Korrelaatio, kausaliteetti ja deduktiivinen malli

Yleisesti on hyväksytty, että parannus vaatii syy-vaikutussuhteen ymmärtämisen (cause and effects). Syy-vaikutussuhdetta kutsutaan myös kausaliteetiksi. Tästä voi lukea lisää kirjoituksesta: Kausaliteetti-syy on ehto parannukselle – mitä se on? Matemaattisesti kuvattuna vaikutuksen kohde Y ja syy(t) x:n välisenä suhteena:

Y=f(x₁ … x_k)

Yhtälössä Y on riippuva ja x_i:t edustavat riippumattomia muuttujia, jotka ovat prosessissa, kohteessa, tuotteessa tai systeemissä [f()] ja saavat aikaan yhdessä Y:n. Y on siis seuraus muuttujista. Y on yleensä jokin organisaatiolle tärkeä asia.

Syy-vaikutussuhdetta käytetään parannus- tai kehitysideoiden vaikuttavuuden arvioimiseen ennen lopullista päätöstä toimenpiteistä.

On mielenkiintoista, että kausaalisuuden käyttämiseen on olemassa viisi yleistä ratkaisua. Näillä keinoilla on omat tavoitteet.

Taulukko 1. Alla olevassa taulukossa viisi keinoa parantaa tuotetta, prosessia tai kohdetta.

Tämä kirjoitus käsittelee parannuksen ja kehityksen kannalta oleellista teoreettista lähestymistapaa, kuinka määrittää syy-vaikutussuhde ja varmistaa suoritettavien toimenpiteiden vaikuttavuus. 

Tämä artikkeli ei käsittele yksittäisten ongelmien ratkaisua tai menneisyydessä tapahtunutta muutosta.

Analyyttinen tapa tunnistaa parantava tekijä

Tohtori Joseph M. Juran määritteli, että parannus vaati liiketoiminnan sitomisen kohteeseen sekä diagnostisen ja parantavan vaiheen ennen muutoksen tekemistä. Sitominen liiketoimintaan tapahtuu, kun havaitaan, jokin yritykselle / organisaatiolle tuleva ”oire”.

Oire voi olla joko negatiivinen tai positiivinen. Termejä voisi kuvata negatiivinen riski eli joku voi mennä pieleen tai positiivinen riski, joka tarkoittaa, että on havaittu mahdollisuus. 

Kun oire on tunnistettu, tulee tehdä analyysi ja etsiä oireen syyt. Tämän jälkeen on syiden joukosta tai niiden ulkopuolelta löydettävä syyt, joissa muutos saa aikaan parannukseen. Ratkaisuvaihtoehtojen, kausaalisyyn muutosten ideoimisen ja niiden vaikuttavuuden todentamisen jälkeen viedään muutokset käytännön toimiksi.

Tässä prosessissa helposti epäonnistutaan ja tueksi on kehitetty joukko erilaisia keinoja ja menetelmiä.

Kausaalisuus eli syy-vaikutussuhde on keskiössä. Käsitellään tulevaisuutta, joten täytyy tietää etukäteen, kuinka muutokset vaikuttavat ennen käyttöönottoa.

Mallit ovat keinoja kuvata tulevaisuutta. Meillä jokaisella on malleja, joiden avulla arvoimme asioita. Ovatko ne oikeita ja toimivia vai vääriä ja toimimattomia tai siltä väliltä, onkin toinen juttu. 

Jos ja kun mallia käytetään muutosideoiden vaikutuksen arvioimiseen, vaikutuksen arvioinnin onnistumistodennäköisyyden kannalta mallilla on väliä. Jos malli on väärä, on vaikutus arvioinnin tulos sattumasta kiinni.

