ALTI SøGMA METODOLOJøSøNDE YAPISAL
EùøTLøK MODELøNøN ARAÇ OLARAK
KULLANILMASI
YÜKSEK LøSANS TEZø
End. Müh. Nilay KOYUNCU YEMENøCø
Enstitü Anabilim Dalı : ENDÜSTRø MÜHENDøSLøöø
Tez Danıúmanı : Yrd. Doç. Dr. Semra BORAN
ùubat 2012
ii
Tezin hazırlık sürecinde deste÷ini esirgemeyen herkese çok teúekkür ederim. Kızım Cemre' ye henüz 1,5 yaúında olmasına karúın saatlerce bilgisayar baúında çalıúıp onunla oyun oynamamama ve bilgisayarımı onunla paylaúmamama anlayıú gösterdi÷i için çok teúekkür ederim. Eúim Eczacı Cüneyt YEMENøCø' ye özgüven ve motivasyon sa÷ladı÷ı için, özellikle hazırladı÷ı sütlü kahveler için çok teúekkür ederim. Anneme ve kız kardeúime sonsuz teúekkür, yaptıkları her úey için. Babama ve sevgili halama bir úeyi baúarmam için çok istememin yeterli oldu÷unu ö÷rettikleri için teúekkür ederim.
Teknorot' dan 1,5 yıl önce ayrılmama karúın, tezin hazırlanmasında deste÷ini esirgemeyen eski çalıúma arkadaúlarıma çok teúekkür ederim, özellikle eski müdürüm Endüstri Yüksek Mühendisi Hakan EGE' ye, yo÷un temposuna ra÷men beni hiç kırmayan Metalürji Malzeme Yüksek Mühendisi Ercan EKøNCø' ye, sevgili eúi Endüstri Mühendisi Fatma EKøNCø' ye ve Makine Yüksek Mühendisi Erdem ÇAVUù' a anketlerin gerçekleútirilmesi için verdikleri büyük destek için çok teúekkür ederim. Yrd. Doç. Dr. Nurullah KURUTKAN' a (Düzce Üniversitesi) yol göstericim oldu÷u için çok teúekkür ederim. Çalıúma arkadaúım Ö÷retim Görevlisi Okan BÜTÜNER' e (Düzce Üniversitesi) tezimi bitirmem için bana zaman sa÷ladı÷ı ve iúlerin ço÷unu yüklendi÷i için çok teúekkür ederim. Arkadaúım Bilgisayar Yüksek Mühendisi Elif ATASOY' a (SPSS) her zaman iyi bir sırdaú olmanın yanında, konu seçimimde ilham verdi÷i ve sa÷ladı÷ı kaynaklar için çok çok teúekkür ederim.
Son olarak tez danıúmanım Yrd. Doç Dr. Semra BORAN' a tezimin her aúamasında verdi÷i destekten dolayı çok teúekkür ederim. Verdi÷i hayat dersi için ayrıca teúekkür ederim, bana insanların karúılarındakini otoriteyle de÷il, iyilikle nasıl yönlendirip mahcup edebilece÷ini gösterdi.
iii
TEùEKKÜR... ii
øÇøNDEKøLER ... iii
SøMGELER VE KISALTMALAR LøSTESø... vi
ùEKøLLER LøSTESø ... viii
TABLOLAR LøSTESø... x
ÖZET... xii
SUMMARY... xiii
BÖLÜM 1. GøRøù 1.1. Çalıúmanın Amacı ve Yöntemi... 1
1.2. YEM’ e Alternatif Çok De÷iúkenli Modeller………. 5
1.3. YEM Modelleri……….……….. 8
1.4. YEM’ in Tercih Edilme Nedenleri………. 10
1.5. Çalıúmanın øçeri÷i……… 13
BÖLÜM 2. LøTERATÜR ARAùTIRMASI 2.1. Altı Sigma Metodolojisi... 16
2.1.2. Altı sigma' nın yararları... 19
2.1.2. Altı sigma' nın iyileútirme stratejisi... 20
2.1.3. Altı sigma nerelerde uygulanabilir ... 21
2.1.4. Altı sigma'nın istatistiksel anlamı... 22
2.1.5. Altı sigma projesinde temel roller... 27
2.7. TÖAøK-Alti sigma iyileútirme modeli... 28
2.1.7. Süreç yeterlili÷i... 38
2.2. Yapisal Eúitlik Modellemesi... 42
2.2.1. YEM Kullanım Alanları... 46
iv
2.2.4. Model... 52
2.2.5. Ölçme modelleri ve do÷rulayıcı faktör analizi………... 55
2.2.6. Örtük de÷iúkenlerle yol analizi………... 57
2.2.7. Gözlenen de÷iúkenlerle yol analizi………... 58
2.2.8. YEM' in avantajları………... 58
2.2.9. YEM'in uygulama süreci……... 60
2.2.10. YEM kullanarak analiz gerçekleútiren bilgisayar programları… 67 BÖLÜM 3. UYGULAMA 3.1. Uygulama Bölümü Giriú... 68
3.2. Problemin Tanımlanması... 70
3.2.1. Projenin gerçekleútirildi÷i fabrikanın tanıtımı... 74
3.2.2. Ürünün tanıtımı, rotil... 75
3.2.3. øyileútirme kapsamındaki rotillerin tanımlanması... 77
3.2.4. Rotil üretim süreci... 77
3.3. Mevcut Durumun Ölçülmesi... 79
3.3.1. Gecikme sürelerinin istatistiksel olarak incelenmesi... 79
3.3.2. Mevcut süreç yeterlili÷i... 82
3.3.3. Mevcut süreç sigma kalite seviyesi... 84
3.4. Kök Neden Analizi... 3.4.1. Rotil üretim süreç FMEA... 84 84 3.4.2. Mevcut durumun neden-sonuç araçlarıyla incelenmesi... 90
3.4.3. Elde edilen verilerin nominal grup tekni÷i ile de÷erlendirilmesi.. 93
3.4.4. DFA Kullanılarak kök neden analizi... 98
3.4.4.1. Korelasyon katsayısı analizleri ... 101
3.4.4.2. Modelin tanımlanması... 103
3.4.4.3. Modelin analizi... 110
3.4.4.4. Analiz sonuçları... 110
3.4.4.5. Modelim modifikasyonu……….. 114
v
BÖLÜM 4. SONUÇLAR……… 135
KAYNAKLAR……….... 139
EKLER………. 144
ÖZGEÇMøù………. 198
vi
ANOVA : (Analysis of Variances) De÷iúkenlik Analizi
ASL : Alt Kontrol Limiti
B : Beta
C.R. : Critical Ratio
CTQ : Kritik Kalite De÷erleri
DFA : Do÷rulayıcı faktör analizi (CFA) DPMO : Milyon fırsatta hata sayısı
ERP : (Enterprise Resource Planning) Kurumsal Kaynak Planlaması
FMEA : (Failure Modes and Effects Analysis) Hata türleri ve etkileri analizi
GFI : (Goodness of Fit) Uyum iyili÷i indeksi
Ho : Yokluk Hipotezi
KPIV : Temel Süreç Girdi De÷iúkenleri KPOV : Temel süreç çıktı de÷iúkenleri
LV's : Latent Variables
ML : (Maximum Likelihood) max. olabilirlik
MVs : Measured Variables
TÖAøK (DMAIC) : Tanımla - Ölç - Analiz Et - øyileútir - Kontrol Et
݅ : Eta
p : Olasılık tahmini
PDCA : Plan-Do-Check-Act / Planla-Uygula-Kontrol Et-Yap Pp : Süreç genel yeterlilik indeksi
Ppk : Genel süreç performans indeksi
RMR : (Root Mean Square Residual) Hataların Ortalama Karekökü RMSA : (Root Mean Square Error Approximation) Yaklaúık
vii
SEM : Structural Equation Modeling ÜSL : Üst kontrol limiti
x : Lambda x
y : Lambda y
YEM : Yapısal eúitlik modellemesi
ī : Gama
į : Delta
İ : Epsilon
ȗ : Zeta
ȟ : Ksi
ı : Süreç standart sapması
ࢥ : Phi
Ȥ2 : Ki kare
Ȍ : Psi
Ԧį : Theta delta
Ԧİ : Theta epsilon
: Örneklem ortalaması
viii
ùekil 2.1. Sürecin girdileri ve çıktıları... 23
ùekil 2.2. Altı sigma süreç salınımı... 25
ùekil 2.3. Çeúitli PP de÷erlerinin gösterimi... 41
ùekil 2.4. YEM’ in tarihsel geliúimi………... 44
ùekil 2.5. ønternet kullanımı için yol analizi örne÷i... 46
ùekil 2.6. YEM sembolleri... 53
ùekil 2.7. Farklı DFA model örnekleri……….. 56
ùekil 2.8. økinci düzey do÷rulayıcı faktör analizi... 56
ùekil 2.9. Bir yapısal eúitlik modeli örne÷i... 57
ùekil 2.10. Gözlenen de÷iúkenlerle yol analizi... 58
ùekil 3.1. Uygulama bölümü yol haritası………... 68
ùekil 3.2. Süspansiyon sistemleri... 75
ùekil 3.3. Rotil... 76
ùekil 3.4. Rotil üretim süreci akıú diyagramı... 78
ùekil 3.5. Aúık üretim süreci akıú diyagramı... 78
ùekil 3.6. Gecikme süreleri frekans da÷ılımı... 80
ùekil 3.7. Olasılık nokta grafi÷i... 81
ùekil 3.8. Geciken sipariúlerin olasılı÷ı... 82
ùekil 3.9. Müúterilerin geneli için yeterlilik hesabı... 83
ùekil 3.10. Yeni üretim bandı kurulacak müúteri için yeterlilik hesabı... 83
ùekil 3.11. Problemin kök neden analiz adımları………. 88
ùekil 3.12. Gecikme nedenleri... 97
ùekil 3.13. Anket verileri... 99
ùekil 3.14. Gözlenen de÷iúkenlerin normallik testi... 100
ùekil 3.15. DFA ana yapı……….. 104
ix
ùekil 3.17. økinci model (birinci modifikasyon sonrası) yol diyagramı…….. 119
ùekil 3.18. øliúkisiz model……… 124
ùekil 3.19. Birincil seviye DFA modeli………... 126
ùekil 3.20. Modifikasyonlar sonrası birincil derece DFA……… 129
ùekil 3.21. Tek faktörlü model………. 130
x
Tablo 2.1. Altı Sigma çevrim tablosu... 24
Tablo 2.2. Süreç iyiletirmesi ve süreç tasarımı/yeniden tasarım "akıının" TÖAK modelinde incelenmesi... 29
Tablo 2.3. TÖAK adımları... 30
Tablo 2.4. Model uyum indeksleri……… 63
Tablo 3.1. Mevcut durum betimleyici istatistiki veriler... 72
Tablo 3.2. Proje tanımlama belgesi... 73
Tablo 3.3. Risk öncelik sayısı yüksek olan nedenler……… 89
Tablo 3.4. Kalite kontrol süreçlerinde tespit edilen hatalar... 92
Tablo 3.5. Gecikme nedenleri nominal grup teknii sonuçları... 94
Tablo 3.6. Tahmin edilen daılım parametreleri... 100
Tablo 3.7. Pearson korelasyon katsayısı > 0.6... 101
Tablo 3.8. Gözlemlenebilen deikenler listesi……… 104
Tablo 3.9. Betimsel istatistiki veriler... 106
Tablo 3.10. CMIN... 112
Tablo 3.11. RMSEA... 112
Tablo 3.12. Regresyon tahminleri... 113
Tablo 3.13. Birinci model kovaryans modifikasyon indeksleri……….. 115
Tablo 3.14. Birinci model regresyon modifikasyon indeksleri………... 116
