Operasyonun içinde geçen yıllar bana çok net bir şey öğretti: Veriye bakmakla veriyi anlamak aynı şey değil. Fabrika sahasında da, toplantı odalarında da rakamlar hep masada. KPI’lar, yüzdeler, ortalamalar… Ama o rakamların gerçekten ne söylediğini kavradığımız anlar sandığımızdan çok daha az.

Endüstri mühendisliğinin temelinde yatar, teorik bir derinliğe sahip olan istatistik bilimi. Okulda haftalarca üzerine konuşur, tüm bileşenlerini zihnimize yazarız. Operasyonel mükemmellik yolculuğunda ise şunu fark ettim: İstatistik iki ana kola ayrılıyor olabilir ama aslında iki farklı liderlik seviyesini temsil ediyor. Tanımlayıcı İstatistik ve Çıkarımsal İstatistik.

Levine, Stephan ve Szabat’ın Statistics for Managers Using Microsoft Excel kitabında yöneticilere verilen temel mesaj çok net: Önce mevcut durumu doğru tanımla. Tanımlayıcı istatistik tam olarak bunu yapar. Veriyi toplar, düzenler, özetler ve görünür kılar. Grafikler, frekans dağılımları, ortalamalar, medyanlar, standart sapmalar… Bunlar sadece teknik kavramlar değil; organizasyonun nabzı.

Aylık raporda “Bu ay ortalama teslim süremiz 6.3 gün” yazdığınızda tanımlayıcı bir cümle kurarsınız. Geçmişi tarif edersiniz. Sürecin aynaya yansımasını gösterirsiniz. Ve karmaşıklığı sadeleştirme ihtiyacı duyarsınız. Çünkü karmaşık veri karar üretmez; netlik karar üretir.

Ama burada kritik bir soru var: Ortalama gerçekten sizi güvende hissettirmeli mi?

Sahada defalarca şunu yaşadım. Ortalama hedefi tutturmuştur ama varyasyon yüksektir. Standart sapma artmıştır. Süreç kontrol limitlerine yaklaşmıştır. Yani tablo “iyi” görünürken sistem kırılganlaşmıştır. Tanımlayıcı istatistik bize ne olduğunu gösterir, fakat neden olduğunu ya da tekrar olup olmayacağını söylemez.

İşte liderliği sıradan raporlamadan ayıran nokta burada başlar.

Çıkarımsal istatistik devreye girer.

Artık mesele yalnızca ölçmek değildir; belirsizliği yönetmektir. Örneklemden yola çıkarak anakitle hakkında konuşuruz. Güven aralıklarıyla kararın hata payını tanımlarız. Hipotez testleriyle sezgimizi sınarız. “p < 0,05” dediğimizde aslında şunu söyleriz: Bu sonuç tesadüf olamayacak kadar güçlü.

Bir iyileştirme projesi yaptığınızı düşünün. “Fire oranı %0,8’den %0,4’e düştü” demek tanımlayıcıdır. Ama şu soru liderlik sorusudur: Bu düşüş gerçekten yaptığımız aksiyonun sonucu mu, yoksa doğal varyasyon mu? Eğer istatistiksel olarak anlamlı değilse, yarın eski seviyeye dönme ihtimali yüksektir.

Operasyonel sonuçlar çok faktörlüdür. Teslim süresini planlama kadar tedarik zinciri güvenilirliği, makine arıza oranı, vardiya dengesi ve insan faktörü de etkiler.

Regresyon analizi bu karmaşıklığı sayısallaştırır. Hangi değişken ne kadar etkiliyor? Modelin açıklama gücü nedir? R² kaç? Hangi katsayı anlamlı? Kümeleme analizi benzer davranışları gruplaştırır. Sınıflandırma yöntemleri riskli siparişleri önceden ayıklar. Boyut indirgeme teknikleri karmaşık veri setlerini daha yönetilebilir hale getirir. Prof. Dr Reha Alpar’ın Uygulamalı Çok Değişkenli İstatistiksel Yöntemler çalışması bu tekniklerin uygulamadaki derinliğini güçlü şekilde ortaya koyar.

Ama burada teknik bilginin ötesinde bir kırılma noktası var.

Tanımlayıcı istatistik performansı ölçer.
Çıkarımsal istatistik performansı dönüştürür.

“Bu ay ortalama teslim süremiz 6.3 gün” demek bir rapordur.
“Bu süreci iyileştirirsek önümüzdeki 6 ayda müşteri şikayetleri %20 azalır” demek stratejik bir iddiadır.

İkinci cümle bütçe ister. Kaynak ister. Cesaret ister. Ve en önemlisi istatistiksel güven ister.

Bir yönetici olarak şunu sıkça sorarım “Kararınızı veri mi yönlendiriyor, yoksa siz veriyi kararınızı doğrulamak için mi kullanıyorsunuz?” Çünkü istatistik yalnızca analiz aracı değildir; zihinsel bir disiplin, hatta bir karakter testidir. Varsayım üretmek kolaydır. Test etmek cesaret ister.

Yıllar içinde öğrendiğim en değerli şey şu oldu:
Tanımlayıcı istatistik geçmişi netleştirir.
Çıkarımsal istatistik geleceğe güven kazandırır.

Operasyonel mükemmellik bu iki yaklaşımın kesişimidir. Süreci ölçmeden iyileştiremezsiniz. Etkiyi test etmeden sürdürülebilirlik sağlayamazsınız. Veri olmadan sezgi risklidir; istatistik olmadan veri eksiktir.

Ve belki de gerçek veri liderliği tam şu soruyla başlar:

Bir sonraki kararınızı alırken sadece rakamlara mı bakacaksınız…
Yoksa o rakamların size hangi riskle konuştuğunu da anlayacak mısınız?