Zonder data blijven verbeteringen aannames. Ontdek hoe Lean Green Belt-projecten data omzetten naar bewezen procesresultaten.

Wat is de rol van data bij een Lean Green Belt project?

Data is het fundament van elk Lean Green Belt-project. Zonder betrouwbare cijfers blijven verbeteringen gebaseerd op aannames en buikgevoel, en dat is precies wat Lean Six Sigma wil voorkomen. Tegelijkertijd is data niet het eindpunt: het is een middel om de juiste beslissingen te nemen en mensen mee te krijgen in verandering. In dit artikel beantwoorden we de meest gestelde vragen over de rol van data bij een Lean Green Belt-project.

Wat is de rol van data in een Lean Green Belt-project?

Data speelt in een Lean Green Belt-project de rol van objectieve basis voor elke beslissing. In plaats van te werken op basis van meningen of ervaringen, gebruik je meetbare gegevens om problemen te identificeren, oorzaken te analyseren en verbeteringen te bevestigen. Data maakt het verschil tussen een goed gevoel en een bewezen resultaat.

Binnen de DMAIC-cyclus (Define, Measure, Analyze, Improve, Control) is data aanwezig in elke fase. In de Define-fase bepaal je welke meetpunten relevant zijn. In de Measure-fase verzamel je feitelijke procesgegevens. In de Analyze-fase zoek je naar patronen en grondoorzaken. In de Improve-fase toets je of je oplossing werkt, en in de Control-fase monitor je of de verbetering standhoudt. Data is dus geen eenmalige activiteit, maar een doorlopende rode draad door het hele project.

Bovendien geeft data je geloofwaardigheid. Als je aan het management een verbetervoorstel presenteert, is een onderbouwing met concrete cijfers veel overtuigender dan een verhaal zonder bewijs. Gelijk hebben is één ding; gelijk krijgen vraagt om feiten.

Welke soorten data gebruik je in een Lean Six Sigma-project?

In een Lean Six Sigma-project werk je met twee hoofdtypen data: kwantitatieve data (meetbare getallen) en kwalitatieve data (beschrijvende informatie over processen en oorzaken). Kwantitatieve data vormt de kern van de analyse, terwijl kwalitatieve data helpt om context en oorzaken te begrijpen.

Lean-metrics als basis voor kwantitatieve data

Lean-metrics zijn telbare gegevens die op basis van een momentopname op de werkvloer worden vastgesteld. Ze vallen uiteen in drie categorieën:

  • Tijdgerelateerde metrics: denk aan doorlooptijd, cyclustijd, bewerkingstijd, wachttijd en leverbetrouwbaarheid. De doorlooptijd is bijvoorbeeld de som van wachttijd, bewerkingstijd, hersteltijd en omsteltijd. Little’s Law laat zien hoe doorlooptijd samenhangt met work-in-progress en de leversnelheid.
  • Efficiëntie- en effectiviteitsmetrics: zoals procesefficiëntie (bewerkingstijd gedeeld door doorlooptijd), productiviteit en OEE (Overall Equipment Effectiveness). OEE combineert beschikbaarheid, prestaties en kwaliteit in één getal.
  • Capaciteitsmetrics: zoals de huidige capaciteit en de ideale capaciteit op basis van de takttijd: het productieritme dat is afgestemd op de klantvraag.

Kwalitatieve data en procesinformatie

Naast harde cijfers verzamel je ook kwalitatieve informatie via proceswandelingen, interviews met procesmedewerkers en workshops. Een SIPOC-diagram geeft op macroniveau inzicht in het proces van leverancier tot klant. Een flowchart of swimlane-diagram brengt gedetailleerder in kaart waar inefficiënties zitten, zoals veel controlestappen, het pingpongeffect tussen afdelingen of onnodige beslismomenten.

Hoe verzamel je betrouwbare data voor procesverbetering?

Betrouwbare data verzamel je door het proces te observeren zoals het werkelijk verloopt, niet zoals het op papier staat. De vier meest gebruikte methoden zijn: een proceswandeling waarbij je het product letterlijk volgt, expertschattingen van procesmedewerkers, interviews om meningen en oorzaken te onderzoeken, en een workshop of brown-paper-sessie waarbij een team het proces gezamenlijk in kaart brengt.

Een veelgemaakte fout is vertrouwen op bestaande rapportages zonder te controleren of die gegevens overeenkomen met de realiteit op de werkvloer. Systemen registreren niet altijd wat er daadwerkelijk gebeurt. Ga dus zelf kijken, meten en vragen stellen. Dat is de kern van de Lean-filosofie: ga naar de gemba, de plek waar het werk gebeurt.

Zorg ook voor consistentie in je metingen. Als twee mensen hetzelfde meten, maar op een andere manier, zijn de uitkomsten niet vergelijkbaar. Definieer vooraf precies wat je meet, hoe je meet en over welke periode. Dit verhoogt de betrouwbaarheid van je dataset en maakt latere analyse veel eenvoudiger.

Wat doe je met data in de analysefase van DMAIC?

In de analysefase van DMAIC gebruik je verzamelde data om de grondoorzaken van een probleem te identificeren. Het doel is niet om oplossingen te bedenken, maar om te begrijpen waarom het probleem bestaat. Pas als je de echte oorzaak kent, heeft een oplossing een duurzaam effect.

