BI case: toimitusvarmuus ja juurisyyanalyysi

Analyysien toteutus ja yksityiskohtaiset tulokset

Toimitusvarmuus on yksi keskeisimpiä mittareita toimitusketjun toimivuuden kannalta. Nimensä mukaisesti, se mittaa kuinka mittaa kuinka varmasti tilaus saadaan toimitettua asiakkaalle kokonaisuudessaan ja sovittuun toimituspäivämäärään mennessä.Ensimmäinen kysymys mitä tulee pohtia kun mitataan toimitusvarmuutta on ’miten tarkalleen ottaen mitataan toimitusvarmuutta´? Usein käytetty mittari on on-time-in-full (OTIF), joka sanamukaisesti mittaa kuinka monta prosenttia asiakkaiden tilauksista pystytään toimittamaan täysimääräisinä ja ajallaan asiakkaalle. Tämä on helppo ymmärtää yleisellä tasolla, mutta käytännössä se sisältää monia avoimia kysymyksiä ja monia eri tulkintoja, joita sovelletaan eri tavoin eri organisaatioissa ja eri liike-elämän aloilla, kuten:

• Miten määritellään että tilaus on toimitettu ajoissa? Esimerkiksi, onko sovitun toimitusajan tarkkuus päivämäärä-, vai päivämäärä ja kellonaika -tasolla? Onko se asiakkaan pyytämä toimitusaika (requested delivery date) vai toimittajan lupaama toimitusaika (promised delivery date)? Mikä sallittu aikaikkuna eli kuinka paljon siitä voidaan poiketa (esim. sama päivänä vai +/- 1 päivä?), jotta toimitusta voidaan silti pitää ajallaan toimitettuna?
• Miten määritellään että tilaus on toimitettu täysimääräisenä? Esimerkiksi, Onko ’tilaus’ yksi myyntitilaus, joka saattaa sisältää useita tuoterivejä, yksi myyntitilauksen tuoterivi, yksi pakkaus, jne.? Mitkä ovat toleranssirajat ’oikein toimitetuille’ tilauksille. Esimerkiksi, onko sekä positiiviset että negatiiviset poikkeamat toimituksessa ’väärin toimitettuja’? Miten määritellään kriteerit ’oikein’ ja ’väärin’ toimitetut tilaukset? Jos myyntitilaus sisältää yhden tuoterivin joka on väärä tuote tai väärä määrä oikeaa tuotetta, onko silloin koko tilaus ’väärin toimitettu’ vai ainoastaan kyseessä oleva rivi?
• Tulisiko nämä määritelmät olla muuttumattomat, eli pysyykö määritelmät samana riippumatta tuotteesta, ajasta (esim. alennuskampanjat), asiakkaasta jne.?

Tämän lisäksi tulee myös miettiä organisaatiokohtaisia kysymyksiä, ensinnäkin, ’Mikä on toimitusketjun toimintamalli, mitkä ovat sen keskeiset osat, osapuolet ja tavoitteet. Miten asettaa toimitusvarmuuden tavoitteet jotta ne tukisivat parhaiten muita keskeisiä tavoitteita?’ Kun toimitusvarmuuden rooli osana kokonaisuutta ja tavoitteet on määritelty ylätasolla, voidaan pohtia 

tarkemmin mitkä ovat haluttavat tavoitetasot toimitusvarmuudelle. Tässä tulee tarkastella kriittisesti ja realistisesti oman organisaation maturiteettia ja kehityshalukkuutta esimerkiksi seuraavien kysymyksien kautta:

• Onko organisaatiollamme tarvittava digitaalinen infrastruktuuri, jotta toimitusvarmuutta pystytään hallitsemaan, mittamaan ja kehittämään dataohjautuvasti?
• Mikä on haluttu toimitusvarmuuden taso? Tämä on myös hyvin relevantti kysymys, koska tuskin koskaan on realistista tai järkevää tavoitella 100% toimitusvarmuutta, koska viimeisen 1 tai 0,1 %-yksikön parannus vaatii eksponentiaalisesti enemmän aikaa, työtä ja rahaa kuin esimerkiksi parannus 80:sta 90:een prosenttiin. Joten aina löytyy taso missä rajakustannus yhden prosenttiyksikön parannuksesta ylittää rajahyödyn, jolloin parempaa toimitusvarmuutta ei enää kannata tavoitella.

