Text Explorer per analisi Pareto di non conformitàCiao,
Un cliente è interessato all'utilizzo di Text Explorer per esaminare un database QA. Vogliono vedere se riescono a trovare informazioni sui problemi di non conformità che sono stati sollevati osservando i commenti a testo libero associati a ciascuna voce nel database: questi sono i documenti in questo caso. È analogo alla ricerca di argomenti nei dati di Trucks.
La cosa principale che vogliono fare è categorizzare i documenti usando l'analisi dell'argomento. Ciò consentirebbe loro di fare un'analisi di Pareto per focalizzare l'attività di miglioramento sui tipi più comuni di non conformità.
Un paio di domande che attualmente non ho buone risposte per:
1. Qualche indicazione su come puoi decidere il numero più utile di argomenti? Qualsiasi diagnostica che potrebbe aiutare con questo? O è il caso di utilizzare la conoscenza del dominio per guidare quando non si aggiungono argomenti utili?
2. Avendo identificato gli argomenti, esiste un modo semplice per contare il numero di documenti associati a ciascun argomento?
In attesa di vostri commenti.
Saluti,
Phil
Ri: Text Explorer per Pareto Analisi di non conformitàGrazie, Peter. Grandi idee
Phil
Ri: Text Explorer per Pareto Analisi di non conformitàGrazie, Dan. Davvero utile.
Phil
Ri: Text Explorer per Pareto Analisi di non conformitàPhil:
Alcuni pensieri:
1. Numero di argomenti? Poiché questo sembra essere incentrato sulla conformità, esiste una lista di risultati di non conformità derivanti da audit passati (sto pensando, interno o esterno, dico ISO)? Questo potrebbe aiutare a determinare il numero ... quanti tipi diversi di non conformità sono stati trovati?
2. Spesso con questi tipi di non conformità è associata una categorizzazione di tipo FMEA. Quindi una probabilità da rilevare, gravità della presenza, probabilità di accadimento, ecc. Anche questo potrebbe aiutarti a identificare il numero di non conformità che hanno un impatto sul sistema in esame. Ignorando il banale. Se c'è un FMEA in piena regola che esiste (si spera? ...) mi rivolgerei alla lista RPN PRIMA dell'azione correttiva).
3. Infine, lascia che i dati parlino alle categorie ... l'analisi della classe latente potrebbe aiutare qui?
Ri: Text Explorer per Pareto Analisi di non conformitàPhil -
Per il numero 1, generalmente:
Hai bisogno di argomenti sufficienti per ottenere una separazione sufficiente. Ma non troppi in modo da avere troppe sovrapposizioni tra gli argomenti. La LCA ha una trama utile, che può essere utilizzata per aiutare gli aiuti nella determinazione di questo numero. È la trama di MDS. Con i camion, puoi vedere con 3 argomenti, c'è forse troppa separazione, con 100, c'è troppa sovrapposizione.
Per la tua domanda specifica, penso che un buon flusso di lavoro potrebbe essere quello di utilizzare l'analisi dell'argomento (SVD o LCA) e quindi binare i cluster come cause che si riferiscono ai 6M (Metodo, Madre Natura, Manodopera, Misurazione, Macchine, Materiali). Sarebbe un'etichetta più utile contro il cluster 1, il cluster 4, ecc. Quindi puoi visualizzare i termini principali relativi a una categoria specifica. LCA riporta il BIC e anche le probabilità di termine per probabilità di Cluster e Cluster Mixture. Anche l'ordinamento del termine Probabilità di Cluster è utile. Nel caso di camion. L'analisi dell'argomento LCA o SVD aiuterà con il processo di binning molto più rapidamente dell'alternativa (leggendo tutti i singoli documenti) o richiedendo agli ingegneri di compilare un modulo per ogni non conformità al momento della segnalazione del problema.
Heath, correndo, passa attraverso un altro esempio di non conformità dei dispositivi medici della FDA nell'articolo sull'analisi del testo nel JMP Foreward . Lo copre anche nel webcast e tecnologia parlando dimostrazione . La tabella dei dati è Qui .
Per il n. 2, utilizzando l'LCA, è possibile salvare il cluster più probabile nella tabella dei dati. E tabulate da lì. Oppure salva una tabella di dati della tabella delle probabilità della miscela di cluster dal menu di scelta rapida> crea nella tabella di dati. È possibile ottenere documenti totali dalla probabilità e quindi utilizzare l'esperienza del dominio per contrassegnare ciascun cluster con un tema.
Ancora una volta, nel caso dell'esempio delle citazioni di ispezione della FDA, passare da record di 27.000 casi a argomenti principali in pochi minuti è un enorme risparmio di tempo rispetto alla lettura manuale di ogni descrizione lunga e binning. Dovrebbero esserci 5 o 7 argomenti? Beh, questo sarà un giudizio basato sull'esperienza del dominio e osservando le trame MDS / probabilità cluster / termini principali per argomento, ecc.
In ogni caso, mi indicherà la direzione giusta per scoprire dove devo focalizzare la mia attenzione, il che, a mio parere, è l'obiettivo finale.
