“No-one knows the cost of defective product. Don’t tell me you do. You know the cost of replacing it, but not the cost of dissatisfied customer.” -W.E. Deming

‍
Lean ja laatu

Deming on keskeisiä vaikuttajia Leanin taustalla. Hänen lausahduksensa asiakastyytyväisyyden merkityksestä kertoo oleellisen: tekemällä asiat kerralla oikein voidaan yrityksen toiminta virittää sellaiseen iskuun, että esimerkiksi suosittelun voimat saadaan valjastettua yrityksen hyväksi. No, pohdinta suositteluhalukkuudesta (NPS) ja asiakastyytyväisyydestä on toki Zeffin blogin aiheena yleisesti, mutta tällä kertaa keskitymme laatuun tuotannollisena tekijänä ja ajureihin, joilla siihen voi vaikuttaa.

Kuten Lean-blogisarjan aiemmissa osissa on todettu, Lean-johtamisella tavoitellaan asiakasodotuksiin vastaavaa laatua pitäen samanaikaisesti kustannukset kurissa, keskeisenä keinona mm. hukan välttäminen. Usein oiotaan mutkia ja todetaan Leanin tavoittelevan "korkeaa laatua" - tämä ajatus menee kuitenkin ohi maalin - asiakasodotuksia korkeamman laadun tuottaminen olisi arvoa tuhoavaa, siis hukkaa.
‍

Laadun varmistaminen Quality Function Deployment -menetelmällä

Quality function deployment eli QFD on menetelmä, joka auttaa sinua Leanin soveltajana keskittymään siihen, mitä asiakas odottaa. Oleellinen kysymys on, minkä ehtojen on täytyttävä, jotta tyypillisen asiakkaan tosiasiallinen tarve täyttyy. Tässä kohtaa siirrytään siis meille tuotteistusta tekeville sinänsä rakkaalta alueelta eli asiakastarpeiden aavistelusta lähemmäs laskennallista maailmaa eli otetaan objektiivisesti selville, mitkä asiat ovat asiakkaalle merkityksellisiä arvon lähteitä eli mistä osatekijöistä asiakkaan kokema tuotteen tai palvelun laadukkuus syntyy.

‍

QFD:hen viitataan myös toisella englanninkielisellä termillä, House of Quality (Laadun talo). Alla olevasta kuvasta 1 selviää tämän nimityksen syy, joka tulee kuvion muodosta.  House of Quality -käsitteelle ei ole standardinomaista määrittelyä eli sitä voidaan sovelletaan organisaatiokohtaisesti. Tässä blogissa käsitellään yleiset osatekijät, mistä QFD muodostuu ja toteutetaan digitaalinen työkalu laadun varmistusta varten.

‍

Yleisesti QFD muodostuu seuraavista tekijöistä:

1. Asiakasnäkemys (Voice of customer) eri tuoteominaisuuksien merkityksestä (painoarvot, esim. 1-5) 
2. Kontrolloitavat ajurit (Controlled factors; mitattavia suureita, jotka ovat yrityksenne hallittavissa)
3. Edellisten välinen suhde (heikko, keskimääräinen, vahva; esim. 0-10)
4. Kilpailijoiden arvioitu suoriutuminen tuoteominaisuuksien osalta
5. Ajurien väliset suhteet (hyvin negatiivinen, negatiivinen, positiivinen, hyvin positiivinen)

Kuva 1: Esimerkki Quality function deployment -toteutuksesta, täytetty asiakasnäkemyksen ja ajurien osalta

‍

‍

‍

Käytännön harjoitus - QFD asiakasta aidosti kuunnellen

Tällä kertaa blogin toiminnallisessa osuudessa selvitetään Voice of Customer (VOC) -laatutekijöiden painoarvot (”mitä asiakas arvostaa”) ja selvitetään millä tekijöillä on suurin vaikutus vaihtoehtokysymyksellä (”millä tähän voidaan vaikuttaa”). Toteutus tehdään käyttämällä ajurien painoarvojen selvittämiseen yksiulotteista graafista kysymystä (jana) ja tarkastelua syvennetään kysymällä ajurien suhteesta laatutekijöihin. Näin saadaan objektiivisesti selvitettyä asiakkaiden näkemys koko QFD:n ytimen osalta.

