Analyse fase in DMAIC: van data naar oorzaken

De Analyse fase is de derde stap binnen de DMAIC-methode. Na de Measure fase heb je data verzameld en een betrouwbare nulmeting gemaakt.

In de Analyse fase ga je op zoek naar de oorzaken van het probleem. Je onderzoekt welke X-en (input) daadwerkelijk de grootste invloed hebben op de Y (output) en wat de kernoorzaken zijn van de variatie en de afwijkingen die je in de Measure fase hebt gemeten.

De Analyse fase beantwoordt de centrale vraag: waarom presteert het proces zoals het presteert?

Wat is het doel van de Analyse fase?

Het doel van de Analyse fase is om van symptomen naar oorzaken te gaan. In de Measure fase heb je vastgesteld dat er een probleem is en hoe groot het is. In de Analyse fase zoek je uit waarom het probleem bestaat.

Aan het einde van de Analyse fase heb je een onderbouwde lijst van kernoorzaken die statistisch of feitelijk zijn aangetoond. Die kernoorzaken vormen de basis voor de oplossingen die je in de Improve fase gaat brainstormen. Zonder een goede Analyse fase los je symptomen op in plaats van oorzaken, en dan keert het probleem terug.

Van mening naar feit

De grootste valkuil in de Analyse fase is dat teams te snel naar oplossingen springen op basis van aannames. Iedereen heeft wel een idee over wat de oorzaak is, maar die ideeën zijn zelden onderbouwd met data.

In de Analyse fase maak je dat onderscheid expliciet. Je start met een data-analyse waarbij je kijkt naar de spreiding, het centrum en de verdeling van de data. Op basis daarvan stel je hypothesen op over mogelijke oorzaken en toets je die vervolgens met data. Wat overblijft na die toets zijn de bewezen oorzaken. Die neem je mee naar de Improve fase. De rest laat je los.

De Analyse fase bestaat uit twee hoofdonderdelen: de data-analyse en de kernoorzakenanalyse met tools zoals het visgraatdiagram en de vijf keer waarom.

Stap 1: mogelijke oorzaken inventariseren

De eerste stap is het systematisch in kaart brengen van alle mogelijke oorzaken van het probleem. Je doet dit samen met het procesteam, omdat de mensen die dagelijks in het proces werken vaak de beste kennis hebben van wat er misgaat.

Het visgraatdiagram, ook wel Ishikawa-diagram of oorzaak-gevolgdiagram genoemd, is hiervoor een beproefd hulpmiddel. Je brengt de Y in het midden en groepeert mogelijke oorzaken in categorieën zoals mens, machine, methode, materiaal, meting en omgeving. Dit geeft een gestructureerd overzicht van alle X-en die mogelijk een rol spelen.

Een andere aanpak is de vijf keer waarom, waarbij je steeds doorvraagt naar de onderliggende oorzaak tot je bij de werkelijke kernoorzaak uitkomt. Deze methode werkt goed bij enkelvoudige, lineaire problemen.

Stap 2: data analyseren om oorzaken te bewijzen

Na het inventariseren van mogelijke oorzaken ga je de data analyseren om te bepalen welke X-en daadwerkelijk een significante invloed hebben op de Y. Dit is het hart van de Analyse fase.

Je begint met beschrijvende statistiek: gemiddelden, medianen, spreidingsmaten en verdelingen. Vergelijk subgroepen met elkaar. Zijn er verschillen tussen ploegen, locaties, medewerkers of perioden? Dat zijn aanwijzingen voor X-en die de variatie veroorzaken.

Vervolgens gebruik je grafische analyses zoals boxplots, histogrammen en scatterplots om patronen en relaties in de data zichtbaar te maken. Een scatterplot laat zien of er een verband bestaat tussen een X en de Y. Een histogram laat zien hoe de data verdeeld is en of er sprake is van een scheve verdeling of uitschieters.

Bij grotere datasets en meer complexe relaties gebruik je statistische toetsen zoals een t-toets, ANOVA of regressieanalyse om te bepalen of de gevonden verbanden statistisch significant zijn. Een statistisch significant verband betekent dat het verband niet op toeval berust.

Stap 3: kernoorzaken selecteren en prioriteren

Op basis van de data-analyse stel je vast welke X-en daadwerkelijk de grootste invloed hebben op de Y. Dit zijn de kernoorzaken die je meeneemt naar de Improve fase.

Een praktische manier om kernoorzaken te prioriteren is de Pareto-analyse. De Pareto-analyse laat zien welke oorzaken verantwoordelijk zijn voor het grootste deel van het probleem. In de meeste processen geldt dat 20% van de oorzaken verantwoordelijk is voor 80% van de problemen. Door die 20% aan te pakken, los je het grootste deel van het probleem op.

In mijn eigen projecten maak ik altijd een onderscheid tussen bewezen oorzaken en vermoedens. Alleen de bewezen oorzaken gaan mee naar de Improve fase. Dat voorkomt dat je tijd en geld steekt in oplossingen voor problemen die niet bestaan of niet de kern raken.