​​

Mitä on tapahtunut: miten myynti on jakautunut eri kuukausille, asiakkaille, maille, tuoteryhmille jne. historiassa? Miten myynnille voi asettaa tavoitteita useassa eri ulottuvuudessa, ja miten älykäs automaatio voi tässä auttaa?

Kuvaajasta 1 näemme että toimitusvarmuus on ollut viimeisen puolen vuoden ajalta n. 92 %. Näemme myös, onko epäonnistuneet toimitukset johtuneet siitä että a) on toimitettu myöhässä, vai b) ei ole toimitettu sovittua määrää, vai molempia.
Edelleen kuvaajasta 1 nähdään että a) myöhäinen toimitus on useammin syynä (69 % epäonnistuneista toimituksista) toimituksen epäonnistumiselle kuin b) ei-täysimääräinen toimitus (34 % epäonnistuneista toimituksista). Se kuinka ’hyvänä’ tätä 92 % toimitusvarmuutta voidaan pitää, on toki riippuvainen toimialasta ja organisaation strategiasta  ja tähän varmasti löytyisi liiketoiminnan johdolta kokemukseen perustuvaa näkemystä, mutta oikeastaan sillä ei ole edes merkitystä tässä vaiheessa, koska oikeanlaisilla BI-analyyseilla saamme selville jos datasta on nähtävissä selkeitä kehitysalueita, joita kannattaa joka tapauksessa laittaa kuntoon, oli nykyinen toimitusvarmuus kuinka hyvä tai huono tahansa.

Kuvaaja 1 Toimitusvarmuus kokonaisuutena, ja jaettuna a) myöhässä toimitettuihin ja b) ei-täysimääräisinä toimittuihin tilauksiin

Kuvaajasta 2 nähdään myös, ettei yksi sama toimitus ole usein sekä myöhässä että ei-täysimääräinen, vaan epäonnistuneet toimitukset ovat useimmiten joko-tai. Jos toimitus on myöhästynyt, se on kuitenkin useimmiten (96 % toimituksista) ollut täysimääräinen. Vastaavasti, jos toimitus on ollut ei-täysimääräinen, se on kuitenkin ollut useimmiten ajoissa (92 % tapauksista). Jo tässä vaiheessa voidaan siis alustavasti päätellä, että näiden takana on ainakin kaksi eri aiheuttajaa, eli toimitusvarmuudelle on olemassa enemmän kuin yksi ’ajuri’ (paneudutaan näihin ajureihin seuraavassa osiossa alempana).

Kuvaaja 2 Epäonnistuneet toimitukset eivät useimmiten ole sekä myöhässä että ei-täysimmäräisiä toimitettuja, vaan joko-tai

Miten ja miksi on tapahtunut: Näkyykö toimitusvarmuudessa selvää vaihtelua esimerkiksi tuotanto- ja jakelukeskusten, sesonkien, tuotteiden, asiakkaiden yms. välillä? Kuinka tarkasti datasta pystytään kohdentamaan mahdollisia kehitysalueita ja indikatiivisia syitä toimitusvarmuuden heikoille kohdille? 

Kehitysalueita tunnistetaan havaitsemalla toistuvuuksia datasta. BI-analyysien kautta pystymme nopeastikin tunnistamaan kuinka korkeaan %-lukuun toimitusvarmuus yltää parhaimmillaan ja kuinka useasti ja minkälaisissa tilanteissa se sieltä putoaa alas. Esimerkiksi, onko toimitusvarmuus laskenut toistuvasti

• Tiettynä aikoina
• Tiettyjen tuotanto- ja jakelukeskusten (plant) osalta
• Tiettyjen tuotteiden osalta 
• Tiettyjen asiakkaiden osalta

Aloitetaan tarkastelemalla toimituksia yli ajan

Etsitään toistuvia poikkeavuuksia tiettyinä aikoina.  Aloitetaan ylätasolta ja edetään kokoajan pienempään aikaikkunaan.