Eli käytännössä VOC-painoarvojen kerääminen voidaan toteuttaa isoillekin asiakasjoukoille kysymällä näkemykset laatutekijöiden (esim. helppokäyttöisyys) merkityksestä sähköisellä kyselyllä. On muitakin tapoja kerätä tämä tieto, mutta kysely on yksi tapa saada isojen joukkojen näkemys tehokkaasti selvitettyä. Isojen joukkojen kuuleminen taas on oleellista, jotta vältettäisiin painottamasta vain äänekkäimmän asiakkaiden etujoukon näkemyksiä. Toki tällekin voi olla perusteita, esim. mikäli asiakkaat edustavat liiketoiminnalliselta arvoltaan merkittäviä tahoja. Näin kerättynä voidaan siis saada pisteytettyä painoarvot vaikkapa arvovälillä 1-5 siten, että painot heijastavat asiakkaiden todellisia näkemyksiä.
‍

Kuva 2. Voice of Customer eli asiakasnäkemys voidaan kerätä joukkoistetusti sähköisellä kyselyllä.
‍

‍

‍

Toinen käytännön työkalu QFD:hen liittyen, joka tässä blogikirjoituksessa toteutetaan käytännössä, on tuotteen tuotannon kannalta oleellisten, yleensä sisäisten, sidosryhmien näkemysten keruu ajurien vaikutuksesta asiakasnäkemyksen kannalta oleellisiin laatutekijöihin. Tässä käytetään edellisestä esimerkistä poiketen kuvakysymystä, jossa valitaan kontrolloitavien ajurien joukosta sopivimmat, mutta tämäkin voitaisiin toteuttaa janakysymyksin, jotka akateemisen tutkimuksen perusteella ovat mukavin käyttöliittymä vastaamiseen. Janapohjainen toteutus aiheuttaisi kysymysmäärän kasvua, sillä jokainen laatutekijä tulisi arvioida jokaisen kontrolloitavan ajurin suhteen, jolloin arvioitavana olisi esimerkiksi 49 (7*7) kohdetta - mahdollinen, mutta varsin työläs tapa jopa sähköisellä työkalulla.
‍

Ensimmäinen ajatus voisi olla, että tätäkin osiota voi kysyä asiakkailta, mutta luultavimmin tämä osa analyysia sisältää tekijöitä, joita ette voi/halua avata laajemmalle yleisölle. Sisäiseltä kohdejoukolta (tai alihankkijamallissa myös muilta tuottavilta sidosryhmiltä) kysyttäessä voidaan avata avoimemmin tekijöitä, joiden nähdään olevan kontrolloitavissa olevia arvoajureita. Alla olevassa kuvassa 3 nähdään käytännön esimerkki yksittäisten tekijöiden arvioinnista eli kysytään yksi kerrallaan kuhunkin laatutekijään eniten vaikuttavista ajureista. Tässä esimerkissä on rajattu ajurien määrä kolmeen, sillä harjoituksessa tulee pyrkiä keskittymään oleelliseen eli annamme vastaajan valita alle puolet valittavissa olevista kohteista. Voit testata vastaamista tästä.

‍

‍Kuva 3. QFD-arvoajurien tunnistamisessa arvioijajoukko antaa yksi kerrallaan näkemyksensä merkittävimmistä laatutekijöihin vaikuttavista ajureista.

‍

‍

Alla olevassa kuvassa 4 esitetään dataa palvelun helppokäyttöisyyteen vaikuttavista tekijöistä. Seuraava vaihe arvioinnissa olisi QFD:n toteuttajatiimin keskustelu siitä, mitkä tekijät lopulta valitaan ja pisteytetään QFD-kuvion keskiosaan ajurien ja laatutekijöiden välisten suhteiden kertoimiksi. Tässä esimerkissä yksikään tekijä ei nyt irronnut muita selkeästi merkittävimmäksi tekijäksi (painoarvo 10), toisaalta koulutusten merkityksen ryhmä totesi pieneksi, mahdollisesti logiikalla, mikäli koulutusta vaaditaan, tuote ei ole kyllin helppokäyttöinen. 

‍

Kuva 4. Ajurien tunnistaminen joukolta kerätystä datasta.

