Luet nyt: Aalto Leaders' Insight: LSS DMAIC: Analyze – analysoi ongelman juurisyyt esille (osa 4)
Lean-ajattelu

LSS DMAIC: Analyze – analysoi ongelman juurisyyt esille (osa 4)

Poista päänsärky, älä tyydy hoitamaan sitä

Risto Lintula, 23.05.2022

|

Artikkelit

DMAIC tiekartan kolmas vaihe on Analyze – Analysoi. Tiivistetysti Analysoi-vaiheessa on tavoitteena tunnistaa juurisyy tai -syyt, joihin kehittämistoimenpiteet kannattaa kohdistaa valitun ongelman pienentämiseksi tai poistamiseksi. Tavoitteena on välttää sohiminen vähän joka suuntaan ja sen sijaan kohdistaa rajalliset kehitysresurssit täsmällisesti toimenpiteisiin, joilla on suurin vaikutus ongelmakohtaan, ja joita tekemällä saadaan pysyviä parannuksia ja tuloksia aikaan nopeammin ja kustannustehokkaasti.

Poista päänsärky, älä tyydy hoitamaan sitä

Yksinkertaistettu esimerkki on vaikkapa toistuva päänsärky ja sen hoitaminen. Ratkaisuna päänsärkyyn näemme helposti särkylääkkeen. Kun lääkkeen vaikutus lakkaa, otamme lisää, tuplaamme annoksen ja ennen pitkää hakeudumme fysioterapeutille, sairaslomalle Kierre jatkuu ja kroonistuu. Entäpä jos analysoimme tilanteen ja juurisyyksi tunnistetaan lavan lähentäjälihaksen kireys, joka jäykistää niskan ja saa pään vihlomaan. Toimenpiteiksi nousevat sopivan tyynyn hankinta, jumin avaava hieronta ja omaehtoinen, lyhyt venyttelyohjelma kahdesti päivässä.

Yksinkertainen juurisyiden analyysityökalu, joka jokaisen työntekijän organisaatiosta ja toimialasta riippumatta pitäisi osata, on 5*Miksi -tekniikka (5*M).

Menestyksellisen analysoinnin perustana on yksilön tahto tai organisaation toimintakulttuuriin rakennettu kyky tutkia ongelmatilannetta ennen toimenpiteisiin ryhtymistä. Sen sijaan, että säntäämme tekemään jotain, kannattaisi pysähtyä hetkeksi, ottaa tilanteeseen kriittinen etäisyys riittävän näkökulman varmistamiseksi ja tunnistaa juurisyyt, joita poistamalla saadaan aikaan pysyviä parannuksia. Kriisitilanteissa on tietysti tärkeää pelastaa ja hälyttää apua. Mutta ennen kuin kriisiä lähdetään korjaamaan, on tunnistettava miksi kriisi alkoi ja miten sen uusiutuminen voidaan välttää, juurisyyt tunnistaen ja analysoiden.

Yksinkertainen juurisyiden analyysityökalu, joka jokaisen työntekijän organisaatiosta ja toimialasta riippumatta pitäisi osata, on 5*Miksi -tekniikka (5*M). Kaikessa yksinkertaisuudessaan työkalun idea on kysyä peräkkäin miksi tutkittava ongelma esiintyy. Vastauksen löydyttyä kysytään uudelleen miksi ja tätä jatketaan ja analyysiä syvennetään, kunnes ilmeinen juurisyy on löytynyt. Yleensä tarvitaan kolmesta kuuteen kysymyskierrosta, eli tekniikan nimi on vain viitteellinen ohje tarvittavien kysymysten määrästä. 5*M -tekniikassa kiteytyykin oivasti koko analyysivaiheen olemus.

