Vorhersage von Attributablehnungen bei EndkundenWir führen manuelle Inspektionen durch und entfernen gefundenen Ausschuss (z. B. beschädigten Draht) bei jedem Schritt des Herstellungsprozesses. Da die manuelle Inspektion nicht zu 100 % effektiv ist, welche statistischen Methoden können für ATTRIBUTE-Daten verwendet werden, um die Anzahl der Ablehnungen vorherzusagen, die ein Kunde erhalten könnte?
AnalytikBetreff: Vorhersage von Attributablehnungen bei EndkundenVielen Dank für die Zusendung des Add-Ins für den Annahmestichprobenplan, das ist sehr hilfreich.Um ehrlich zu sein, habe ich vor Jahren versucht, in der JMP-Hilfe nach dem Stichprobenplan für die Annahme zu suchen, aber leider habe ich ihn nicht gefunden, sodass ich die Statistiksoftware verpasst habe, die ich zuvor verwendet habe.
Ich spiele ein wenig mit dem von Ihnen gesendeten Add-In, ich werde mein Feedback/Anfragen geben, wenn ich Gelegenheit habe, alles zu erkunden.
Betreff: Vorhersage von Attributablehnungen bei EndkundenVielen Dank für Ihre Antwort.
Unsere Ausschussquote liegt unter dem gesetzten Ziel und wir kennen die Ursachen dafür sowie die Wahrscheinlichkeit von Abweichungen von der Spezifikation für variable Daten (z. B. Produkthöhe). Wir haben ein neues Produkt, das die gleichen Herstellungsprozesse durchläuft, aber der Kunde verlangt eine RQL von 1 PPM.Da das Auftragsvolumen weniger als 1 Million pro Jahr beträgt und unsere Sichtprüfung manuell erfolgt, besteht meiner Ansicht nach eine hohe Wahrscheinlichkeit (Flucht), dass der Kunde mehr als 1 PPM pro Los erhält, das wir versenden. Daher frage ich nach der Vorhersage des Attributs Ablehnung beim Endkunden.
Haben Sie die gleiche Situation erlebt? Wie soll die Situation angegangen werden?
Betreff: Vorhersage von Attributablehnungen bei EndkundenAls @P_Bartel Wie bereits erwähnt, könnten Sie einen Stichprobenplanansatz verwenden.
Ich schrieb ein JMP Add-In für Annahmestichprobenplan bei solchen Fragen zu helfen.
Sehen Sie, ob dies in Ihrer Situation hilft.
Beifall,
Stan
Betreff: Vorhersage von Attributablehnungen bei EndkundenErstmal willkommen in der Community.
Zusätzlich zu Petes Kommentaren hier meine Gedanken:
1. Warum erhalten Sie bei jedem Schritt des Herstellungsprozesses Ausschuss? Wäre es nicht besser, Ihre Bemühungen zu verstehen, was die Ablehnungen verursacht, und daran zu arbeiten, diese Eingaben zu verwalten, um die Ablehnungen zu verhindern?
2. Ich glaube, Sie meinen eher eine visuelle Inspektion als eine manuelle (obwohl Sie möglicherweise darauf hinweisen, dass es sich nicht um eine automatisierte visuelle Inspektion handelt). Es wäre vorteilhaft (sowohl Effizienz als auch Effektivität), die Fehler mit einem kontinuierlichen Maß anstelle von Pass-Fail-Kriterien quantifizieren zu können. Möglicherweise müssen Sie kreativ werden (fragen Sie sich beispielsweise, wie Sie den Drahtschaden messen können, Standortmetriken können ebenfalls nützlich sein, manchmal können Fehlerdichten Licht ins Dunkel bringen). Defekte oder Defekte als Antwort werfen mehrere Probleme auf. Die visuelle Inspektion hat nicht nur die Herausforderungen der Effektivität, sondern kann auch leicht voreingenommen sein und mögliche Fehlermechanismen aggregieren, wodurch kausale Zusammenhänge schwer zu ermitteln sind.
3. Sie können P/NP-Diagramme (Defekte) oder C/U-Diagramme (Defekte) verwenden, um die Konsistenz zu beurteilen, aber auch hier wollen Sie wirklich nicht ständig Fehler machen.
Betreff: Vorhersage von Attributablehnungen bei EndkundenDiese Frage ist nicht so einfach zu beantworten, da Sie sagen, dass „...die manuelle Inspektion nicht zu 100 % effektiv ist“. Sie erkennen an, dass einige Ausschussware an Kunden weitergegeben wird. Und Sie wollen diese Zahl vorhersagen. Der einzige Weg, den ich kenne, ist, eine Art Stichprobenplan für Kunden zu haben ... entweder Sie tun es ... oder sie tun es und berichten Ihnen. Dann ist ein einfaches Kontrolldiagramm eine Möglichkeit, die Anzahl der Ausschüsse, die Kunden „sehen“ können, „vorherzusagen“. Keine dieser Methoden wird Ihnen die Wahrheit sagen ... aber sie können Ihnen einige Informationen und Daten liefern, anhand derer Sie das Volumen der Zurückweisungen und die Stabilität dieses Volumens im Laufe der Zeit bewerten können.
