Ellerini Veri ile Kirlet-2

3. Kestirim/Tahminleme

 Açık ve anlaşılır bir hipotez kurduktan sonra artık kestirim yapmanın yani tahminlemenin sırasıdır. Sonuçta işimize yarayan sonuçtur yani kestirimdir ve tüm diğer kanıtların da bunu desteklemesini bekleriz. Örneğin tezgah ayar sürelerini %30 azaltırsak, OEE oranını en az %10 artırırız bir kestirimdir ve bunun test edilmesi, kanıtlanması gerekir. Kestirim/Tahminleme yapmak bile o kadar kolay değildir ve bir çok parametreye (özellik) bağlıdır. Bu yüzden spesifik olmakta ve hedefe dönük testler yapılmasında fayda vardır (Parametre seçimi için 6 sigma teknikleri kullanılabilir, veri toplamak için ise MES yazılımları mevcut). Hipotezi kanıtlamak da çoğu zaman ortam deney şartlarına uymadığından veya anlık tepe yönetim kararı ile tasarlanan deney bozulabildiğinden zordur. Bir çok kestirim çalışması için yapılan testler ve deneyler ya zaman darlığından, ya kaynak kıtlığından sekteye uğrar. Burada disipline riayet etmek ve başta bahsettiğimiz 500 yıllık bilimin ışığında ilerlemek gerekir.

4. Test ve Deney 

Deneyin en temel kuralı düzgün ve doğru veri ile çalışmaktır. Örn. ayar süresinin OEE oranına etkisini görebilmek için tek tezgah yerine bir çok farklı tezgahta rastgele örneklem almak ve rastgele operatörlerle ölçümleri kaydetmek gerekir. Görüldüğü üzere hipotezi daha spesifik kurmadığımız için bu şekilde bir deney tasarlamak gerekti. Halbuki 2. holdeki plastik enjeksiyon tezgahlarındaki ayar sürelerini % 30 kısaltmak OEE oranını %10 artırır deseydik o zaman belirlediğimiz tezgahlar üzerinden deney yapacaktık. Deney tertibatını kurmak maliyetlerinizi geçici bir süre yükseltse de, ayar sürelerini düşürmek sizin bugüne kadar kaybettiğiniz paranın mislini size geri getirecektir. Yalnız sizin karınızı ciddi bir biçimde artıracak deneyler de maalesef daha riskli ve maliyetli olanlardır. Veri toplamak ve belirsizliği azaltmak için bu maliyete katlanmak gerekir ki yönetim şimdi ve gelecekte doğru kararlar alabilsin. Yalnız akla gelen her fikri test ve deneylerde ispat etmeye çalışmak da mantık değildir. Bazen direkt karar alıp kanaate göre hareket etmek de işe yarar.

5. Analiz

Veriyi elde etmek güç ve maliyetli olduğundan başta düzgün bir hipotez kurmak çok önemlidir. Yine de yanlış bir kestirim yapıp doğru bir deney süreci geçirirsek, bu da faydalı olur. En basit haliyle bu durum iyileştirme öncesini ve sonrasını görebileceğiniz bir istatistiksel t-testi yapmanıza olanak verir. Verilere istatistiksel olarak hangi testlerin uygulanacağı konusu  istatistik ile ilgisi olmayan veya bu eğitimi almamış kişiler için zordur. Burada uzmana başvurmaktan çekinmemelidir. Gerek hipotez kurma da gerekse deney tasarlama da ve en son elde edilen verileri işleme ve faydalı hale getirme konusunda sizin yaptıklarınızın boşa gitmemesi için bir uzman desteği sizin adınıza doğru bir karar olacaktır. Biz veri bilimcilerin ilk sözü şudur; “grab in grab out” yani çöp girerse çöp çıkar. Siz o kadar uğraş verdikten sonra hatalardan dolayı boşa giden kaynaklarınızın arkasından bakakalmayı kimse istemez.

İşler yine de istediğimiz gibi gitmezse elde edilen verilerle zaman-serisi analizi yapabiliriz ve buradan belki de kendiliğinden deney gibi davranan dönemleri bulabiliriz. Ön görüldüğü üzere analizler her zaman bir hipotez veya kestirim yapıldıktan sonra yapılmalıdır, fakat eğer bir deney sistemi kuramıyorsanız öncesindeki verileri ve değişiklikleri inceleyerek bazı kestirimler yapmanız mümkün olabilir fakat bu veriler işlenmemiş olacağından yine de bir uzman desteği almanız gerekebilir. Ne kadar iyi bir deney tasarlayıp iyi bir veri kümesi elde ederseniz o kadar iyi evet ama ya düzgün bir deney yürütemezseniz yine de bir kestirim yapmanız doğru olur mu? Cevap tabii ki hayır.

Sonuç

Bir çok veri bilimciden “yeter ki bir öngörü, bir kestirim çıksın” hiç bir şey çıkmamasından iyidir diyenleri duyarız. Aslında bu düzgün ölçmeyen bir kumpas ile ölçüm yapalım bir sonuç çıksın demekle aynı şeydir. Bu bakış açısıyla gelenler için söylenecek tek söz var; “kalibre edilmiş kumpas kullan”. Hatalı ölçen bir cihaz kullanırsak sonradan daha büyük problemlerle baş etmek zorunda kalırız.

Bilimin amacı dünyayı açıklamak ve anlamaktır. Bilimin çok önceden belirlenmiş kuralları vardır bunları uygulamak için disiplin ve bilgi gerekir. Veri bilimi ise kirli bir bilimdir ve bilim için bilgi kadar tecrübe ve deneyler de dikkate alınmalıdır. O yüzden kendini veri bilimci ilan edenlere şunu söylemek lazım. “Hazır verilerle oynamayı bırak, sahaya in ellerini kirlet”. Tabii firmaların bu özelliklere sahip olmayan kişilere dikkat etmesini ve uzmanlar ile çalışmasını söylemek de boynumuzun borcu.