Heureka! Seulonta- eli screeningtutkimukset

Heureka! Seulonta- eli screeningtutkimukset voivat auttaa sinua välttämään pitkän ja mutkittelevan  ongelmanratkaisun tien 

Matti Pesonen, Quality Knowhow Karjalainen Oy, on kääntänyt Quality Progress December 2025 julkaistun artikkelin Statistics Spotlight: Eureka! Screening Studies Can Help You Sidestep The Long And Winding Road In Problem Solving; Quality Progress December 2025 Volume 58 Issue 12 pp. 48-51 vieraskynäartikkeliksi alkuperäisen kirjoittajan luvalla. 

Oikeiden syytekijöiden tunnistaminen on avainasemassa laadun seurannassa, hallinnassa ja parantamisessa. Suurin haaste on määrittää, mitä nämä tekijät ovat ja kuinka monta niitä on. Usean muuttujaehdokkaan määrä voi viitata pitkälle ja mutkaiselle tielle ratkaisuun ja voi tehdä ratkaisuprosessista ylivoimaisen ja lannistaa toimintaa.

Onneksi meillä on Pareto-periaate, joka kertoo meille, että suuri osa vaihtelusta johtuu muutamista tekijöistä (80-20-sääntö); Joseph M. Juran kutsuu tätä ”harvoiksi erittäin tärkeiksi ja moniksi tärkeiksi”-periaatteeksi. Kokemus ja data (joista keskustellaan myöhemmin) kertovat meille, että tyypillisesti kolmesta kuuteen muuttujaa ohjaavat prosessia. 

Tässä on esimerkki: Muuttujat, jotka aiheuttavat liikenneonnettomuuksia. Jos pyydät ihmisryhmää ideoimaan listan syytekijöistä, laaja listaus voi joskus sisältää 20-30 mahdollista syytekijään. Tällainen pitkä lista voi tuntua vaikealta käsitellä. Ovatko jotkut tekijät tärkeämpiä kuin toiset? American Automobile Association (AAA)¹ raportoi, että ”vaarallisimmat” tekijät ovat:

• Ajamisen häiriintyminen.
• Aggressiivinen ajaminen ja ylinopeus.
• Väsyneenä ajaminen.
• Huumeiden tai alkoholin aiheuttama päihtyneisyys.

Tässä näemme, että AAA:n mukaan liikenneonnettomuuksiin vaikuttaa neljä pääasiallista tekijää. Näihin tekijöihin on keskityttävä liikenneonnettomuuksien vähentämiseksi.

Steven P. Bailey ja minä tutkimme 47 koetta suurten vaikutusten tunnistamiseen. Löydettyjen ”tärkeiden tekijöiden” määrä vaihteli yhdestä kymmeneen, mediaaniarvon ollessa viisi, ja 91 %:lla (43/47) oli kuusi tai vähemmän ”tärkeitä tekijöitä”. Seitsemänkymmentä prosenttia (33/47) kokeista sisälsi kolmesta kuuteen ”tärkeää” tekijää. Päädyimme siihen, että on kohtuullista olettaa, että useimpia prosesseja ohjaa kuusi tai vähemmän tekijää².

Kääntäjän huomautus: lähdeartikkeli on aikaisemmin julkaistu ja suomennettu 4.1.2024 ja saatavilla osoitteessa https://qkk.fi/seulontakokeiden-tehokas-kaytto/ )

Seuraava kysymys on, miten nämä ratkaisevat tekijät tunnistetaan. Hyödyllisin malli on neliöllinen malli, jossa on lineaarisia, vuorovaikutus- ja neliöllisiä termejä. Saadakseni käsityksen siitä, mitkä termit ovat tärkeimpiä, tutkin 46 vastepintakoetta, joissa oli yhteensä 58 vastepintaa. Tässä tutkimuksessa havaitsin, että 37 % vastepinnoista oli lineaaristen vaikutusten hallitsemia. Lineaarisilla vaikutuksilla oli myös suurimmat vaikutukset 67 %:ssa vastepinnoista.³

Yhteenvetona nämä tulokset kertovat, että ongelmastrategiamme tulisi keskittyä löytämään ne kolmesta kuuteen tekijää, joilla on vahvat lineaariset vaikutukset. Kokemus on osoittanut, että neliöllisiin vaikutuksiin liittyy voimakkaita lineaarisia vaikutuksia. Onneksi tällainen strategia on olemassa – tiivistettynä taulukossa 1.

