Aanpak

Wat kunt u van mij verwachten?
De volgende stappen worden gezet, bij voorkeur samen met u en uw medewerkers:

  • Verkenning: welke factoren beïnvloeden de kwaliteit van producten en processen?
  • Modelbouw: hoe groot is de invloed van elk van deze factoren?
  • Prognose: hoe zal de kwaliteit zich bij ongewijzigde omstandigheden ontwikkelen?
  • Optimalisatie: welke prioriteit krijgen invloedsfactoren in een verbetertraject?
  • Validatie: werkt het verbetertraject zoals verwacht?

Uiteraard kunt u desgewenst stappen overslaan of achterwege laten, zolang u tevreden blijft de resterende kwaliteit van de analyse. De stappen zijn aan het eind van deze pagina meer in detail weergegeven

Er zijn meerdere manieren van samenwerking mogelijk

1. Multidisciplinaire aanpak
De kennis en vaardigheden van uw medewerkers zijn daarbij cruciaal. Ik voeg daar mijn kennis en vaardigheden aan toe. Samen maken we de sturing van uw processen en de kwaliteit van uw producten nog beter, in het belang van uw klanten, medewerkers en de eigenaar(s), rekening houdend met de wereld waarin we leven. Deze benadering levert uw bedrijf geïmplementeerde kennis en inzicht op en kost mij minder tijd (lagere kosten voor u). De aanpak is projectmatig en vraagt tijd van uw specialisten, een investering voor de lange termijn. Desgewenst kan ik uw medewerkers de benodigde methoden voor gegevensanalyse leren.

2. Toevoegen van waarde met een minimale inspanning van uw medewerkers
In een ideale situatie werken we zoveel mogelijk samen om de resultaten (kennis en inzichten) te verankeren in de kennis en vaardigheden van uw medewerkers, in de processturing en in het ontwerp van uw producten. Als u daarvoor nu geen mensen vrij kunt maken, dan kan een gegevensanalyse toch veel opleveren. Ik verdiep me dan in uw bedrijf, overleg zo weinig mogelijk met uw medewerkers en zorg zelf voor de juiste ordening van uw gegevens, desgewenst verzamel ik deze zelf in uw bedrijf.
U krijgt het resultaat in de vorm die u wenst, een advies voor optimalisatie, met of zonder een uitgebreide rapportage ter onderbouwing.

Stappen in detail

  • Mobiliseer kennis, van procesoperator tot financiële specialisten;
  • Begin eenvoudig, inventariseer de huidige kennis op hoofdlijnen;
  • Maak keuzes: wat heeft prioriteit? (indien nodig zijn prioriteiten te berekenen);
  • Welke kwaliteitsvariabele(n) wilt u beter beheersen?
  • Welke stuurvariabelen hebben daar waarschijnlijk of mogelijk effect op (diagram)?
  • Een verkenning van de verbanden tussen kwaliteits- en stuurvariabelen.
    • Er is een breed scala aan technieken beschikbaar, een overzicht op deze pagina.
    • Indien de formules* van verbanden al bekend zijn, werken we uiteraard daarmee.
  • Verzameling van gegevens, desnoods schattingen (we beginnen eenvoudig …).
  • Bouw van het statistische model** dat de verbanden beschrijft.
  • Gevoeligheidsanalyse: welke stuurvariabelen hebben de grootste invloed?
  • Onzekerheidsanalyse: over welke invloedrijke stuurvariabelen is (te) weinig bekend?
    • Variabelen met voldoende zekerheid krijgen prioriteit in de procesoptimalisatie.
    • Variabelen met teveel onzekerheid krijgen prioriteit in gegevensverzameling.
  • Indien nodig: procesoptimalisatie (kwaliteit, kosten, medewerkers, omgeving).
  • Prognose met onzekerheidspluim, inclusief de effecten van procesoptimalisatie.
  • Validatie van het model: zijn de prognoses correct?
  • Indien nodig: gegevensverzameling voor verbetering van het model.

* proceskundig, productgebonden, klanten, fysisch, chemisch, (micro)biologisch etc.
** ‘model‘ klinkt heel complex, maar 1+1 =2 is een model. Het is dus een grote formule.

Procesautomatisering met machine learning en/of artificial intelligence

Machine learning (machinaal leren) en in toenemende mate artificial intelligence (AI, kunstmatige intelligentie) zijn technieken die toepasbaar zijn in procesautomatisering.
Deze technieken vergen grote hoeveelheden gegevens (‘big data’), afkomstig van sensoren, waarbij processturing via (complexe) terugkoppeling steeds beter wordt. Ik werk samen met partners die hier meer vanaf weten dan ik, ik breng u graag met hen in contact.

Veel gegevens (‘big data’) uit andere bronnen

Het is geweldig als u veel gegevens heeft! Hoe meer gegevens, hoe kleiner de onzekerheid. Het blijft zinvol (en met gegevens een enorme klus) om de gegevens goed te controleren, met kennis van zaken. Dat voorkomt bijvoorbeeld dat mannen zwanger worden in gegevensanalyses. Slechte gegevens leveren slechte conclusies op, dus ik werk niet met standaardsystemen die verbanden vinden tussen van alles en nog wat, zonder, liefst samen, na te denken over hóe en waarom er verbanden zijn, op basis van bestaande kennis.

Wat doe ik niet?

  • Engelse termen gebruiken, zoals als data (gegevens), Big Data (veel gegevens) en Data Science (gegevenswetenschap*). De termen zijn erg populair en ik gebruik liever de eenvoudige Nederlandse termen: gegevensanalyse en statistiek. Misschien ben ik ouderwets, maar ik houd van duidelijke communicatie.
  • Ook de term Design of Experiment (DOE, gebruikt tijdens Six Sigma) vermijd ik, want de term dekt de lading niet goed. De statistiek in de Six-Sigmabenadering is een mooie standaardbenadering (meerweg-variantieanalyse) die verder gaat dan een basisanalyse. Het kan echt nóg beter als je 20 jaar ervaring hebt met een grote verscheidenheid aan technieken voor analyse van proces- en productgegevens.
    Zeker doen, overigens, Six Sigma, het is een prima stap voorbij de basisanalyse.

*Data science
Dit betekent letterlijk: gegevenswetenschap. Dat zou kunnen betekenen:

  • Wetenschap met gebruik van gegevens (ik vraag me dan af: waarmee anders?)
  • Wetenschap van gegevensanalyse, wiskunde en statistiek dus.

De meeste gegevensanalisten die zich ‘data scientists’ noemen en met ‘big data’ bezig zijn, gebruiken technieken die door anderen ontwikkeld zijn en die zij van anderen geleerd hebben, net als ik.
We gebruiken prachtige technieken en de mogelijkheden in de gegevensverkenning en statistiek zijn mede dankzij computers en het werk van wiskundige en statistische wetenschappers groot. In mijn ogen mogen echter alleen zij die publiceren in wiskundige of statistische vakbladen zich een ‘data scientist’ noemen (zij noemen zichzelf echter, terecht, wiskundige of statisticus). Meer op deze pagina op de website Stackexchange en op deze Wikipedia-pagina.
Ik ben met meer dan 20 jaar ervaring analyse van bedrijfsprocessen handig met statistiek (zie mijn publicaties), maar zou mezelf geen statisticus durven noemen.
Het zou misschien goede marketing zijn, maar ik wil mezelf ook geen ‘data scientist’ noemen, hooguit ‘kwantitatief analist’ of ‘gegevensanalist’.

Contact