Hola, bien mañana. Bien noche a todos.
Mi nombre es Raisa.
Soy a fabricación calidad ingeniero de Aplicado materiales, Taiwán.
I comenzó a aprender JMP en comienzo de este año.
Recientemente, I aprobar ed esto Certificación examen
con puntaje, 925 en este Julio.
Hoy, Identificación como a hacer a corto presentación
acerca de Solución inmediata de QN Análisis de tiempo por JMP.
Como nosotros saber, una vez a calidad notificación curar es creado,
él debe llevar adicional, más o menos tiempo a arreglar asunto,
y puede impacto en producción planificación y Planificación.
Por lo tanto, casarse como a encontrar a el peor- caso por análisis.
Bueno.
Para análisis, aquí son cinco s temas ub en agenda.
Primero, el Raíz Causa Análisis de QN Ciclo de reparación Tiempo,
Gráfico Resumen del análisis de causa raíz,
Comparar Ajustar modelo, partición, modelo neuronal,
y entonces h híbrido Texto M ining
y el Datos Minería Análisis.
Finalmente, Llevar Lejos Aprendizajes.
Bueno, vamos conseguir comenzó.
El histograma.
1er capa de Análisis de raíz de la causa de QN Arreglar Ciclo Tiempo.
Antes investigación, pensar acerca de eso.
¿Qué escenarios impacto en Corrección QN Ciclo T yo me
y cómo largo es ¿Es soportable?
Por primera vez,
definir cinco días como a criterios
y también a llave condición a seguir a todo C desparramar i n redacción
y dentro cinco días,
nosotros en especificaciones y éxito criterios.
En el otro mano, encima cinco días afuera de Especificaciones falla análisis,
más tarde, I hacer directamente a descomponer a SA y la FA.
Aviso este sombra de distribución entre SA y el FA.
Mientras tanto, mirar en el Mosaico Trama
para el proporción de cada categoría
a inferir a potencial r causa raíz
para el éxito análisis.
Nosotros poder ver el Hechura y reelaboración de MFG,
parecer a tener rápido respuesta y mejor arreglar ciclo tiempo.
Para FA dimensión asunto, llevar más arreglar ciclo tiempo.
Él es obvio variación en Hora de FA.
Distribución entre SA y el FA,
suponer si es hora de FA es uno de el llave factor,
S1 a impacto la F ixc ciclo tiempo.
El Caja P lote.
El diagrama de caja es a grafico de el distribución de continuo variable.
Por lo tanto, trama continúa fijado ciclo tiempo versus anidado estructura,
categórico país bajo contención
a buscar otro factores impacto arreglar ciclo tiempo o no.
Él muestra el cinco- número resumen de configuración datos.
Él es no- paramétrico herramienta a usar Mediana como central tendencia.
Además, allá son alguno observaciones en diagrama de caja grafico.
Primero, en el menos Siete punto a detectar el primer valor atípico.
De lo contrario, él se vuelve bigote (torcido) grupo problema
dónde muestra tamaño es menos que Siete .
Segundo, observado atornillado distribución
por Ancho de la caja o Longitud del bigote.
Cómo a manejar marginal valores atípicos,
cual son nosotros pensar ruido dos Sigma GRR de bigote
y atrás a el Análisis de raíz de la causa,
él es no difícil a encontrar a reciclar tiempo
de el contención reemplazo
es mucho más extenso que otro contención.
Y con eso,
contención de X₂ y X₃ país aquí.
Mapa de calor.
Mapa de calor es otro gráfico herramienta
defectar datos valor por color.
A ganar, hasta ahora, nosotros recolectar tres aporte factores,
tipo de defecto de histograma, contención y país de diagrama de caja
y en orden a seguir trimestre de estudio impacto
entrada de cuarto impacto en fijado ciclo tiempo.
Aquí en atrás categórico llamado tipo de defecto en eje y
y el color ciclo tiempo
y mantener autobús pronóstico estructura.