Taulukko 1. Koeympäristöjen vertailu

DuPont kehitti pitkään voimassa olleen ja tehokkaan strategian 1960-luvun puolivälissä. Tämä strategia määrittelee kolme kokeiluvaihetta: seulonnan (screening), karakterisoinnin (characterization) ja optimoinnin (optimization), johon sisältyy robustisuus.⁴ Kunkin strategian keskeiset ominaisuudet ovat tekijöiden lukumäärä, haluttu tieto ja mallin tyyppi. Nämä tiedot kertovat meille, mitä koeasetelmaa tulisi käyttää ja antaa tyypillisen ajojen määrään. Koesuunnittelun (DOE) menetelmällä on merkittävä rooli tässä strategiassa.

Tämä strategia on monipuolinen, koska se sisältää seitsemän erilaista alastrategiaa (taulukko 2). 

Taulukko 2. Alastrategiat seulonnan, karakterisoinnin ja optimoinnin kokeiden perättäisillä kombinaatioilla.

Suosituimman strategian tulisi alkaa seulonnalla ja käyttää optimointikoetta tutkiakseen tarkemmin seulontavaiheessa tunnistettuja tärkeimpiä muuttujia. Tämä strategia on tehokas niin prosessimuuttujien kuin seoskomponenttien (mixture) kokeissa.⁵

Käytetty strategia riippuu kokeellisesta ympäristöstä ja ratkaistavista ongelmista. Olen nähnyt ongelmien ratkeavan suorittamalla vain seulontakokeen. Toisissa tilanteissa ongelmat ratkaistaan ​​suorittamalla vain karakterisointi- tai optimointikoe.

Ai Zhao ja kollegat tarkastelivat fermentaation optimointitutkimusta, jossa tutkittiin 12 tekijää (Suomentajan huomautus: ”Fermentaatiokoe” eli käymiskoe on biologian ja kemian peruskokeita).  Kokeen 16 ajoisessa Plackett-Burmanin seulontakokeessa tunnistettiin neljä ratkaisevaa tekijää. Näitä tekijöitä tutkittiin tarkemmin 16 ajon optimointikokeessa. Kahteen kokeeseen käytettiin 32 ajoa ja tuloksena entsyymiaktiivisuus lisäsi prosessisaantoa 54%, mikä on merkittävä parannus vain 32 ajolla.⁶

C.D. Hendrix suoritti seulontatutkimuksen polymeerilevyn tuotantoprosessista, joka sisälsi 15 tekijää 16:sta ajolla käyttäen Placket-Burman-suunnitelmaa. Kokeessa tunnistettiin kaksi ratkaisevaa tekijää, jotka vaikuttivat polymeerilevyn kylmähalkeilun kestävyyteen. Nämä havainnot auttoivat määrittelemään, miten prosessin tekijöiden, erityisesti liuottimen, tasoja tulisi ohjata.⁷

Havaintodata

Tilastollisesti suunniteltujen kokeiden käyttö tuottaa tyypillisesti korkealaatuista dataa. Joskus saamme käyttöön havaintodataa – eli tietoja, jotka on kerätty ilman tilastollisen koesuunnittelun apua. Esimerkkejä ovat erätiedot, raaka-aineiden ominaisuudet ja tuoteominaisuudet, kuten paino, paksuus ja kovuus. Havaintodatan tärkeitä rajoituksia ovat:

• Usein datatietueet ovat puutteellisia ja niistä voi puuttua arvoja.
• Tärkeitä ennustavia muuttujia on voinut jäädä pois.
• Dataa ei ole kerätty oikealla taajuudella – esimerkiksi on viikoittaisia ​​tietoja, kun tarvitaan päivittäisiä tietoja.
• Ennustemuuttujat vaihtelevat pienellä alueella vähentäen vaikutuksen löytämisen todennäköisyyttä.
• Korreloituneet ennustemuuttujat estävät tärkeiden muuttujien tunnistamista.

Seulontatutkimukset ovat hyödyllisiä myös havaintotutkimusten analysoinnissa. Lineaaristen mallien sovittaminen voi tunnistaa muuttujia, joilla on suuria vaikutuksia. Koska havaintodatassa on aiemmin tunnistettuja ongelmia, keskeisiä tekijöitä voidaan tutkia seulontakokeella. Tavoitteena on löytää 3–6 muuttujaa, joilla on suurimmat vaikutukset ja joita voidaan käyttää tutkittavan ongelman ratkaisemiseen.

Aiemmassa tapaustutkimuksessa kuvailin, kuinka havaintodatan käyttö havainnollistaa havaintodataan liittyviä ongelmia.⁸ (Kuva 1 lähteestä 8)

Tapaustutkimuksessa menestyslääkkeessä on korkeita epäpuhtauspitoisuuksia, mitkä vaikuttavat merkittävästi yrityksen tulokseen. Tavoitteena on löytää muuttujat, jotka aiheuttavat korkeita epäpuhtauspitoisuuksia, ja toteuttaa korjauksia, jotta ongelma ei toistu.

Lääkettä tuotetaan viidessä eri maassa. Tietoja oli saatavilla noin 50 muuttujasta 146 erästä, jotka on tuotettu viimeisten neljän vuoden aikana. Tiedot ovat havainnointiin perustuvia, koska ne olivat tuotteelle ja prosessille tuotannon aikana tehtyjä mittauksia. Havainnointidataa analysoitaessa on erityisen tärkeää ymmärtää ”datan sukuhistoria”, mukaan lukien datan alkuperä ja historia.⁹

Regressioanalyysi tunnisti kuusi muuttujaa, joilla oli tilastollisesti merkitseviä vaikutuksia. Regressiomallin oikaistu R²oli 84 %, mikä osoittaa, että malli sopii kohtuullisesti dataan. Kokemukseni mukaan yli 80 %:n oikaistut R² ovat hyviä havaintodatalle. 

Tässä havaintodatassa oli ongelmia. Ensinnäkin data-analyysi perustui neljän tehtaan tietoihin, ei viiden. Viidennellä tehtaalla ei mitattu tärkeää muuttujaa, joka määritettiin neljän muun tehtaan data-analyysin perusteella. Lisäksi merkittäviä vaikutuksia havaittiin vaikuttavien lääkkeiden erien ja apuaine-erien vuoksi (Suomentajan huomautus: apuaineet ovat ne inaktiiviset aineet, joita käytetään lääketablettien valmistuksessa, mutta joilla ei ole lääkinnällisiä vaikutuksia). Muuttujia, jotka karakterisoivat eroja vaikuttavien raaka-aineiden erien välillä tunnistettiin. Tällaisia ​​muuttujia ei kuitenkaan löydetty apuaine-erien osalta. Siksi tarvittiin lisätiedonkeruuta apuaine-erien laadun karakterisoimiseksi.