In God we trust, others bring data

Analyysivaiheessa esiin nousee usein myös kehittämistoimintaan kiinteästi liittyvä muutosvastarinta. Haaste korostuu silloin, kun käytössä on vain haastattelu- ja kokemusdataa. Pehmeät analyysityökalut tarjoavat valistuneelle osallistujalle mahdollisuuden pyrkiä ohjaamaan lopputulosta toivottuun suuntaan. Kipeitä tai uhkaavia asioita ei nosteta esille tai niitä jopa vääristellään. Esimerkiksi riski- tai arvoanalyysit voivat vesittyä, ellei niissä työstetty tieto ole olennaista ja kattavaa. Myös itsetyytyväisyys ja nykytilan viilaamiseen jämähtäminen estävät monesti läpimurtojen saavuttamisen. Nämä muutosprosesseihin liittyvät piirteet täytyykin jokaisen projektipäällikön, eli muutosfasilitaattorin tiedostaa.

Kun analysointi tehdään mitatun datan perusteella, on tilanne läpinäkyvä ja datan perusteella vedettävät johtopäätökset yksiselitteisiä. Selkeät tosiasiat pienentävät muutosvastarintaa, mutta eivät silti poista sitä. Korostan hyvän datan ja luotettavien mittalaitteiden tärkeyttä kaikenlaisessa analyysissä. Myös pehmeällä datalla voi edetä, kunhan tuntee analyysitilanteen epävarmuustekijät. Datan määrä ei myöskään saa olla itseisarvo, sillä se voi johtaa resurssien haaskaukseen ja jopa analyysihalvaukseen.

Määritä- ja mittaa -vaiheissa tehdään hypoteeseja, joita testataan analyysivaiheessa

Varsinkin kokemattomalle ongelmanratkaisijalle voi tulla kiusaus oikaista Määritä-Mittaa-Analysoi -vaiheiden ohi suoraan Paranna-vaiheeseen, koska hän mielestään tietää oikean ratkaisun jo valmiiksi. Mikäs siinä, jos sekä ongelma että ratkaisu tunnetaan ja niiden välinen syys-yhteys on todistettu. Ei silloin kannata enää uutta analyysiprojektia käynnistää, vaan panna viipymättä toimeksi. Mutta useimmiten valittu ratkaisu on vain olettama, hypoteesi ilman todistuspohjaa.

Siksi kehittämisprojektien alkuvaiheessa keskitytäänkin ns. kaikkien mahdollisten ongelmaan vaikuttavien muuttujien keräämiseen, muodostetaan näistä hypoteeseja ja analyysivaiheessa testataan hypoteesien paikkansapitävyys juurisyyn varmistamiseksi. Esimerkiksi, ongelmanratkaisuryhmä saattaa tehdä hypoteesin, että yhtiön laatuongelmat johtuvat toimittaja A:n materiaaliongelmista ja suosittelee ostamaan toimittaja B:ltä. Ennen toimenpiteisiin ryhtymistä esitetty hypoteesi testataan keräämällä ja analysoimalla dataa molempien toimittajien materiaaleista. Jos tilastollinen analyysi osoittaa hypoteesin paikkansapitävyyden halutulla luotettavuustasolla, on perusteltua vaihtaa toimittajaa, mutta muuten ei, sillä mielipiteiden perusteella toimiminen on helposti huonoa bisnestä.

Rikas data helpottaa analyysiä ja selkeän ratkaisun löytämistä

Projektin alussa tehdyt valistuneet olettamat ohjaavat myös datankeruussa tallentaman rikasta, selittäviä muuttujia sisältävää dataa, joka mahdollistaa monimuuttujamenetelmien hyödyntämisen analyysivaiheessa. Jos tavoitteena on esimerkiksi lisätä ennen puoltapäivää sairaalasta kotiutettavien potilaiden määrää, kannattaa potilaiden nykyisen kotiuttamisajan lisäksi kerätä päivään ja potilaaseen liittyviä muitakin muuttujia, kuten osastoa, kuljetustapaa, siirtymiskohdetta, viipymää ja mahdollisesti myös lääkärikiertoon ja laboratorion toimintaan liittyviä asioita. Datan keräämiseen investoidut panokset maksavat itsensä tyypillisesti takaisin nopeuttaen, terävöittäen ja syventäen analyysiä. Selkeä juurisyy monesti helpottaa Improve-vaihetta ja toimeenpanoa.