Categórico país bajo contención en X y X grupo.
Entonces usar un 8 por 9 disposición mirar balance
a rápidamente atrapar afuera el máximo
y el mínimo Tiempo del ciclo escenarios.
Para FA, él es fácil a encontrar a pequeño rojo área, ¿bien?
El biblioteca reflejos el más largo arreglar ciclo tiempo.
Con eso, Reemplazo Taiwán Daño partes,
en el el peor caso para ciclo tiempo.
El Reemplazo Unido Estados
y el Dimensión asunto partes es el segundo el peor guión.
Para SA es colocar para dimensión y defecto de daño.
Otros son fácil a rápidamente arreglar.
Para Pareto C. ciervo,
a más analizar el FA y SA de mapa de calor ,
mapa de calor debe usar dos- dimensional Pareto Cuadro por a variable
tipo de defecto y el país bajo específico contención.
Aquí son X₁ tipo de defecto,
X₂ contención y X₃ país nosotros mencionado antes.
Entonces agregar adicional puesto de trabajo X₄ aquí
en el curso de Pareto C. ciervo a visualizar frecuencia evento.
Ahora para falla de FA análisis,
nosotros conseguir reemplazando alto proveedor de trabajo daño asunto,
frecuentemente suceder en ECV servicio fraude
o reemplazando Unido Estados proveedor dimensión asunto
a menudo sucede en ECV puesto de trabajo.
En el mismo forma para X análisis,
en lugar de dimensión asunto o defecto dañado,
Unido previo, funcional y a hechura asunto
poder rápidamente arreglar en ECV importante prueba.
Actualmente, nosotros tener cuatro aporte factores y SA y FA frecuencia.
Para interfaz, uno nosotros son más interés en
es aprobar o fallar frecuencia o puro ciclo tiempo.
Entonces Tabular.
Aquí poner nuestro anterior mencionar de factores X₁ a X₄ para en Tabular.
Mientras tanto, Tabular puro ciclo tiempo y frecuencia en a cuenta
a hacer más comparación.
Para FA, enfermedades cardiovasculares servicio fraude, daño asunto,
Taiwán proveedor requerir reemplazo,
tomó un más extenso Tiempo del ciclo
a pesar de el frecuencia es ahora el más alto,
como Siete veces aquí,
el medio de el ciclo tiempo, 34 días es mucho más extenso que otros.
Para SA, en motor CVD prueba,
nosotros poder medida asunto en Unido Estados previo
y fijado por MFG re trabajar.
Incluso allá es solo uno día en el mesa,
pero el frecuencia y es lejos también bajo a ser verdadero.
Aquí I resumir el puntos principales.
Seguir Análisis de raíz de la causa,
usar diferente gráfico JMP plataformas
en ingeniería y grande cáusticos
secuencia a conductor previo Análisis de raíz de la causa.
En anterior deslizar, I espectáculo histograma, diagrama de caja,
Mapa de calor, Pareto Cuadro y el Tabular.
Segundo, identificar a potencial entrada X
a proteger el QN fijado ciclo tiempo.
A según a el Tabular, el resultados de la FA de a daño asunto,
reemplazo, Taiwán proveedores y ECV servicio puesto de trabajo.
Próximo, construir a modelo a predecir QN arreglar ciclo tiempo
y validación de el raíz causa.
Antes entrando cada modelo detalle,
aquí, Identificación como a introducir modelo selección y el comparación primero.
El adaptar modelo, considerar datos estructura y a distribución.
Aquí son alguno desafío en adaptar modelo.
Para sesgado distribución, usar registro transformación, pero No ayuda.
toda la entrada variable, X₁ a X₄ son categórico tipo.
Después I construir nuestro 60 % de puesto de trabajo categoría,
R cuadrado aumentado 6 % solo.
Controlar dependencia entre a categórico variable
por correspondencia parte de análisis.
