398706_de-DE

liliconcom

Entwicklung eines JMP-basierten Six Sigma DMAIC-Schulungslehrplans für Datenwissenschaftler (2021-US-30MP-872)

Niveau: Mittelstufe

 

Charles Chen, Master Black Belt Q&R, Angewandte Materialien
Mason Chen, Black Belt-Student, Stanford OHS

 

Traditionelle Six Sigma-Lehrpläne, die DMAIC, DFSS und Lean umfassen, wurden nicht speziell und effektiv für die heutigen KI-Datenwissenschaftler entwickelt. In diesem Artikel wird ein innovativer Six Sigma-Schulungslehrplan für Datenwissenschaftler vorgestellt, der mehrere Ziele verfolgt:

1. Nutzen Sie moderne JMP Text Explorer- und DatamMining-Techniken für die Ursachenanalyse und Problemlösung.
2. Integrieren Sie verschiedene JMP-Plattformen ganzheitlich, um die Mustererkennung zu analysieren oder Erkenntnisse zu gewinnen.
3. Verbessern Sie die Fähigkeit zur Vorhersagemodellierung durch neuronale Analyse, Partitionsanalyse und Hauptkomponentenanalyse.
4. Nutzen Sie moderne Qualitäts- und Prozessplattformen wie z. B. das zieldiagrammbasierte multivariate SPC.
5. Ordnen Sie diese modernen JMP-Plattformen dem Six Sigma DMAIC/DFSS/Lean-Framework für die Durchführung von Six Sigma-Projekten zu.  

Dieser innovative Six Sigma-Lehrplan ist auf Industriefachleute anwendbar, sowohl auf Manager als auch auf einzelne Mitarbeiter, die wichtige Entscheidungen im Big-Data-KI-Geschäft treffen. Dieser Lehrplan richtet sich nicht nur an Datenwissenschaftler. Es ist auch ein leistungsstarkes Werkzeug für Design- und Prozessingenieure, Qualitäts- und Zuverlässigkeitsingenieure, Supply-Chain-Ingenieure, Geschäftsanalysten, Statistiker und Vermarkter, die zuverlässige Entscheidungsträger und echte Projektleiter werden möchten.  

