muodossa, tästä datasta pitäisi päätellä jotain.

Katsot mihin tahansa, ympärilläsi on vuorittain – gigatavuja – dataa. On vuosikatsauksia, neljännesvuosikatsauksia, asiat esitetään tilastoin ja graafein, on tilastoja jos mistäkin.

Mitä datasta pitäisi päätellä? Kuinka dataa analysoidaan? Mitä johtopäätöksiä tästä tehdään? Vastaus lyhyesti: varmista datan oikeellisuus, analysoi, tulkitse ja omaksu.

Kuva 1: Kuvassa on esitetty laadun historian kehittymisjaksot: siirtyminen tuotteen tarkastuksesta prosessien kuvaamiseen ja valvontaan, ja siitä prosessien ohjaukseen ja kausaalisuuden tutkimiseen.

Kuvassa 2 on punaisella pylväällä esitetty datan epävarmuuden kasvaminen x -akselilla olevan käyttötarkoirtuksen funktiona. Sininen katkoviiva esittää epävarmuusastetta, jona datan käyttäjä epävarmuudenasteen olettaa olevan.

Katseleminen – Monitoring

Monitorointi tarkoittaa karkealuontoista asioiden, esineiden tai toiminnan tarkkailua ”päältäpäin”. Oleellista on, että monitorointiväline pystyy karkealla tasolla ilmaisemaan poikkeaman.
Palvelutuotannossa, esimerkiksi ravintolassa, tämä voisi tarkoittaa, että tarjoilija katsoo salin yleisilmettä normaalilla tavalla. Kun taas tavaratuotannossa työntekijä tai esimies katselee tuotantotilojen yleisilmettä.

Datan oikeellisuutta tulisi arvioida aina. Asiaa voisi ajatella käänteisesti, mitä virheitä datassa tässä tilanteessa voisi tapahtua? Monitorointia suorittava henkilö on aina oikeassa, mikäli monitoroija on ”kunnossa”. Virhe tapahtuu, jos tarjoilija on vaikkapa päihtynyt tai muuten työkyvytön ja havaitsemisen ja ajatuksen välillä ei ole yhteyttä. On muistettava, että hän vain katselee normaalisti.
 

Kuva 3. Katseleminen – Monitoring – esimerkki: tarkkailen, miltä ulkona näyttää?

Kuvaaminen – Description

Kuvaaminen on monitorointia hienompi taso, jonka tarkoituksena on antaa parempi kuva esimerkiksi valvottavasta kohteesta. Tiedon keräämisen motiivina on havaita jotain ”erityistä”. Yleensä erityisen havaitsemiseen tarvitaan mittari.

Ravintolassa tarjoilija valvoo salia. Hän tarkastelee ilmaantuuko uusia asiakkaita ja laskee esim. tyhjät paikat. Tavaratuotantoyrityksessä tämä taas voisi tarkoittaa, että tuotantotilaa valvotaan mittarein ja katsellaan mittarein pysyvätkö koneet käynnissä.

Silloin kun arvioidaan kuvaavan datan luotettavuutta, selvitetään voiko tarjoilija mitata saapuvia asiakkaita ja laskea tyhjiä paikkoja, vai tarvitseeko hän esimerkiksi silmälasit. Laatuteknologia auttaa datan luotettavuuden selvittämisessä. Mittaussysteemin luotettavuuden tutkimisen (MSA) tarkoituksena on saada kuva datan laadusta ja tarvittaessa kehittää sen keräysjärjestelmää.
 

Kuva 4. Kuvaaminen – description – esimerkki: katson lämpömittarista lämpöasteet ja päättelen millainen keli ulkona on.

Luonnehtiminen – Characterization

Luonnehtimisella tarkoitetaan vertailu jotain rajaa tai toista asiaa vastaan. Tyypillisesti verrataan, onko jokin asia tai tuote sovittujen rajojen mukainen. Tämä edellyttää luonnollisesti, että vertailua suorittavat osapuolet ovat yhdessä sopineet rajoista, spekseistä. Tämä karakterisointi on selvästi vaativampi tehtävä ja vaatii huomattavasti parempaa dataa.

