Kwaliteit en data: uitdaging voor kwaliteitsmanagement (deel 1)

De context van kwaliteitsmanagement is volop in beweging. Door de sterke toename van ICT-toepassingen en de enorme hoeveelheid data die door deze systemen beschikbaar komen, ontstaan mogelijkheden om een sterkere invulling te geven aan de opdracht voor kwaliteitsmanagement. Als we de uitdaging tenminste aannemen.

Het vakgebied kwaliteitsmanagent heeft de afgelopen jaren interessante ontwikkelingen doorgemaakt. Deden de Egyptenaren bij de bouw van de piramides al aan kwaliteitsmanagement en waren de gildes een voorbeeld van het ontwikkelen van kwaliteitsbesef en kwaliteitsborging, de grote hausse kwam vanaf de jaren tachtig van de vorige eeuw. De kwaliteit van de Japanse producten bracht de boodschap van W.E. Deming over de bühne. Zijn statistische denkwijze had de Japanse industrie veel gebracht en de westerse wereld nam dat mondjesmaat over.

Ontwikkelingen in kwaliteitsmanagement

Het gebruik van data heden ten dage is natuurlijk niet nieuw, Deming appelleerde daar al aan met zijn uitspraak ‘In God we trust, anyone else bring data’ en ‘Without data you are just another person with an opinion’.

Daarna lijkt het gebruik van data wel uit het gezichtsveld van de kwaliteitsfunctionarissen verdwenen te zijn. De komst van ISO 9001 en de daaruit voortvloeiende activiteiten om toch vooral een kwaliteitsmanagementsysteem (KMS) op te zetten, verlegden de aandacht van proces en data naar systeem. Paragraaf 4.20 in de ISO 9001:1994-versie leek een laatste redmiddel om het gebruik van data te stimuleren, maar in de praktijk werd er in de audits niet veel aandacht aan besteed en verdween het uit het zicht.

Data komen weer in de hoofdrol en wel in bijzondere mate. Ze leggen nieuwe uitdagingen voor aan de kwaliteitsgemeenschap.

De daaropvolgende ontwikkeling van kwaliteitsmanagement naar Maatschappelijk Verantwoord Ondernemen en risicomanagement (en verandermanagement en …) dreef de aandacht nog verder af van proces en data. Nu komen data weer in de hoofdrol en wel in bijzondere mate. Ze leggen nieuwe uitdagingen voor aan de kwaliteitsgemeenschap.

Procesanalyse

De basis van datagebruik voor kwaliteitsmanagement ligt in de analyse van de processen. Het doel is middels de data te begrijpen hoe het proces functioneert, zodat de belangrijke eigenschappen kunnen worden beheerst of verbeterd. De eerste organisatie op het gebied van kwaliteit, de vermaarde Stichting Kwaliteits Dienst voor de Industrie (KDI), is opgericht door een statisticus, Jan van Ettinger. Ook als je de eerste nummers van Sigma leest, zie je dat er vooral statistiek werd bedreven om iets zinvols te kunnen zeggen over de stand van de kwaliteit van de producten en processen. Vooral nog over producten, want de discussie over de kwaliteit van diensten kwam pas veel later. Quality Progress, het tijdschrift van de American Society for Quality, bevat nog steeds rubrieken over statistiek en meetmiddelen.

Kwaliteitsinstrumenten

Het toepassen van deze kwaliteitsmethoden, zoals correlatie- en regressieanalyse, statistische procesbeheersing, steekproefsystemen en tijdreeksanalyse, zijn binnen de kwaliteitsgemeenschap nog steeds geen gemeengoed. Ze worden wel erkend als belangrijke vaardigheden voor kwaliteitskundigen. Ze staan niet voor niets in de Body of Knowledge van de EOQ voor persoonscertificatie van kwaliteitsmanagers, waar ook het NNK zich actief in beweegt. De drempel voor het uitvoeren van deze analyses is ook steeds lager komen te liggen. Excel kan de meeste standaardzaken prima aan en door de ontwikkeling van Minitab binnen Lean Six Sigma zijn ook minder standaardsituaties niet meer moeilijk om te analyseren. Blijkbaar zit de bottleneck ergens anders.