Tablo 3.15. Birinci test edilen modelde MI>10 olan ilikiler………. 118
Tablo 3.16. kinci model kovaryans modifikasyon indeksleri……… 120
Tablo 3.17. kinci model regresyon modifikasyon indeksleri……… 121
Tablo 3.18. kinci test edilen modelde MI>10 olan ilikiler………... 121
Tablo 3.19. Test edilen modellerin uyum indeksleri karılatırılması……… 122
Tablo 3.20. likisiz model kovaryans MI deerleri (MI>10)……… 124
Tablo 3.21. likisiz model regresyon MI deerleri (MI>10)………. 125
xi
deerleri (MI>10)……… 128 Tablo 3.24. Birincil seviye DFA MI>10 olan ilikilerin hesaplanması…….. 128 Tablo 3.25. DFA analiz modellerinin karılatırılması………... 131 Tablo 3.26. Modifiye edilmi ikincil seviye DFA tahmin deerleri………... 132 Tablo 3.27. Birincil seviye DFA örtük deikenler arası kovaryanslar…….. 133
xii
Anahtar kelimeler: Altı Sigma, Yapısal Eitlik Modellemesi (YEM), Gözlenemeyen De÷iúken (Örtük De÷iúken - Latent Variable), Kök Neden
Bu tez çalıúmasında bir iúletmedeki üretim sürecinin planlanan zamanda tamamlanamaması sorunu ele alınmıútır. Herhangi bir sipariúin planlanan zamandan sonraki bir tarihte tamamlanması "gecikme" olarak tanımlanmıútır. Gecikme probleminin müúteri beklentilerini sa÷layacak düzeye getirilmesi için çeúitli iyileútirmeler gerçekleútirilmelidir. øyileútirmenin etkinli÷i ve süreklili÷i için problemin temel nedeni belirlenmeden iyileútirme adımına geçilmemelidir. Bu nedenle bu tez çalıúmasında, problemin tanımlanması, mevcut durumun ortaya konmasında klasik Altı Sigma araçları kullanılmıútır.
Problem nedenleri hem gözlemlenen hem de gözlemlenemeyen de÷iúkenlerden kaynaklanabilmektedir. Gözlenebilen de÷iúkenler etkileri direk olarak ölçülebilen de÷iúkenlerdir. Gözlenemeyen (örtük-gizil) (Latent Variable) de÷iúkenlerin; yani etkisi bir veya birden çok gözlenebilen de÷iúken ile dolaylı olarak ölçülen de÷iúkenlerdir.
Literatürde gözlenemeyen (örtük-gizil) de÷iúkenlerin, etkilerinin belirlenmesinde sıklıkla kullanılan bir yöntem tespit edilmiútir "Yapısal Eúitlik Modellemesi" (YEM) (SEM-Structural Equations Modeling).
Altı Sigma metodolojisindeki klasik araçlar kullanılarak gecikmeye neden olan potansiyel kök nedenler ortaya kondu÷unda, bu nedenlerin gözlenemeyen (örtük- gizil) de÷iúkenler altında toplandı÷ı ve bu de÷iúkenlerin de gecikmenin kök nedenleri olarak ortaya çıktı÷ı görülmektedir. Yapılan sınırlı literatür araútırması sonucu YEM sosyal bilimlerde etkin olarak kullanılmasına karúın, mühendislik iyileútirme projelerinde ve kök neden analizlerinde kullanımına rastlanmamıútır. Bu nedenle çalıúma bu konuda ilk olma özelli÷ine sahip oldu÷u söylenebilir.
Bu çalıúmada test edilecek modelin ortaya konması için neden-sonuç araçları ve FMEA kullanılmıútır. Ortaya konan modelin (de÷iúkenler arası iliúkilerin) do÷rulanmasında; potansiyel kök nedenlerin gerçekten etkili olup olmadı÷ının belirlenmesinde, en etkili (kök) nedenin tespitinde ve nedenler arası korelasyonların (iliúkilerin) ortaya konmasında bir YEM analizi olan Do÷rulayıcı Faktör Analizi (DFA) (CFA-Confirmatory Factor Analysis) kullanılmıútır. Neden-sonuç analizleri ile ortaya çıkan iliúki modelinin DFA ile test edilmesi, iyileútirmelerin gerçekleútirilmesi gereken temel alanları tespit etmeyi sa÷lamasının yanında, nedenler arası iliúkileri de ortaya koydu÷u için daha sa÷lam bir iyileúme alt yapısı sa÷lamaktadır.
xiii
SUMMARY
Key Words: Six Sigma, Structural Equations Modeling (SEM), Unobserved Variables (Latent Variable), Root Cause, Confirmatory Factor Analysis (CFA), Cause and Effect Tools
The problem of not completing the production in planned time has taken account in this study. The completion of production after the planned due date is pointed out as
"delay". Various improvements should be performed to decrease delay to customer expacted value. For effectiveness and long lasting of improvements, actions should not be planned before the root cause is clearly defined. In this study classic six sigma tools are used to define the problem and measure the current process.
Problem causes can be observed or unobserved variables. Observed variables are that the effects of are directly measured. Unobserved (latent) variables are that can be measured indirectly by one or more observed variables.
A method is most commonly used in literature to determine the effects of and relations among unobserved (latent) variables, Structural Equations Modeling (SEM).
When potantial root causes determined by using classic cause and effect tools of six sigma methodology, it is realized that these causes are latent variables that are categorized under some root causes which are also latent variables. As a result of literture search, it is observed that SEM is a common used tool for social sciences, but the usage of SEM in engineering improvement projects and root cause analysis could not be detected. This study is the first in usage of SEM at improvement project root cause analysis.
In this study cause and effect tools and FMEA are used to predict the model (determining the potantial root causes and potantial relations among them).
Confirmatory Factor Analysis (CFA), which a kind of SEM analysis, is used to proove that the correlations of predicted model conforms with data. To test the relationship model, which is formed based on cause and effect tools and FMEA results, by CFA provides determining the base improvement areas and relations among causes.
1.1. Çalıúmanın Amacı ve Yöntemi
øúletmeler var oldu÷u sürece, iyileútirme projelerinin gerçekleúmek zorunda oldu÷u kaçınılmaz bir gerçektir. De÷iúen ve geliúen pazar koúulları ve global rekabet bu durumu zorunlu kılmaktadır. øyileútirmeler bir problemin etkisini azaltmak veya tamamen ortadan kaldırmak için gerçekleútirilirler. Problem; bireyin istenilen bir hedefe ulaúmak için topladı÷ı mevcut güçlerin karúısına çıkan engellerdir, amaçları zedeleyen, bozan, istenilen úartlarda ürün/hizmet sunumunu engelleyen, ürün/hizmetin birbiriyle uyumlu olmasını önleyen olaylara denir. Problemler, gerçek durumun koúulları istenen durumun koúullarından farklı oldu÷unda ortaya çıkar.
øyileútirmelerin gerçekleútirilebilmesi için; öncelikle problem iyi tanımlanmalı, mevcut durum ortaya konmalı, problemin kök nedenleri tespit edilmeli ve bu nedenleri ortadan kaldıracak adımlar uygulanmalıdır. Tüm bu adımların uygun araçlarla gerçekleútirilmesi için iyi bir yol haritasına ihtiyaç duyulur. Altı Sigma Metodolojisi iyileútirme projeleri için sa÷lam temellere dayanan bir yol haritası sunmaktadır.
Kısaca Altı Sigma Metodolojisi de÷iúkenler kontrol edilebildi÷i takdirde tüm süreçte sıfır hataya ulaúılabilece÷i varsayımına dayanan, tüketici memnuniyetinin artırılması, hataların azaltılması, çıktıların iyileútirilmesi, iú verimlili÷inin yükseltilmesi hedefleri olan, yönetimsel ve kültürel bir de÷iúim programı; süreç de÷iúkenlerine odaklı, süreç performansı hakkında bilgi sa÷layan ve istatistiksel hesaplamalara dayanan bir kalite yönetim aracıdır. Altı Sigma metodolojisinde de÷iúkenliklerin yanlıúların temel kayna÷ı oldu÷u kabul edilir. Temel gösterge süreç sigma düzeyidir. Altı Sigma metodolojisinde süreç performansı, süreç sigma düzeylerinden belirlenen kalitesizlik maliyetlerine göre de÷erlendirilir ve iyileútirmede bu kalitesizlik maliyetlerinin
azaltılması hedeflenir. østatistiksel olarak Altı Sigma; sürecin kalite ölçütlerinin birinin ortalaması ile en yakın spesifikasyon limiti arasındaki farkın, en az süreç standart sapmasının 6 katı kadar olması anlamına gelir. Altı Sigma' nın istatistiksel hedefleri, süreci hedefe oturtmak ve de÷iúkenli÷i azaltmaktır. Altı Sigmada TÖAøK (Tanımlama-Ölçme-Analiz-øyileútirme-Kontrol) (DMAIC / Define-Measure-Anayse- Improve-Control) prosedürü, kalite ve süreç iyileútirmesinde kullanılmaktadır (Montgomery, 2005).
