Balık Kılçığı ile zengin bir şüpheli listesi ürettin, Beş Neden ile derinleştirdin, İlişkiler Diyagramı ile sürücüyü buldun. Ama şimdi pratik bir problem var: elinde belki otuz-kırk olası neden ve hepsini test edecek zamanın yok. 'İçime öyle doğuyor' yetmez. Sebep-sonuç matrisi, onlarca şüpheliyi sayısal bir mantıkla — müşteriye bağlayarak — önceliklendirir.
HİKÂYE AKIŞI
Şüphelileri Müşteri-Ağırlıklı Terazide Tart
1
Adil bir terazide tart
Her olası neden, müşterinin önemsediği çıktılara göre tartılır: müşteri için ağır olan çıktıyı güçlü etkileyen neden terazide yükselir. Sonuçta şüpheliler sezgiye göre değil, müşteri-ağırlıklı bir puana göre sıralanır.
2
Müşteri merceğinden geçir
Çoğu kök neden aracı içe dönüktür: 'süreçte ne bozuk?' Sebep-sonuç matrisi her nedeni müşteri merceğinden geçirir: 'müşteri için ne önemli?' Teknik olarak ilginç ama müşteriye değmeyen nedenler solar; müşteri-kritik olanlar parlar.
3
Sayının kesinliğine aldanma
'Bu neden 245 puan' kesin, bilimsel görünür. Ama altındaki puanlar ekibin yargısıdır, ölçüm değil. Matris tahminleri düzenler ve önceliklendirir; ama gerçeğe çevirmez. Çıkan sıralama test edilecek bir hipotez listesidir, kanıt değil.
NEDEN GEREKLİ
Örtük Önceliklendirmenin Tuzağı
Önceliklendirme çoğu zaman örtük ve önyargılı yapılır: en yüksek sesli kişinin favorisi öne geçer, ya da en son akla gelen, ya da herkesin zaten inandığı. Sebep-sonuç matrisi bu kararı açık, şeffaf ve sayısal hale getirir — herkesin gördüğü, üzerinde tartışılabilen bir mantık kurar.
💡 Matrisin asıl değeri ürettiği sayıda değil, ekibi aynı kriterler üzerinde düşünmeye zorlamasındadır. Sayı bir bahane; asıl ürün, ortak ve disiplinli bir muhakeme.
PUANLAMA MANTIĞI
0 / 1 / 3 / 9 Likert Ölçeği
0
Yok
Hiçbir ilişki yok
1
Zayıf
Küçük veya nadir etki
3
Orta
Belirgin ama dolaylı etki
9
Güçlü
Doğrudan, büyük etki
🔢 9/3/1 oranı, güçlü etki ile zayıf etkiyi matematiksel olarak anlamlı biçimde ayırır — lineer (1/2/3) ölçek bu ayrımı yaratamaz.
İNTERAKTİF
C&E Matrisi — Tıkla ve Puanla
Bir hücreye tıkla → 0/1/3/9 döngüsü. Her nedenin etkisi çıktı ağırlığıyla çarpılıp toplanır; en yüksek toplam = test öncelikli neden (en kritik CTQ'ları en güçlü etkileyen).
💡 En yüksek toplam skor = test öncelikli neden. Bu neden en kritik CTQ'ları en güçlü biçimde etkiliyor.
Pareto'ya Dönüşüm (canlı)
EN SİNSİ TUZAK
Sahte Kesinlik — Sayı Bir Tahmindir
Matrisin çıktısı net bir sayıdır — 'bu neden 245 puan' — ve bu kesin, bilimsel görünür. Ama unutma: o sayının altındaki puanlar ekibin yargısıdır, ölçüm değil. 'Bu neden bu çıktıyı 9 mu 6 mı etkiler?' sorusunun cevabı bir tahmindir.
Matris tahminleri düzenler ve önceliklendirir; ama onları gerçeğe çevirmez. Çıkan sıralama, test edilecek bir hipotez listesidir. Sayının kesinliğine aldanıp en üstteki nedeni 'kanıtlanmış kök neden' sanma — matris yön verir, veri karar verir.
