Apprendre de mes erreurs dans les expériences et l'analyse des données -- Partie 1 : Le scénario
I hope to help you avoid some mistakes in data analysis.I hope to help you avoid some mistakes in data analysis.I hope to help you avoid some mistakes in data analysis.I hope to help you avoid some mistakes in data analysis.J'espère vous aider à éviter certaines erreurs dans l'analyse des données. Je suis ingénieur en exercice depuis de nombreuses années maintenant. En cours de route, j'ai vu de nombreux tests effectués et de nombreuses façons différentes d'analyser les données. Le plus souvent que je veux l'admettre, j'ai fait partie d'équipes qui ont commis une ou plusieurs erreurs au travail. Le résultat final était un coût en temps et en argent pour l’entreprise.
J'ai pensé que certains lecteurs aimeraient apprendre de mes erreurs, j'ai donc imaginé un scénario fictif qui incarne les différents problèmes que j'ai rencontrés dans mon travail.
Bien que mon scénario soit un exemple de génie mécanique, il est à la fois suffisamment simple et générique pour que vous puissiez le traduire facilement dans votre discipline particulière. Nous explorerons ce scénario dans cet article de blog et dans les prochains.
Le scénario
Nous essayons d'améliorer la résistance d'un produit. Nous avons identifié un traitement « A » qui, selon nous, améliorera la force. Notre direction veut que nous le prouvions avant de mettre en œuvre le changement de production.
Nous créons trois échantillons avec le traitement A et mesurons la force de chacun. Nous collectons également trois échantillons standards (ou de contrôle) et mesurons la résistance de chacun. Voici les données :
Utilisation de la plateforme Fit Y by X dans JMP (voir ci-dessous), nous constatons que la force moyenne de l’échantillon du traitement A est légèrement supérieure à celle du contrôle. Cependant, le test t indique que nous ne pouvons pas dire (avec un degré de confiance de 95 %) que la moyenne de la population du traitement A sera différente de la moyenne de la population du contrôle. Nous arrêtons le test et commençons à chercher un autre moyen d'améliorer la résistance du produit.
Cela semble être un test simple avec des résultats simples à interpréter, mais je soutiens que des erreurs ont été commises dans le scénario ci-dessus et que nous pourrions abandonner une solution parfaitement bonne.
À votre avis, qu’est-ce qu’ils pourraient être ?Restez à l'écoute pour mon prochain article dans ces séries , dans environ une semaine !
Vous êtes donc nouveau dans les statistiques et l’analyse de données. Le patron vous demande de déterminer si un nouveau processus aidera votre produit. Vous connaissez un peu les statistiques et savez qu'un test t doit être utilisé. Mais ce n’est pas toujours aussi simple que de simplement collecter les données et exécuter l’analyse ! Dans cette série de blogs, vous pouvez apprendre de certaines des erreurs que j'ai vues commettre au cours de mes près de 40 années d'ingénierie.
Re : Apprendre de mes erreurs dans les expériences et l'analyse des données -- Partie 1 : Le scénarioOK... encore une fois... J'étais souvent le statisticien d'une équipe de développement de nouveaux produits et j'étais la ressource « incontournable » pour tout ce qui concernait le DOE lié au travail de l'équipe. Habituellement, nous concevions nos expériences en incluant une discussion de tous les aspects logistiques associés à l'expérience lors de réunions d'équipe. Ensuite, un sous-ensemble de l'équipe serait chargé de mener l'expérience lui-même, ou parfois de confier la conception (mon tableau de données JMP sur un morceau de papier généralement) à un groupe de personnes non impliquées (dans la planification) pour mener réellement l'expérience.
À plus d'une occasion, les personnes qui dirigeaient l'expérience ignoraient des choses comme la randomisation (Eh bien... c'est pénible de basculer entre des températures basses et élevées pendant les 8 prochaines heures pendant la nuit lorsque je mène réellement cette expérience... Je' Je vais juste faire passer tous les bas ensemble, puis tous les hauts... Qu'est-ce que ça peut faire de mal ? De plus, je serai plus productif car je n'ai pas besoin d'attendre que les températures s'équilibrent d'une course à l'autre.)
Ou prenez sur eux de NE PAS utiliser les niveaux pour un facteur spécifique car : "Eh bien, chaque fois que je fais une expérience pour ces gens, ils utilisent ces niveaux... ils ont dû faire une erreur sur la feuille de calcul".
Ou quelque chose ne va pas... comme si un sac de matières premières provenant d'un fournisseur était déterminé comme inutilisable... alors ils le remplacent par des produits « identiques » d'un autre fournisseur qui se trouvent dans la salle de stockage. "Ce qu'ils ne savent pas ne leur fera pas de mal."
Et ainsi de suite avec toutes sortes d'« améliorations ».
Je parie que tu peux en inventer d'autres ?
J'ai donc appris assez rapidement que la meilleure façon de garantir que ce genre de modes de défaillance procédurale ne se produisent pas était d'insister pour être physiquement présent pendant la conduite de l'expérience pour observer... et peut-être même donner un coup de main. Habituellement, je trouvais les techniciens très accueillants face à ce genre d'intérêt et d'aide dans leur travail. De plus, j'ai appris beaucoup de choses sur leur travail et nos processus en "allant à Gemba". Un concept Lean qui, traduit vaguement, signifie « aller voir où le travail est effectué ». Bien sûr, cela signifiait passer des nuits tardives... mener des expériences sur les équipes de cimetière et tout... mais à la fin de la journée, nous étions convaincus que c'était la meilleure façon de mener nos projets.
Re : Apprendre de mes erreurs dans les expériences et l'analyse des données -- Partie 1 : Le scénarioExcellent @Peter_Bartell !C’est l’une des erreurs les plus courantes.J'en parlerai davantage dans un prochain article.Continuez à donner des idées !
Re : Apprendre de mes erreurs dans les expériences et l'analyse des données -- Partie 1 : Le scénarioQue savons-nous de la variation du système de mesure ? Peut-être qu'une grande partie de la variation est due au système de mesure et NON à une différence dans les propriétés des deux populations... ce qui permet de distinguer les valeurs de population réelles mais inconnues pour chaque problématique.
