你好，每個人。 這是深淵馬里皮。
我是A高級的過程工程師為了光學光刻在魔法飛躍。
今天，我是去到證明
過錯檢測經過升級控制圖表
和改變觀點檢測在跳轉,
和展示你如何這改變觀點檢測一體化
和控制圖表
是高度有用在我們的製造業店鋪地面。
患病的開始這推介會
和A簡短的介紹關於我們的公司，魔法飛躍，
和這光學製造業，
這DMAIC問題-解決方法
和這JMP工具那我們使用在這製造業，
我們的挑戰那我們臉在這控制階段的德美國際，
升級現存的控制圖表和改變觀點，
和經過正在做所以，檢測和診斷這故障在A過程
一些案件學習那我們經常使用在魔法飛躍和A JMP示範
在如何到創造A改變觀點儀表板
和整合改變觀點進入你的控制圖表，
和很少外賣。
到開始和，在魔法飛躍，
我們預見A世界和身體的和數字的是一個。
我們的使命是到放大人類潛在的
經過交付A最多身臨其境AR可穿戴平台，
所以人們能直覺地看，聽到，
和觸碰數字的內容在這身體的世界。
我們的可穿戴設備設備變換企業生產率
經過提供增強現實解決方案。
為了例子，合作和共同在場
之間偏僻的團隊到工作一起作為如果他們是在這相同的房間，
3D可視化到優化過程，
增強的勞動力那幫助火車和提高技能工人
使用看-什麼-我-看能力。
這些是僅有的A很少例子。
這設備有行業的領導光學和大的場地的看法，
最好的圖像質量，
高的顏色均勻性，
和動態的調光
哪個幫助展示A高的-質量虛擬的內容
在我們的真實的世界。
這光學的鏡片那是用過的在這設備
是A小的成分
但A非常批判的成分的魔法飛躍2、
啟用最好的-在-班級圖像表現。
這光學的鏡片去通過25加複雜的
製造業過程和計量學車站
期間這製造業。
它是測試過超過100加批判的-到-質量參數。
每個個人過程需要到抵達高的99%屈服目標
到達到90%軋製吞吐量屈服目標。
我們不能達到這些高的產量和過程能力
沒有這幫助的JMP統計工具。
一的這些高的-屈服過程是烙印光刻
在哪裡我'米負責任的為了質量和送貨工具。
這過程有許多腳步，
和那是可視化在這正確的-手邊的你的…
首先步是在哪裡我們對齊這面具到這模板
和然後分配佛r抵抗，
降低這模板和極紫外治愈到複製這精確的圖案
從這面具模板到這晶片。
這烙印過程獨自的有22批判的-到-質量參數
那操作之間緊的控制限制這樣的作為只是20納米電影厚度
和100微米降低準確性。
作為你可以看，這些公差是極其小的。
為了參考，人類頭髮是只是20微米到100微米。
因此，這烙印光刻需要A精確放置和結盟
那是無法區分到這人類眼睛。
意義我們依靠A很多之上在船上計量學和想像系統
那產生噸的數據從大的數字的輸入參數。
JMP幫助我們到容易地分析這些大的數據套
在我們的問題-解決過程。
我們使用DMAIC方法在我們的問題-解決過程。
下列的是這JMP工具
那我們使用在每一個階段的我們的DMAIC處理器，分別。
喜歡許多製造業團隊，
我們成立出去控制階段作為最多具有挑戰性的和被忽視階段，
因為在A開始向上喜歡魔法飛躍，我們不斷地發展，製作改進，
和迭代一些新的設計和修訂。
這控制階段是被忽視
因為它需要更長時間為了這確認。
為了例子，
我們尋找A問題或者一個問題，說喜歡過程超過控制限制
和給予低的CPK價值觀，
結果在低的CPK期間我們的控制階段。
我們定義這問題，
我們措施這歷史的數據，
分析這問題
經過多元的方法和相關性矩陣，
提升這問題經過實施這矯正行動，
經過進行做和回复篩選。
但一次這是解決，
我們移動在到我們的下一個嚴重問題和移動在到嚴重程度3個問題
一次你解決這嚴重性，嚴重性2個問題，
和這循環繼續，
俯瞰這最多重要的階段的德美國際，
哪個是這控制階段。
這曾是這原因我們來了向上和這改變觀點檢測儀表板，
哪個是快速地和高效的。
它精確定位問題快點，更輕鬆到可視化故障和變化。
甚至運營商WHO是不是精通和這統計數據
能使用這儀表板到診斷這問題。
為了例子，前介紹這改變觀點儀表板