On hyvä huomata, että DMAIC-projektin eteneminen ei ole aina selkeän vaiheittaista ja suoraviivaista.

On hyvä huomata, että DMAIC-projektin eteneminen ei ole aina selkeän vaiheittaista ja suoraviivaista. Analyysejä tehdään itseasiassa kaikissa vaiheissa ja ne auttavat ymmärtämään ongelmaa ja taustalla olevaa systeemiä. Koska nykytilan tunnistamisen ja analyysivaiheen aikana opitaan paljon uutta ongelman luonteesta ja sen vaikutuksista, käytetään tietoja projektin suuntaamisessa, rajaamisessa ja hypoteesien tekemisessä. Joskus analyysivaiheen tuotos voikin olla projektin lopettaminen, koska se todetaan tarpeettomaksi tai potentiaalisiin hyötyihin nähden kalliiksi. Tämä voi olla erittäin arvokas tieto ja säästää tekemästä turhia, puhtaiden olettamien perustella ajettuja investointeja.

On tärkeämpää parantaa tuloksia, kuin olla työkaluguru

Tyypillinen projekti shoppaa korista tarvittavat analyysityökalut aina tapauskohtaisesti. Pienemmät ongelmat saattavat ratketa yhden tai kahden analyysimenetelmän avulla, haastavien projektien vaatiessa tilanteeseen perehtymistä jopa kaikkia yllämainittuja analyysejä hyödyntäen.

On hyvä tiedostaa, että kaikki yllämainitut analyysimenetelmät ovat olleet irrallisina olemassa jo pitkän aikaa. DMAIC-tiekartta auttaa hyödyntämään laatu-ja analyysityökaluja vaiheittaisesti yhdessä niin, että ne syventävät toisiaan ja auttavat oppimaan tutkittavasta ongelmasta olennaisen. Onkin paljon tärkeämpää saada aikaan mitattavia tuloksia ja nopeuttaa organisaation kehittymistä, kuin olla guru analyysityökaluissa.

Aalto PRO:n Certified Green Belt syventää osaamista graafisessa ja tilastollisessa data-analyysissä, riskianalyysissä ja arvoanalyyseissä. Certified GB2BB laajentaa analysoijan työkalupakkia mm. datamuunnoksissa, vaativissa tilastollisissa testeissä ja tuo perustietoja luotettavuusanalyysissä.

Älä tee analysoinnista isoa mörköä!

Joillekin LSS-menetelmiin tutustuneille analyysivaiheesta on muodostunut iso mörkö, jonka takia koko jatkuvan parantamisen periaate ja DMAIC halutaan lakaista nurkkaan ja kyseenalaistaa. Se tuntuu yksinkertaisesti liian vaikealta. Syynä tälle on haastavien tilastollisten menetelmien, analyysiohjelmistojen ja tilastomatematiikan ylikorostuminen. Matematiikkaa tarvitaan toki, on paljon ongelmatilanteita ja projekteja, joissa ilman järeää datan murskausta ei pääse ongelmanratkaisussa porstuasta pidemmälle, mutta analyysivaiheessa käytettävät työkalut ja tilastomatematiikan määrä pitää suhteuttaa aina ratkaistavaan ongelmaan ja toimintaympäristöön. LSS ei ole ensisijaisesti tilastotiedettä, vaan toiminnan tuloksellista kehittämistä.

Käytetään parasta asiantuntijuutta ja että löydetyt juurisyyt validoidaan käytännön testeillä.”