KRİTİK BAĞ
Kök Nedeni Müşteriye Bağlar
İçe dönük araçlar
Çoğu kök neden aracı 'süreçte ne bozuk?' diye sorar; teknik olarak ilginç ama müşterinin umursamadığı bir nedeni kovalamana yol açabilir.
Müşteri-odaklı matris
Sebep-sonuç matrisi her nedeni müşterinin önemsediği çıktılar üzerinden değerlendirir; sadece 'en güçlü neden' değil, 'müşteri için en önemli sonucu en çok etkileyen neden' öne çıkar. Projeni müşteriye odaklı tutar.
🗣️ Matrisin asıl gücü, tartışmayı 'hangi neden?'den 'neden bu puan?'a taşımasıdır. Bir nedene neden 9 değil 3 verdiğinizi tartışırken ekip, o nedenin çıktıyı gerçekten nasıl etkilediğini derinlemesine düşünmek zorunda kalır — gizli varsayımları ve bilgi farklarını yüzeye çıkarır.
BAĞLANTI
Pareto ile Birleştirme
C&E matrisinden çıkan ağırlıklı skorlar doğrudan Pareto grafiğine dönüştürülür. %80 etkiyi açıklayan üst 2-3 neden Pareto'nun sol tarafına gelir — bunlar Improve fazının öncelikli hedefi olur.
📊 Yüzdeler yukarıdaki matriste değişince canlı güncellenir; en yüksek skorlu neden kırmızı işaretlenir.
Bir kozmetik üreticisinde krem dolum sürecinde sorunlar var ve Balık Kılçığı yirmi olası neden çıkarmış. Hepsini test etmek imkânsız. Sebep-sonuç matrisi kuruyorlar. Müşteri çıktıları ve ağırlıkları: doğru dolum miktarı (10, çünkü eksik/fazla doğrudan şikâyet), kapak sıkılığı (8), etiket düzgünlüğü (5), kutu görünümü (3).
Yirmi nedeni bu çıktılara göre puanlıyorlar. Sonuç ilginç: ekibin en çok konuştuğu 'etiket makinesi' nedeni, sadece düşük ağırlıklı çıktıları etkilediği için listede aşağıda kalıyor. Buna karşılık az konuşulan 'dolum nozül sıcaklığı', en yüksek ağırlıklı çıktıyı — dolum miktarını — güçlü etkilediği için tepeye çıkıyor.
Matris, ekibin sezgisel favorisini değil, müşteri açısından gerçekten kritik olanı öne çıkardı. Sonra o birkaç üst nedeni veriyle test ettiler.
Puanlar ekip yargısıdır, ölçüm değil; sıralama bir hipotez listesidir — en üstteki nedeni veriyle test et.
Ağırlıkları müşteriye sormadan koymak
CTQ ağırlıkları VOC ve Define'daki CTQ ağacından gelir; müşterinin en kritik bulduğu özellik en yüksek ağırlığı alır.
En yüksek sesli kişinin favorisini seçmek
Matris kararı açık, şeffaf, sayısal yapar; sezgisel favori müşteri açısından kritik olmayabilir.
Matrisi tek başına doldurmak
Gücü ekibin puanlar üzerinde anlaşmaya çalışmasından gelir; 'neden bu puan?' tartışması gizli varsayımları açığa çıkarır.
Lineer (1/2/3) ölçek kullanmak
0/1/3/9 oranı güçlü ve zayıf etkiyi matematiksel olarak anlamlı ayırır; lineer ölçek bu ayrımı yaratmaz.
DMAIC İÇİNDE YERİ
Analyze'ın Önceliklendirme Aracı
Sebep-sonuç matrisi, Balık Kılçığı'nın ürettiği çok sayıda nedeni müşteri-ağırlıklı bir sıralamaya indirmenin aracıdır: Analyze'ı Define'daki CTQ'lara bağlar.
