We naderen het einde van deze reeks en de grafieken worden dus steeds specifieker. Deze categorie wordt vooral gebruikt in R&D en de meer operationele sturing van bedrijven. Ze toont immers de relatie tussen 2 of meer proces variabelen.
De “scatter plot", de meest éénvoudige manier om relaties te visualiseren.
Dit éénvoudig en enkelvoudig voorbeeld van een ‘scatter’ plot toont de relatie tussen de proces-temperatuur (°C) en de opbrengst in een bio-proces (kg).
Het spreekt echter voor zich dat er eerst een causatie-test moet gebeuren. Is de veranderende opbrengst wel een causaal gevolg van de veranderende temperatuur? Je mag daar in dit voorbeeld van uitgaan.
Er is duidelijk een verband te zien tussen de 2 parameters. Van zodra dit verband is vastgesteld, kan je deze relatie verder analyseren. Daarvoor heb je echter een uitbreiding nodig op de “scatter” plot.
De “regressie plot", de statistische benadering van proces-relaties.
- Modelleren: Via de regressie techniek kan je het wiskundige model bepalen dat de gevisualiseerde relatie modelleert. Het levert een formule op waar je wel omzichtig moet mee omspringen. Deze formule is enkel betrouwbaar in het gebied waar observaties voor bestaan.
Het voorbeeld blijkt een quadratische functie te zijn: y=Ax²+Bx+C.
- Voorspellen: Van zodra het regressiemodel gekend is, kan je dit gebruiken om te voorspellen. Met de juiste software (het kan ook handmatig) kan je berekenen bij welke temperatuur (x) je de hoogste opbrengst (y) krijgt. Dat blijkt in dit geval 36.9 °C te zijn.
- Sturen: Je kan deze kennis ook aanwenden om het proces te sturen. In dit voorbeeld zou je de processturing zo kunnen instellen dat de temperatuur altijd tussen de 36.4C° en 37.4°C ligt. Stel nu dat het met de huidige installatie niet mogelijk is om meer nauwkeurig te sturen, dan zorg je er toch al voor dat de opbrengst altijd in de top van de curve ligt en dus steeds in de buurt van de maximale waarde.
Over dit onderwerp valt uiteraard veel meer te vertellen. Voor deze blog hou ik het bij de eenvoudige toepassing van relatie-plots. Maar wie meer wil weten, kan het fantastisch mooie, statistische pad van de complexere regressieanalyse volgen. Dit pad zal uiteindelijk leiden tot de wondere wereld van “Design of Experiments.” Wie in het lab of op de productievloer het proces tot op ongekende hoogte wil optimaliseren, moet dit pad echt eens bewandelen.
Ik sluit ook nu graag af met een anekdote die aantoont dat scatter plots ook in de kantoorcontext nuttig kunnen zijn. Nog niet zo lang geleden kwam een ‘greenbelt in spé’ mij heel fier een grafiek tonen. Hij had de verkoopvolumes per klant afgezet tegen de betaaltermijn. Let wel, het gaat hier niet over afgesproken betaaltermijnen, maar over de echte betaaldatum gerekend vanaf besteldatum. Het patroon van de relatie doet in dit specifieke voorbeeld niet zoveel ter zake, maar wel de klanten die buiten het patroon vallen. De ‘belt in spé’ had voor een handvol, uit de band springende klanten een individuele analyse gemaakt. Hij kon dus haarfijn uitleggen hoe we dienden bij te sturen voor dit selecte clubje klanten en dus sneller betaald zouden worden. En dit zonder iets aan de eigen organisatie en het gedrag van de niet betrokken klanten te wijzigen.
Volgende keer sluit ik deze reeks af met een aantal persoonlijke beschouwingen.
