Binnen Lean Six Sigma vormt het DMAIC model de ruggengraat van elk verbeterproject. De vijf fases – Define, Measure, Analyse, Improve en Control – bieden houvast om problemen gestructureerd aan te pakken en processen te optimaliseren.
In dit artikel gaan we dieper in op de Analyse-fase. We leggen uit hoe je root causes achterhaalt, hoe je data-analyse effectief inzet en welke tools je helpen om oorzaken te onderscheiden van symptomen.

Hoe werkt de Analyse fase?

Het doel van de Analyse fase is het vaststellen van welke proces parameters (inputs) het meeste effect hebben op de kritische proces resultaten (outputs).

Binnen de Analyse fase staan de volgende twee stappen van het 12 stappenplan centraal:

6. Mogelijke oorzaken variatie
7. Bepalen van de hoofdoorzaken

Eerst wordt er gezocht naar de oorzaken dat Y niet altijd de gewenste waarde heeft, een long list met mogelijke oorzaken wordt opgesteld. Daarna wordt er gezocht naar de hoofdoorzaken, een short list met root causes wordt gemaakt. Belangrijk is dat deze hoofdoorzaken onderbouwd kunnen worden met data.

6. Mogelijke oorzaken variatie

Het resultaat van deze eerste stap in de Analyse fase is het vinden van mogelijke oorzaken van variatie, een lijst met X-en. Er zijn in het algemeen vele bronnen van variatie. Niet al deze X-en dragen substantieel bij. Naast de vraag of een bepaalde X substantieel bijdraagt aan de variatie zal het later van belang zijn of er wel controle mogelijk is over deze X. Is het een knop waaraan je eenvoudig kunt draaien? Het weer heeft bijvoorbeeld invloed op de filelengte in Nederland maar is moeilijk te beïnvloeden. Toch kunnen we – als we weten wat voor weer het wordt – met andere X-en zorgen dat we op tijd komen, ondanks de file. Hoe beter je weet wat de invloed van het weer op je reistijd is, én hoe beter je de weersverwachting weet, des te beter kun je daar rekening mee houden en je vertrektijd optimaal aanpassen! De X-en die we niet kunnen beïnvloeden noemen we “ruis”, maar ook die X-en nemen we dus mee in de zoektocht naar alle X-en.

7. Bepalen van de hoofdoorzaken

De rangschikking van deze X-en is gedaan op basis van het geven van scores en inschattingen van de procesdeskundigen. Om meer inzicht te krijgen in de X-en die voor variatie zorgen, zal waar mogelijk, data moeten worden verzameld van deze X-en.

Soms is een X erg moeilijk meetbaar. Denk hierbij bijvoorbeeld aan de ervaring van personen die in het proces werkzaam zijn. Soms probeert men dan bijvoorbeeld het aantal dienstjaren of de mate van training te kwantificeren en deze als grootheid te gebruiken, om iets kwantitatiefs over “ervaring” te kunnen zeggen. Meestal gaat dit mis, omdat dienstjaren en mate van training niet alles zeggen over “ervaring”. Neem in zo’n geval bijvoorbeeld eerst de namen van de personen als X. Als je dan een oorzakelijk verband vindt tussen de namen met het procesgedrag, kun je daarna een niveau dieper onderzoeken, waarom er verschillen tussen personen zijn. Zie je geen verband, dan kun je ervaring als belangrijke X ook terzijde stellen.

Daarnaast kunnen statistische testen (hypothesetesten) worden gebruikt om een verband tussen een invloedsfactor X en de prestatie van een proces Y aan te tonen. Binnen de statistiek bestaan verschillende statistische testen. Welke te gebruiken hangt o.a. af van het type data van X en Y.

Wat zijn valkuilen in de Analyse fase

• Lijst van mogelijke oorzaken niet compleet maken
• Meningen van medewerkers zomaar aannemen en niet onderzoeken
• Geen data verzamelen van mogelijke oorzaken

Welke tools kun je gebruiken in de Analyse fase?

• Brainstorm
• Visgraat/Fishbone/Ishikawa/Cause&Effect diagram
• Cause&Effect matrix
• Failure Mode and Effect Analysis (FMEA)
• Value Stream Map (VSM)
• Pareto analyse
• Boxplot
• Hypothesetesten
• Correlatie en regressie

Veelgestelde vragen in de Analyse fase

Wanneer is de analyse fase gereed?

Als de invloedsfactoren zijn gevonden die het probleem veroorzaken (root causes).

Kan er altijd en voor elke X een data analyse plaatsvinden?

Sommige X-en zijn moeilijk meetbaar (kwalitatief), bijvoorbeeld houding en gedrag. Voor dit soort X-en kan je niet altijd een data analyse doen, het toepassen van de FMEA is dan een alternatief.

Hoeveel grondoorzaken zijn er gemiddeld?

Dit zijn er net zo veel als nodig om het probleem op te lossen, maar vaak zijn dit er ca. drie.

Interesse in DMAIC?

Leer hoe je deze methode succesvol inzet in jouw organisatie. Met onze studiehandleiding ontdek je welke training geschikt is voor jou. Liever gelijk aan de slag? Volg dan de gratis White Belt training.

Dit artikel is geschreven door: Mascha Westen en Marcus Witteman