Wat is verklarende statistiek in Lean Six Sigma?

Beschrijvende statistiek vertelt je wat er in je data te zien is. Maar in een Lean Six Sigma-project wil je meer weten. Je wilt weten of het patroon dat je in je steekproef ziet ook geldt voor het hele proces. Je wilt weten of een gevonden oorzaak werkelijk verantwoordelijk is voor het probleem, of dat het toeval is. En je wilt aan het einde van het project aantonen dat je verbetering niet toevallig was. Dat is precies wat verklarende statistiek mogelijk maakt.

Verklarende statistiek, ook bekend als inferentiële of toetsende statistiek, is de vorm van statistiek waarmee je vanuit steekproefdata betrouwbare uitspraken doet over de gehele populatie.

Wat is verklarende statistiek precies?

Waar beschrijvende statistiek zich beperkt tot het samenvatten van de data die je hebt, gaat verklarende statistiek een stap verder. Je trekt conclusies en doet voorspellingen die verder reiken dan de onmiddellijk beschikbare data. Je onderzoekt of bevindingen uit een steekproef toepasbaar zijn op de bredere populatie, en je kwantificeert de mate van onzekerheid die daarbij hoort. De begrippen steekproef en populatie worden uitgelegd in het artikel over basisbegrippen van statistiek.

In Lean Six Sigma gebruik je verklarende statistiek om aannames te toetsen met feiten. Denk aan vragen als: is de doorlooptijd bij afdeling A werkelijk hoger dan bij afdeling B, of is het verschil dat we meten toevallig? Heeft de ingevoerde maatregel het defectpercentage significant verlaagd, of zien we normale schommeling?

Verklarende statistiek in de Analyze-fase van DMAIC

In de Analyze-fase van DMAIC staat het vinden van kernoorzaken centraal. Je hebt in de Measure-fase data verzameld en beschreven. Nu wil je weten welke factoren het probleem veroorzaken. Verklarende statistiek geeft je de tools om verbanden en verschillen statistisch te valideren, zodat je niet werkt op basis van aannames maar op basis van bewijs.

Dit is het onderscheid tussen een verbeterteam dat zegt “het lijkt erop dat de machine de oorzaak is” en een verbeterteam dat zegt “de data toont aan dat de machine met een betrouwbaarheid van 95% een significante bijdrage levert aan de variatie in het uitvoergewicht.”

De vier kerncomponenten van verklarende statistiek

Verklarende statistiek bestaat uit verschillende technieken. In Lean Six Sigma kom je de volgende vier het meest tegen.

1. Hypothesetesten

Hypothesetesten is de basis. Je formuleert een nulhypothese, de aanname dat er geen effect of verschil is, en een alternatieve hypothese. Vervolgens bepaal je op basis van de data of er voldoende bewijs is om de nulhypothese te verwerpen. De uitkomst geeft je een p-waarde: hoe kleiner die waarde, hoe sterker het bewijs tegen de nulhypothese. In Lean Six Sigma wordt standaard een grenswaarde van 0,05 gehanteerd.

2. Betrouwbaarheidsintervallen

Betrouwbaarheidsintervallen geven je niet alleen een puntschatting van een waarde, maar een bereik waarbinnen de werkelijke populatiewaarde met een bepaald betrouwbaarheidsniveau valt. In plaats van te zeggen “de gemiddelde doorlooptijd is 8,3 dagen” zeg je “de gemiddelde doorlooptijd ligt met 95% betrouwbaarheid tussen 7,9 en 8,7 dagen.” Dit maakt de onzekerheid in je meting expliciet en eerlijk.

3. Regressieanalyse

Regressieanalyse onderzoekt de relatie tussen variabelen. Je bekijkt hoe een afhankelijke variabele, de uitkomst van het proces, verandert als een onafhankelijke variabele, een mogelijke oorzaak, verandert. Dit helpt je om te kwantificeren hoe sterk een factor bijdraagt aan het probleem en of die relatie lineair of niet-lineair is.

4. Variantieanalyse (ANOVA)

Variantieanalyse (ANOVA) gebruik je wanneer je de gemiddelden van drie of meer groepen met elkaar wilt vergelijken. Stel dat je wilt weten of de foutfrequentie verschilt tussen drie productielijnen. ANOVA toetst of de geobserveerde verschillen statistisch significant zijn of binnen de normale variatie vallen.

Van steekproef naar populatie

Het centrale idee achter verklarende statistiek is dat je nooit alle gevallen kunt meten, maar dat je wel betrouwbare uitspraken wilt doen over het geheel. Verklarende statistiek geeft je de methoden om die sprong te maken, en om tegelijkertijd eerlijk te zijn over de onzekerheid die daarbij hoort.

In een Lean Six Sigma-project gebruik je dit op twee momenten in het bijzonder. In de Analyze-fase om grondoorzaken te valideren. En in de Control-fase om aan te tonen dat de ingevoerde verbetering daadwerkelijk effect heeft gehad en dat het resultaat niet aan toeval is toe te schrijven. Een goed hulpmiddel om die borging in de Control-fase te monitoren is Statistical Process Control.

Beschrijven eerst, dan verklaren

Verklarende statistiek bouwt altijd voort op statistiek als vakgebied. Je begint met het samenvatten en visualiseren van je data, zodat je een eerste beeld krijgt van patronen en afwijkingen. Daarna gebruik je verklarende technieken om die patronen statistisch te toetsen en te onderbouwen. De twee vormen zijn complementair: zonder beschrijving weet je niet waar je moet zoeken, zonder verklarende statistiek weet je niet of wat je ziet echt is.

Wil je leren hoe je verklarende statistiek toepast in een echt verbeterproject? Bekijk onze online Lean Six Sigma opleidingen en ontdek welk niveau bij jou past.