Goud zoeken op de manege

Over metaaldetectoren, datavisualisatie en statistiek

In zijn vrije tijd is één van onze collega’s regelmatig in de weer met zijn metaaldetector. Van stranden tot bossen en in sommige gevallen geschiedkundige velden. Maar hij is ook met enige regelmaat met zijn metaaldetector op de manege. Op zoek naar goud.

Behalve dat dit een leuk verhaal is, is het goud zoeken op de manege ook een mooie metafoor. In dit artikel laten we je zien wat metaaldetectie te maken heeft met continu verbeteren. En hoe jij dit kunt gebruiken om jouw verbeterproject efficiënter en succesvoller te maken.

Metaaldetectie

Iedereen heeft wel een beeld bij metaaldetectie; mensen die zwaaiend met een detector over het strand lopen of in de velden en weilanden. De detector werkt op basis van een elektromagnetisch veld. De detector stuurt dit veld de grond in en wanneer dit metalen objecten raakt, sturen die een elektromagnetisch veld terug, wat de detector vervolgens oppikt en door middel van een geluid kenbaar maakt. De bediener van de detector weet dan dat er metaal in de grond zit. Wat voor metaal, hoe groot en hoe diep? Dat geeft de detector niet aan, dat moet zelf onderzocht worden.

Onze collega wordt met zijn detector regelmatig om hulp gevraagd door de manege. Tijdens de paardrijlessen is het redelijk gangbaar dat er een armband, ketting of oorbel verloren raakt. Gemiddeld is een rijbak bij een manege 20 x 40 meter. En ondanks dat dit nog relatief overzichtelijk is betekent dit wel dat er bij verloren sieraden 800 m2 grond doorzocht moet worden. Zonder hulpmiddelen ben je daar wel even mee bezig. Maar met een metaaldetector wordt van 800m2 potentieel zoekgebied al snel een paar vierkante decimeter gemaakt. Daarmee wordt de zoektijd flink verkort en worden de sieraden snel teruggevonden. Hierna kan de rijbak weer open en kan de manege weer waarde creëren voor de ruiters door ze te laten paardrijden.

De vertaling naar continu verbeteren

Binnen continu verbeteren – of dit nu Lean, Lean Six Sigma of Agile is – zijn we ook continu op zoek naar goud. We noemen dat verbeterpotentieel. Vaak is ons zoekgebied wel iets groter dan een gemiddelde rijbak op de manege. Met als gevolg dat we het risico lopen ontzettend veel tijd kwijt te zijn aan het lokaliseren van het verbeterpotentieel. Dit is voornamelijk aan de orde wanneer we data betrekken.

Tegenwoordig is data overal te vinden, van het koffiezetapparaat tot onze telefoons. En hoe halen we uit deze bak met data nou relevant verbeterpotentieel? Hoeveel zou het helpen als er een soort van metaaldetector ons kan laten weten of er wel of geen verbeterpotentieel te vinden is in de data waar we naar kijken?

Plaatjes en statistiek als metaaldetector

Die denkbeeldige metaaldetector is er dus wel degelijk. Met behulp van datavisualisatie en statistiek kunnen we sneller en eenvoudiger verbeterpotentieel identificeren. Binnen Lean Six Sigma wordt dit al veelvuldig gebruikt in de DMAIC-cyclus.

Middels 3 simpele stappen worden datavisualisatie en statistiek gebruikt om te duiden waar mogelijk verbeterpotentieel ligt verscholen.

Stap 1: Analyse op hoofdlijnen

Allereerst richten we ons op het doorgronden van de huidige situatie. Hierbij helpen procesvisualisaties als swimming lanes en Value Stream Maps. Hierbij gebruiken we ons menselijk redeneringsvermogen. Wat zien we gebeuren binnen het proces of de organisatie? Waar verwachten we dat we verbeterpotentieel kunnen vinden? En wat is de verwachte impact op het proces en de organisatie?

Stap 2: Visualisatie door plaatjes

Nadat er een goed beeld is van de huidige situatie gebruiken we datavisualisatie om te bekijken of onze vermoedens kloppen. Hiermee kunnen we bijvoorbeeld snel visueel maken of de doorlooptijd van verschillende diensten binnen dezelfde organisatie van elkaar verschillen.

In deze stap maken we de data echt alleen nog visueel. En vervolgens gebruiken we weer het menselijk redeneringsvermogen; wat zien we in de visualisaties? Zien we opvallende afwijkingen? Kortom, kunnen we aanwijzingen vinden die aanleiding geven om een spade dieper te graven?

Stap 3: Hypothesetoets met statistiek

Pas in de laatste stap gaan we echt statistiek gebruiken. Dat doen we door middel van hypothesetoetsen. Dit is een gestructureerde methode om te onderzoeken of onze ideeën en aannames kloppen. Dat gebeurt door het formuleren van de verwachte uitkomsten (hypothese) van het statistisch onderzoek en een alternatieve hypothese.

Met behulp van statistisch onderzoek bepalen we of de hypothese ‘beyond reasonable doubt’ juist is. Statistiek kan niet voor 100% zekerheid geven maar de kans dat we een onjuiste conclusie trekken is een heel stuk kleiner geworden. Een simpel voorbeeld:

Binnen een callcenter omgeving zien we dat de afhandeltijd van medewerkers over het algemeen te lang is. De hypothese die we daarbij hebben is dat een lange afhandeltijd ligt aan de ervaring van de medewerkers, oftewel; hoe minder ervaring de medewerker heeft, hoe langer de afhandeltijd is.

Blijkt er bij het testen een significant verschil te zitten tussen de afhandeltijd van medewerkers met meer en medewerkers met minder ervaring? Dan hebben we daar een mogelijk verbeterpotentieel gevonden. Maar blijkt de hypothese niet te kloppen? Dan moeten we terug naar de tekentafel om te bekijken waar het verschil dan vandaan kan komen.

Lean, Lean Six Sigma en Agile

Het gebruik van statistiek is een standaard binnen Lean Six Sigma. Maar dat betekent niet dat statistiek exclusief is voorbehouden aan Lean Six Sigma. Statistiek kan net zo goed binnen methodes als Lean en Agile toegepast worden. Ongeacht welke methode er gebruikt wordt, datavisualisatie en statistiek zijn een prima middel om als metaaldetector te fungeren. We gaan dan pas verder onderzoeken als we bijna zeker weten dat er goud te vinden is. En zo voorkomen we een hoop verspilling van tijd en energie.