Doorheen het volledige proces kunnen er zich een heel aantal alarmen voordoen door uitschieters/anomalieën of een grote variantie. Het is ook niet altijd voor de hand liggend wat de oorzaak is. In de ‘oorzaak – gevolg analyse’ of de correlatieanalyse wordt er gekeken naar allerlei mogelijke invloeden en hun verbanden met het ongewenst resultaat. Als voorbeeld wordt hieronder de correlatieanalyse besproken op een kaas productieproces waarop er te veel afwijking zat op het eindgewicht.

 

Hoe werkt het?

Voor dit soort analyses werken we vaak volgens een iteratief proces, zoals hieronder afgebeeld.

Stap 1: We gaan met u in overleg en stellen enkele vragen om te komen tot wat het probleem precies is en wat mogelijke invloeden kunnen zijn volgens uw ervaring.

Stap 2: De juiste data wordt geselecteerd als deze beschikbaar is. Zoniet, dan worden eerst de nodige stappen ondernomen om de extra data te loggen. In dit geval is het zeer handig om zoveel mogelijk data te gaan loggen, om zo het aantal iteraties te verkleinen. Hoe meer beschikbare data, hoe minder er in de toekomst gekeken moet worden om opnieuw extra data te gaan loggen.

Stap 3: De data wordt ‘opgeruimd’ en bruikbaar gemaakt voor analyse.

Stap 4: De analyse wordt uitgevoerd. Hierbij worden correlaties in kaart gebracht, inzichtelijke plots/figuren gemaakt, statistische technieken toegepast.

Stap 5: We bespreken samen met u de resultaten en interpreteren deze. Hieruit kunnen verschillende conclusies volgen:

  • Er is nog te weinig data of een stuk van de data ontbreekt nog: extra data loggen
  • Er vallen bepaalde zaken op in de ‘bigger picture’: gedetailleerde analyse uitvoeren op een onderdeel
  • Er zijn extra inzichten, nieuwe ideeën ontstaan: bijkomende analyse op een nieuw onderdeel
  • Er zijn duidelijke correlaties gevonden: acties ondernemen om deze aan te pakken in het proces

Eventuele acties worden ondernomen.
We komen terug bij stap 1, waarbij opnieuw de juiste vragen worden gesteld: welke aanpassingen / toevoegingen dienen te gebeuren om de verkregen conclusies opnieuw te verwerken in de correlatie analyse?

 

Voorbeeld gewichtsanalyse kaas

Stap 1: Verschillende lijnen produceren dezelfde kaas

Stap 2: Er wordt afgesproken welke data geanalyseerd wordt en welke extra data wordt gelogd

Stap 3 & 4: Opruimen en analyse

Stap 5: Er vallen verschillende zaken op:

  • 1 lijn produceert andere gewichten tov de andere lijnen
  • Er zit een seizoenseffect in de data (standaardisatie van de melk kan dus nog beter)
  • De gebruikte pasteur heeft een invloed

Volgende iteratie:

Stap 5:

  • Lijn die de andere gewichten produceert staat naast het raam en heeft invloeden van het weer
  • Andere instellingen op beide pasteurs

Waar wordt het verschil gemaakt?

Hier kunnen we de sterkte van het data analytics team volledig tot zijn recht laten komen. Onze ervaring in het productieproces samen met onze expertise in data analyses zorgt ervoor dat het ongewenst gedrag in uw proces tot in detail wordt uitgezocht.

Door te werken in een iteratief proces, gebeurt het werk in cyclussen waarbij er na elke cyclus met u wordt samengezeten. Zo kan u van
dichtbij meevolgen en input geven. Na elke iteratie volgt er ook een GO/NO-GO, waarin er wordt beslist of er verder wordt onderzocht, of er eerst enkele aanpassingen zullen gedaan worden op het proces, waarna de invloed opnieuw kan worden bekeken.

 

Voordelen oorzaak-gevolg analyse

  • Iteratief proces waarbij u input geeft
  • Inzichtelijke figuren geven duidelijke verbanden in uw pr oces
  • Data bevat vaak inzichten die anders moeilijk te vinden zijn
  • Verlaag variantie in uw proces en reduceer alarment

 

Terug naar cases overview

Wenst u meer informatie?

Contacteer ons