Gangbare analysetechnieken zijn het Pareto-diagram (om te bepalen welke oorzaken het grootste aandeel in het probleem hebben), de 5x Waarom-methode (om steeds dieper naar de onderliggende oorzaak te graven) en het visgraatdiagram, ook wel Ishikawa-diagram genoemd. Dit laatste instrument helpt je om oorzaken systematisch te categoriseren op basis van mensen, machines, methoden, materialen en omgeving.

Regelkaarten en grafieken helpen je om variatie in het proces zichtbaar te maken. Veel variatie wijst op een onstabiel proces en kan aanleiding zijn om Six Sigma-methoden in te zetten naast Lean. Weinig variatie, maar een structureel verkeerd gemiddelde, vraagt om een andere aanpak. Data vertelt je dus niet alleen wat er misgaat, maar ook welk type oplossing passend is.

Waarom is data alleen niet genoeg in een verbeterproject?

Data alleen is niet genoeg, omdat een verbeterproject mensen vraagt om anders te werken, en dat vraagt meer dan een goed onderbouwde analyse. Mensen veranderen niet omdat de cijfers kloppen. Ze veranderen als ze begrijpen waarom de verandering nodig is, wat het voor hen betekent en als ze zich gehoord voelen in het proces.

Urgentiebesef is een absolute basisvoorwaarde voor elk verbeterproject. Zonder het gevoel dat er iets moet veranderen, zullen mensen terugvallen op oude gewoonten, hoe overtuigend de data ook is. Bronnen van zelfgenoegzaamheid die dit ondermijnen zijn onder andere: het ontbreken van een zichtbaar extern criterium, interne financiële successen die problemen maskeren, lage prestatienormen en een gebrek aan feedback vanuit de klant.

Gelijk hebben is dus niet genoeg. Je moet ook gelijk krijgen. Dat betekent dat je naast de analytische kant van een verbeterproject ook aandacht moet besteden aan de menselijke kant: hoe ga je om met weerstand, hoe betrek je mensen bij de verandering en hoe zorg je dat de verbetering wordt gedragen door de organisatie? Data opent de deur, maar veranderkundig inzicht zorgt ervoor dat je er ook doorheen komt.

Hoe weet je of je procesverbetering succesvol is met data?

Je weet of een procesverbetering succesvol is door de situatie na de verbetering te meten met dezelfde metrics als vóór de verbetering. Vergelijk de resultaten objectief: is de doorlooptijd gedaald, is de procesefficiëntie gestegen, is de variatie afgenomen? Alleen als de data een aantoonbare verbetering laat zien, is het project geslaagd.

De Plan-Do-Check-Act-cyclus van Deming biedt hiervoor een praktisch kader. In de Check-fase meet je het resultaat en vergelijk je dat met de doelstellingen die je in de Plan-fase hebt opgesteld. Als de verbetering niet het gewenste effect heeft, stuur je bij in de Act-fase en begin je opnieuw. Dit cyclische karakter garandeert continue aandacht voor kwaliteit.

Visueel management speelt hierbij een ondersteunende rol. Door procesresultaten zichtbaar te maken voor iedereen op de werkvloer, bijvoorbeeld via dashboards, grafieken of Andon-systemen, creëer je een omgeving waarin afwijkingen direct opvallen en snel kunnen worden gecorrigeerd. Zo wordt data niet alleen gebruikt om achteraf te evalueren, maar ook om dagelijks bij te sturen.

Tot slot is borging essentieel. Een verbetering die na drie maanden weer is weggezakt, is geen duurzame verbetering. Standaard Werk, waarbij de verbeterde werkwijze wordt vastgelegd als de nieuwe norm, zorgt ervoor dat de behaalde resultaten ook op de lange termijn zichtbaar blijven in de data.

Hoe MKPC je helpt om data effectief in te zetten bij Lean Green Belt-projecten

Bij MKPC leren we je niet alleen hoe je data verzamelt en analyseert, maar ook hoe je die data gebruikt om mensen en organisaties in beweging te krijgen. Onze Lean Green Belt-opleiding combineert de analytische kant van procesverbetering met het veranderkundige aspect dat in de praktijk het verschil maakt.

Wat je bij ons leert en meekrijgt:

  • Werken met Lean-metrics zoals doorlooptijd, OEE, procesefficiëntie en takttijd
  • Procesinformatie verzamelen via SIPOC, flowcharts, proceswandelingen en workshops
  • Grondoorzaken analyseren met Pareto, 5x Waarom en het visgraatdiagram
  • Verbeteringen toetsen en borgen via PDCA en Standaard Werk
  • Urgentiebesef creëren en weerstand ombuigen naar draagvlak

Je wordt opgeleid volgens de eisen van het ASQ® (American Society for Quality) tot het internationaal erkende certificeringsniveau van Lean Six Sigma Green Belt. Onze opleidingen zijn toegankelijk geschreven, interactief en bieden een goede balans tussen theorie en praktijk.

Klaar om te starten? Bekijk ons opleidingsaanbod op mkpc.nl of neem contact met ons op voor een vrijblijvend gesprek over welke Lean-opleiding het beste bij jouw organisatie past.

Gerelateerde artikelen