Prosessiteollisuuden ja suurivolyymisen kappaletavarateollisuuden tuotannollisia prosesseja analysoitaessa ei ilman syvällisiä tilastollisia analyysejä pääse alkua pidemmälle. Toisaalta hallinto-, palvelu- ja liiketoimintaprosessien analyysissä juurisyiden tunnistaminen tapahtuu usein tiimin asiantuntijuuden ja parhaan arvion perusteelle. Kova data on rajallista ja tilastollisilla työkaluilla ei ole käyttöä. Tällöin onkin varmistettava, että käytetään parasta asiantuntijuutta ja että löydetyt juurisyyt validoidaan käytännön testeillä. Jopa miljoonaluokan säästöjä on saavutettu käyttämällä vain peruskoulutason matematiikkaa, turhaa ei siis kannata menetelmillä kikkailla.

Yksinkertaiset ongelmat ratkeavat perustyökaluilla, haastavat ongelmat voivat mennä niillä vain enemmän solmuun

Määrällisesti enemmistö kehitysprojekteista ratkeaa yksinkertaisilla työkaluilla, perustason analyysimenetelmillä ja noudattamalla jatkuvan parantamisen periaatteita. Olennaista on siis tunnistaa ja rajata ongelma, ymmärtää ongelmaan liittyvät tekijät ja muuttujat, sekä tehdä juurisyyanalyysi. Työkaluiksi riittävät usein prosessikuvaus, kalanruoto, pareto ja aikasarja.

Palveluprosesseissa, joissa aika ja tuottavuus ovat usein päämittareita, työkaluiksi valikoituvat prosessikuvausta täydentävät aika-, arvo- ja hukka-analyysit sekä graafiset data-analyysit. Juurisyyt nousevat esille havainnoimalla ja visualisoivien piirrosten ja kuvaajien avulla. Jos projektiryhmällä on riittävää rohkeutta kysyä ongelmanratkaisusession aikana myös rajoja rikkovia, nykyistä tekemistä rohkeastikin kyseenalaistavia kysymyksiä, voidaan kooltaan ja vaikutuksiltaan suuriakin ongelmia analysoida käytännössä täysin ilman tilastomatematiikkaa.

Mutta kun ongelmatilannetta ei voi enää ymmärtää pelkällä havainnoinnilla, tarvitaan järeämmät työkalut. Tällaisia tilanteita syntyy, kun ongelmatilanteeseen kuuluvassa systeemissä on paljon muuttujia, dataa on runsaasti, vertailtavia asioita tai yksiköitä on useita kerrallaan, datassa on poikkeavuuksia ja datamäärät vaihtelevat, merkityksellistä eroa datassa ei näe tai pysty päättelemään tai kun analyysin perusteella tehtävään päätökseen liittyvä riski halutaan ymmärtää tarkasti. Silloin on analyysipakista kaivettava tilastolliset analysointimenetelmät, joiden sujuva käyttö edellyttää tuekseen hyvää ohjelmistoa. Melko tyypillistä on, että kehittämispolullaan alussa olevat organisaatiot saavat hyviä tuloksia käytännössä systemaattista maalaisjärkeä käyttämällä ja Exceliin tukeutumalla. Pidemmälle edenneillä tilanteen ymmärtäminen vaatii järeää analyysiä ja Minitabin tai Quantum XL:n kaltaista datan murskausta tukevaa ohjelmistoa.

LSS-artikkelisarjassa käydään läpi DMAIC-suunnitelma vaihe vaiheelta.

Artikkelin kirjoittaja Black Belt Risto Lintula toimii kouluttajana Aalto PRO:n LSS-valmennuksissa. Hänen erityisosaamisalueitaan ovat mm. strategialähtöinen kehittäminen, kehittämistoiminnan johtaminen ja tuloksellinen toimeenpano, Lean- ja Six Sigma -menetelmien soveltaminen, analyyttiset ongelmanratkaisumenetelmät sekä prosessit ja johtamisjärjestelmät. Risto toimii osakkaana Nordic Process Improvement Oy:ssä.


Palaa Aalto Leaders' Insight -pääsivulle

Löydä lisää luettavaa ja kuunneltavaa