Bekijk hier uitleg over Kwaliteitsinstrumenten

Kennis van het proces

Het gebruik van data om meer inzicht te krijgen en daarmee de kwaliteit van de resultaten te doorgronden, beheersen, verbeteren en voorspellen, levert een aardig beeld op van de mogelijkheden in de praktijk.

• Beschrijvende analyse in de vorm van KPI’s, meestal verantwoordingsinformatie: wat is er gebeurd?
• Statistische analyses om te achterhalen waardoor dat komt, analyse-informatie.
• Op basis van deze statistische analyses worden modellen gevormd waarmee we voorspellingen kunnen doen.
• Als we kunnen voorspellen, dan kunnen we ook aangeven hoe we moeten reageren op de voorspelde omstandigheden.

Dat de resultaten van de analyse geduid moeten worden is vanzelfsprekend. De analyse van data levert alleen maar grafieken, tabellen, p-waarden en andere statistische grootheden op. Maar wat zegt dat over wat er in het proces plaatsvindt? Daarvoor is kennis over het proces nodig.

Analyse van data levert alleen maar grafieken, tabellen en andere statistische grootheden op. Maar wat zegt dat over wat er in het proces plaatsvindt?

Dashboards: heilige graal?

De komst van prestatie-indicatoren, mede door de Balanced Score Card van Kaplan en Norton, is nu uitgegroeid tot een ware kunst. De mooiste scoreborden worden gemaakt met verschillende soorten software. Meest laagdrempelig is het programma Excel. Er staan honderden YouTube-instructiefilms op internet waarin wordt uitgelegd hoe je eenvoudig mooie grafische weergaven kunt maken (onder andere Leila GHarani, PK Expert). De cockpit van de organisatie kan op deze wijze zeer aantrekkelijk worden vormgegeven en dat verhoogt de attentiewaarde.

Als je de kwaliteit van een product of dienst als uitkomst van een proces wilt begrijpen om te verbeteren, dan moet je de dynamiek van het voortbrengende proces kunnen doorgronden.

De vraag is of deze dashboards voor kwaliteitsmanagement nu de heilige graal zijn. Als je de kwaliteit van een product of dienst als uitkomst van een proces wilt begrijpen om te verbeteren, dan moet je de dynamiek van het voortbrengende proces kunnen doorgronden. Dan is het niet voldoende om naar een standaard dashboard te kijken. De dynamiek van de processen wordt weergegeven in de variatie die in de data is opgenomen. Dashboards werken veelal met gemiddelden of percentages en geven deze dynamiek dus niet weer. Terug naar de eerdergenoemde analyses dus om te achterhalen wat de uiteindelijke kwaliteit van de uitkomst van het proces veroorzaakt.

Kwaliteit en IT

Op veel kwaliteitsafdelingen worden data nog verzameld op de traditionele manier. Data worden verwerkt op invulbladen en opgeslagen in Excel-bestanden. Maar de informatie die in deze bestanden is vervat, wordt niet geoogst. En dit zijn nog maar de enkelvoudige data, de small data. Wat als we ons bezig gaan houden met big data?

Kwaliteitsmanagement zou veel dichter tegen IT aan moeten gaan zitten. Daar zit de gesprekspartner om samen meerwaarde te halen uit de enorme berg data die ter beschikking staat.

De beschikbaarheid van de immense hoeveelheid data maakt ook dat de traditionele statistische software, die uitgaat van een mooi gestructureerde dataset, niet meer toereikend is. Software als Qlickview, Tableau, Power BI en dergelijke maken het al wat toegankelijker omdat deze software de verbinding kan regelen tussen de vele databases. Maar is dit niet een stapje te ver voor de kwaliteitskundige? Er wordt al lang gezegd dat kwaliteitsmanagement zich meer moet richten op verandermanagement, innovatiemanagement en risicomanagement. Maar als je de ontwikkelingen met data zo ziet, dan zou kwaliteitsmanagement veel dichter tegen IT aan moeten gaan zitten. Daar zit de gesprekspartner om samen meerwaarde te halen uit de enorme berg data die ter beschikking staat om informatie te genereren en daarmee de kwaliteit te verbeteren.