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
Jason Wiggins, JMP	Okay, machen Sie weiter, wenn Sie bereit sind.
	Okay.
	Hallo zusammen.
	Mein Name ist Charles Chen. Heute werden wir über ein interessantes Thema im Zusammenhang mit dem STEAMS- und DMAIC-Lehrplan für Datenwissenschaftler sprechen, die JMP 16 verwenden.
	Wir sind drei Autoren. Mason Chen ist der Erste. Und ich bin Charles, der Zweite, und Patrick ist der Dritte. Wir sind vom Stanford Online High School STEAMS Club. Mason Chen ist ein High-School-Junior und der Clubleiter. Und ich und Patrick sind die Berater des Clubs.
	Die Projektübersicht, die Chancenerklärung, der traditionelle Six Sigma DMAIC-Prozess, kombiniert mit der interdisziplinären STEAMS-Methodik
	kann Datenwissenschaftlern dabei helfen, einen größeren Beitrag im Bereich Big Data zu leisten. Und unser Projektziel besteht darin, einen Six Sigma-Datenwissenschaftslehrplan für Oberstufenschüler zu entwickeln
	bis hin zu Branchenexperten, indem die JMP 16-Plattform auf die DMAIC-Phasen abgebildet wird.
	Bevor wir beginnen, ist das Publikum vielleicht neugierig, hey, Six Sigma ist für den Profi, und der Datenwissenschaftler ist auch ein Profi.
	Wie kommt es also, dass wir das auch für die Oberstufenschüler erwähnen? Hier möchten wir also die Fallstudie für unseren Erstautor, Mason Chen, verwenden.
	Seine vielfältigen Erfahrungen begannen bereits im Alter von 10 Jahren. Er begann eine Ausbildung zum Datenwissenschaftler zu absolvieren und versuchte auch, IBM SPSS und Minitab zu zertifizieren.
	Als er 11 Jahre alt war, erhielt er die IBM Modeler Data Mining-Zertifizierung. Dann wechselte er zum JMP und studierte dort im Alter von etwa 12 oder 13 Jahren.
	Und dann JMP STIPS und die DOE- und Zertifizierungsprüfung sowie das JMP 16 Text Mining. Und der Grund dafür ist, dass er dieses Jahr nun auch die lineare Algebra abgeschlossen hat
	College-Kurse und auch Datenwissenschaft durch unser Programm. Deshalb werden wir heute basierend auf seinen Erfahrungen und den Beratern, die wir vorstellen möchten, darüber sprechen, wie wir JMP 16 nutzen können
	Erstellen Sie das Six Sigma Data Science-Programm. Und auch Mason wechselt in Zukunft zum R. Er hat versucht, R zu lernen, damit er auch die JSL-Sprache lernen kann.
	Und das ist Masons Bild, als er vor zwei Jahren an der ASA-Konferenz teilnahm.
	Unser Projekt versucht also, STEAMS und DMAIC zu verbinden. STEAMS ist also das STEAMs-Programm des Mason-Gründers aus dem Jahr 2017
	traditionelles MINT-Programm. Was ist also der Unterschied? Die Naturwissenschaften, die Technologie, das Ingenieurwesen und die Mathematik sind also immer noch dieselben, verstehen Sie?
	Aber wir haben künstliche Intelligenz und auch Statistiken hinzugefügt, sodass daraus STEAMS wird. Und die Datenwissenschaft ist eine beliebte Kombination aus künstlicher Intelligenz, Mathematik und Statistik.
	Und das traditionelle Six Sigma DMAIC passt ziemlich gut zur STEAMS-Methodik, ziemlich gut. Man sieht viel enges Denken. (??) Einige andere Tools zur Problemlösung
	vom DMAIC. Sie lassen sich auch ziemlich gut auf den naturwissenschaftlichen Bereich oder sogar auf die Problemlösung im Ingenieurwesen übertragen. Mit der Datenwissenschaft, sie
	Möglicherweise wird sogar mehr von STEAMS zum DMAIC beworben. Wir glauben also, dass wir auf der Grundlage der STEAMS-Methodik das Six Sigma-Data-Science-Programm für Oberstufenschüler entwickeln können.
	Der erste Schritt besteht also darin, nach der Veröffentlichung von JMP 16 Anfang des Frühjahrs die gesamte JMP 16-Plattform zu untersuchen und zu identifizieren
	Welche Plattformen könnten für den Datenwissenschaftler gut sein? Also haben wir auf der Grundlage der Big Data die drei Vs – Volumen, Vielfalt und Geschwindigkeit – ermittelt.
	Und basierend auf den drei Vs, bei denen es sich um die Tools oder Plattformen handelt, die gut zum Data-Science-Programm passen, beispielsweise ein Graph Builder,