Nämä havainnot havainnollistavat sitä tosiasiaa, että on harvinaista, että yksi ainoa käytetty datajoukko ratkaisee yhden ongelman. Ongelmanratkaisu on peräkkäistä, ja yhdestä datajoukosta opitaan ja oppia käytetään prosessin parantamiseen. Tämä viittaa siihen, että tarvitaan muita tutkimuksia ja dataa prosessin suorituskykyyn vaikuttavien muuttujien ymmärtämiseksi paremmin. Hyödyllinen seuraava askel olisi suorittaa seulontakoe havaintodatan regressioanalyysissä löytyneille merkittäville muuttujille. Tilastollisesti suunniteltujen kokeiden suorittaminen tuottaa tyypillisesti korkealaatuisempaa dataa, joka tuottaa parempia tuloksia.

Etsi tärkeät tekijät

Tyypillisesti prosessia ohjaavia ratkaisevia tekijöitä on kuusi tai vähemmän. Etsi nämä tekijät, niin olet hyvällä tiellä löytääksesi hyödyllisen ja tehokkaan ratkaisun ongelmaan. Seulontatutkimukset voivat olla hyödyllinen apu tässä prosessissa.

Vieraskynän kirjoittaja Ronald D. Snee on Snee Associates LLC:n toimitusjohtaja Newarkissa, Delawaressa Yhdysvalloissa. Hän suoritti tohtorin tutkinnon sovelletusta ja matemaattisesta tilastotieteestä Rutgersin yliopistossa New Brunswickissä, New Jerseyssä. Hän työskenteli DuPont-yhtiössä 24 vuoden ajan ennen konsulttiuransa aloittamista. Snee on ASQ:n kunniajäsen ja on saanut ASQ:n Shewhart-, Grant- ja Distinguished Service -mitalit sekä ASQ Six Sigma Forum -palkinnon Six Sigman edistämisestä. Hän on akateemikko International Academy for Quality -järjestössä. Snee on myös American Statistical Associationin (ASA) jäsen ja on saanut ASA:n Deming-luennon palkinnon sekä Wilfred J. Dixon Statistical Consulting Excellence -palkinnon ja Gerry Hahn Quality and Productivity Achievement -palkinnon.

Lähteet:

1. American Automobile Association (AAA) “The Deadly Trio on U.S. Roads: Speeding, Distractions and Aggression,” AAA Foundation for Automotive Safety, 2024.
2. Ronald D. Snee and Steven P. Bailey, “Effective Use of Screening Experiments: Some Practical Uses,” Applied Stochastic Models in Business and Industry, pp. 1-23, May 21, 2023. Suomennos: https://qkk.fi/seulontakokeiden-tehokas-kaytto/
3. Ronald D. Snee, “Improve Your Team’s Batting Average: Using Screening Experiments to Get Better Results,” Quality Progress, March 2020, pp. 26-33.
4. Ronald D. Snee, “Raise Your Batting Average: Remember the Importance of Sequence in Experimentation,” Quality Progress, December 2009, pp. 64-68.
5. Ronald D. Snee and Roger W. Hoerl, Strategies for Formulations Development: A Step-by-Step Guide Using JMP, SAS Press, 2016.
6. Ai Zhao, Fahai Chen, Chunhong Ning, Haiming Wu, Huanfang Song, Yanqing Wu, Rong Chen, Kaihua Zhou, Xiaoling Xu, Yinxiang Lu and Jimin Gao, “Use of Real-Time Cellular Analysis and Plackett-Burman Design to Develop the Serum-Free Media for PC-3 Prostate Cancer Cells,” PLOS One, Vol. 12, No. 9, Sept. 25, 2017.
7. C.D. Hendrix, “Through the Response Surface With Test Tube and Pipe Wrench,” Chemtech, August 1980, pp. 488-497.
8. Ronald D. Snee, “Practical Approach to Data Mining: I Have All These Data, Now What Should I Do?” Quality Engineering, Vol. 27, No. 4, October-December 2015, pp. 477-487.
9. Roger W. Hoerl and Ronald D. Snee, “Show Me the Pedigree: Part of Evaluating the Quality of Data Includes Analyzing Its Origin and History,” Quality Progress, January 2019, pp. 16-23.