Meerwaarde

Door de beschikbaarheid van de software, de enorme bergen gegevens die overal worden opgeslagen en de tand des tijds, staan de sluizen voor wat betreft de dashboards ook wel open. Vanuit kwaliteitskundig oogpunt een gelukkige situatie met een groot vraagteken, want wat op de dashboards zichtbaar is, gaat over de afgelopen prestatie van de processen (kwaliteit in voorbije tijden), de zogenoemde lagging indicators. Ze geven geen of beperkt inzicht in de achterliggende dynamiek van het proces en wijzen ook niet naar de oorzaken.

Om echt meerwaarde te halen uit het systeem van KPI’s zou je dus twee dingen moeten doen. Ten eerste het aantal indicatoren beperken en ten tweede op zoek gaan naar die variabelen in het proces die de resultaten van de KPI’s veroorzaken, de zogenoemde leading indicators.

Metric of Urgency

Er zijn initiatieven die deze twee zaken in een programma hebben gevat, waarbij ze gebruik maken van reeds ontwikkelde methoden van werken. Ik noem hier Metric of Urgency (MoU)en The 4 Disciplines of Execution (4DX). De werkwijze van Metric of Urgency is geïnspireerd door de Lean Six Sigma-filosofie en legt de link tussen de strategische KPI’s (lagging) en de dynamiek in het proces door zeven stappen te zetten.

1. Bekijk de strategische doelen, wat wil of moet de organisatie de komende tijd bereiken.
2. Definieer de KPI’s die dat weergeven (lagging indicators).
3. Formuleer de kloof tussen gewenst resultaat en huidige situatie als een helder probleem in termen van klanten, competitieve situatie en/of financiële resultaten.
4. Bepaal nu welke processen en welke resultaten van de processen (leading indicators) de meeste invloed hebben op de gewenste resultaten op strategisch niveau.
5. Kies een beperkt aantal projecten dat in omvang precies past bij de benodigde inspanning om die processen op het goede niveau te krijgen.
6. Verbeter deze processen, gebruik daarbij de kwaliteitsgereedschapskist die de meeste kwaliteitsprofessionals wel tot hun beschikking hebben.
7. Houd focus op dit beperkte aantal projecten om alle energie te gebruiken om de strategische doelen te realiseren.

The 4 Disciplines of Execution

The 4 Disciplines of Execution (4DX) is beschreven door onder andere Sean Covey (auteur van onder andere De zeven eigenschappen die jou succesvol maken) en beschrijft een methode van werken die meer gebaseerd is op de Leanfilosofie in combinatie met wat we tegenwoordig scrum of agile werken noemen.

D1: Focus on the wildly important. Kies één uitermate belangrijk doel, een principe van focus. Waarom is dat zo belangrijk, welk belangrijk resultaat ga je niet halen als dit doel niet wordt gehaald? Stel een startpunt, eindpunt en deadline vast.

D2: Act on the lead measures. Het principe van invloed. Houd niet alleen de resultaten in de gaten (lag indicators) maar zoek naar de activiteiten die dat veroorzaken en meet deze. Wijziging van het proces is zichtbaar in de lead measure.

D3: Keep a compelling scoreboard. Het principe van betrokkenheid. Een wedstrijd levert niet veel interesse op als we de score niet bijhouden. Mensen raken meer betrokken als de resultaten van hun inspanningen zichtbaar zijn.

D4: Create a cadance of accountability. Het principe van aanspreekbaarheid. Een combinatie van een scoreboard en de scrumactiviteiten waarbij het team op zeer regelmatige basis (dagelijks, wekelijks) bespreekt welke activiteiten het gaat ondernemen om de leading indicator te verbeteren. Daarbij spreken de teamleden elkaar aan op de resultaten van hun uitgevoerde activiteiten.