Kuvaajasta 3 näemme ettei toimitusvarmuus (tänä vuonna) ole merkittävästi ole vaihdellut kuukausien välillä, pientä vaihtelua toki on mutta OTIF pysyy välillä 90-93 %.

Kuvaajassa 4 puolestaan näemme miten toimitusvarmuus on jakaantunut kuukauden eri päiville (kaikkien kuukausien keskiarvo). Tästä pystymme kuitenkin jo huomaamaan, että toimitusvarmuus näyttää heikkenevän niille tilauksille, joiden pyydetty toimituspäivä on kuukauden lopussa. Esimerkiksi, kuukauden 5 ensimmäisen päivän OTIF on 96 % kun taas kuun 5 viimeisen päivien OTIF on vain 78 %. Nähdään myös, ettei toimitusmäärien (harmaat palkit) ja toimitusvarmuuden ole juurikaan yhteyttä, koska loppukuusta toimitukset ovat enemmän tai vähemmän samoissa kuin alkukuusta.

Kuvaaja 5 näyttää että eri viikonpäivillä ja toimitusvarmuudella ei ole erityistä yhteyttä. Maanantaista perjantaihin OTIF pysyy suhteellisen tasaisena: 90-94 %. Lauantaisin ja sunnuntaisin OTIF putoaa selkeästi, mutta toisaalta toimituksia ei tehdä näinä päivinä enempää kuin hyvin marginaalisesti muihin viikonpäiviin verrattuna. Näihin siis tuskin kannattaa kiinnittää enempää huomiota.

Katsotaan seuraavaksi tuotantokeskuksia ja tilausten kokoja joita tuotantolaitokset prosessoivat

Kuvaajasta 6 nähdään nopeasti, että suurin osa toimituksista toimitetaan kuudesta suurimmasta tuotantokeskuksesta. Huomaamme myös, että merkittävimmistä tuotantolaitoksista kahdella suurimmalla toimitusvarmuus on huonompi (91,2 % ja 91,3 %) kuin muilla tuotantolaitoksilla keskimäärin (93,9 %), ja huonoin on kuudenneksi suurimmalla (84,6 %).
Erot toimitusvarmuudessa eivät kuitenkaan ole niin merkittäviä tuotantokeskusten välillä kuin esimerkiksi toimituspäivämäärien vertailussa.

Kuvaajasta 7 nähdään että tilauksen koolla ja toimitusvarmuudella on selkeä yhteys. Pienemmillä tilauksilla on merkittävästi parempi toimitusvarmuus, esimerkiksi alle 100 € tilausten toimitusvarmuus on 93,6 %. Suurilla tilauksilla taas on huonompi toimitus varmuus, esimerkiksi 10 000 -100 000 € tilausten toimitusvarmuus oli 87,9 %. Pienempiä tilauksia on tosin euromääräisesti enemmän kuin suurempia tilauksia, mutta myös suuremmissa tilauksissa on merkittävästi volyymia (ja sen vuoksi potentiaalia toimitusvarmuuden kehittämiselle), esim. 10 000 -100 000 € tilauksia oli yli 10 000 000 € arvosta.

Entä pitääkö yllä mainittu yhteys paikkansa, kun tarkastellaan vain niitä tuotantolaitoksia joissa oli heikko toimitusvarmuus? Kuvaaja 8 näyttää että yhteys on selvä: niillä tuotantolaitoksilla, joilla oli heikompi toimitusvarmuus, heikkous painottuu nimenomaan suuremmille tilauksille; kun taas niillä tuotantolaitoksilla, joilla on vahva toimitusvarmuus, toimitusvarmuus on itse asiassa parempi suuremmille tilauksille kuin pienemmille tilauksille. Hyvä myös ymmärtää että heikon toimitusvarmuuden tuotantolaitoksissa on huomattavasti enemmän suurempia tilauksia.
Entä mitä jos tarkastellaan erikseen suuria ja pieniä tuotantolaitoksia? Kuvaaja 9 näyttää että suurissa tuotantolaitoksissa yhteys on vahvempi kuin pienemmissä. Ne myös käsittelevät enemmän suuria tilauksia ja suurilla tilauksilla on heikompi toimitusvarmuus.