‍

‍

Kuten todettua, QFD-toteutustapa on organisaatiokohtainen, mutta hyviä taktiikoita olisi tässä ainakin 2. 1) Pisteytetään ylimmät 5 tekijää painoarvolla 5, keskimääräinen vaikutus ja jätetään hintapiste ja koulutukset vähämerkityksisinä vaille kerrointa. Vaihtoehtoisesti voitaisiin 2) myös pisteyttää 3 korkeimman arvion saanutta painoarvolla 5. Halutessasi voit testata pisteyttämistä tästä.
‍

Tällä kertaa ei toteuteta House of Quality -talon katon osalta keskinäisriippuvuuksien selvittämistä sähköisellä kyselyllä, mutta todettakoon, että tämäkin voitaisiin selkeästi antaa suuremmalle joukolle työstöön. Kuitenkin tältäkin osin arvion tekijöinä käytetään sisäisiä sidosryhmiä, ei asiakkaita. Tässä yhteydessä ei myöskään toteuteta kilpailija-arviota, mutta sekin olisi ihan relevantti tarkasteltava asia täysimittaisessa QFD-harjoituksessa.
‍

Seuraavan sukupolven diagnostinen QFD tekoälyavusteisesti

Edellä kuvattu prosessi avaa objektiivisemman näkökulman asiakkaille tuotettavaan laatuun, kuin se perinteisin tapa tuotteistaa, jossa otatte itse asiantuntijaroolin ja teette valinnat laatutekijöiden merkityksellisyydestä asiakkaiden puolesta. Samaan hengenvetoon on kuitenkin todettava, että emme perinteiseen Lean-pelikirjaan nojaten kuitenkaan vielä täysin vapauttaneet asiakasta ilmaisemaan itselleen merkittävimpiä tekijöitä. Missä mentiin vikaan? Vastaus: asetimme asiakkaan puolesta arvioitavat asiat eli laatutekijät.
‍

Voisiko tämän tehdä toisin? Kyllä onnistuu. Otetaan tässä vielä yksi harjoitus eli kysytään asiakkailta ensin heidän laatumielikuvaansa ja sitten annetaan generatiivisen tekoälyn hakea juurisyy arvion takana ja vetää yhteen kaikkien vastaajien vastausten juurisyyt. Näin prosessista saadaan aidosti asiakasohjautuva Voice of customer -osion osalta.

Alla kuvassa 5 esitetään esimerkki generatiivisen tekoälyn asiakkaan kanssa käymästä keskustelusta laatuun liittyen. Keskustelu on lähtökohdiltaan suuntaamaton eli tekoälyhaastattelu lähtee vapaasti hakemaan syytä sille, miksi asiakas vastasi asteikolla 0-10 tietyllä tavalla kysymykseen esimerkkiyrityksen tuotteiden laadusta. Haastattelu syvenee asiakkaan ja tekoälyn vuoropuheluna, jota käytetään juurisyyanalyysin perustana. Juurisyyanalyysi on keskeinen Leanin menetelmistä - tässä sitä vain tuetaan antamalla tekoälyn tuottaa haastatteluaineisto.

Kuva 5. Diagnostinen haastattelu toimii generatiivisen tekoälyn tukemana ja auttaa pääsemään kiinni odottamattomiinkin seikkoihin asiakkaan arvostuksissa.

‍

‍

Tekoäly voi siis auttaa oikeiden asioiden saamisessa irti haastattelusta ja täydentää perinteisiä Lean-menetelmiä. Toisaalta tekoäly tukee myös objektiivista luokittelua eli voidaan tunnistaa merkittävimmät tekijät, joita asiakkaat laadusta ilmaisevat. Emme tutkijan tai kehittäjän näkökulmasta sanele, mitkä asiat ovat asiakkaille merkittävimpiä, vaan he ovat itse sen inputin antajina, jonka perusteella tekoäly luokittelun tekee. Alla olevassa kuvassa 6 esitetään kuvitteellisten 20 asiakasvastauksen perusteella esimerkkiyritykselle (Yritys XYZ) toteutettuun VOC-kyselyyn.
‍

Kuva 6. Vaihtoehtoisessa toteutustavassa tekoälyn yhteen vetämät haastattelut antavat VOC-teemat