在我們的製造業店鋪地面，
這升級進步是喜歡這左邊側身,
在哪裡這操作員監視器這屈服儀表板
和標識這屈服損失和故障。
操作員報告到技術員到看進入這故障。
如果技術員無法到解決升級這工程師，
工程師分析這控制圖表數據使用控制圖表鬧鐘和趨勢,
和然後手動加入這些產出到輸入和做這相關性
和尋找出去和診斷這過錯。
和然後工程師工具這矯正動作。
但後介紹我們的改變觀點儀表板
在這製造業地面，
這操作員，技術員，和工程師
監視器這改變觀點儀表板在這店鋪地面。
如果改變是成立，
他們看進入相關性的輸入前這改變和後這改變
和容易地診斷這問題，
和然後容易地提升這矯正動作。
這幫助我們容易地到過渡進入我們的TPM模型，
在哪裡運營商，技術人員和工程師
是全部未來一起到最小化這故障。
這改變觀點儀表板使我們的控制階段非常高效的。
我是去到證明在這下列的幻燈片
在如何這是高效的
作為出色地作為如何到製作這改變觀點儀表板。
前顯示這改變觀點儀表板，
我想到展示你我們的旅行從傳統的控制圖表監控
到改變觀點檢測儀表板。
儘管這傳統的控制圖表是非常有幫助到監視器短途旅行
在我們的過程使用韋斯特加德規則，
他們展示這即時出去的控制點，
但他們經常錯過這微妙的漂移在這過程，
哪個是非常漸進的但仍然重要的。
這些控制圖表是非常有幫助到監視器這時間基於
和還給我們什麼部分是受影響的經過這。
但作為我提及前，
我們有22批判的參數在這過程獨自的
和那裡是噸的輸入參數
那影響這些22批判的參數，
哪個方法我們需要到有許多控制圖表監控,
在這相同的時間，到有A穩定的過程。
但然後我們移動在到模型-驅動的多變量控制圖表。
這些控制圖表，我們監視器兩個都輸入和產出一起，
和我們立即地得到A相關性之間他們。
但很遺憾，這些沒有有任何時間系列或者端口號
到幫助和部署這在這製造業店鋪地面。
這多元的相關性是非常重要的為了我們，
給予這關係
之間我們的產出和輸入在這過程。
和這再次沒有有這時間系列數據
喜歡這控制圖表到確認什麼時候這問題有開始了。
這改變觀點檢測，然而我們成立非常有幫助
到容易地探測什麼時候那過錯或者改變
或者重要的突兀的漂移發生了在我們的過程。
但它僅有的給A價值什麼時候A改變觀點發生了，
它沒有有這時間系列和不是非常有價值的
作為A監控工具在我們的製造業店鋪地面。
每個一有它是自己的劣勢和優點。
我們結合全部的這些控制圖表進入一儀表板
和借力這控制觀點檢測功能價值觀進入這些。
我們的下一個合乎邏輯的步是回歸哪個是原因和影響分析。
尋找出去這原因和影響和互鎖這工具輸入，
停止這失敗在你的關鍵質量批判的-到-質量參數
或者在你的產出
和還移動到預言分析。
這是一例子到展示你如何這控制圖表看起來不同的
什麼時候你整合這改變觀點檢測。
為了例子，在這左邊，我有A控制圖表
沒有這改變觀點檢測。
你能看那裡是很少UPS和起伏之間這控制限制。
但什麼時候我拿這價值的256、
哪個這改變觀點檢測給你什麼時候你跑步為了這相同的數據，
和拿這和整合進入這相同的控制圖表，
你可以看這可視化得到更好的。
在這案件，前這改變觀點，你有A演示的變化，
你有A基線，
你有這意思是是以下你的目標線，
和後這改變觀點，你的意思是是多於這目標線現在
和你的變化有減少。
在這方式，你可以容易地尋找出去和可視化
什麼是這改變在你的現存的控制圖表。
一次我們成立出去如何有價值的這改變觀點是，
迅速地告訴我們在哪裡這改變發生了
或者在哪裡這過錯發生了在你的過程。
我們開始使用一些使用個案。
我們開始和一些使用案例這樣的作為這
在哪裡我們介紹A改變和我們想到證實這改變。
在這例子，我們有A過程在哪裡它是給予低的CPK價值
因為的這人口是大多分散式向你的積極的邊。
我們確定它作為A意思是轉移。
它需要到意思是轉移，和我們介紹這已知的改變意思是轉移。
什麼時候我們介紹這均值漂移，
你可以看這過程成為更多的有能力的，
關於2.3或者1.5.
