It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.It’s important to make sure all analytic work is reviewed properly to avoid deriving any misleading conclusions.重要的是要確保所有分析工作都得到正確審查，以避免得出任何誤導性的結論。考慮這個假設：您在一家開發和製造醫療設備的公司工作。 COVID-19 大流行造成全球呼吸器短缺。 由於您的公司最近實施了一項重大數位化轉型策略來滿足工業4.0 標準，因此您能夠預測替代裝配線中的運行故障，提供波峰焊工藝的在線監控，並從自動視覺檢測機器人收集裝配缺陷的集中統計數據。
透過這種數位轉型獲得的靈活性使公司的生產線能夠快速轉換，以生產急需的機械呼吸器。 這項轉變的一個主要要素是分析的應用，因為上述彈性需要高水準的分析能力。 請繼續閱讀更多背景資訊和用於審查基於分析的報告的清單。
工業 4.0，即所謂的第四次工業革命，依賴三個基本要素：
- 可以廣泛線上測量產品和製程的感測器技術。
- 靈活的製造能力（例如 3D 列印）可以有效地生產不同尺寸的批次。
- 為工業引擎提供監控、診斷、預測和優化決策能力的分析。
一項重大的分析挑戰是數據集成，因為感測器可能在不同的時間週期收集數據。 動態時間扭曲 (DTW) 或其他技術可能是獲得整體視圖的最佳方法。
最有可能的是，工業界所做的任何分析工作都意味著數據是主動或被動收集的，並且模型是使用經驗方法、第一原理或混合模型開發的。 工業週期提供了嘗試新產品或新製程設定的短期機會，並根據結果確定後續行動。 但重要的是要確保所有分析工作都得到正確審查，以避免得出任何誤導性的結論，這可能會非常昂貴和/或耗時。 例如，一家鋰電池製造商發現其評估終端產品的測試設備未經校準。 該公司透過使用工廠的控製圖來精確識別有問題的批次，從而避免了重大召回。 為了避免運輸不成熟的產品或有缺陷的批次，良好的診斷能力對於確定任何報告問題的原因至關重要。
系統工程和工業應用的具體分析挑戰包括：
- 工程設計
- 製造系統
- 決策支援系統
- 車間控制和佈局
- 故障檢測和品質改進
- 視情況維護
- 客戶和供應商關係管理
- 能源和基礎設施管理
- 網路安全與安保
這些挑戰催生了更好地監控產品和流程的專案；設計新產品或改造現有產品和流程；以及改善產品和流程。
為了透過使用數據來解決這些問題，需要正確使用分析方法。 審查分析工作的一種方法是使用我在JMP 探索峰會布拉格。 資訊品質取決於分析目標、研究中使用的分析方法、與研究目標相關的資料解析度、資料整合和結果傳達。 （有關此主題的更多信息，包括如何建立資訊品質評估研討會，您可能有興趣數據科學的實際工作.)
資訊品質 (InfoQ)，這是我和 Galit Shmueli 在資訊品質：數據和分析生成知識的潛力，是一個用於規劃、追蹤和評估資料分析價值的通用框架。 InfoQ 基於四個元件和八個維度。 它被定義為「透過採用統計分析或資料探勘來實現給定分析目標的特定資料集的效用」。 InfoQ 受到分析目標 (g)、可用資料 (X)、實施的資料分析 (f) 和研究效用 (U) 的影響。 在評估分析項目時，必須檢查這四個組成部分和八個資訊品質維度中的每一個。
InfoQ 的八個維度是：
- 數據解析度
- 資料結構
- 數據整合
- 時間相關性
- 普遍性
- 數據和目標的年表
- 操作化
- 溝通
資料解析度需要與研究目標相匹配，因此分析結果必須在正確的時間提供給正確的決策者。 例如，一些用於評估快速運行的紙張生產流程品質的影像處理分析必須及時產生結果，以便品質工程師能夠採取正確的行動。 如果用於識別隱藏在紙捲中的品質問題的精確成像分類器由於計算限製而被延遲，那麼它產生的資訊將具有非常低的品質。
下面的清單可用於評估特定研究的八個資訊品質維度。 A聯合管理計劃用於總結資訊品質評估的插件是在社區中可用。如何使用 JMP 產生資訊品質的範例可以是在這裡下載。
清單
這是在澄清目標和效用後審查分析研究時要問的八個問題。
方面
|
問題
|
數據解析度
|
數據粒度是否足以滿足預期工作？ 測量不確定度是否經過評估並認為適當？
|
資料結構
|
是否可以使用不同來源的數據來反映當前的問題？
|
數據整合
|
不同來源的數據如何整合？ 是否存在導致重要資訊遺失的連結問題？
|
時間相關性
|
資料收集和分析之間的時間差距是否引起任何擔憂？
|
數據和目標的年表
|
分析結果是否及時傳達給合適的人員？
|
普遍性
|
是否可以得出超出明確研究範圍的一般結論？ 例如，可以應用於其他產品或流程的結論。
|
操作化
|
測量變項本身與研究目標相關嗎？ 研究是否有任何明確的行動項目建議？
|
溝通
|
研究結果是否正確傳達給目標受眾？
|
這些問題應該對需要評估工業 4.0 應用及其他應用中基於分析的研究的審閱者有所幫助。 然而，它們並不意味著是規定性的，需要根據具體情況進行調整。2020 年，第四次工業革命在先進製造領域繼續發展，將廣泛的感測器數據與靈活製造和高級分析相結合。 一本新的綜合性書籍涵蓋了系統工程和第四次工業革命的最先進元素可以在這裡找到。
了解更多信息
透過這些了解更多聯合管理計劃與工業4.0相關的資源：
K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.K-means clustering analysis of seven sensors tracking possible deformation under stress, shown in the ENBIS webinar listed above.對七個感測器進行 K 均值聚類分析，追蹤應力下可能的變形，如上面列出的 ENBIS 網路研討會所示。
我認為，透過更好地傳達將與被動資料收集相關的資料混亂轉化為有用資訊的機會，透過整合主題知識、資料管理和資料分析，我們可以獲得對資料分析的顯著支持。