Itse asiassa, kaikkein sekein yhteys mitä tästä voidaan päätellä, on että mitä suurempi osa tuotantolaitoksen käsittelemästä tilauskannasta on suuria tilauksia, sitä heikompi toimitusvarmuus. Tämä ei tietenkään välttämättä pidä paikkaansa jokaikiselle tuotantolaitokselle, mutta kertoo kuitenkin sen että niissä tuotantolaitoksissa, jossa suuria tilauksia käsitellään paljon, tulisi keskittyä tutkimaan kuinka ne käsitellään, ja kuinka käsittelyä tulisi tehostaa.

Kuvaaja 8 yhteys tuotantolaitoksen kokonaistoimitusvarmuuden ja tilauskokokohtaisen toimitusvarmuuden välillä

Kuvaaja 9 yhteys tuotantolaitoksen koon ja tilauskokokohtaisen toimitusvarmuuden välillä

Katsotaan seuraavaksi tuotteita ja asiakkaita

Kuvaajasta 10 nähdään että materiaaliluokalla ei näytä olevan vahvaa korrelaatiota toimitusvarmuuden kanssa. Vaikkakin toimitusvarmuus vaihtelee luokittain, luokan sisältä kuitenkin löytyy sekä hyvän että heikon toimitusvarmuuden tuotteita. Myöskään yksittäisten tuotteiden myyntivolyymeista ei voida vetää vahvaa linkkiä niiden toimitusvarmuuteen. Tuotteista kuitenkin löytyy joitain yksittäisiä mielenkiintoisia poikkeavia arvoja, kuten volyymiltaan suurin tuote, jonka toimitusvarmuus on ollut vain 85 % ( ylin ja suurin punainen pallo sirontakuviossa). Suurimpien tuotteiden joukosta löytyy myös muita alle 90% toimitusvarmuuden tuotteita, alle 80% toimitusvarmuuden tuotteita ei kuitenkaan löydy aivan suurivolyymisimmilta tuotteilta. 

Kuvaajasta 11 nähdään että asiakkaiden osalta ei voida myöskään vetää vahvaa linkkiä asiakkaan koon (tilausvolyymin) ja toimitusvarmuuden välillä. Sekä suurissa että pienissä asiakkaissa löytyy vahvoja toimitusvarmuuksia ja heikkoja.

Entä jos tarkastellaan tuotteita ja asiakkaita keskenään, voidaanko tehdä johtopäätöksiä, kumpi näistä kahdesta on vaikuttaa toiseen enemmän? Kuvaajassa 12 nähdään, kuinka asiakaskohtainen toimitusvarmuus vaihtelee, kun tarkastellaan heikon toimitusvarmuuden tuotteita. Kuvaajassa nähdään, että vaikka tuotekohtainen toimitusvarmuus olisi heikko, toimitusvarmuus ei ole heikkoa jokaiselle asiakkaalle. Sama päätelmä voidaan tehdä myös paremman vahvemman toimitusvarmuuden tuotteille. 

Kuvaaja 12 vaikka tuotekohtainen toimitusvarmuus on hyvä/huono, ei se välttämättä tarkoita että asiakaskohtainen toimitusvarmuus olisi myös

Kuvaajassa 13 sen sijaan nähdään että jos asiakaskohtainen toimitusvarmuus on ollut huono, myös suurin osa sen asiakkaan tilaamista tuoteryhmistä ja tuotteista ovat olleet toimitusvarmuudeltaan heikkoja (ko. asiakkaalle). Sama päätelmä voidaan tehdä (tietyillä varauksilla) jos asiakaskohtainen toimitusvarmuus on ollut heikko. Toisin sanoen, toimitusvarmuus on enemmän asiakaskohtaista. Eli kun asiakas, jolle on heikko toimitusvarmuus, tilaa mitä tahansa tuotetta, tulee toimitus olemaan todennäköisemmin myöhässä riippumatta siitä mitä tuotetta asiakas on tilannut.

Kuvaaja 13 kun asiakaskohtainen toimitusvarmuus on hyvä/huono, myös tuotekohtainen toimitusvarmuus on myös

Entä ovatko miten pyydetyt toimitusajat (requested delivery date) vaikuttavat? 