øyileútirme metodolojilerinde - ki bu tezde Altı Sigma Metodolojisi benimsenmiútir - kullanılan kök neden analizi yöntemleri incelendi÷inde, kök nedenlerin sayısal olarak etkilerini ortaya koyan araçların, gözlemlenebilen (ölçülebilen) de÷iúkenlerde (observed variables) kullanılabilen araçlar oldu÷u tespit edilmiútir (yol analizi, basit do÷rusal regresyon, çoklu do÷rusal regresyon). Gözlemlenebilen (ölçülebilen) de÷iúkenlere örnek verilecek olursa; problem bir ürünün CNC tezgahta iúlenirken çapının spesifikasyon limitleri içerisinde olmaması olarak tanımlansın, bu duruma etki edebilecek potansiyel nedenler makine ayarları, malzeme sertli÷i, malzeme kimyasal bileúeni, iúleme süresi olarak tanımlanırsa; her bir de÷iúkenin etkisinin sayısal olarak ölçülebildi÷i (gözlemlenebildi÷i) görülmektedir.
Araútırmacılar ço÷u zaman do÷rudan gözlemlenemeyen yapılarla ilgilenirler ve gözlemlenemeyen ancak asıl olarak araútırılan bu yapılara örtük (gizil) de÷iúken (latent variable) adı verilir (Meydan, 2011). Örtük de÷iúkenler, testler, anketler aracılı÷ıyla ölçtü÷ümüz de÷iúkenlerden çıkarsanan, dolaylı olarak ölçtü÷ümüz de÷iúkenlerdir. Örne÷in; zeka, tüketici güveni, yetiúkinlerin fiziksel sa÷lık durumu gibi. Gözlemlenen de÷iúkenler örtük de÷iúkenleri çıkarsamak için kullandı÷ımız de÷iúkenlerdir. Örn; çocuk zekasını çıkarsamada kullanılan, WISC-R indeksi, Amerikan úirketlerinin ekonomisini çıkarsamada kullanılan Dow-Jones indeksi, bir kimsenin sa÷lıklı olup olmadı÷ını çıkarsamada kullanılan kan basıncı ölçümü gibi (Schumacker, 2004). Örtük de÷iúkenlere birçok bilimden örnek verilebilir;
psikolojide motivasyon, sosyolojideki güçsüzlük, e÷itim bilimlerindeki sözlü ifade yetene÷i, ekonomideki kapitalizm, sosyal sınıf ya da örgütsel davranıútaki izlenim yönetimi davranıúı, örgütsel vatandaúlık davranıúı (Meydan, 2011).
Örtük deiúkenler dorudan gözlemlenemediinden, dorudan da ölçülemez. Bu nedenle araútırmacının incelemek istedii örtük (gizil) deiúkeni temsil ettiini düúündüü ölçülebilir eylemleri kavramlaútırması ve tanımlaması gerekir.
Dolayısıyla tüm örtük deiúkenler bir ya da daha fazla gözlemlenen deiúkene balıdır. O halde örtük deiúkeni ölçülebilir kılan úey, onu tanımlayan ölçülebilen deiúken ya da deiúkenlerdir (Meydan, 2011).
Geniú ölçekli üretim süreçlerinde kimyasal, yiyecek, demir-çelik, otomotiv vs. , çok sayıda kontrol edilebilen deiúken (Controlled Variables - CVs) ve manipüle edilen deiúken (Manipulated Variables - MVs) vardır. Verinin çok deiúkenli özellii nedeniyle, deiúkenler yüksek oranda iliúki içindedir. Örtük deiúken metodları (Latet Varible Methods - LVMs) gürültü deiúkenleri ve korele deiúkenleri açık bir set haline getirirler. Son yıllarda yapılan bir çok çalıúma örtük deiúkenlerin nasıl baúarılı kullanılabileceini açıklamıútır. Çok deiúkenli uyum metodları, süreçteki anormalliklerin ve hataların tespiti, kontrol partisi süreçleri (control batch processes), süreç kontrolün kalite deiúkenlerinin hat üzerinde ölçülmeden gerçekleútirilmesi, birden fazla deiúkeni aynı anda ölçebilen soft-sensor' lerin oluúturulması, veriye dayalı kalite iyileútirmenin gerçekleútirilmesi (DDQI - data-driven quality improvement), veri setindeki eksik verileri açıklama, endüstriyel üretim süreç kontrollerinde sistemin durumunu gözlemleme örtük deiúkenlerin üretimdeki kullanım alanlarına örnek olarak gösterilebilir (Lauri, 2010).
Problem tanımlama üzerine yapılan akademik çalıúmaların daha çok gözlemlenebilen deiúkenler üzerine gerçekleútirildii görülmektedir. Oysa birçok iyileútirme alanı gözlemlenemeyen (örtük-gizil) deiúkenlerle tanımlanmaktadır. Örtük deiúkenlerde;
problemin ve potansiyel kök nedenlerin tanımlanmasında neden-sonuç araçları kullanılmasına karúın; bu araçlarla potansiyel kök nedenlerin etkileri subjektif olarak belirlenmekte ve sayısal etkiler ortaya konamamaktadır.
Problemin analizinde kullanılan neden-sonuç yaklaúımlı teknikler ve araçlar; Akıú Diyagramı, Sebep-Sonuç (Balık Kılçıı) Diyagramı, Pareto Analizi, Aaç Diyagramı, ølgi/Yakınlık Diyagramı, Kuvvet/Güç Alanı Analizi, FMEA, Kontrol Tablosu, Kontrol Kartı, Beyin Fırtınası, Altı ùapkalı Düúünme Tekni÷i, Kuvvet/Güç
Alanı Analizi, Odak Grupları, Mülakat, Anket, øliúki Diyagramı, Etkinlik Analizi, Nominal Grup Tekni÷i, Çoklu Oylama Tekni÷i, Benchmarking (Hedef Saptama) olarak sıralanabilir.
Literatürde gözlemlenemeyen (örtük-gizil) de÷iúkenlerin, etkilerinin belirlenmesinde sıklıkla kullanılan bir yöntem tespit edilmiútir "Yapısal Eúitlik Modellemesi" (YEM) (SEM-Structural Equations Modeling). Kısaca YEM; az sayıda gözlemlenen de÷iúkene dayanarak, gözlemlenemeyen de÷iúkenler arasındaki linear iliúkileri tanımlamak, tahmin etmek ve de÷erlendirmek için kullanılan bir tekniktir. YEM ba÷ımlı (Endogenous) ve ba÷ımsız (Exogeneous) olabilen; gözlemlenen de÷iúkenleri (Observed/Measured Variables) ve gözlenemeyen de÷iúkenleri (Latent Variables) içerir (Shah, 2006).
YEM örtük de÷iúkenler arasında nedensel bir iliúki oldu÷unu farz eder. Her bir örtük de÷iúken gözlemlenen de÷iúkenler setinin do÷rusal bir fonksiyonudur. Do÷rusal regresyonların parametreleri kovaryans analizleri ile tahmin edilir. Araútırmacı tarafından tanımlanan modelin verideki varyans / kovaryans ile uyumlu olup olmadı÷ını belirlemek için uyum iyili÷i (Goodness of Fit) testleri kullanılır. E÷er modelin tahminleri test ile onaylanırsa, örtük de÷iúkenler arasındaki iliúkinin mantıklı oldu÷u farz edilebilir. (Xin, 2011)
YEM kavramı, iki önemli özelli÷e dikkat çekmektedir; çalıúan süreç bir seri yapısal eúitlik (örne÷in regresyon eúitlikleri) içermektedir ve oluúturulan bu yapısal eúitlikler hipotezlerin daha kolay anlaúılabilmesi için görsel olarak çizimle gösterilebilmektedir. Bu iki temel özelli÷i gösteren bir YEM' in analizi, oluúturulan modelin görünen ve/veya görünmeyen tüm de÷iúkenlerin birlikte test edilmesi ile elde edilen sonucun, eldeki verilerle ne derece uyumlu oldu÷unun ortaya konulmasıdır. Modelin test edilmesiyle elde edilen uyum indeksleri model ile veri arasında uyum oldu÷unu gösteriyorsa, yapısal olarak oluúturulan hipotezler kabul edilmekte; uyum indeksleri böyle bir uyumun var olmadı÷ını ortaya koyuyorsa hipotezler reddedilmektedir (Meydan, 2011).
YEM deneysel yaklaúımlarla kolayca araútırılamayan temel problemlerin etkin biçimde incelenmesinde araútırmacılara olanak salar. Rastgele ve rastgele olmayan ölçüm hatalarını açıklama, tam-bilgi kestirimlerinin kullanımı yoluyla iliúkili baımlı deiúkenler ile modelleri kolayca birleútirme ve oldukça karmaúık modelleri karúılaútırabilme yeteneine sahiptir. østatistiksel yöntemlerin ço÷unda analizler bireysel gözlemler üzerinden gerçekleútirilmekte ve buna iliúkin modeller kurulmaktadır. Örne÷in çoklu regresyon veya ANOVA (Varyans Analizi) gibi yöntemlerde regresyon katsayıları veya hata varyansı kestirimleri her bir gözlemin, gözlemlenen ve kestirilen de÷erleri arasındaki farkın kareler toplamını en küçüklemek yoluyla hesaplanır. Ancak yol analizinde ve Do÷rulayıcı Faktör analizinde gözlemlerden ziyade kovaryanslar dikkate alınır. Gözlemlenen ve beklenen bireysel de÷erlerin en küçüklenmiú fonksiyonu yerine örneklem kovaryans matrisi ve model tarafından kestirilen kovaryans matrisi arasındaki fark en küçüklenir (Meydan, 2011).