Kılçık → Matris
Balık Kılçığı'ndan çıkan çok sayıda nedeni matrise taşı; müşteri çıktılarını (CTQ) ağırlıklarıyla sütunlara koy.
Çarp, topla, sırala
Her neden için etki × CTQ ağırlığı topla; en yüksek toplam = müşteri açısından en kritik test-öncelikli neden.
Matris → Pareto → Improve
Ağırlıklı skorları Pareto'ya dönüştür; %80'i açıklayan üst nedenleri veriyle test et, sonra Improve'a geç.
AI KÖŞESİ
Yapay Zekâ Matrisi Yapılandırır ve Hesaplar
Yapay zekâ nedenlerini ve müşteri çıktılarını verip matrisi kurmana, puanlamaya yapı kazandırmana yardım eder; ağırlıkla çarpıp toplama işlemini anında yapar ve sıralamayı çıkarır. Ayrıca seni 'müşteri çıktılarını doğru tanımladın mı, ağırlıklar gerçekten müşteriyi yansıtıyor mu?' diye sorgulamaya iter. Ama puanları ve ağırlıkları belirleyen, müşteriyi ve süreci bilen insandır — sayı bir hipotezdir, en üstteki nedeni veriyle test eden sensin.
AI Asistanı
Nedenlerini ve müşteri çıktılarını (ağırlıklarıyla) ver; her neden-çıktı çifti için olası etki gücünü önereyim (ekipçe doğrulanacak tahmin), çarpıp toplayıp sıralayayım, sezgisel favori ile matris tepesi farklı mı göstereyim. Ama yargıyı, ağırlıkları ve testi sen sahiplenirsin.
Bir Yalın Altı Sigma Analiz fazı mentoru gibi davran. Şu nedenler ve müşteri çıktıları (ağırlıklarıyla) için SEBEP-SONUÇ MATRİSİ kur: [nedenler + CTQ + ağırlık]. (1) Her neden-çıktı çifti için olası etki gücünü (0/1/3/9) değerlendir — bunların ekipçe doğrulanacak TAHMİN olduğunu belirt. (2) Her neden için etki × ağırlık toplamını hesapla ve sırala.
Devam et: (3) En üstteki 3-5 nedeni öne çıkar. (4) Ekibin sezgisel favorisi ile matris tepesi farklı mı — sezgiye aykırı bulgu var mı? (5) Müşteri çıktılarını ve ağırlıkları doğru mu tanımladım, gözden kaçan çıktı var mı? (6) UYARI: Bu sıralama bir hipotez listesidir; en üstteki nedeni veriyle nasıl test etmeliyim?
AI hesaplar ve sıralar — ağırlıkları ve testi sen sahiplenirsin.
KENDİNİ SINA
Hızlı Kontrol
Bu değerler 'denge gücü' sağlar. 9/3/1 oranı, güçlü etki ile zayıf etkiyi matematiksel olarak anlamlı biçimde ayırır. Lineer (1/2/3) ölçek bu ayrımı yaratamaz.
Müşteri sesi (VOC) ve Define fazındaki önceliklendirilmiş CTQ ağacından. Müşterinin en kritik bulduğu kalite özelliği en yüksek ağırlığı alır.
C&E ağırlıklı skorları Pareto'ya dönüştürülür. %80 skoru oluşturan az sayıda neden Pareto'nun sol barlarında görünür — bunlar Improve'un hedefi.
SON SÖZ
C&E matrisi, müşterinin sesini kök neden analizine taşır — CTQ ağırlığı olmadan yapılan önceliklendirme, müşterinin umursamadığını önce çözüyor olabilir.
Onlarca neden arasında boğulduğunda 'içime doğuyor' deme: müşteri çıktılarını ağırlıklarıyla üste koy, her nedeni tart, çarp-topla-sırala — sonra tepedeki birkaçını veriyle test et. Sıradaki ders — DERS-109: sadece 'ne olası' değil, 'ne kadar tehlikeli' sorusunu da ekleyen FMEA.