你可以看什麼時候我們部署這改變觀點檢測功能
為了這相同的數據，
這改變觀點給你價值和這方向
無論你的改變有採取地方或者不是在你的過程。
這是高度視覺的為了我們
到評價無論我的已知的改變，哪個我只是介紹,
是影響我的過程，這積極的或消極。
這第二使用案件，作為我提及，
我們有很多的在船上計量學工具在我們的過程，
哪個是給予A很多的數據。
我們做期刊測量和測試在這些計量學工具，
但我們總是依靠之上
這重複性和再現性數據，
哪個是氣體休養生息數據
從這些圖表。
但這氣體 R&R數據是不是發現我們任何故障在這過程
或者什麼時候這計量學家工具開始漂流
在任何一個積極的或者消極的。
但為了這相同的數據，
什麼時候我們已部署這改變觀點功能，
它立即地告訴我們什麼時候這微妙的變化
和突兀的重要的漂移發生了在這計量學，也。
那是非常高的或者高度有幫助數據到確認
和製作當然我們的計量學家工具是仍然穩定的和不是漂流這數據。
這第三和最多重要的一
是到探測和診斷這故障輕鬆。
這是A儀表板那我們工作過在到部署在我們的製造業店鋪地面。
我們的工作流程會是，我們監視器多種的回复參數
或者批判的-到-質量參數作為輸出，
和然後我們確認如果那裡是任何變化
使用這改變觀點儀表板。
在這相同的時間，
我們還看進入模型-驅動的多元的改變觀點儀表板
在哪裡它將要告訴我們什麼是這短途旅行
和容易地關聯那短途旅行到這輸入參數。
但這真的價值來了在
什麼時候我們拿這改變觀點價值觀
和整合他們進入我們的現存的控制圖表。
在這例子，我們有A基線數據前這改變和後這改變，
哪個方法什麼時候這過錯發生了，你可以看那裡是A輕微意思是轉移
和有A巨大的變化在我們的過程。
在這觀點，我們去到我們的相關性矩陣。
它是關聯我們的輸出參數到我們的輸入參數在這過程。
這相關性矩陣將要立即地告訴你
哪個因素有A強的積極的或者A消極的相關性
期間這階段什麼時候比較的到期間你的普通的階段。
那將要立即地告訴你什麼輸入範圍有走了錯誤的
或者那可能有貢獻了A很多到這個錯區域。
那是如何我們是有能力的到迅速地尋找這故障和診斷這問題。
從這裡在，我是去到證明在JMP
在如何到創造這些種類的儀表板，
在這相同的時間，如何到創造多種的改變點。
作為你可以看在我們的以前的幻燈片，
這改變觀點功能是給予僅有的一價值。
讓我轉動在到JMP。
在這例子，我是使用波士頓住房數據哪個是從1978.
這是一好的例子作為A初學者學習者
為了相關性和回歸。
許多教程使用這例子。
所以我想法我可以使用這例子哪個是容易可用的。
大家的JMP樣本數據套和看如何這相關性是，
和如果那裡是任何多種的改變積分在這數據，
在這相同的時間，關聯到這實踐。
這樣本數據桌子看起來喜歡這。
在我們的案件，
我想到看這中位數市場價值或者中位數價格
的這自住家園在波士頓和看如何它是變化的和時間。
在這相同的時間，那裡是相應的因素
喜歡什麼是這犯罪速度在這鎮或者什麼是這污染速度在這鎮
或者這年齡的其他因素這樣的作為年齡的這家園
或者顯示tance在這些地區。
你能讀這數據關於這些柱子名字
在這柱子筆記那是呈現超過這裡。
我是去到跑步這腳本哪個給我們…
前跑步這腳本，我還想到告訴你
那我是附著這全部的腳本作為部分的我的推介會，
在哪裡你可以去通過這腳本或者跑步這腳本
和它將要給你A好的儀表板關於波士頓住房價值觀變化
和還A相關性。
你可以下載這腳本和看進入我的分數
和你可以使用這相同的方法和這邏輯
在如何我是有能力的到探測多種的改變積分
從這儀表板使用這JS下標。
什麼時候我跑步這腳本，
跑和我得到A好的儀表板喜歡這。
作為我提及，
我們的問題-解決框架會是喜歡看在這改變積分
在我們的中位數價值的這家園在波士頓。
你可以看它給了我們這中位數價值那那裡是A大的改變這裡