Jos taas mietitään ravintolaympäristöä, tarjoilija laskee huomatessaan tulevien asiakkaiden määrän ja vertaa niitä tyhjiin paikkoihin. Tarjoilija vie heille ruokalistat sekä aloittaa palvelun palvelumallin mukaisesti. Tuotantoyrityksessä taas tämä tarkoittaisi, että mitataan tuotetta tai prosessia ja verrataan tulosta toleransseihin tai ohjausrajoihin.
Luonnehdintatiedon luotettavuuden nostamisen apuna käytetään tilastollista prosessin ohjausta (SPC) sekä hyvä/huono -tilan kuvaamiseen suorituskykyanalyysiä. Ravintolaympäristössä tiedon virheellisyys voi johtaa siihen, että tyhjiä paikkoja ei ole ja asiakkaat joutuvat odottamaan.
 

Kuva 5. Karakterisointi – characterization – esimerkki: vertaan lämpömittarin näyttämää lukua rajaan, joka tässä tapauksessa on > 0 astetta. Tarkoitukseni on lähetä hiihtämään, siksi haluan, että on pakkasta.

Edustaminen – Representation

Edustavuudella tarkoitetaan, että mitattujen tai tarkastettujen tulosten pohjalta voidaan päätellä että, ei mitatut tai ei tarkastetut tapahtumat tai tuotteet ovat mitattujen tapahtumien tai tuotteiden mukaiset. Toisin sanoen pystytään päättelemään, että kaikki rajatun populaation yksiköt kuvaavat koko populaatiota; mitatut tuotteet edustavat ei mitattuja. Tässä tapauksessa virhemahdollisuus kasvaa huikeasti. Suurimmat laatuvirheet johtuvat juuri tästä.

Ravintolassa tarjoilija ja johtaja miettivät, edustaako tämä kävijämäärä normaalia arkipäivän kävijämäärää. Tuotannon henkilökunta miettii, edustaako koneen pysähtyminen normaalia tuotantopäivää tai näyte kokopäivän tuotantoa.

Edustavuus tiedon kerääminen on huomattavasti vaativampaa. Kysymys on siitä, edustaako näyte, yhden hetken asiakasmäärän koko esimerkiksi viime vuoden asiakasmäärää. Laatuteknologiassa tilastollinen näytteenotto mm. AQL sekä näytemäärä ja tehoanalyysi auttavat päätöksenteossa ja virheen minimoinnissa.
 

Kuva 6. Edustavuus – Representation - esimerkki: edustaakohan Lahdessa parvekkeella oleva lämpötila Vierumäen tai Jämsän hiihtokelejä?

Ennustaminen – Prediction

Viides vaihtoehto, ennustaminen, on kaikkein vaativin datan käyttömuoto. Tämä edellyttää datan keräysjärjestelmältä huippulaatua. Dataan liittyvät virheet on lähes ennakoitava. Tätä data käytetään pääteltäessä tulevaisuutta. Tässä vaaditaan, että dataa tuottava järjestelmä on tunnettu ja se on ennustettava.

Lounasravintolan työntekijä ja johtaja päättelevät, voivatko he ennustaa tämän päivän perusteella, kasvaako seuraavan kuukauden myynti? Tehtaalla mietitään, ennustavatko nämä virheet seuraavalle kuulle erityisen paljon vikoja. Päätöksentekoon, ennustamiseen, liittyvää virhettä mietittäessä, olisi syytä pystyä päättelemään, pystynkö yhden päivän asiakasmäärästä todella tekemään päätöksen myynnin kasvamisesta? Tiedon luotettavuuden nostamiseen käytetään apuna, empiiristä testiä, koesuunnittelua (DOE), jossa on ennalta annettu tarkat ohjeet, kuinka dataa on kerättävä, kuinka paljon sitä on kerätty ja miten suojaudutaan häiriöiltä ja kuinka arvioidaan virheen suuruus. Koesuunnittelutekniikalla tutkitaan dataa tuottavaa toiminto ja/tai prosessia ja tämän pohjalta, voidaan luoda malli, jonka avulla ennustetaan tulevaa. Tämä pätee yhtä hyvin myyntiin kuin tuotanto- ja palvelutoimintoja.

AINA ennen tiedon, informaation, käyttöä täytyy hahmottaa tiedon tuleva käyttötarkoitus ja tiedon laatu. Jos huomaat, että nykyinen datan keräystä ja käyttötapa eivät kohtaa, tulee ottaa käyttöön tarvittava laatuteknologia.
 

Kuva 7. Ennustaminen – Prediction - esimerkki: olen lähdössä talvilomalla hiihtämään, pystynköhän ennustamaan tästä, millainen hiihtokeli on kuukauden päästä?