	Text Explorer, Tabellen, prädiktive Modellierung, Screening, multivariate Methoden, Clustering, Qualitätsmethode, Problemlösung. Jetzt werden wir alle diese Tools den DMAIC-Phasen zuordnen.
	Durch das Erlernen der JMP 16-Plattformen versuchen wir auch, auch [unverständlich] hinter diesen JMP-Tools zu verstehen.
	Und wir finden heraus, dass die Datenwissenschaftsstatistik die folgenden Module abdecken kann. Der erste, der traditionelle DMAIC für die Qualitäts- und Zuverlässigkeitstechnik, wie MSA oder SPC.
	Und das nächste wird das Design für Six Sigma sein, hauptsächlich für die Modellierung, die DOE-Modellierung, die Monte-Carlo-Simulation und die robuste Toleranz.
	Dann finden wir heraus, dass die lineare Algebra für die Datenwissenschaft sehr wichtig ist, beispielsweise die Hauptkomponentenanalyse oder die Singularwertzerlegung. Und als nächstes wird es das Data Mining geben, einschließlich der Klassifizierung, des neuronalen Netzwerks, der Partition oder des Random Forest.
	Und Zeitreihen oder Prognosen sind auch für die Datenwissenschaft sehr wichtig, um Zeitdaten (?) zu verarbeiten, also finden wir das heraus, wie zum Beispiel das ARIMA-Modell.
	Und Text Mining ist auch gut für nicht strukturierte Daten. Und Umfragen und Verbraucherforschung sind aufgrund der Stimme der Kunden ebenfalls sehr wichtig zu verstehen.
	Außerdem erfahren Sie, wie Sie die Marketingsegmentierung durchführen. Wir haben herausgefunden, dass alle diese Statistiken für die Nutzung einer JMP-Plattform von entscheidender Bedeutung sind.
	Dann versuchen wir zu kartieren
	alle diese JMP 16-Plattformen zu den traditionellen Lean Six Sigma BB-Modulen. Also identifizieren wir die traditionellen BB-Module und entwickeln drei
	Trainingsprogramme. Das Programm A ist das traditionellere DMAIC Black Belt-Trainingsprogramm, und dies sind die damit verbundenen JMP 16-Plattformen. Die zweite Möglichkeit ist das modernere Data Mining
	[unverständlich] kategoriale Daten. Deshalb versuchen wir, die JMP 16-Plattformen an jedes unterschiedliche Trainingsprogramm anzupassen. Und weil die Studenten oder die Ausbildung möglicherweise ein besonderes Interesse haben, können wir sie individuell anpassen
	ihr besonderes Interesse und Fachgebiet.
	Von nun an werden wir versuchen, alle Tools bzw. Konzepte den DMAIC-Phasen zuzuordnen. Die erste Phase ist die Definitionsphase. Das Hauptkonzept für die Phase „Definieren“ besteht darin, zu versuchen, die Problemstellung zu definieren, einschließlich der Stimme der Kunden oder der Stimme des Unternehmens.
	Außerdem müssen wir das Ziel und die Zielsetzung des Projekts, insbesondere hinsichtlich der für die Qualität kritischen CTQ, in der Six-Sigma-Sprache definieren.
	Sie müssen auch die Erfolgskriterien und etwaige Spezifikationsgrenzen definieren.
	Auch in der Definitionsphase ist Teambuilding für Formung, Storming, Normierung und Leistung sehr wichtig.
	Und die zugehörigen JMP 16-Plattformen, wie z. B. die Build-Datenbank. Query Builder ist sehr leistungsfähig. Datenvisualisierung ist wichtig.
	Beim Data Mining wird versucht, die Kunden zu gruppieren. Marktforschung versucht ebenso wie Verbraucherforschung, eine Marketingsegmentierung durchzuführen. es ist sehr wichtig. Auf der rechten Seite sehen Sie ein einfaches Beispiel dafür, wie wir die Marketingsegmentierung mithilfe von Clustering durchführen.
	Clustering-Affinitätsanalyse. Wir können die Kunden wahrscheinlich gruppieren und dann versuchen, eine Strategie für die Marketingpriorität zu entwickeln.
	Die zweite Phase ist die Messphase. Das Hauptaugenmerk liegt auf der Prozessfähigkeit und der Prozessstabilität, insbesondere für die Großserienproduktion.
	Wir versuchen, drei zu finden
	leistungsstarkes Tool von JMP. Der erste ist ein Zielplot. Das Zieldiagramm kann also die Los-zu-Los-Prozessfähigkeit in zwei Dimensionen darstellen.
	Durch die unterschiedlichen Farbzonen wissen wir, dass [unhörbar] und es nicht geeignet ist.
	Das mittlere Prozessleistungsdiagramm ist ebenfalls sehr aussagekräftig, da es die Prozessfähigkeit und -stabilität kombiniert. Wenn beide Kriterien erfüllt sind, befinden Sie sich oben links, also in Grün. Wenn Sie beide Kriterien nicht erfüllen, befinden Sie sich unten links oder unten rechts.