Välittömästi toimitettavaksi pyydetyt tilaukset ovat erityisen hankalia sen vuoksi, että toteutettaessa ne tyypillisesti aiheuttavat paljon ylimääräistä häiriötä tuotannon ja varaston suunnitteluun. Ne voivat myös aiheuttaa viivästyksiä muille tilauksille, silloinkin kun toiset tilaukset eivät muutoin olisi vaarassa myöhästyä. 

Kuvaajasta 14 nähdään että tehdyistä tilauksista suhteellisen suuri osa, 13 prosenttia, on asetettu välittömästi toimitettavaksi (back order). Nähdään myös että näiden tilausten osalta toimitusvarmuus on merkittävästi heikompi (85 %) kuin muiden tilausten osalta (93 %). Hyvänä asiana voidaan kuitenkin pitää, että heti kun tilausten toimitusaika on edes 1-10 päivää, toimitusvarmuus nousee jo 93% tasolle.

Kuvaajasta 15 lisäksi nähdään, että ne asiakkaat joilla heikompi toimitusvarmuus, on myös enemmän välittömästi toimitettavaksi pyydettyjä tilauksia (30 %) kuin muilla asiakkailla (7 %). Kuvaajasta 16 puolestaan nähdään, että kun käännetään tarkastelu toisin päin, ja tarkastellaan vain välittömien toimituksia, myös asiakkaista suurin osa saa heikkoja toimitusvarmuuden arvoja. 

Näin ollen datasta voidaan alustavasti tulkita, että toimitusaika on nolla päivää (ts. pyydetty toimittamaan välittömästi), toimitusvarmuus on heikompi. Tämä on toki myös luonnollista, ja hyvä kysymys on, onko 85 % jo hyvä ja riittävä toimitusvarmuuden taso tällaisille tilauksille.

Kuvaaja 15 heikon toimitusvarmuuden asiakkaille on enemmän välittömästi toimitettavaksi pyydettyjä tilauksia (back order)

Mitä pitäisi tehdä seuraavaksi: Voidaanko eri alueiden joukosta tunnistaa ’pääajurit’ toimitusvarmuudelle, joista kehitystyö olisi järkevintä aloittaa? ​Antaako data indikaatiota, että toimitusvarmuutta olisi mahdollista kehittää suhteellisen pienillä vaivalla? 

Yllä tarkastelimme toimitusvarmuutta eri ulottuvuuksissa: tiettynä aikoina, tiettyjen tuotanto- ja jakelukeskusten (plant), tiettyjen tuotteiden, tiettyjen asiakkaiden, ja asiakkaan pyytämien toimitusaikojen osalta. Löysimme useammankin mahdollisen ajurin toimitusvarmuudelle, mutta mihin näistä ajureista kannattaisi ensisijaisesti keskittyä jos toimitusvarmuutta haluttaisiin parantaa? 

Kerätään tähän vielä listaksi aiemmin tekemämme päähuomiot eri ulottuvuuksista ja mitkä seikat ovat keskeisiä toimitusvarmuuden kannalta:

• ​Aikaulottuvuus: toimitusvarmuus näyttää heikkenevän niille tilauksille, joiden pyydetty toimituspäivä on kuukauden lopussa
• Tilausulottuvuus: toimitusvarmuus näyttää heikkenevän kun tilauksen koko kasvaa. Tilausulottuvuus ajoi myös tuotantolaitosten tuloksia: mitä suurempi osa tuotantolaitoksen käsittelemästä tilauskannasta on suuria tilauksia, sitä heikompi toimitusvarmuus
• Asiakasulottuvuus: ​jos asiakas, jolle on heikko toimitusvarmuus, tilaa mitä tahansa tuotetta, tulee toimitus olemaan todennäköisemmin myöhässä riippumatta siitä mitä tuotetta asiakas on tilannut​
• Toimitusaikaulottuvuus: toimitusaika on nolla päivää (ts. pyydetty toimittamaan välittömästi), toimitusvarmuus on hieman heikompi