Laadunparannuksessa mallit voidaan jakaa kolmeen luokkaan:

1. Kausaali- eli syy-vaikutus-mallinnus (Black Box), joka perustuu testeihin ja kokeisiin – Design of Expriments, DOE 

• Korrelaatio-ennustemallinnus (Grey Box), joka perustuu havainnoista tehtyihin johtopäätöksiin ja malliin tai simuloidun tilanteen analyysiin, jota vahvistetaan todellisilla havainnoille

• Deduktiivinen mallinnus (White Box), joka perustuu luonnon lakeihin ja niistä johdettuihin yhteyksiin, kuten Littlen laki, Kingmanin yhtälö, kysyntä-toimitusaikavarianssiyhtälö. 

Näitä voidaan kutsua myös alla olevan taulukon 2 mukaan: kausaalimalli, korrelaatiomalli ja deduktiivinen malli. Näillä on olemassa omat käyttökohteensa ja keinot luoda kausaalisuus.

Taulukko 2. Kolme erilaista tapaa mallintaa syy-vaikutussuhde eli kausaalisuus.

Malli, kuten alussa kirjoitetiin voidaan kirjoittaa muotoon Y=f(x). Kausaalisuuden tunnistaminen vaatii Y:n ja X:n tunnistamisen. On olemassa joukko keinoja ja työkaluja, kuinka nämä tunnistetaan. Tässä kirjoituksessa ei mennä detaljitasolle vaan käsitellään yleisellä tasolla tätä asiaa.

Kehittämisen ja parantamisen ammattilaisella (Black Belt, Master Black Belt) tulisi olla (ainakin se on Six Sigman perimmäinen tavoite) kausaalimallin luomisen kyky. Hänen ammattitaitoaan voidaan vahvistaa opettelemalla Tehdasfysiikan tärkeimmät mallit ja näin saadaan käyttöön perus deduktiiviset mallit päätöksenteon tueksi toimintojen parantamiseen.

Muuttujien tunnistaminen on osa mallin luomista. Taulukossa 3 on yleisellä tasolla kuvattu keinot tunnistaa X’t ja niiden kuvaus.

Taulukko 3. Mallinnuksessa käytettävien muuttujien (X’t) tunnistaminen

Yhteenveto ja prosessi kausaalisuuden tunnistamiseen ja vaikuttavuuden arvioimiseen

Parannus on monivaiheinen ja monivivahteinen prosessi. Se on osin taidetta (ideointia) ja osin tiedettä (todistamista). Hallitsemalla keinoja ja yhdistämällä ne prosessiin, protokollaan tai menetelmään, voidaan parannustoimintaa tehostaa. 

On huomioitava, että edellä esitetty geneerinen prosessi ja sen sisältämät geneeriset keinot eivät kilpaile ammattisosaamisen eli aihepiiritiedon kanssa. Laatutekniikassa, tilastotieteissä, datatieteissä tai koneoppimisessa käytettävät keinot auttavat ammattitaidon syventämisessä.

Alla taulukossa 4 on tutkijoiden luoma geneerinen prosessi, jota voidaan käyttää erityyppisissä tilanteissa analyyttisessä ongelmienratkaisussa tai suorituskykyongelman ratkaisussa.

Taulukko 4. Kolme keskeistä mallia sekä näiden yhdistäminen liiketoiminnan kannalta oleelliseen tekijään Y, ja tähän vaikuttavien tekijöiden X löytäminen ja vaikuttavuuden analysointi ennen muutoksen käyttöönottoa.

Lean Six Sigma menetelmä tuo työkaluja kausaalimallin luomiseen. Minitab tarjoaa keinoja korrelaatiomallin tekemiseen ja Tehdasfysiikka tarjoaa nipun käytännönläheisiä deduktiivisia malleja.

Tarvitaan tietoisuus, opiskelu ja harjoittelu, josta seuraa osaaminen ja tulokset.

Lähteet:

1. J. D. Mast, S. H. Steiner, W. P. M. Nuijten & D. Kapitan. 2022. Analytical Problem Solving Based on Causal, Correlational and Deductive Models
2. Juran: Juran’s Quality Handbook, 2017