Bu çalıúmada problemin kök nedenini belirlemede ve nedenler arasındaki iliúkileri ortaya koymada YEM' den yararlanılmaktadır. Yapısal Eúitlik Modellemesi literatürde bir çok alanda etkin olarak kullanılmaktadır; ancak problem kök neden analizlerinde kullanımı ile ilgili çalıúmaya sınırlı literatür taramasında rastlanmamıútır. Bir iyileútirme projesi analiz fazında gözlemlenen potansiyel kök nedenlerin etkilerini belirlemede Regresyon Analizleri kullanılabiliyorsa, gözlemlenemeyen kök nedenlerin etkileri de Yapısal Eúitlik Modellemesi ile ortaya konabilir.
1.2. YEM' e Alternatif Çok De÷iúkenli Modeller
Regresyon çözümlemesinin genel tanımı: ba÷ımlı de÷iúken ile ba÷ımsız de÷iúken(ler) arasındaki iliúkiyi matematiksel modellerle açıklayarak ba÷ıntı(lar) bulmak úeklinde özetlenebilir. Bulunan ba÷ıntı (regresyon denklemi) de÷iúik amaçlarla kullanılabilir. Bu amaçlar çerçevesinde en önemlisi kestirim yapmaktır.
Di÷er amaçlar; ba÷ımlı de÷iúken ile ba÷ımsız de÷iúken(ler) arasındaki iliúkiyi matematiksel modellerle açıklayarak ba÷ıntı(lar) bulmak, de÷iúkenler arasındaki karmaúık yapıyı tanımlamak ve veriyi özetlemek, ba÷ımlı de÷iúkeni etkiledi÷i
belirlenen baımsız deiúken(ler) yardımıyla baımlı deiúken deerini kestirmek, baımlı deiúkeni etkiledii düúünülen baımsız deiúkenlerden hangisi ya da hangilerinin baımlı deiúkeni daha çok etkilediini bulmak, dier deiúkenlerin varlıında katsayı kestiriminde bulunmaktır. Dorusal regresyon çözümlemesi genel olarak iki ana baúlıkta incelenir, bu çerçevede bir baımlı - bir baımsız deiúkenin olduu dorusal regresyon çözümlemesine "Basit Dorusal Regresyon Çözümlemesi", bir baımlı-birden çok baımsız deiúkenin olduu dorusal regresyon çözümlemesine " Çoklu Dorusal Regresyon Çözümlemesi" denir. (Alpar 2011) Pearson Çoklu Regresyon analizi 100 yıldır kullanılan bir metod; genellikle birden fazla deiúken arasındaki etkileúimi test etmede kullanılır. Model hatası bilinen belli bir daılıma sahiptir. Modelin tahmin kesinlii genelde ADRS (R2) ile ölçülür. R2 deerinin 1’e yakın olması model tahmininin iyi olması anlamına gelir.
Çoklu Regresyon Analizlerinde, üç aúamalı bir prosedür uygulanır. Birinci aúama, teorik regresyon modelinin formülünün kurulması için ilgili teoriyi bularak ve ön araútırmayı gerçekleútirerek model tanımlama; ikinci aúama, modelin saptanması, özgün parametreler modelle tahmin edilip edilemeyeceine karar verilmesi; üçüncü aúama, modelin tahmini (modeldeki parametrelerin tahmini), baımsız deiúkenlerin regresyon katsayılarının hesaplanması (Nusair, 2010).
Çoklu Dorusal Regresyon, farklı formlardaki etkileúimli hatalara yaklaúımda ve model testinde güçlüdür; fakat ölçüm hatasında ve modelin tanımında güçlü deildir.
Tahmin deiúkenlerinin gözlem güçlerinin eksik olması durumunda, deiúkenler arası iliúkilerin ortaya konmasında veya modelin ölçüm güvenilirliinde zayıf olabilir. Çoklu regresyon analizlerinde, baımlı deiúkenleri açıklayan baımsız deiúkenlerin seçimi oldukça kritiktir. Etkili teorik gerekçe olmadıında zordur.
Çoklu regresyon genelde deiúkenlerin mükemmel ölçüldüünü farz eder.
Mükemmel ölçüm genelde çok nadir elde edilebilir. Bu nedenle, tahmin deiúkenlerinin gözlem gücü eksikse, ölçümün güvenilirlii zayıftır (Nusair, 2010).
Bazı çalıúmalarda baımlı-baımsız deiúken ayırımı yoktur, örnein faktör analizinde deiúkenlerin tümü baımsız deiúken olarak düúünülür dier bir deyiúle, deiúkenler arasında baımlı-baımsız deiúken ayırımı yapılmaz (Alpar, 2011).
Faktör analizleri; ilgi alanındaki gözlemlenemeyen az sayıda örtük kurama, bu kuramlar genel faktör olarak da bilinir, gözlemlenen deiúkenlerin potansiyel etkilerini tahmin eder (Nusair, 2010). Faktör analizi sıklıkla çok sayıda deiúkenin aslında birkaç temel deiúkenle ifade edilip edilemeyeceinin merak edildii durumlarda kullanılan bir yöntemler bütünüdür. Faktör analizi birbiriyle iliúkili (baımlı), yorumlanması zor ve oldukça fazla deiúkenler bütününden bu yapıyı temsil eden, birbirinden tamamen ya da göreceli olarak baımsız az ve kavramsal olarak anlamlı faktörlerin türetilmesini amaçlayan yöntemler bütünüdür. Faktör analizi, birbirleriyle iliúkili veri yapılarını birbirinden baımsız daha az sayıda yeni veri yapılarına dönüútürmek, bir dier deyiúle bir oluúumun nedeninin açıkladıkları varsayılan deiúkenleri (faktörleri / boyutları / bileúenleri) ortaya çıkarmak ve gerektiinde adlandırmak amacıyla baúvurulan bir yöntemler bütünüdür. Bu çerçevede, faktör analizi bir çok deiúkenin birkaç baúlık altında toplanıp toplanmadıı hakkında bilgi veren bir yöntemler bütünü olarak da tanımlanabilir.
Özet olarak faktör analizinin temel iki amacı boyut indirgemek (ya da deiúken sayısını azaltmak) ve deiúkenler arasındaki iliúkilerdeki yapıyı araútırmak, dier bir deyiúle deiúkenleri sınıflamaktır. Faktör analizinde ele alınan deiúkenler arasında, baımlı ve baımsız deiúkenler olarak adlandırılacak bir yapı yoktur. Tüm deiúkenler, eúanlı olarak bir yapıyı oluúturan birbiriyle iliúkili deiúkenlerdir. Faktör analizi bu yönüyle; çok deiúkenli varyans analizi, çoklu regresyon yöntemleri, ayırma analizi, kanonik korelasyon gibi bir ya da birden çok baımlı deiúken ile baımsız deiúkeler arasındaki baımlılık yapısını inceleyen yöntemlerden ayrılır.
Faktör analizinde ilk aúama; verinin faktörlenebilir bir yapıda olup olmadıının ve gerekli varsayımların ve kısıtlayıcıların salanıp salanmadıının incelenmesidir.
økinci aúama; faktörleúmeyi gösterecek olan faktör yükleri matrisinin faktör çıkarma (türetme) yöntemlerinden biriyle elde edilmesi aúamasıdır. Üçüncü aúama; öz de÷erlerin incelenmesi, yamaç grafi÷in çizimi ve benzeri yaklaúımlarla kaç faktörün dikkate alınaca÷ına karar vermeye çalıúılan aúamadır. Dördüncü aúama; faktörleri daha kolay yorumlayabilecek bir yapıya getirme amacını güden faktör döndürme (factor rotation) aúamasıdır. Son aúama; elde edilen bulguların yorumlanma aúamasıdır. Faktör analizi ya da bir anlamda temel bileúenler analizi tüm getirdiklerinin yanında bazı sorunlar da içermektedir. Faktör çıkarımı (factor extraction) için geliútirilmiú farklı yöntemler ve faktör çıkarımı sonrasında
faktörleúmeyi netleútirmek ya da faktörleri daha kolay yorumlayabilecek bir yapıya getirmek amacıyla oldukça fazla faktör döndürme (factor rotation) yöntemi vardır.
Birçok seçenek arasından uygun olanı seçmek ya da uygun olanına karar vermek araútırıcının deneyimine, bilimsel becerisine vb. balıdır. Regresyon analizinde elde edilen sonuçların testine yönelik olarak; baımlı deiúken deerleri ile kestirilen baımsız deiúken deerleri arasındaki korelasyon katsayısının elde edilmesinin yanı sıra dier birçok test yaklaúımı vardır. Dier yöntemler gerek modellerin yeterliine gerek grup üyeliklerinin kestirimine iliúkin bir çok test süreci içermektedir. Faktör analizi bu tür süreçleri çok az içeren bir yöntemdir (Alpar, 2011).
1.3. YEM Modelleri .
YEM modelleri neden-sonuç iliúkisinin incelenmek istedii tüm alanlarda kullanılabilecek bir yöntemler bütünüdür. Yol analizi (Path analysis) ise YEM modellerinde deiúkenler arasındaki istatistiksel iliúkileri "baúlangıç düzeyinde"
ayrıútırmada kullanılan bir yaklaúımdır (Alpar, 2011). Yol analizi modelleri sadece gözlemlenen deiúkenler kullanılarak tasarlanan yöntemlerdir (Meydan, 2011).
