Het uitvoeren van een ANOVA hypothesetoets wordt gebruikt om te bepalen of er ‘significante’ verschillen zijn tussen gemiddelden van twee of (veel) meer groepen. Je kijkt of gemiddeldes per groep structureel van elkaar verschillen of niet.
In de vorige blog: Hoe je miljoenen bespaart met statistiek: ANOVA in de praktijk werd er ingegaan op hoe dit honderd jaar bewezen middel voor een beter bedrijfsbeheer zorgt. Om een beter beeld te krijgen over de beste manier(en) hoe de tool ingezet kan worden is deze blog zeker een leestip.
Ben je op zoek naar een stappenplan voor het uitvoeren hiervan, lees dan verder.
Stappenplan voor een ANOVA hypothesetoets:
1. Hypothesen (aannames) formuleren:
De ‘saaie’ nulhypothese (H0): Er zijn toevallige verschillen in het tijdig leveren per locatie (stelt niks voor; de eventuele verschillen zijn toevallig)
De ‘interessante’ Hypothese (H1): Er zijn significante verschillen in het tijdig leveren per locatie (er is echt een aantoonbaar verschil, zoek uit waarom dit zo is en verbeter!)
2. Data Verzamelen:
Verzamel gegevens en informatie voor elke locatie gedurende een representatieve periode voor nu (dus niet alle twintig jaar, maar een steekproef 😊)
3. Laat de data zien in een grafiek: zien we verschillen of ‘uitschieters’?
Stel een grafiek zoals een Boxplot of andersoortige grafiek op, zoals hieronder. 
On Time Delivery [%] is het ‘percentage tijdig geleverd’ van onderdelen van alle orders over een periode, uitgezet tegen de locaties Betuwe (16 orders) en Groningen (41 orders) op de X-as. Meer weten over de Boxplot? Lees er hier meer over.
4. ANOVA Uitvoeren:
Voer de ANOVA-analyse uit in een statistisch software pakket, om te bepalen of er statistisch significante verschillen zijn. ANOVA levert in dit geval een kleine kansberekening op dat er ‘geen verschil is’.
Uitvoer statistisch pakket: 
Ofwel dat er een significant verschil is in locatie. In dit geval gaat er wederom ‘niets boven Groningen’!
5. Resultaten Interpreteren en met eventuele vervolgstappen:
Als de kans op ‘saaiheid’ klein is (de p-waarde < 0,05), verwerp je de nulhypothese en concludeer je dat er daadwerkelijk verschillen zijn per locatie. Het verschil in gemiddelde is hier het verschil tussen wel of geen serieuze boete!
Een dashboard met ‘algemene info’ bleek hier niet afdoende om tijdig aan de bel te trekken! Sterker, het algehele gemiddelde (van beide locaties) bleek OK te zijn (boven de 95%). Met ANOVA kun je een ‘niveau dieper’ gaan in de analyse
Vervolg: onderzoek de verschillen tussen de twee locaties, bijvoorbeeld met een workshop of door vervolgvragen te stellen aan de verantwoordelijken. Wat kan de locatie Betuwe bijvoorbeeld van de locatie Groningen leren? Ga daarop dan tijdig verbetermaatregelen nemen!
Waarom ANOVA belangrijk is
ANOVA is niet alleen ‘een beetje moeilijke statistiek’; het is een al meer dan honderd jaar bewezen middel voor een beter bedrijfsbeheer. Door vragen met (online) data te beantwoorden, in plaats van ‘van aanname naar aanname’ te rollen.
Zelfs al heb je al veel IoT (Internet of Things) of ben je druk bezig met je digitale transformatie: zonder statistisch ‘doenken’ heb je niet zo heel van aan enorme databases – Marcus Bergman
Door gericht te kijken naar significant afwijkende gemiddeldes, kun je weloverwogen beslissingen nemen die de algehele prestaties van je bedrijf verbeteren. Ontdek onder andere de kracht van ANOVA en zet de koers uit naar een betere organisatie!
Wil je je hierin meer ontwikkelen? Volg dan de Lean Six Sigma Green belt of zelfs Black Belt bij LSSP. Of schakel hun hulp in als adviseur voor enkele dagen bij een Management vraagstuk.
