Är du utnyttjad?

Man behöver inte vara en mästerdetektiv för att upptäcka att svenskt näringsliv och andra institutioner och organisationer inte utnyttjar de välutbildades kunskap fullt ut.

Många ingenjörer och ekonomer har studerat fördelningar, sannolikhetslära, inferensteori (konsten att dra slutsatser), men efter årtionden i näringslivet har jag inte sett många spår av att denna kunskap blommat upp.

Det verkar som om näringslivet inte erbjuder någon grogrund att växa i – även yngre ingenjörer säger ofta ”det var länge sedan jag läste detta, har glömt det mesta” när jag frågar, för de är rädda att jag ska förhöra dem, men de vet ända vilken lärobok de använde och var den finns hemma i bokhyllan.

Var beror detta på? Är det okunnighet om kunnighet? Ibland har jag fått höra att ”vi har infört Sex Sigma och köpt ett datorprogam som kan spotta ut mängder av diagram och grekiska bokstäver!”, men att ha vita fläckar på detta kunskapsområde kan vara farligt enligt mina erfarenheter. Det är svårt att överblicka till exempel vad underleverantörer gör då de ofta konstruerar egna beräkningsrutiner och redovisningar baserade på något hemmasnickrat. Den statistiska kunskapen ska ju ingå som en naturlig del i dimensionerings- och konstruktionsarbete, i produktionsplanering och ekonomisk planering och helst i realtid då möjligheten att göra något bra av den fortfarande finns.

En utmärkt möjlighet är att simulera. Många konstruktioner består av enskilda komponenter vars kvalitet är känd eller kan antas. ”Vad händer med mätvärde X om vi löder ihop komponent A, B och C?” Att skriva en programsnutt som gör denna simulering tar inte lång stund och genom att variera A, B och C kan man uttala sig om vilka krav det måste vara på dem för att få en bra produkt.

Företag älskar KPI, Key Performance Indicator, men även här kan det gå snett utan kunskap om statistik och analys. Ett företag jag mötte hade skapat en KPI som bestod av tidsperiodens kvalitetsresultat, tidsutnyttjande och ytterligare en komponent som alla påverkades av slumpmässig variation, vilket naturligtvis påverkade KPI-värdet. Dessutom betalade man ut en bonus om KPI översteg ett visst gränsvärde. De slumpmässiga variationerna översteg gränsvärdet, ofta, väldigt ofta. Hade man enkelt simulerat detta skulle man insett att gränsvärdet blev fel. Nu blev det stora utbetalningar trots att processen inte förbättrats.

Vad behövs? Det är inte mer matematik eller mer tid, utan en stimulerande miljö som präglas av problemformulering och problemanalys och en vilja att använda kunskaperna.

Ett avslutande exempel. Du har tagit ett stickprov om 150 enheter ur en process eller en population och funnit 0 fel. Stickprovets resultat är ju utmärkt men vad kan sägas om processens eller populationens ”sanna” felkvot? Är den 0 procent? Är den större än 0 procent?

Med en smula kunskap kan du dock påstå att du är 95 procent säker på att den ”sanna” felkvoten ligger i intervallet 0 – 2 procent, vilket är ett långt kraftfullare uttalande än att bara konstatera att ”0 felaktiga är ju bra”. Om du dessutom har ett avtalat krav på din underleverantör att felkvoten ska vara exempelvis mindre än 1,5 procent, visar stickprovet att du knappast kan påstå att leverantören uppfyller kravet.

Enkel matematik, käre kvalitetsarbetare!

Ingemar Sjöström, industristatistiker, Ing-stat