Link naar kwaliteitsmanagement

Wat is nu de link naar kwaliteitsmanagement? We spreken over de kwaliteit van de aansturing van de organisatie en de waardevolle inzet van de medewerkers. Vaak hoor ik van kwaliteitskundigen dat ze graag in het veld van strategisch kwaliteitsmanagement werken. Welnu, hier is de opdracht die daaraan verbonden is. Want de beschikbaarheid van data op strategisch niveau zonder koppeling aan motivatie van medewerkers om de goede dingen te doen, en daarbij het gevoel te hebben dat ze een zinvolle en zichtbare bijdrage leveren aan het succes van hun organisatie, is kwalitatief gezien geen goed aansturingsproces.

Kwaliteit van data

Bij gebruik van opgeslagen data komt vaak als tegenargument naar voren dat de data niet kloppen of niet volledig zijn. De tegenvraag die gesteld kan worden is dan: wie heeft de data ingevoerd (of niet)? Gaandeweg zullen de data beter worden als ze ook echt gebruikt gaan worden. Ik zou daar niet op wachten, maar met de nodige voorzichtigheid toch met de data aan de slag gaan. Bedenk dat er twee momenten zijn die echt van belang zijn: het moment waarop ze verzameld worden, want dan bevatten ze de benodigde informatie (of niet), en het moment waarop ze gebruikt worden, eventueel na analyse, om iets te poneren. Met dat in het achterhoofd moeten we altijd naar de kwaliteit van data kijken. Dat is altijd nog beter dan weer terugvallen op onderbuikgevoel.

Twee momenten zijn echt van belang: het moment waarop data verzameld worden, want dan bevatten ze de benodigde informatie (of niet), en het moment waarop ze gebruikt worden.

Het uitgebreide gebruik van dashboards vraagt om een goede weergave van de analyseresultaten. De standaard grafieken van Excel zijn natuurlijk prima voor de standaardoplossingen, maar voor verdergaande analyse en presentatie is een volgend niveau aan vaardigheden nodig.

Duiding en benodigde vaardigheden

Hoe komen we tot inzet van de mogelijkheden? We kennen al de ‘lerende organisatie’. Daar zien we nu de ‘intelligente organisatie’ bijkomen. Maar organisaties leren niet en zijn niet intelligent. Mensen leren en mensen zijn intelligent. Dat betekent dat de combinatie van data en lerende mensen tot mooie dingen kan leiden. Toch blijkt dat als het gaat om het analyseren van data om tot betere inzichten te komen er nogal wat drempels zijn. Wat maakt nu dat het niet algemeen gebruik is dat binnen kwaliteitsmanagement data breed worden gebruikt om tot deze inzichten te komen?

Er zijn drie dingen nodig om op de juiste wijze het leerproces via data te laten verlopen, met een mooie opbrengst:

• Intellectuele nieuwsgierigheid, willen weten en willen snappen. Hoe komen de kwaliteitseigenschappen tot stand in het proces en hoe kunnen we dat beïnvloeden?
• Analysevaardigheid, de meer (en niet altijd zo moeilijke) statistische analyses. De analyse ontsluit de structuur en dynamiek in de processen vanwaar de data komen.
• Domeinexpertise, de duiding van de resultaten van analyse geeft de interpretatie daarvan voor de reële wereld, dat betekent terug naar wat dat nu over het proces en de resulterende kwaliteit praktisch zegt.

Deze drie vaardigheden samen lossen mogelijk de eerdergenoemde bottlenecks op in het doorgronden van het proces middels de verzamelde data.

Arend Oosterhoorn begeleidt vanuit zijn eigen adviespraktijk organisaties die op zoek zijn naar verbetermogelijkheden. 

Dit is deel 1 van artikelen over Kwaliteit en data en verscheen in Sigma 3, 2018. Deel 2 verscheen in Sigma 4, december 2018.