Jo tämä taso antaa meille tärkeää tietoa siitä missä ulottuvuuksissa suunnilleen tärkeimmät kehitysalueet toimitusvarmuudessa ovat. Mutta mihin näistä pitäisi ensimmäisenä keskittyä? Pitäisikö ensin tutkia miten saataisiin loppukuusta sisään tulevat tilaukset paremmin käsiteltyä (yllämainittu aikaulottuvuus), vai tutkia miten pystymme toimittamaan isoja tilauksia tehokkaammin (yllämainittu tilausulottuvuus) vai pitäisikö ehdottaa heikon toimitusvarmuuden asiakkaita lähettämään tilauksensa aikaisemmin jotta vältetään välittömästi toimitettavaksi pyydettyjä tilauksia?Näihin kysymyksiin saadaan usein tarkemat vastaukset vasta tarkemman empiirisen tutkimisen jälkeen, mutta pelkällä datallakin voidaan alustaa empiirista tarkastelua etsimällä aiemmin tunnistetuista ajureista niin sanottu ”määräävä(t) ajuri(t)” tai ”pääajuri(t)”. Hypoteesi pääajurin takana on, että muutkin ajurit saavat huonoja toimitusvarmuuden tuloksia silloin kun pääajurin toimitusvarmuus on heikko. Kun taas pääajurin toimitusvarmuus on vahva, myös muiden ajurien tulisi olla pääosin vahvoja. Toisin sanoen pääajurit ovat myös juurisyitä muille ajureille. Tarkasteltaessa monia eri ajureita ja niiden vaikutuksia muihin ajureihin, menee helposti sekaisin mikä ajuri vaikutti mihinkin. Sen vuoksi onkin hyvä rakentaa itselleen jokin vertailua helpottava työkalu tai muistilista, joka kertoo ylätasolla mitkä ajurit vaikuttivat toisiinsa.

Kuvaajaan 16 (oikealla) on koottu kaikkien ulottuvuuksien toimitusvarmuutta kuvaavat kuvaajat. Seuraavaksi filtteröimme ulottuvuuksia yksi kerrallaan, ja katsomme toteutuvatko aiemmin (yllä) määrittelemämme ulottuvuuksien ajurit. 

Emme käy jokaista ulottuvuutta yksitellen läpi, mutta tehdään yhdestä ulottuvuudesta esimerkki: aika. Kuten yllä mainittiin, kuukausien lopussa toimitusvarmuus on selvästi heikompi kuin muina kuukauden ajankohtina, ja tämä näytti toistuvan kuukausittain. Filtteröidään seuraavaksi kaikkia ajureita eri kuukausien ajankohtien mukaan ja selvitetään miten muiden (fillteröitävien) ajureiden toimitusvarmuus muuttuu.

Kuvaaja 17 miten muiden ajurien toimitusvarmuustasot muuttuvat kun aikaulottuvuutta filtteröidäänKuvaajassa 17 on kaikki tutkimamme ajurit samassa näkymässä. Kun filtteröimme kuukauden päivistä vain kuukauden viimeiset päivät, jolloin toimitusvarmuus on ollut erityisen huono, nähdään lähes välittömästi että oikeastaan kaikkien muut ajurit saavat pääsääntöisesti heikompia arvoja kuin ennen filtteröintiä. Asiakasulottuvuudessa tätä muutosta ei ehkä nähdä niin voimakkaasti, mutta siinäkin silti selkeästi. Vastaavasti, kun filtteröimme esimerkiksi kuukauden ensimmäiset 5 päivää, jolloin toimitusvarmuus on ollut hyvä, on toimitusvarmuus ollut parempi kuin ennen filtteröintiä.

​Otetaan vielä toinen esimerkki. Kuvaajassa 18 nähdään miten käy kun filtteröimme toimitusaika (lead time) -ajuria. Kun toimitsaika heikkene, muissa ajureissa tapahtuu myös heikkenemistä joissain osissa, muttei kuitenkaan kaikkien arvojen osalta. Lisäksi jotkut arvot ovat jopa suurempia kuin mitä keskimäärin eli muutosvaikutus oli negatiivinen. Onkin vaikeaa sanoa, vaikkapa aikaulottuvuuden tai tilauskoon osalta, onko  näiden ja toimitusaika-ajurin välillä ollenkaan vaikutus- tai riippuvuussuhdetta, mutta vahva suhde se ei millään tavalla ole. Vastaavasti asiakkaiden ja tuoteryhmien välillä löydetään jotain samansuuntaista muutosta, mutta ei yksiselitteistä tai vahvaa.