Nedensel iliúkilerin incelenmesinde korelasyon ve regresyon çözümlemelerinden sıklıkla yararlanılmıú ve halen de youn bir úekilde yararlanılmaktadır. Buna karúın, iki deiúken arasındaki dorudan iliúkiyi ortaya koyan basit korelasyon katsayısı ve bir ve birden çok baımsız deiúkenli regresyon çözümlemeleri bazı durumlarda deiúkenler arası iliúkileri belirlemek ve yorumlamak konusunda yeterince yardımcı olamamaktadır. Yol analizi deiúkenler arasındaki iliúkileri belirlemek açısından konuya daha farklı bir boyut kazandırmaktadır. Yol analizi, nicelik (sayısal) deiúkenler arasındaki yapısal iliúkiyi kestirmek ve baımsız deiúkenlerin baımlı deiúkenler üzerindeki toplam etkilerinin ne kadarının dorudan ne kadarının da dolaylı olarak ortaya çıktıını belirlemekte kullanılan bir yöntemdir. østatistikte de÷iúkenler arasındaki iliúkinin miktarı (derecesi) ve yönü korelasyon katsayıları ile belirlenirken, iliúkinin matematiksel yapısı regresyon analizi ile belirlenir, bu yaklaúımlar de÷iúkenler arası iliúkinin tam olarak ortaya konması için ço÷u zaman yeterli olamamaktadır; çünkü iki de÷iúken arasındaki iliúki bir üçüncü de÷iúkene ba÷lı olarak da ortaya çıkabilmektedir. Ayrıca, incelenen çok de÷iúkenli veri yapısında herhangi bir de÷iúken bazı de÷iúkenler açısından ba÷ımlı, bazı de÷iúkenler
açısında da baımsız deiúken durumunda olabilmektedir. Bu durumda korelasyon ve regresyon analizi neden-sonuç iliúkilerini ortaya koymakta yetersiz kalır. Bu nedenle deiúkenler arası iliúkileri daha doru belirleyebilmek için yol analizinden yararlanılır (Alpar, 2011).
YEM faktör analizleri ve yol analizlerini birleútiren hibrid bir metoddur (Nusair, 2010). YEM' in günümüzde sıklıkla kullanılmasının belki de en önemli nedeni gözlemlenebilen ve gözlemlenemeyen deiúkenler arasındaki dorudan ve dolaylı etkilerin tek bir model içerisinde test edilebilmesidir. Bu haliyle YEM, aynı anda yapılan birden fazla regresyon analizi olarak da deerlendirilebilir. Bu nedenle;
YEM, nedensel modelleme, nedensel analiz, eú zamanlı yapısal modelleme, kovaryans yapı analizi, yol analizi ya da dorulayıcı faktör analizi gibi kavramlarla da isimlendirildikleri görülmektedir. Bugün uygulanan úekline bakıldıında, yol analizi ve dorulayıcı faktör analizi aslında, YEM' in özel uygulama tipleri olarak karúımıza çıkmaktadır (Meydan, 2011).
Dorulayıcı faktör analizi (DFA) (Confirmatory Factor Analysis - CFA) modelleri gözlemlenen bazı deiúkenlerin bir örtük deiúkeni oluúturup oluúturmadıının ya da birçok örtük deiúken arasında tanımlanan iliúkilerin var olup olmadıının testi için kullanılır (Meydan, 2011). DFA' nın amacı, örneklenen verinin yeniden üretilebilmesi için, hipotez testi yapılan faktör modelin yeterliliini istatistiksel olarak test etmektir. DFA' da araútırmacı belli sayıda faktör tanımlar, bu faktörler birbirleriyle etkileúimli ve gözlemlenen deiúkenlerdir ve gözlemlenemeyen faktörleri ölçerler. DFA' da birimci adım modelin tanımlanmasıdır. Tanımlamada, araútırmacının sınamayı arzuladıı iliúkiler seti açıklanır ve bu deiúkenlerin modelde nasıl tanımlanacaı belirlenir. Burada, akılda tutulması gereken úey, bir iliúkiyi tanımlamanın teorik ve deneysel destek gerektirdiidir. Parametreler sabit veya serbest olarak tanımlanabilirler. Sabit parametreler veriden tahmin edilemezler ve "0" 'a eúitlenirler. Serbest parametreler ise gözlemlenen veriden tahmin edilirler ve "0"'dan farklı olmaları beklenir. DFA' da model bir kez tanımlandıktan sonra; bir sonraki adım modelin modifikasyonudur. Bu adımda eer; varyans-kovaryans matrisi tahmin edilirse, model ıslah edilir (düzeltilir) ve tekrar test edilir. Modelin modifikasyonunu takiben bir sonraki adım, parametrelerin tahmin edilmesidir.
Modelin genel uygunluu, teorik modelin veriyle desteklenmedii sınanarak deerlendirilir. Modelin güvenilirlii ve geçerlilii çeúitli uyum istatistikleri ile test edilir (Nusair, 2010).
1.4. YEM' in Tercih Edilme Nedenleri
YEM bir çalıúmada çoklu örtük yapılarla ilgilenildiinde uygundur. Yapısal modeller test edildikten ve sonuçlandıktan sonra, bir sonraki adım yol analizlerini kullanarak örtük deiúkenler arasındaki iliúkiyi bulmaktır. Teoriye göre; YEM örtük deiúkenlerin direk veya endirek olarak modeldeki belli dier deiúkenleri etkilediklerini gösterir, tahmin sonuçları bu örtük deiúkenlerin nasıl iliúkili olduklarını belirtir (Nusair, 2010).
YEM araútırmacının, her biri birkaç gözlemlenen deiúkenle belirtilen birden fazla kuramı olduunda ve bu kuramlar dıúsal ve içsel olarak ayrıldıında uygundur. YEM' in en temel farkı, bir iliúkide baımsız deiúken olarak hareket eden bir deiúkenin, bir baúka iliúkide baımlı deiúken olabilmesidir. YEM çoklu regresyona göre "en iyi uyum salayan" modeli kurmada çok daha etkilidir (Nusair, 2010).
YEM ve Çoklu regresyon analizi aynı matematiksel temele dayanır. Uygulamaları birbirine çok balıdır; bu nedenle iki arasındaki seçim araútırma konusuna ve eldeki veriye balıdır. Bir çalıúmada araútırma konusu (sorusu) örtük deiúkenler arasındaki iliúkiye dayalıysa, YEM iyi seçimdir. Fakat sansürlü, kesik, zaman-serili veri gerektiriyorsa veya araútırma konuları olasılıa balıysa, çoklu regresyon tercih edilir (Nusair, 2010).
Ölçüm hatasını modelleme ve tahmini eimi ve çarpıklıı elimine etme kabiliyeti nedeniyle, YEM nedensel iliúkileri test etmede dier istatistiksel yöntemlerden çok daha baúarılıdır. Yokluk hipotezi H0 : Σ = Σ (Ԧ) ile ifade edilir. Burada Σ gözlemlenen deiúkenlerin örneklem kovaryans matrisini, Σ (Ԧ) test edilen modelin kovaryans matrisini ifade eder. YEM gözlemlenen kovaryans ile model tarafından tahmin edilen kovaryans arasındaki farkı ML (Maximun Likelihood) (En Çok
Benzerlik) gibi yöntemlerle minimize eder. Modelin genel uygunluu için Ki-kare testi kullanılır (Chen, 2010).
YEM modeldeki tüm gözlemlenebilen deiúkenlerin (baımlı veya baımsız) hatasını hesaba katar. Geleneksel regresyon analizleri baımsız (dıúsal) deiúkenlerdeki gözlem hatalarını yok sayarlar. Sonuç olarak regresyon tahminleri yanıltıcı olabilirler ve yanlıú dayanaklı sonuçlara varmamıza neden olurlar. Ölçüm hatasını ele almasının yanı sıra, YEM araútırmacıya modeldeki çeúitli deiúkenlerin direk ve dolaylı etkilerini inceleme úansı verir. Burada direk etkiyle kastedilen bir deiúkenin direk olarak dier deiúkeni etkilemesidir. Dolaylı etkiyle kastedilen ise, iki deiúken arasındaki etkinin bir veya daha fazla aracı deiúkenle aktarılmasıdır.
Direk ve dolaylı etkilerin kombinasyonu, dıúsal deiúkenin baımlı deiúkene etkisini oluúturur. øki de÷iúken arasındaki dolaylı etkiler göz önünde bulundurulmaz ise; de÷iúkenler arasındaki iliúki tam olarak de÷erlendirilemez. Regresyon analizleri dolaylı etkileri tahmin edebilmelerine karúın (aracı de÷iúkenin dıúsal de÷iúkene, etki de÷iúkeninin aracı de÷iúkenine regresyonları alınır ve toplanır), yaklaúım tahmin de÷iúkenlerinde sıfır ölçüm hatası oldu÷unda uygundur. Böyle bir varsayım realistik de÷ildir. Buna ek olarak tahminlerin standart hatalarını regresyonun sıralı uygulamasında hesaplamak zordur; fakat YEM' de direk elde edilir (Raykov, 2000).
YEM' in araútırmacılar tarafından tercih edilmesinin dört nedeni vardır. Birinci nedeni; araútırmacıların sorgularını daha net anlamaları için birden fazla gözlemlenen de÷iúkene ihtiyaçları vardır. Temel istatistiksel metodlar, sofistike teorileri açıklamada yetersiz kalan sınırlı sayıda de÷iúken kullanırlar. økinci nedeni; analizler sırasında hesaplamaya gözlemlenen de÷iúkenler ve gözlemlenmeyen de÷iúkenlerin yanında, ölçüm hatalarının da katılmasıdır. Üçüncü nedeni; çoklu seviyelerin testine olanak sa÷lamasıdır. Dördüncü nedeni ise; kullanıcıya kolaylık sa÷layan yazılım programlarının oldukça geliúmiú olmasıdır (Schumacker, 2004).
Sonuç olarak; YEM sahip oldu÷u bazı özellikler bakımından klasik çok de÷iúkenli istatistiksel yöntemlerden farklılaúmaktadır. ølk olarak YEM, di÷er istatistiksel yöntemlerden farklı olarak, keúfedici bir yaklaúım yerine do÷rulayıcı bir yaklaúımı benimsemektedir. Dolayısıyla YEM' in dıúındaki birçok istatistiksel yöntem veri seti
üzerindeki iliúkileri keúfetmeye çalıúırken; YEM, kuramsal olarak varlıı kurulmuú olan iliúkilerin veri ile uyumunu dorulamaktadır. Bu haliyle YEM' in hipotez testleri için dier yöntemlerden daha baúarılı olduu söylenebilir. økinci olarak geleneksel çok de÷iúkenli yöntemler ölçüm hatasının hesaplanması ya da düzeltilmesi için herhangi bir yetene÷e sahip de÷ilken; YEM, hata hesaplamalarında oldukça net sonuçlar ortaya koymaktadır. Bu ba÷lamda, geleneksel yöntemler ölçüm hatalarını ayrı ayrı ele alırken, YEM tüm çözümlemelerde ölçüm hatalarını açıkça hesaba katmaktadır. Üçüncü olarak, geleneksel yöntemler analizlerde sadece gözlemlenebilen de÷iúkenler üzerinden iúlem yapabilirken; YEM, aynı model içerisinde hem gözlemlenebilen, hem de gözlemlenemeyen de÷iúkenler üzerinden test yapabilmektedir. Son olarak günümüzde hem gözlemlenen hem gözlemlenemeyen de÷iúkenlerin aynı anda test edilebildi÷i, do÷rudan ve dolaylı çoklu iliúkilerin ya da ardıúık dolaylı iliúkilerin ölçülebildi÷i YEM' den daha iyi veya daha çok kabul gören bir metot bulunmamaktadır (Meydan, 2011).