Él es bajo riesgo porque el cerca cosas son a a región,
el menos distinto eso ellos probablemente son.
En otro palabra, el más lejos lejos el más distinto.
Segundo, proximidad entre etiquetas probablemente indicar a semejanza.
Para dividir árbol modelo,
el más puntos son distribución gratis modelo,
dividir basado en datos disponible,
pequeño preocupación por el sobreajuste,
pero menos puntos recursivo dividir.
Por lo tanto, utilizar JMP proyector pantalla por aleatorio bosque
a promedio a recursivo producto
y encontrar afuera a cinco aporte factor con su clasificación.
Él es conveniente y a rápidamente forma a encontrar importante aporte
a optimizar o mejorar modelo.
Acerca de a neural red,
el más puntos son fuerte transformación modelo,
dos pasos capacitación y a validación modelo.
Sin embargo, el menos es significativo preocupación por sobreajuste .
Cual modelo es más adecuado a ser creyó
eso va a través de cada modelo ¿resultados?
Venir atrás caber modelo, principal evento solo.
Si nuestro puntaje no es alto,
solo 30 % estan equivocados,
porque datos es severo asimetría correcta.
Observado significativo nivel de riesgo,
entonces máx. R- cuadrado alrededor justo 47 % es no vale la pena
y usar registro transformación de el ciclo tiempo variable
a evitar a negativo número de 95 % confianza intervalo,
pero No ayudar a un lote así que inicia sesión elección es afuera.
El próximo es Dividir Árbol Modelo.
Aquí son tres dividir modelos,
son base modelo,
aumento de modelo
y a modelo simplificación.
Experiencia a serie de mejora por ingeniería y el lógico pensamiento
que r cuadrado mejorado a 62 % de 38% base modelo.
Todos detalle voluntad espectáculo tú paso por paso en siguiente deslizar.
Modelo aumentar.
Durante este paso, nosotros mejorar modelo 20 %.
Dónde son ellos ¿de?
Primero, ellos voluntad presente mejorar.
Aquí, cambiando QN edad a solución inmediata ciclo tiempo
por propiedad experiencia, pero No ayuda.
Segundo, 6% y agregar uno X factor puesto de trabajo.
Recordar él es exportar, nosotros descubrir de Pareto C. ciervo.
código UD se convierte menos crítico de 26 % a 8 % solo.
El tercero y año El r 4 % por cambiando a contención de UD código.
Ahora, controlar a contribución clasificación aquí.
El número dos convertirse puesto de trabajo en cambio de país ya no.
en modelo simplificación,
aquí, mejorar adicional 6 % R cuadrado por modelo simplificación.
Antes simplificación modelo,
el más es todo guión bajo consideración,
pero como menos dos, muchos categorias podría diluido predecir fuerza.
En simplificación modelo,
filtración afuera menor categorias con menos cuenta,
como eliminar 60 % categorias de puesto de trabajo,
el total cantidad disminuido a 270 de 426.
Controlar de nuevo, el contribución clasificación,
el defecto tipo y nuestro puesto de trabajo son aún el número uno y el número dos.
Ahora, nosotros tener más confianza a usar el modelo
a predecir el FA y las SA.
Para Dividir Árbol Optimización del modelo
como I mencionado antes,
el importante contribuyentes son tipo de defecto & Puesto de trabajo
alrededor 80% para Pareto C concepto.
Comparar tipo de defecto en SA y FA predicción.
Para SA aquí, es etiquetado asunto.
Marcas sentido, nosotros no gastar más tiempo a arreglar cada asunto.
Para FA, es daño.
Sí, él haría llevar mucho más ciclo tiempo.
Acerca de a puesto de trabajo comparación entre SA y FA
PVD mecánico y ECV módulo ensayador.
Actualmente, él aún necesidades más análisis y comprensión.
Acerca de la FA país aquí, en a perfil o predicción perfil es departamento.