Kuvaaja 18 miten muiden ajurien toimitusvarmuustasot muuttuvat kun pyydettyä toimitusaikaa (lead time) filtteröidään

​Samanlainen visuaalinen tarkastelu tehtiin kaikille neljän eri ulottuvuuden ajurille, ja sen perusteella eri ajureiden riippuvuuksista koostettiin alla oleva taulukko:

Taulukko 1 eri ajurien vaikutussuhteetVaikutussuhteita arvioiteassa käytettiin seuraavaa asteikkoa. Arvostukset tehtiin visuaaliseen (silmämääräiseen) tulkintaan perustuen. 

• ​1 = Hyvin vahva samansuuntainen vaikutus. Kaikki tai lähes kaikki filtteröitävistä ajureista heikkenee kuin filtteröivä ajuri heikkenee
• 2 = Samansuuntainen vaikutus. Suurin osa filtteröitävistä ajureista heikkenee kun kun filtteröivä ajuri heikkenee
• 3 = Neutraali/ei johtopäätöstä. Osittainen vaikutussuhde löydettiin, mutta lopullista tulkintaa ei voida näiden tulosten pohjalta tehdä
• 4 = Negatiivinen vaikutus. Suurin osa filtteröitävistä ajureista eivät heikkene (tai vahvistuu) kun filtteröivä ajuri heikkenee
• 5 = Hyvin vahva negatiivinen vaikutus. Kaikki tai lähes kaikki filtteröitävistä ajureista ei heikkene (tai vahvistuu) kun filtteröivä ajuri heikkenee

Tämän perusteella voidaan päätellä datan perusteella, että toimitusvarmuuden kaksi pääajuria:

1. Asiakas
2. Aika, eli toimitusvarmuus näyttää heikkenevän niille tilauksille, joiden pyydetty toimituspäivä on kuukauden lopussa

Mitä tämä tarkoittaa seuraavan kehitystyön kannalta? Sitä, että empiirinen juurisyyanalyysi ja kehitystyö olisi todennäköisesti parasta aloittaa tarkastelemalla

• Miksi joillain asiakkailla on huonompi toimitusvarmuus kuin toisilla, ja mitä eroa on siinä kuinka näitä asiakkuuksia hallitaan?
• Miksi toimitusvarmuus heikkenee kuun lopussa?

Entä kuinka pienellä vaivalla toimitusvarmuutta saattaisi pystyä kehittämään? Tähän ei ole tarkkaa vastausta, ennen kuin tehdään empiirinen analyysi juurisyistä ajureiden takana, ja ymmärretään mitä pitäisi kehittää. Voidaan kuitenkin alustavasti sanoa, että ’pääajurit’ tunnistamalla kehitystyön vaatima aika-hyötysuhde saadaan paremmaksi kuin siinä tapauksessa, että kehitys tapahtuisi plekkään henkilöstön kokemukseen ja ’mutu-tuntumaan’. 

Jos tarkastellaan tässä tunnistettuja pääajureita, voidaan varauksella sanoa, että aikaulottuvuudesta löydetyt kehitysalueet ovat tyypillisesti keskitetymmin hallittavia (verrattuna asaikkaiden hallintaan), jolloin kehitystoimenpiteetkin voisivat olla helpommin kohdennettavissa ja niihin liittyvät korjaustyöt helpommin monistettavissa kuukaudesta, asiakkuudesta ja tuotantolaitoksesta toiseen (tämän vahvistaminen kuitenkin vaatisi hieman empiiristä tutkimusta juurisyistä). Toisaalta, se ei vielä kerro kuinka plajon työtä kehitystyö vaatisi, koska vaadittava työ voi olla hyvin vaativaa ja aikaa vievää, vaikka se olisikin sen jälkeen monistettavissa laajemmalti. Asiakkaat toisaalta ovat jo itsessään hyvin erilaisia kohteita ja itsenäisempiä ’meidän’ organisaation päätöksenteosta tai tavoitteista. Asiakkuuksien hallinta on myös tyypillisest hajaantuneempaa organisaatiossa, joten kehitystoimenpiteitä olisi huomattavasti vaikeampi kohdistaa tai monistaa asiakkaasta toiseen.