Tüm artılar göz önünde bulunduruldu÷unda bir YEM analizi olan, DFA’ nın problemin kök nedeninin belirlenmesinde etkin bir analiz aracı olarak kullanılabilece÷i söylenebilir. DFA örtük de÷iúkenleri oluúturan yapıyı ortaya koymaktadır.
Sınırlı sayıda literatür araútırmasında DFA’ yı oluúturan yapıyı ortaya koyan farklı alanlarda çalıúmalar oldu÷u tespit edilmiútir; Satıú ekibi uyum yapısı: Do÷rulayıcı faktör analizi (Zhaoyang,2009), Yapılandırıcı ö÷renme skalasının Türkçe adaptasyon çalıúması sonuçları: Do÷rulayıcı faktör analizi sonuçları (Anagün, 2010), Bilgi yo÷un teúebbüslerde sosyal sorumluluk üzerine do÷rulayıcı faktör analizi (Maoli, 2009), øú de÷er yapısının faktöriyel do÷rulaması: økinci derece do÷rulayıcı faktör analizi ve etkileri (Hei, 2008), Zeka (Castejon, 2010), Organizasyonel yenilikçilik yapısının do÷rulayıcı faktör analizi kullanılarak geliútirilmesi ve do÷rulanması (Wang, 2004).
DFA bir yapıyı ortaya koymada ve yapıyı ortaya koyan faktörler arasındaki iliúkileri açıklamada kullanılabiliyorsa; kök nedeni oluúturan yapı ortaya konarak, kök nedeni oluúturan nedenler arasındaki iliúkileri tanımlamada ve faktör yükü en yüksek olan alt nedenleri belirlemede de kullanılabilir.
1.5. Çalıúmanın øçeri÷i
Bu tez çalıúmasında; iyileútirme faaliyetleri öncesinde uygulanması gereken;
problemin tanımlanması, mevcut durumun ortaya konması ve kök neden analizi faaliyetlerinin Altı Sigma Metodolojsi ve bir Yapısal Eúitlik Modellemesi olan Dorulayıcı Faktör Analizi ile gerçekleútirilebilecei ortaya konmaktadır.
Problem iúletmede müúteri memnuniyetini en olumsuz etkileyen faktör olan
"gecikme" dir. Üretim sürecinin planlanan süre içerisinde tamamlanamaması
"gecikme" olarak tanımlanmıútır. Problemin tanımlanması, mevcut durumun belirlenmesi (ölçülmesi) ve potansiyel kök nedenlerin ortaya konmasında klasik Altı Sigma adımları uygulanmıútır.
Problemin kök nedenlerinin ortaya konmasında analiz yöntemi YEM olarak belirlenmiútir. Yukarıdaki bölümlerde de belirtildii gibi, neden-sonuç araçları problemin potansiyel kök nedenlerini belirmede etkin birer araç olmasına karúın, nedenlerin etkileúimlerini ve etkilerini ortaya koymakta oldukça zayıftır. Uygulama bölümünde neden-sonuç araçları potansiyel kök nedenlerin ortaya konulması için kullanılmıú, ve mevcut yapıyı etkin olarak açıklayamadıı tespit edilmiútir. Altı Sigma adımları içerisinde kullanılan YEM dıúındaki çok deiúkenli istatistiksel yöntemler (örn; çoklu dorusal regresyon), modelin bir bütün olarak test edilmesinde ve örtük deiúkenlerin etkilerinin ölçülmesinde baúarısız olmaktadır. YEM saladıı avantajlar ve son yıllarda geliútirilen yazılımlarla uygulama kolaylıı nedeniyle, altı sigma iyileútirme araçları içinde yer alabilecektir.
Altı Sigma iyileútirme çalıúmalarında kök neden analizinde potansiyel kök nedenler neden-sonuç araçlarıyla ortaya konmakta ve klasik Altı Sigma araçlarıyla (ANOVA, Regresyon, Faktör analizi vs.) test edilmektedir. Tüm bu adımlar deiúkenler gözlemlenebilir olduunda oldukça etkilidir; fakat gözlemlenemeyen deiúkenleri ve gözlemlenemeyen deiúkenler arasındaki iliúkileri açıklamada yetersiz kalmaktadırlar. YEM' de teori ile elde edilen model veriler ile test edilmektedir.
YEM için gerekli model, Altı Sigma' nın kök neden analizinden önce kullandıı
neden-sonuç araçları ile ortaya konabilir ve YEM kök neden analiz yöntemi olarak kullanılabilir.
Literatür çalıúması bölümünde Altı Sigma' ve YEM detaylı olarak açklamaktadır.
Uygulama bölümünde, problemin tanımlanması için geçmiú veriler düzenlenmiú ve betimleyici istatistik kullanılarak deerlendirilmiútir. Gecikmelerin müúteri beklentisinin çok üstünde olduu tespit edilmiútir. Betimleyici istatistiki veriler (örn.
ortalama gecikme) mevcut durumu detaylı olarak özetlememektedir; iyileútirme adımları belirlenmeden önce mevcut sürecin yeterliliinin tespit edilmesi gerekmektedir. Bu nedenle mevcut durumun yeterlilii ve gecikme olasılıkları hesaplanmıútır.
Uygulama bölümünde, problemin kök nedeninin tespiti için kullanılan analizler detaylı olarak anlatılmıútır. Problemin kök nedeni ortaya konmadan önce potansiyel kök nedenlerin belirlenmesi gerekmektedir. Gecikmeye neden olabilecek potansiyel nedenlerin tespit edilmesi için birden fazla kaynak kullanılmıútır. Süreç FMEA' sı (Failure Modes and Effects Analysis - Hata Türleri ve Etkileri Analizi) oluúturularak sürecin aksamasına neden olabilecek potansiyel etkiler uzmanların görüúüyle tespit edilmiútir. Kalite kontrol elemanlarınca tespit edilen uygunsuzluklar göz önünde bulundurularak, gecikmeye neden olan kalitesizlik etkileri beyin fırtınası yöntemiyle belirlenmiútir. Son olarak süreçteki uygulayıcılar; operatörler, mühendisler, ofis personeli ve yöneticilerden yine beyin fırtınası yöntemiyle potansiyel nedenlerin ortaya konması talep edilmiútir. Potansiyel kök nedenler ortaya konduunda, bu nedenlerin gözlemlenemeyen deiúkenler olduu ortaya çıkmıútır. Potansiyel kök nedenler özetlenerek bir tablo haline getirilmiú ve nominal grup tekniiyle deerlendirilmiútir. Sonuçta nedenler bir önem sırasına göre dizilerek ilk önce hangisinin iyileútirilmesi gerektii sonucuna varılabilir; fakat asıl kök nedenin tespiti ve gecikmeye etkisinin belirlenmesinde nominal grup teknii yetersiz kalmaktadır.
Potansiyel kök nedenler detaylı incelendiinde belli baúlıklar altında toplandıı tespit edilmiútir. Bu durumu daha da karmaúıklaútırmıútır; çünkü gecikmenin nedenleri ve bunların da alt nedenleri mevcuttur; ve tüm bu nedenler gözlemlenemeyen deiúkenlerdir. Kök nedenin istatistiksel olarak tespit edilebilmesi için Yapısal
Eúitlik Modellemesi uygun bir araç olarak görülmüútür. Yapısal Eúitlik Modellemesinin uygulanabilmesi için; gözlemlenemeyen deiúkenlerin, sayısal deerlendirmeye tabi tutulması gerekmektedir. Potansiyel kök nedenlerden bir anket oluúturulmuú ve firma genelinde 125 kiúi tarafından her bir kök neden 5' li Likert ölçei ile (tamamen katılıyorum, kısmen katılıyorum, ne katılıyorum ne katılmıyorum, kısmen katılmıyorum, tamamen katılmıyorum) deerlendirilmiú. YEM modeli oluúturularak, AMOS (Analysis of Moment Structures) programında anket sonuçlarına göre istatistiksel analizi gerçekleútirilmiú ve her bir gecikme nedeni bir faktör olarak ele alınarak kök nedeni oluúturmadaki etkisi deerlendirilmiútir.
2.1. Altı Sigma Metodolojisi
Altı Sigma metodolojisi de÷iúkenler kontrol edilebildi÷i takdirde tüm süreçte sıfır hataya ulaúılabilece÷i varsayımına dayanan, tüketici memnuniyetinin artırılması, hataların azaltılması, çıktıların iyileútirilmesi, iú verimlili÷inin yükseltilmesi hedefleri olan, yönetimsel ve kültürel bir de÷iúim programı; süreç de÷iúkenlerine odaklı, süreç performansı hakkında bilgi sa÷layan ve istatistiksel hesaplamalara dayanan bir kalite yönetim aracıdır. Altı Sigma metodolojisinde de÷iúkenliklerin yanlıúların temel kayna÷ı oldu÷u kabul edilir. Temel gösterge süreç sigma düzeyidir. Altı Sigma metodolojisinde süreç performansı, süreç sigma düzeylerinden belirlenen kalitesizlik maliyetlerine göre de÷erlendirilir ve iyileútirmede bu kalitesizlik maliyetlerinin azaltılması hedeflenir.