	Auf der rechten Seite befindet sich ein Prozessverlaufs-Explorer, mit dem alle historischen Prozesse aufgelistet werden können
	vergangene Leistung. Und anhand dieser Art von Liste können Sie erkennen, welche Faktoren mit dem schlechten Ertrag verbunden sind.
	Die nächste Phase ist die Analysephase. In der Analysephase führen Sie eine Ursachenanalyse durch, fassen komplexe Datensätze zusammen, visualisieren und entdecken Muster und Erkenntnisse, isolieren und prüfen wichtige Faktoren.
	Basierend auf diesen Analysethemen identifizieren wir auch das Fischgrätendiagramm, die Tabellierung, den Text-Explorer, multivariate basierte Methoden, Clustering und die kategoriale Antwortanalyse.
	Auf dieser Folie möchten wir das Pareto-Diagramm vorstellen. Mit dem JMP 16 Pareto-Diagramm können sie zweidimensional arbeiten, sodass sie mehr Kombinationen (??) oder Mustererkennung zwischen verschiedenen Arten von Faktoren finden können.
	Und das Fischgrätendiagramm war schon immer ein sehr leistungsfähiges und nützliches Hilfsmittel für die Echtzeit-Arbeit an einem Abschnitt, den Sie können.
	Entwerfen oder passen Sie das Fischgrätendiagramm an.
	Für die Datenzusammenfassung empfehlen wir dringend Tabulate. Es ist wie
	die Excel-Pivot-Tabelle, [unverständlich] praktisch und leistungsstark
	weil sie auch deskriptive Statistiken hinzufügen können.
	In der Mitte ist der Text-Explorer so leistungsstark für die Analyse der Textdatenbank, dass er nach Schlüsselwörtern und Phrasen suchen kann und wir dann sogar das Text-Mining in Data-Mining umwandeln können.
	Auf der rechten Seite befinden sich kategoriale Daten, um Zusammenhänge zwischen verschiedenen Arten von Faktoren zu finden.
	Und die verschiedenen Farben stellen unterschiedliche Arten von Variablen dar, sodass sie für jedes Paar nahe beieinander und weit vom Ursprung entfernt sind, und das ist der Schwerpunkt einer hohen Assoziation. Das kann Ihnen etwas oder einen Einblick in diese Variablen verraten.
	Die nächste Phase ist die Verbesserungsphase.
	Für die Verbesserungsphase versuchen wir, Vorhersagemodelle zu erstellen. Wir versuchen, nach Bedarf neue Experimente zu entwerfen. Wir versuchen, die Produktionsqualität zu verbessern.
	Bezüglich der JMP 16-Plattformen für die Vorhersagemodellierung empfehlen wir dringend den Prediction Profiler oder den benutzerdefinierten Profiler. Und DOE, wir können
	Es gibt verschiedene Arten von benutzerdefinierten DOE, gemischten DOE oder sogar die DOE-Erweiterung. Für die speziellen Modelle, wie maschinelles Lernen, haben wir das JMP-Neuronale Netzwerk, das Partitionsmodell und auch verschiedene Arten des Screenings.
	Für die Umfrage und Verbraucherforschung
	JMP verfügt über das Auswahlmodell und auch über das Designmodell „Maximiere Differenz“.
	Zur Designoptimierung
	Auf der linken Seite, dem Prediction Profiler, können wir die Sensitivitätsanalyse durchführen. Wir können die Monte-Carlo-Simulation durchführen, um das Nichtkonforme zu simulieren [unverständlich]
	Prozentsatz.
	Wenn wir jedoch viele Faktoren im Modell haben, ist der Custom Profiler die gute Wahl, um unter so vielen Faktoren das optimale Modell zu finden.
	Auf der rechten Seite für gruppenorthogonales übersättigtes DOE. Dies ist das sehr leistungsstarke DOE zur Analyse einer Option für den Downstream. Und sie verwenden Blockierungsfaktoren oder ein Blockierungskonzept, um die Anzahl der DOE-Läufe zu minimieren und die Kosten zu senken.
	Für die Vorhersagemodelle empfehlen wir ein neuronales Netzwerk, ein sehr leistungsfähiges
	Transformation und versuchen Sie, das beste Modell dafür zu finden
	eine höhere Ausbildung und Validierung erhalten
	Fitness. Für die Partition ist dies eine binäre Aufteilung. Sie können den Datensatz also in verschiedene Arten von Kategorien aufteilen
	Highlight schließt (??) auch den Hauptbeitrag ab.