Welke tools gebruik je in de Analyse fase?

De Analyse fase kent een vaste set tools die je helpen om van data naar bewezen oorzaken te komen.

In de praktijk start ik zelf altijd met de seven basic quality tools. Niet elk verbeterproject of elke dataset hoeft statistisch significant gemaakt te worden. Met de seven basic quality tools kom je al een heel eind, en als het nodig is pak je daarna een statistische tool.

Het visgraatdiagram brengt mogelijke oorzaken systematisch in kaart, gegroepeerd in categorieën. Het is een startpunt voor de analyse, geen eindpunt.

De vijf keer waarom helpt bij het doorvragen naar de werkelijke kernoorzaak achter een symptoom. Eenvoudig maar effectief bij lineaire problemen.

De Pareto-analyse identificeert welke oorzaken verantwoordelijk zijn voor het grootste deel van het probleem. Onmisbaar voor het prioriteren van verbeteracties.

Een run chart laat zien hoe de data zich in de tijd gedraagt en helpt je om de stabiliteit van een proces te beoordelen.

Een histogram laat zien hoe de data verdeeld is en geeft inzicht in de spreiding en de vorm van de verdeling.

Boxplots en scatterplots maken patronen en verbanden in de data visueel zichtbaar. Je gebruikt ze om hypothesen te formuleren en te toetsen.

Statistische toetsen zoals de t-toets, ANOVA en regressieanalyse toetsen of gevonden verbanden statistisch significant zijn. Dit is het gereedschap waarmee je meningen omzet in feiten.

De procesvermogenanalyse, ook wel procescapabiliteitsanalyse of Cp en Cpk, geeft aan in welke mate het proces in staat is om aan de klanteisen te voldoen. Dit gebruik je om de ernst van het probleem te kwantificeren en de verbeterdoelstelling te onderbouwen.

Tijdsinvestering in de Analyse fase

De Analyse fase duurt in de praktijk vaak langer dan verwacht. Data laat niet altijd direct verbanden zien, statistische toetsen vereisen voldoende datapunten en het doorvragen naar kernoorzaken kost tijd. Afhankelijk van de complexiteit van het probleem en de beschikbaarheid van data zit je al snel op 20 tot 30 uur.

Is je Analyse fase compleet?

Controleer het volgende voordat je verder gaat naar de Improve fase.

Alle mogelijke oorzaken zijn geïnventariseerd met een visgraatdiagram of vijf keer waarom.

De data is geanalyseerd met beschrijvende statistiek en grafische analyses.

Statistische toetsen zijn uitgevoerd waar relevant.

De kernoorzaken zijn vastgesteld op basis van data, niet op basis van aannames.

De Pareto-analyse is uitgevoerd om kernoorzaken te prioriteren.

De procesvermogenanalyse is uitgevoerd en gedocumenteerd.

De bevindingen zijn gepresenteerd aan de opdrachtgever.

Analyse fase in de praktijk

Laat je niet ontmoedigen door de Analyse fase. Er zitten veel tools in en sommige lijken ingewikkeld of niet relevant voor jouw project. Maar het gaat niet om de tools, het gaat om het concept erachter.

Dat concept is simpel. Als ik naar een proces kijk, wil ik een saai proces zien. Iedere keer min of meer dezelfde output. Weinig variatie. Als dat zo is, is het proces stabiel en voorspelbaar. Bij veel variatie ga je op zoek naar de oorzaak: wat veroorzaakt die variatie? Dat is data-analyse. Niet meer en niet minder.

Daarna doe je een workshop met het procesteam, brengt de mogelijke oorzaken in kaart met het visgraatdiagram en vraagt vijf keer waarom. Dan heb je de grootste kernoorzaken al geïdentificeerd.

Los van alle tools die er zijn: focus hierop. De rest is verdieping voor als het nodig is.

Samenvatting

De Analyse fase is de derde fase binnen DMAIC en brengt je van data naar bewezen oorzaken. Je inventariseert mogelijke oorzaken met een visgraatdiagram of de vijf keer waarom, analyseert de data met beschrijvende statistiek, grafische analyses en statistische toetsen, en stelt kernoorzaken vast met een Pareto-analyse. Alleen de bewezen oorzaken gaan mee naar de Improve fase. De kwaliteit van de Analyse fase bepaalt direct de kwaliteit van de oplossingen die daarna volgen.

Van Analyse naar Improve

Aan het einde van de Analyse fase heb je een onderbouwde lijst van kernoorzaken die statistisch of feitelijk zijn aangetoond. Met die kennis ga je de Improve fase in. In de Improve fase brainstorm je oplossingen die gericht zijn op de kernoorzaken en toets je die voordat je ze implementeert.

Wil je leren hoe je de Analyse fase en de rest van DMAIC in de praktijk toepast? In de online Lean Six Sigma Black Belt training van lean.nl werk je aan echte projecten en leer je alle tools hands-on toe te passen. Bekijk de Black Belt training.