Verimlilik, ülkelerin ekonomik kalkınmayı sürdürebilmeleri açısından büyük önem taúımaktadır. Daha çok çıktıyı daha az girdi kullanarak, hatasız olarak bir seferde üretmek úirketler için daha fazla kazanç, gelecek nesiller için de kullanabilecekleri daha fazla kaynak anlamına gelir. Gittikçe artan rekabet ortamında, verimlili÷i artırmayı temel hedeflerden biri olarak seçmeyen úirketlerin uzun vadede ayakta kalabilmeleri ve rekabet etmeleri oldukça zorlaúacaktır. Verimlili÷in düúmesi, firmanın Pazar payının satıúlarının ve karlılı÷ının azalması sonuçlarını do÷uracaktır.
Son 10 yıldır dünyadaki birçok kuruluúun uygulamakta oldu÷u Altı Sigma Yönetim Sistemi, üretimden personel yönetimine, finanstan pazarlamaya, úirketlerin her türlü sürecini daha verimli hale getirerek karlılıklarını arttırmalarına ve büyümelerine yardımcı olmuútur (Pande, 2003).
Günümüzde pazar úartları hızlıca de÷iúmektedir. Sanayi úirketleri açısından bakıldı÷ında müúteri beklentileri artmakta, aynı zamanda içerik ve úekil
de÷iútirmektedir. Her geçen gün yeni bir úirketin kurulması pazarı küçültmekte ve rekabeti arttırmaktadır. øletiúimin ve ulaúımın kolaylaúması küresel oyuncuları bölgesel pazarlara taúımaktadır. Pazarda artık “yüksek rekabet”ten çok “yüksek risk”
kavramları telaffuz edilmektedir. Bu yüksek rekabet ve risk ortamında úirket yöneticilerinin aradı÷ı çözüm “úirketi neyin baúarılı edece÷i” de÷il, “úirketi neyin baúarılı tutaca÷ıdır”. Yani aranan anlık rekabet gücü de÷il, úirketin pazarda kalmasını ve sürdürülebilir olmasını sa÷layacak çözümlerdir (Genç, 2009).
Kurumsal ve özellikle finansal baúarı sa÷lamak için úirketler geçmiúte oldu÷u gibi günümüzde de “Toplam Kalite Yönetimi” gibi de÷iúik tekniklerden ve yöntemlerden istifade ediyor olabilir. Bu yöntemleri uygulayarak hedeflerine ulaúmıú úirketler olabilece÷i gibi, metotlardan istedi÷i faydayı elde edememiú úirketlerde olabilir.
Sonuç olarak, Altı Sigma metodu da kula÷a di÷er bahsedilen metotlardan sadece birisi gibi gelebilir (Genç, 2009).
Altı Sigma direkt kazandırma odaklıdır; tüm iú ve süreçlerini úirketin karlılı÷ına odaklar. Günceldir; en son geliútirilmiú etkin ve verimli yaklaúımları kullanır.
Kullanımı kolaydır; büyük küçük tüm sektörlerdeki úirketler hâlihazırda metottan istifade etmektedir. Esnektir; de÷iúik kültür ve de÷erlere sahip çalıúanları ortak misyon, vizyon ve hedefler altında toplayabilir. Sürekli iyileúme sa÷lar; rakamlara endekslenmiú sistemati÷i ile kurumsal de÷iúimi cesaretlendirir, geliúmeye ve iyileúmeye fırsat sa÷lar (Genç, 2009).
Altı Sigma “süreçleri ve ürünleri daha düzgün hale getirmek için mühendis ve istatistikçilerin kullandı÷ı ileri derece teknik bir yöntem” olarak tanımlanabilir. Bu tanım kısmen do÷rudur. Ölçümler ve istatistikler Altı Sigma iyileúmesinin kilit unsurlarıdır; ancak iúin hepsi bu ikisiyle bitmemektedir. Altı Sigma iúte baúarıyı yakalamak, sürdürmek ve en üst düzeye ulaúmak için kapsamlı ve esnek bir sistem olarak kabul edilir. Altı Sigma’ yı iúleten benzersiz mekanizma, müúteri ihtiyaçlarını derinlemesine anlama; gerçekleri, verileri ve istatistiksel analizleri bir disiplin çerçevesinde kullanma; iú süreçlerini yönetme, iyileútirme ve yeniden keúfetmekten ibarettir (Pande, 2003).
Altı Sigma bir slogan veya kliúe de÷ildir. Altı Sigma neredeyse mükemmel ürün ve servisler geliútirmek ve ortaya koymak için yardımcı olan iyi disipline edilmiú bir servistir. Sigma kelimesi sürecin mükemmellikten ne kadar uzak oldu÷unu ifade eden bir istatistik terimidir. Altı Sigma' nın arkasındaki ana fikir úudur ki; e÷er sürecinde ne kadar hata oldu÷unu ölçebilirsen, bunları nasıl ortadan kaldıraca÷ını ortaya koyabilirsin ve sıfır hataya mümkün oldu÷u kadar çok yaklaúırsın. Altı Sigma kalitesine ulaúmak için, bir sürecin 3,4 milyonda 1 hatadan fazla hata üretmemesi gerekir.
Altı Sigma Sürekli øyileúme, Süreç Tasarım/ Yeniden Tasarım, De÷iúikli÷in Analizi, Dengelenmiú Test Sistemi, Müúterinin Sesi, Yaratıcı Düúünme, Deney Tasarımı, Süreç Yönetimi, østatistiki Süreç Kontrolü temel metot ve araçlar üzerine kurulu bir yönetim sistemidir (Pande, 2003).
Altı Sigma bir ölçümdür; süreç varyasyonunu ölçer. Altı Sigma bir metodolojidir;
TÖAøK (Tanımla - Ölç - Analiz Et - øyileútir - Kontrol Et) adımlarını izler, takım çalıúmasına dayalı problem çözme yöntemidir, ölçüme dayalı süreç analizi- iyileútirmesi ve kontroldür. Altı Sigma bir yönetim sistemidir; úirketleri strateji geliútirmeye zorlar, liderlik-sponsorluk ve gözden geçirmeyi gerekli kılar, ölçülere dayalı süreç yönetimidir, organizasyonel yükümlülü÷ü-bütünlü÷ü sa÷lar (McCarty, 2004).
Altı Sigma her büyüklükteki firma için pazar payının arttırılmasında, maliyetlerin azaltılmasında, ve karlılı÷ın iyileútirilmesinde gelecek vaat eder. Fortune 500 úirketleri tarafından tüm dünyada kullanılan bir araç haline gelmiútir; çünkü etkilili÷i tüm dünyaca teyit edilmiútir (Harry, 2000).
Altı Sigma bir úirket sürecidir, firmaların karlılıklarını dramatik bir úekilde arttırmalarını sa÷lar. Bunu sa÷lamak için operasyonları daha etkin ve verimli hale getirir (akıú çizgisi haline getirir), kaliteyi iyileútirir ve firmanın tüm faaliyetlerinde (satın alma sipariúlerinin doldurulmasından, üretime kadar her adımda) israfı ve hatayı elimine eder (Harry, 2000).
Klasik kalite araçları hatanın tespiti ve düzeltilmesi üzerine yo÷unlaúırken, Altı Sigma olaya daha geniú çapta yaklaúır. Sürecin yeniden oluúturulması için özel metodlar sa÷lar, böylece hatalar ilk ortaya çıktıkları noktada asla tekrarlanmazlar (Harry, 2000).
Firmaların ço÷u 3-4 sigma düzeylerinde faaliyet gösterirler. Altı sima 3.4 milyonda 1 den az hata anlamına gelir. Kalite maliyeti satıúların % 1’ inin altına düúer. Yüksek kalite sonucunda düúük maliyet ortaya çıkar. Altı Sigma karlılı÷ı arttırmayla ilgilenir. Kalitenin ve etkinli÷in iyileútirilmesi Altı Sigma' nın ürünlerinden sadece ikisidir (Harry, 2000).
2.1.1. Altı Sigma’ nın yararları
− Kalıcı baúarıya götürür: Büyüme hızını sürdürmenin ve de÷iúen pazarlardaki payı korumanın tek yolu, sürekli olarak yenilikler getirmek ve yeniden yapılanmaktır (Pande, 2003).
− Herkes için bir performans hedefi belirler: Bir úirkette herkesin aynı do÷rultuda çalıúmasını ve ortak bir hedefe yönelmesini sa÷lamak oldukça güçtür. Her bir departman, çalıúma birimi ve bireyin farklı beklenti ve hedefleri vardır. Ama herkes için ortak olan úey, ürünlerin, hizmetlerin müúteriye sunulmasıdır (Pande, 2003).
− Müúteriye sunulan de÷eri arttırır: Her sanayi kolunda giderek güçleúen rekabet koúulları yüzünden, yalnızca “iyi” ya da “hatasız” ürün ya da hizmet sunmak baúarı için yeterli olmayacaktır. Altı Sigma’ nın özünde müúteriye odaklanmanın anlamı, de÷erin müúteriler için ne anlama geldi÷ini ö÷renmek ve bu de÷erin onlara karlı biçimde nasıl sunulaca÷ını planlamak demektir (Pande, 2003).
− øyileútirme oranını arttırır: En hızlı iyileútirmeyi gerçekleútiren taraf, muhtemelen rakipleri arasında bu yarıúı kazanan taraf olacaktır. Altı Sigma, pek çok disiplinden bünyesine kattı÷ı araç ve düúünceler sayesinde, bir
úirketin yalnızca performansını iyileútirmesini de÷il, aynı zamanda iyileútirmeyi de iyileútirmesini sa÷lar (Pande, 2003).
− Ö÷renmeyi ve bilginin yayılımını destekler: Altı Sigma geliúmeyi ve yeni düúüncelerin bütün kuruluú tarafından paylaúılmasını arttırabilen ve hızlandırabilen bir yaklaúımdır (Pande, 2003).
− Stratejik de÷iúimi gerçekleútirir: ùirketinizin süreçlerini ve prosedürlerini daha iyi anlamanız, 21. yy’ ın iú dünyasında sizi baúarıya götürecek gerek ufak tefek düzenlemeleri, gerek büyük de÷iúiklikleri gerçekleútirirken büyük bir kolaylık sa÷layacaktır (Pande, 2003).
