Phil Kay non aveva idea che avrebbe ricevuto una risposta così grande quando ha iniziato un recente post su LinkedIn con le parole " OFAT non funziona ." In qualità di Learning Manager nel team Global Enablement di JMP e evangelizzatore dell'analisi dei dati, Phil condivide spesso spunti di saggezza con i suoi follower su LinkedIn.
Ma questo post era diverso, ottenendo più di 30.000 visualizzazioni, oltre 300 reazioni e oltre 60 commenti. Puoi leggerlo per intero di seguito.
Ho colto l'occasione per porre a Phil alcune domande: cosa c'è di così sbagliato nella sperimentazione un fattore alla volta, cosa c'è di così buono nella progettazione degli esperimenti e cosa spera di ottenere con la sua sensibilizzazione su LinkedIn sul argomento.
Quindi cosa c'è di male nello sperimentare un fattore alla volta?
Fil: Il problema di sperimentare un fattore alla volta è che la natura non rispetta queste regole. Il mondo fisico/chimico/biologico è molto più complicato. L'effetto di un fattore dipenderà da come vengono impostati gli altri fattori. L'aumento della temperatura potrebbe avere un effetto diverso a seconda del pH impostato, ad esempio. Non puoi conoscere questi comportamenti importanti e complessi se modifichi solo un fattore alla volta. Il risultato finale è che non trovi le soluzioni migliori e non impari molto su come controllare il tuo processo o sistema per ottenere costantemente risultati di alta qualità. È solo una tale perdita di tempo e fatica.
OK, allora perché le persone sperimentano ancora un fattore alla volta?
Fil: Alla maggior parte degli scienziati e degli ingegneri è stato detto fin dall'inizio della loro formazione che un fattore alla volta è l'unico modo per sperimentare. L'idea che tu possa, e dovresti, variare tutti i fattori allo stesso tempo è spaventosa.
Va bene. Ora dicci cosa c'è di così buono nel design degli esperimenti, per favore.
Ti consente di trovare le migliori soluzioni esplorando a fondo le possibilità del tuo processo. E non si tratta solo di cercare l'ottimo. È uno strumento di apprendimento: puoi catturare i comportamenti complessi e comprendere l'effetto di tutti i fattori. Utilizzando la “magia” delle statistiche, garantisce anche l'efficienza perché si verificano solo le poche impostazioni necessarie per darti il modello dell'intero sistema di cui hai bisogno.
Cos'è #DOEbyPhilKay su LinkedIn?
Fil: È un hashtag che le persone possono seguire per vedere i post settimanali con pensieri e consigli utili sul Design of Experiments (DOE). I post sono un mix di citazioni illuminanti su DOE, introduzioni a concetti tecnici come l'analisi della potenza e punti di discussione che mi vengono in mente mentre porto a spasso il cane.
Perché stai creando questi post #DOEbyPhilKay? Cosa speri di ottenere?
Fil: A parte l'autopromozione spudorata, spero che i post forniscano incoraggiamento e supporto alle persone che stanno appena imparando a usare il DOE. Voglio anche sfruttare la passione di altri evangelisti del DOE, così possiamo lavorare insieme verso una visione di ogni sperimentatore nel mondo che abbia le capacità per trarre vantaggio dal metodo. Forse più educatori là fuori saranno ispirati a insegnare il DOE ai nostri futuri scienziati e ingegneri.
Qual è stata la risposta ai tuoi post su #DOEbyPhilKay?
Fil: È stato bello scoprire che non sono l'unico ad avere una forte opinione su questo argomento. Il post OFAT ha avuto oltre 30.000 visualizzazioni! Mi sono davvero piaciute le discussioni. E mi ha messo in contatto con un sacco di nuove persone in diversi settori in tutto il mondo. Qualcuno di recente mi ha detto che insegnano un modulo sul DOE per laureandi in chimica, e iniziano il corso con una citazione da uno dei miei articoli – probabilmente uno dei momenti più orgogliosi della mia carriera.
Puoi seguire i post di Phil su LinkedIn facendo clic qui e toccando il pulsante "Segui". (Nota: devi prima aver effettuato l'accesso a LinkedIn.) E ora goditi questa foto che Phil ha fatto al suo adorabile cane durante una delle loro passeggiate nella splendida campagna inglese.
Sono rimasto sorpreso dal fatto che le persone stessero approvando un fattore alla volta nei commenti. Gestisco DOE da vent'anni e non ho mai sentito il termine OFAT prima del suo post su LinkedIn. Rianalizzo i DOE per le aziende biotecnologiche. Trovo spesso soluzioni a problemi a cui il DOE non è stato progettato per rispondere. OFAT è solo grasso che deve essere tagliato prima di comprendere l'argomento.
CIAO @DirtyDataCoLLC ,
Sì, sono stato anche un po' sorpreso dal fatto che alcune persone continuino a sostenere OFAT. Penso che la maggior parte di loro parlasse di situazioni in cui c'è un solo fattore di interesse. Non è proprio OFAT. È "DI".
Totalmente d'accordo sul taglio del grasso! Penso che potrei usarlo io stesso!