‍

‍

Tässä esimerkissä 20 asiakkaan raati vastasi laatua koskevaan haastatteluun ja saatiin VOC-teemat seuraavasti, aloittaen merkityksellisimmistä ja vahvimman suorituksen alueelta:

1. Käyttöönoton helppous ("koulutus ja tuki")
2. Tuotteen kehitys ("tuotteen laatu ja kehitys")
3. Käytettävyys ("käytettävyys ja helppokäyttöisyys")
4. Luotettavuus ("maine ja luottamus")
5. Yhteensopivuus ("integraatio ja yhteensopivuus")
6. Hinnoittelu ("hinta ja hinnoittelu")

Näin tarkasteltuna VOC-prosessista saadaan vielä selkeämmin asiakasohjautuva. Tekoäly tekee luokittelua ja tyypittelyä tyypillisesti luotettavammin ja objektiivisemmin kuin inhimillinen vastinparinsa. Toki tässäkin on hyvä käyttää tervettä harkintaa, mutta Lean-johtamisenkin työkalujen kannalta on hyvä olla hereillä ja miettiä, voisiko generatiivinen AI aidosti olla vaihtoehto perinteisille menetelmille tai niitä täydentämään. Alustavat kokemukset ovat joka tapauksessa erittäin mielenkiintoisia ja antavat viitteitä siitä, että tekoälyavusteinen QFD on hyvin toimiva.
‍

Lopuksi - tuotatte laatua, mutta kenen näkökulmasta

‍

Tässä blogikirjoituksessa on keskitytty Leaniin ja laatuun, erityisesti QFD:hen. On hyvä haastaa välillä itseään ja organisaatiotaan - kun puhumme laadusta, kenen näkökulmasta se on määritelty? Jos ei asiakkaan näkökulmasta, niin kenen sitten? Entä miten vältytään optimoimasta tuotteen ja palvelun kehitystä pienten hiljaisten vähemmistöjen näkökulmasta?

SaaS-tuotetta tarjoavana yrityksenä olemme itse jatkuvasti tämän viimeisimmän kysymyksen äärellä, samoin muut alalla toimivat. Eli kehityksen tulisi seurata merkittävän enemmistön näkemystä, jota toki voidaan (harkiten) täydentää räätälöintimahdollisuuksilla ja lisäosilla. Eikä tämä näkökulma rajoitu vain ohjelmistoalalle, vaan on liiketoiminnassa universaali - miten maksimoida asiakastyytyväisyyttä?
‍

Leanin järjestelmälliset opit, kuten tässä esitetty QFD auttavat kiteyttämään oleellisimmat tekijät - enemmistön ääntä voidaan hakea tässä kuvatusti joukkoistamalla kannanmuodostus riittävän suurelle otokselle asiakkaista sen sijaan, että optimointia tehtäisiin vaikkapa vain saadun asiakaspalautteen perusteella. Muunlainen lähestymistapa voi johtaa kehityksen vahvaan vinoutumiseen ja optimointiin marginaalista käsin.
‍

Toki on mahdollista ja suositeltavaa myös huomioida erilaiset pienemmät asiakassegmentit (suunnitelmallisesti) ja tutkia eri taustatekijöiden vaikutusta valintoihin. Tämäkin on helpompaa sähköisiin työkaluihin ja laadukkaaseen raportointiin nojaten. 

Toivottavasti tämä kirjoitus auttaa teitä eteenpäin pohdinnoissanne laatuun liittyen! Ensi kerralla, kahden viikon kuluttua, käsittelemme Leanin 8. hukkaa - hukattua lahjakkuutta tai tietämystä.

terveisin,

Janne Vainikainen, Zeffi

Blogisarjan kirjoitukset

Osa 1 - Viikko 9 - Lean-johtaminen käytännönläheisesti

Osa 2 - Viikko 11 - Lean-työkalut arvon tunnistamisessa

Osa 3 - Viikko 13 - Lean-työkalut laadun varmistamisessa

Osa 4 - Viikko 15 - Leanin 8. hukan lähde - hukattu lahjakkuus tai tietämys

‍

Kirjoittaja

Janne Vainikainen on ZEF Oy:n operatiivinen johtaja, tietojohtamisen ekonomi ja Lean Six Sigma Black Belt. Hän soveltaa Leania niin työssään SaaS-yrityksessä ja konsultoidessaan asiakasyrityksiä.