2.1.2. Altı Sigma' nın iyileútirme stratejisi
− Süreç øyileútirmesi: "Sürekli øyileúme", "Adım adım iyileúme", "Kaizen"
süreç iyileúme çabaları bir sorunu, çalıúma sürecinin temel yapısına el sürmeden çözmeyi hedefler. Altı Sigma terimleriyle ifade edecek olursak burada, sorun ya da sıkıntıya (Y) yol açan "birkaç kilit" etkeni (X' ler) ortadan kaldırmak içi çözüm bulmak ve bunlara odaklanmak önemlidir. Altı Sigma projelerinin büyük bölümü Süreç øyileútirme giriúimleridir (Pande, 2003).
− Süreç Tasarımı/Yeniden Tasarım: øú dünyasının pek çok liderinin, 1980' lerdeki "kalite" giriúimlerine karúı sabrının tükenmesinin bir nedeni, ortaya çıkardıkları iyileúme hızının yavaúlı÷ı idi. Bu hoúnutsuzluk yeni bir modanın do÷masına neden oldu: 1990'ların baúlarından ortalarına kadar görülen re- engineering "yeniden tasarlama" patlaması. Re-engineering sonuçta kendi hayal kırıklıklarını do÷urmakla birlikte, daha yüksek bir çalıúma performansına ulaútıracak önemli bir perspektif sundu: Adım adım iyileúme, teknoloji, müúteri talepleri ve rekabet alanlarında yüksek de÷iúim hızını koruyabilmeniz için tek baúına yeterli de÷ildir. Altı Sigma' nın, kalıcı baúarısının kaçınılmaz ve tamamlayıcı stratejileri olan Süreç øyileútirmesi ile Tasarım/Yeniden Tasarımı bir araya getirmesinin temel nedeni budur.
Tasarım/Yeniden tasarım modundaki hedef, süreci onarmak de÷il onu (ya da bir bölümünü) baúka bir süreçle de÷iútirmektir. Bu da bizi sık sık "Altı Sigma Tasarımı" olarak anılan, müúteri taleplerine sıkı sıkıya ba÷lı, veri ve testlerle kontrol edilen yeni ürünler ve hizmetler üretmek için Altı Sigma ilkelerinin kullanıldı÷ı ürün/hizmet tasarımına götürür (Pande, 2003).
− Süreç Yönetimi: Bakıúlarımızı, departmanların gözlenmesi ve yönetilmesinden uzaklaútırıp, müúteriler ve hissedarlar için de÷er üreten iú akıúının, yani süreçlerin anlaúılmasına ve yönetilmesine çevirmemiz gerekir (Pande, 2003).
2.1.3. Altı Sigma nerelerde uygulanabilir
(Montgomery, 2005)
− Teslim programına uyum ve teslim hedeflerinin tutturulmasında
− Finansal dokümanlarda ve bütçe hesaplarında düzeltmeleri önlemede
− E-Ticaret web sitesinde siteyi tekrar ziyaret etme veya ziyaret eden müúterilerin alıúveriú yapma oranlarının arttırılmasında
− Herhangi bir servis sisteminde çevrim süresini veya müúteri bekleme süresini kısaltmakta
− Kapatılmamıú hesapların ödeme optimizasyonunda
− Tedarik zinciri yönetiminde satıú kaybının veya stoksuz çalıúmanın minimuma indirilmesinde
− Envanter yönetiminde
− Do÷ru tahmin ve zamanlamanın iyileútirilmesinde
− Denetim sürecinin iyileútirilmesinde
− Nakit akıúındaki de÷iúkenli÷in azaltılmasında
− Maaú bordrolarının do÷ru hazırlanması sürecinin iyileútirilmesinde
− Satıl alma talimatlarının do÷ru hazırlanması sürecinin iyileútirilmesi ve yeniden iúlemenin azaltılmasında
uygulanabilir.
2.1.4. Altı Sigma’nın istatistiksel anlamı
Müúterinin beklentisini karúılamak için, müúterinin bekledi÷i hedef kalite de÷erine uyan ürünleri müúteriye sunmak gereklidir. Gerçek üretim süreçleri düúünüldü÷ünde hedeften sapmalar her zaman görülecektir. Proses çıktısına (veya ürün karakteristi÷ine) müúteri açısından bakıldı÷ında iki önemli problem vardır. Birinci problem, proses ortalamasının hedef de÷erden sapmasıdır. Buna kısaca “hedeften sapma” problemi denir. Ayrıca birçok ürünün hedef de÷erinin gerek altında gerekse üstünde de÷er aldı÷ı görülür. Yani ürün performansı de÷iúkenlik göstermiútir. Buna da kısaca “de÷iúkenlik” veya “ varyans” problemi denir. Burada ifade edilen iki problem kalite mühendisli÷inin iki temel problemini teúkil eder. Bu kapsamda müúteri memnuniyetini arttırmak için yapılan iyileútirme faaliyetlerine de “hedef tutturma” ve “varyans azaltma” çalıúmaları denir. Gerçek süreçlerde prosesin ortalama de÷eri genellikle hedef de÷er ile aynıdır. Hedeften sapma olsa bile az bir çalıúma ile hedef tutturulur. Bu durumda üretim prosesinin kalitesi (di÷er bir deyiúle hatalı ürün oranı) varyansa ba÷ımlı olmuú olur. Sonuç olarak, kalite seviyesi (hata oranı) ile varyans arasında direkt bir iliúki oldu÷u söylenebilir (Genç, 2009).
østatistiksel olarak Altı Sigma; sürecin kalite ölçütlerinin birinin ortalaması ile en yakın spesifikasyon limiti arasındaki farkın, en az süreç standart sapmasının 6 katı kadar olması anlamına gelir. Altı Sigma' nın istatistiksel hedefleri, süreci hedefe oturtmak ve de÷iúkenli÷i azaltmaktır.
Altı Sigma sözlü÷ünde bir iú sisteminin yalpalamasına ya da sergiledi÷i düzensizli÷e
“de÷iúkenlik” denir. Müúteriler üzerinde olumsuz etki yaratan kötü de÷iúkenlik türü ise “hata” olarak adlandırılır. Y = f(x) demek, sistemin girdileri ve süreçlerindeki farklılıklar ya da de÷iúkenlerin, nasıl bir bitiú skoruyla belirlendi÷ini söylemenin matematiksel yoludur yalnızca. De÷iúken deyince, birden fazla anlam olabilece÷ini bilmek gerekir. Y úu anlama gelebilir; stratejik hedef – müúteri gereksinimleri – kazançlar – müúteri memnuniyeti – toplam iú verimlili÷i. X úu anlamlara gelebilir, stratejik hedeflere ulaúabilmek için gerekli eylemler – yapılan iúin kalitesi – müúteri memnuniyetini belirleyen ana etkenler – personel, çevrim zamanı, kullanılan teknoloji gibi süreç de÷iúkenleri – sürece katılan girdilerin kalitesi. Herhangi bir nesne ya da süreç grubu içindeki “de÷iúkenlik” ya da tutarsızlık miktarı standart sapma ( “sigma”) ile ifade edilir. De÷iúkenli÷i incelemek, bir yöneticinin yönetti÷i iúin gerçek performansını ve o iúin süreçlerini derinlemesine kavramasına yardımcı olur (Pande, 2003).
ùekil 2.1. Sürecin girdileri ve çıktıları (Genç, 2009).
Altı Sigma ölçümleri, bir süreçteki hataların izini sürmek ve onları azaltmak üzerinde yo÷unlaúmaktadır. Hata ölçülerinin anlaúılması için birkaç terim netleútirilmelidir:
Birim / Parça: øúlemden geçen bir kalem veya müúteriye teslim edilen son ürün ya da hizmet; araba, ev kredisi, bir otelde kalma, bir banka anlaúması, v.b.
Hata: Bir müúterinin gereksinimini performans standardını karúılayamamak.
Hatalı: Herhangi bir hatası olan her birim. (Herhangi bir hatası bir araba, teknik olarak 15 hatası olan bir araba kadar “hatalıdır”)
Hata fırsatları: Ürün ve hizmetlerin pek çok müúteri gereksinimi oldu÷u için, bir hata olması için de çeúitli úans veya fırsatlar vardır. Örne÷in bir arabada hataya elveriúlilik sayısı 100’den fazla olabilir. (Hata fırsatları belirlenirken üç ana adım uygulanır.
Hata türleri hakkında bir ön liste hazırlanır, Geçerli ve müúteri için önemli hataların hangileri oldu÷u belirlenir ve Di÷er standartlara karúılık önerilen fırsat sayısı kontrol edilir)
Hatalı Parça Oranı: Hatalı Parça Sayısı / Toplam Parça Sayısı Ör: 250 kredi baúvurusundan 43’ünde hata var ; %17.2’si hatalı Ör: 1150 çelik kriúten 99’unda hata var; %8.6 ‘sı hatalı
Son Baúarı Oranı: 1 – Hatalı Parça Oranı
Ör: 250 kredi baúvurusundan 43’ünde hata var; 1-0.172=0.828 veya % 82.8 baúarı oranı
Parça Baúına Hata: Örnek parça toplamı üzerinden her türdeki ortalama hata sayısını yansıtır. Hata Sayısı / Parça Sayısı
Ör: 250 kredi baúvurusunda 52 hata var.
Fırsatta Hata Sayısı: Hata Sayısı / Parça Sayısı * Fırsat Sayısı
Ör: 750 mikroçipte, 99 hata var, parça baúına hata fırsatı 150 ise; 52 /750*150 = 46*10-5
Milyon Fırsatta Hata Sayısı (DPMO) : Fırsatta hata sayısı * 106
Sigma Ölçüsü: Bir çevirme tablosu kullanarak sigma ölçünüzü bulabilirsiniz (Pande, 2003).
Tablo 2.1. Altı Sigma Çevrim Tablosu (Meran, 2008).
“Sigma Kalite Seviyesi” tolerans de÷erinin (ÜTL-Hedef veya Hedef-ATL) standart sapma de÷erine () bölünmesi ile hesaplanır ve tolerans bandına/aralı÷ına kaç adet de÷eri sı÷dırılabilece÷ini gösterir. Örne÷in, bir ürünün tolerans aralı÷ı +/- 3 birim olsun. E÷er üretimden gelen ürünlerin mevcut standart sapma de÷eri () 1,2 birim