	Für die Designoptimierung empfehlen wir außerdem eine Art Screening-Plattform, die in JMP 16 verfügbar ist. Das erste auf der rechten Seite ist das Antwortscreening.
	JMP verwendet die
	FDR, Falscherkennungsrate, um zu bestimmen, wie gut Ihre Vorhersagemodellierung ist. Wenn Ihre Kurve also niedriger bleibt, okay, und
	und das bedeutet, dass Sie über eine gute Vorhersagemodellierung verfügen. Wenn es nach oben geht, und das bedeutet diesen Abschnitt, haben Sie keine gute Vorhersagefähigkeit.
	Bei der mittleren handelt es sich um ein Prozess-Screening. So haben Sie alle Prozessparameter im Blick. Es könnte sich um einen Eingabeparameter handeln. Es könnte sich um Ausgabeergebnisse handeln.
	Und JMP verwendet die grüne und die rote Farbe, um das Hoch- oder Herunterschalten zu identifizieren. Wenn Sie also mehr Grün oder Rot sehen, bedeutet das, dass Ihre Police nicht sehr stabil ist.
	Für die rechte Seite, auch sehr kraftvoll. Es ordnet alle Prädiktorbeiträge ein, sodass Sie zuerst die wenigen Top-Prädiktoren sehen, oder was wir die wenigen entscheidenden nennen, die Prädiktoren. So können Sie die Ursachen finden oder Lösungen finden.
	Für die Verbraucherforschung hatte JMP ein ausgewähltes Design
	um dem Verbraucher zu helfen, sein bestes Produkt oder die beste Wahl auszuwählen.
	Für das Design mit der Maximierung der Differenz gilt dies auch für das andere Umfragedesign. Für die Umfrage wählen Sie die am häufigsten und am wenigsten bevorzugten Artikel aus. So kann JMP das Modell ausführen, um Ihre Präferenz zu bewerten.
	Für die letzte Kontrollphase [unhörbar] Skalierung der Prozesskontrolle, Aufrechterhaltung der Verbesserung über einen langen Zeitraum, vor- und nachgelagerte, multivariate Prozesskontrolle.
	Und dann werden die JMP-Plattformen klassische Regelkarten, zeitkritische Regelkarten und multivariate Regelkarten sein. Verbraucherforschung wird die Analyse mehrerer Faktoren sein. Auch die Zeitreihenanalyse, wie Zerlegung, Glättung und ARIMA-Modell und -Prognose.
	Für die multivariaten Kontrollkarten auf der linken Seite finden wir die Erkennung von Änderungspunkten. Das ist also der Punkt, der Ihnen den größten Vorher-Nachher-Kontrast bietet. Das ist also [unverständlich] die Grundursachenanalyse darüber, was passiert ist oder wann das Schlimmste passiert ist,
	größter Wendepunkt. In der Mitte befindet sich das T-Quadrat.
	Modellgesteuertes Kontrolldiagramm. Dadurch erhalten Sie den Fehlermodus.
	Zerlegung darüber, welche Parameter am meisten zum OOC-Punkt beitragen. Auf der rechten Seite befindet sich eine Analyse mehrerer Faktoren.
	Basierend auf dem Eigenwert, Eigenfaktoranalyse. Das ist also wie ein Affinitätsdiagramm. So können sie ähnliche Faktoren basierend auf dem Eigenwert und dem Eigenfaktor gruppieren.
	Für die Zeitreihenanalyse auf der linken Seite können sie die Modelldiagnose durchführen. So können sie die saisonalen und zyklischen Trendkomponenten identifizieren.
	In der Mitte können sie die ARIMA-Modelle verwenden, um die Daten mithilfe der saisonalen oder nicht-saisonalen Modelle anzupassen. Für die Prognose können sie das optimale Modell finden, um den zukünftigen Zeitpunkt vorherzusagen.
	Das Fazit aus diesem Vortrag: Traditionelles Six Sigma DMAIC und die interdisziplinäre STEAMS-Methode können dabei helfen, Datenwissenschaftler in den Bereichen Führung und Teambildung weiterzuentwickeln.
	Moderne JMP 16-Plattformen sind den DMAIC-Phasen zugeordnet, um die Umsetzung von Six Sigma-Projekten in datenwissenschaftlichen Bereichen zu unterstützen. Datenbankmanagement, angewandte Technik, Statistik, Data Mining und Text Mining sind für die heutige datenwissenschaftliche Analyse von entscheidender Bedeutung.
	Damit schließen wir unsere heutige Präsentation ab und danken Ihnen vielmals für Ihre Zeit.

AusbrechenQualität und ZuverlässigkeitStatistik und ModellierungBetreff: Entwicklung eines JMP-basierten Six Sigma DMAIC-Schulungslehrplans für Datenwissenschaftler (2021-US-30MP-872)

Präsentations-PDF-Datei hochgeladen.Wir freuen uns über jedes Feedback von JMP Professionals.