No t país impacto QN fijo ciclo ¿tiempo?
Es ¿bien?
A respuesta el pregunta aquí, I introducir el modelo limitación,
recursivo dividir.
recursivo particiones, secuencial dependencia riesgo.
Factor país es desparramar seis veces,
y solo uno tiempo suceder en más alto ciclo tiempo grupo.
Semejante recursivo dependencia limitación puede impactar el profético modelo.
El tercer modelo,
Neural Red (Inteligencia artificial).
Aquí observa severo sobreajuste inquietud
entre capacitación y el variación R Plaza.
Si R Plaza entre Capacitación Colocar y V alidación Colocar
es encima 20 %, él tiene sobreajuste inquietud.
Además, nosotros encontrar ITIN neural modelo,
el número uno clasificación es puesto de trabajo,
y el número dos es falla por
cual es diferente de anterior dividir modelo.
Para SA, el puesto de trabajo es en puesta en escena,
puesta en escena del CCT, dónde material son trajo juntos
antes entrando falla MFG ,
y él no tener competitivo operación proceso.
Una vez el asunto suceder, él poder ser fijado rápidamente.
Marcas sentido.
Para FA en el fraude en el servicio CVD,
él tiene competitivo operación proceso.
Sí, él hizo a tener más extenso ciclo tiempo a tratar difícil asunto.
Hasta ahora, nosotros ya tener tres modelo,
Árbol Modelo Dividir y el Neural Modelo,
y cual modelo es mucho más adecuado y encontrarse realidad.
Por lo tanto,
modelo comparación y selección,
Análisis de raíz de la causa, gráfico herramienta
daño asunto reemplazo,
Taiwán ECV fraude de servicio es el el peor guión con más extenso fijado ciclo tiempo.
Actualmente, Neural modelo tiene el idéntico guión
como el Gráfico Análisis de raíz de la causa,
pero la única preocupación es el sobreajuste riesgo.
Además, el tres modelo tiene muy cerca predicción
en lo peor ciclo tiempo dentro 1.2 días.
El final lo haré introducir, Prueba Minería y el Datos Minería Híbrido.
Actualmente en QND ata base, él aún tiene prueba Mensajero resultante Bueno
a semejante más información acerca de largo ciclo tiempo en QN ensayador variable base de datos.
Usar Explorador de pruebas JMP a descubrir alguno frecuencia palabras clave
semejante como aquí, I círculo reemplazar, rehacer, dimensión y el F10246
un proyecto a hacer más análisis,
entonces convertir a ellos a binario detectores,
conducta a más Datos Minería y el Análisis de raíz de la causa
en el caso F10246 vía mapa de calor grafico.
Aquí, poner dimensión indicador bajo F10246
y contención reemplazar y re trabajar en y.
De acuerdo a a el calor mapa resultados, F10246
lo hizo sufrir lotes de arreglar ciclo tiempo
eso otro proyecto por color resultados
y controlar dimensión detector observado es
no solo dimensión asunto, pero también nuestro varios causa del defecto
largo ciclo tiempo, incluso si justo son fijado por rehacer.
En el fin, aquí son mi aprendizaje para llevar.
JMPG rafico Plataformas son muy poderoso a conducta
Más adentro r análisis de causa raíz a través de ingeniería
y el lógico, datos- impulsado proceso
y comparar y seleccionar a más adecuado JMP modelo
de Clásico Ajuste M modelo, P artición y a Neural Red
por conocimiento el modelo limitación
y el riesgo de conectando a anterior Gráfico Análisis de raíz de la causa.
Conducta a Híbrido Texto M ining y minería de datos R fuera Causa Análisis
en el Complicada base de datos QN.
Final, Identificación como a agradecer GCI METRO CAMA Y DESAYUNO Carlos Chen como mi proyecto mentor
y eso es todo mi presentación.
Agradecer tú para su tiempo y atención.
Agradecer tú.
