Korrelationsanalys är ett viktigt verktyg i händerna på alla Six Sigma-team. När Six Sigma-teamet går in i analysfasen har de tillgång till data från olika variabler. De behöver nu syntetisera dessa data och säkerställa att de kan hitta ett avgörande samband.

Vad är korrelationsanalys?

Man kan bäst förstå korrelationsanalys med hjälp av ett exempel. Låt oss anta att ledningen för en fabrik har tagit fram data som säger att ju längre arbetarnas skifttid desto lägre är deras produktivitet.

Men för närvarande finns det rådata och detta är bara en observation som någon Six Sigma-teammedlem kan ha kommit fram till efter att ha tittat på informationen. Men Six Sigma-metodiken bygger inte på de inblandade personernas åsikter utan snarare på objektiva fakta. Korrelationsanalys hjälper till att statistiskt bekräfta att så verkligen är fallet.

Hur utförs korrelationsanalys?

För att kunna utföra korrelationsanalysen måste det finnas tillräckligt med data för de aktuella variablerna. När det fanns tillräckligt med data, infogades dessa data i en formel utvecklad av Karl Pearson. Denna formel kallades även Karl Pearsons korrelationskoefficient. Detta innebar komplexa beräkningar och krävde närvaron av en statistiker i Six Sigma-teamet.

Men lyckligtvis utförs de flesta beräkningarna numera av ett programvaruverktyg. De inblandade människorna behöver bara veta hur man lägger till data i verktyget och hur man tolkar resultaten.

Hur tolkar man data från korrelationsanalys?

Korrelationsanalys ger oss vanligtvis ett talresultat som ligger mellan +1 och -1. +ve-tecknet eller ve-tecknet anger korrelationens riktning. Det positiva tecknet anger direkt korrelation medan det negativa tecknet anger invers korrelation.

Noll betyder ingen korrelation. Och ju närmare talet rör sig 1, desto starkare är korrelationen. Vanligtvis måste korrelationen vara 0.5 eller högre i endera riktningen för att korrelationen ska anses vara signifikant.

Att förstå att korrelation inte innebär orsakssamband

Korrelationsanalys bekräftar bara det faktum att vissa givna data rör sig i tandemEn farlig implikation som chefer gör är kausalitet. Baserat på korrelationsanalysen är det omöjligt att säga vilken variabel som är orsaken och vilken som är effekten. Det är också troligt att båda variablerna rör sig tillsammans eftersom de påverkas av någon tredje gemensam variabel. Detta är dock bara fall och faktum kvarstår att det finns andra analyser tillgängliga för att ta reda på orsakssambandet. I de flesta fall räcker det dock med att variablerna har en korrelation för att vidta relevanta åtgärder.