Serpilme diyagramı

Sürekli iyileştirme çalışmalarında amacımız şu yazımızda da belirttiğimiz gibi önümüze çıkan engelleri, problemleri görerek kökünden çözmektir. Bu amaçla kullandığımız birçok araç var. Problemlerin kök nedenlerini tanımlamaya çalışırken çıktının kalitesini/kalitesizliğini birçok nedene bağlamaya çalışıyoruz. Bu nedenler, problemi direkt etkileyebiliyor. Bunun yanında nedenler birbirleri ile bağlı şekilde de sonucu etkileyebiliyor.
İki farklı değişkenin arasındaki ilişkiyi belirlemek için serpilme diyagramı (scatter plot) kullanıyoruz. Bu diyagram ile ilişkinin sebebini anlayamasak da, bir ilişki olup olmadığını ya da ilişkinin ne kadar güçlü olduğunu anlayabiliyoruz.

İstatistiki veri - Komikler

Resim-1*
Serpilme diyagramı 7 temel kalite kontrol aracından da birisidir. Bu diyagramda bulunan ilişkiler aşağıdaki şekilde gösterilebilir:

1. Güçlü pozitif ilişki : Bir değişken değeri arttıkça diğeri de artar, noktalar çizginin yakınında kümelenmiştir.
2. Zayıf pozitif ilişki : İki değişkenin değeri de aynı anda artar, ancak noktalar dağınık durumdadır.
3. Güçlü negatif ilişki : Bir değişkenin değeri artarken diğerininki azalır, noktalar çizginin yakınında kümelenmiştir.
4. Zayıf negatif ilişki : Bir değişkenin değeri artarken diğerininki azalır, ancak noktalar dağınık haldedir.
5. İlişki yok : İki değişken arasında bir ilişki yoktur.

Serpilme diyagramı ilişkiler

Örneğin kullandığımız bir malzemenin, mevsimsel ya da aylara bağlı olarak ölçüsünün değiştiğini düşünüyoruz. Bu durumda hangi ayda sıcaklık kaç derece ve o aylarda malzemenin ölçüleri nasıl değişkenlik gösteriyor, bunu inceleyebiliriz. Aşağıdaki şekildeki gibi etkilediğini görerek bu ilişkiyi ortaya koyabiliriz.

Serpilme diyagramı örnek

Bu diyagramda, değişkenlerin birbirini nasıl etkilediğini bir denklem olarak da görmemiz mümkün. Bu, bize bu değişkenliği ortadan kaldırmak için hangi ay nasıl bir önlem almamız gerektiğini düşünmeye zorlar.

Serpilme diyagramını hangi durumlarda kullanmalıyız?

• Sayısal verileri eşleştirebildiğinizde
• Bağımlı değişkeniniz, bağımsız değişkeninizin her değeri için birden fazla değere sahipse
• İki değişkenin ilişkili olup olmadığını belirlemek için:
  • Problemlerin potansiyel kök nedenlerini belirlemeye çalışırken 
  • Beyin fırtınası yaptıktan sonra, balık kılçığı yaparken belirli bir neden ve etkinin ilişkili olup olmadığını objektif olarak belirlerken
  • İlişkili gibi görünen iki etkinin aynı sebeple olup olmadığını belirlerken
  • Kontrol çizelgesi oluşturmadan önce otokorelasyon testi yapılırken

Serpilme diyagramını oluşturduktan sonra yorumlarken de aşağıdakileri gözden kaçırmamak gerekir:

• Serpilme diyagramı bir ilişki gösteriyorsa, bir değişkenin diğerine neden olduğunu varsaymayın. Her ikisi de üçüncü bir değişkenden etkileniyor olabilir.
• Verileri grafiğe koyduğunuzda, diyagram düz bir çizgiye ne kadar çok benzerse, ilişki o kadar güçlü olur. Çizgi net değilse, ilişkinin varlığının makul bir kesinliği olup olmadığını istatistik belirler. İstatistiksel olarak bir ilişki yoksa veriler rastgele-tesadüfen oluşmuş olabilir.
• Bazen bir ilişki açık değildir, çünkü veriler yeterince geniş bir alanı kapsamaz. Bu durumda bütünü temsil edecek şekilde daha çok-daha iyi veri toplamak gerekir.

Değişkenlerin ve değişkenlerin çıktılar üzerindeki etkisini-ilişkisini ne kadar doğru anlayıp yorumlayabilirsek problemin kök nedenini bulmaya o kadar yaklaşıyoruz. Sürekli iyileştirmedeki nihai amaca ulaşmak için kullandığımız araçları tanıtmaya devam edeceğiz.

Kaynakça:

Resim1: https://www.explainxkcd.com/wiki/index.php/1725:_Linear_Regression