和它告訴你這改變觀點出現到是在排373、
和還那裡是一些第二個小的改變。
什麼時候你看在這模型-驅動的控制圖表數據，
你可以看那裡是高的短途旅行
在這中等的價值的這住房市場。
你可以容易地告訴什麼引起的這短途旅行
經過看著進入你的輸入範圍，那是犯罪速度。
你可以徘徊在任何的這些和尋找出去什麼是影響
這些巨大的短途旅行
在你的監控多變的，哪個是中位數價值的這房屋。
作為我提及，這真實的價值來了出去什麼時候我們拿這些
和整合進入我們的控制圖表。
看這一，這控制圖表將要給你
這些融合的改變積分從這裡。
出色地給你A好的視覺的。
你可以看到現在在波士頓住房市場例子，
我們有A基線住房中位數價值變化，
A基線價值在20百萬。
和然後什麼時候這住房繁榮發生了，或者什麼時候這改變觀點1個發生了，
你可以看那裡是A好的數量的變化在這住房市場。
在這相同的時間，那裡是A意思是轉移，也。
但很快，那裡是其他改變發生和這住房市場碰撞
結果在你的中位數價值是以下你的基線。
這是容易地告訴我們，給予我們A視覺的進入部分
在哪裡什麼是這基線數據，什麼時候這第一的改變發生了，
什麼是和如何很多是這改變？
這第二改變發生和如何很多是這改變現在。
你能比較和你的以前的二變化。
如果你作為A前景給購房者在波士頓
和你是看著進入這種類的數據，
你想到知道什麼可能有發生了那有受影響的這些種類的變化。
在你的數據放，你有一些好的因素
關於這犯罪區，
這犯罪速度在那相同的區域在這相同的時期的時間，
和這污染費率，等等。
如果你看在我們的前改變
你可以看這市場價值，如何它是關聯和你的因素。
在這案件，你能看有A好的數量的消極的相關性
和這犯罪
和這消極的相關性和這行業區域和還污染。
和那裡是A強的積極的相關性哪個是關於0.8和這階段。
現在，看在這第二改變觀點1個階段
在哪裡這住房繁榮發生[聽不清 00:22:46]均值偏移向上。
你可以看在這時間框架
你的犯罪速度是低的或者不相關性和這些變化。
你的污染是低的再次，
但你的房間仍然相同的強的積極的相關性在這些二階段。
如果你問我什麼會有發生了這時間，
我會說或許這犯罪有增加在這區域
或者這污染有增加在這區域，
這樣的種類的主導的因素那是可見的,
那是不是有利為了A預期家。
那是去在到這住房碰撞什麼時候它發生了。
一個對比之間這階段到這個階段，
變點查看如何這相關性只是變了。
你能立即地告訴， “好的，我的比較
和這中位數市場價值從這階段，
我的相關性和這客戶是漂亮的低的，
我的房間有非常積極的相關性，
和那裡是統計數據和其他因素。”
但如果你來到這改變第 2 點時間，
你可以看這犯罪速度有增加再次，
你的污染有增加再次，
哪個結果在這消極的線性的相關性的這改變。
什麼時候你看在你的房間，
哪個有到過積極地貢獻為了你的改變有跌倒向下完全地。
在這方式，這是告訴你A很多的信息數據關於這些變化
那發生在1978.
還，簡單的相關性數據和你的因素
那可能有受影響的這些變化。
患病的重複。
我們的框架是檢測，為了任何時間系列數據，
我們第一的探測數字的變化，
如果它是一改變或者二改變或者更多的變化，
和然後整合這些改變積分
進入我們的控制圖表到得到A更好的可視化關於這變化。
是它A意思是轉移或者變異轉移，或者什麼是發生了什麼？
和然後看進入你的因素那可能有貢獻了到這些變化
和看什麼因素A強的貢獻為了這改變
或者虛弱的貢獻或者不貢獻或者消極的貢獻。
現在那你知道這犯罪速度，你的市場價值
-這中位數市場價值是受影響的經過這犯罪速度，
污染，和這房間—
讓我們看在A簡單的可視化。
什麼時候你去這裡，你能看這是A簡單的圖形陰謀。
我是服用我的改變觀點和可視化它在A更好的方式。
我是比較我的中位數價值
和這氮氧化物，這污染價值在這相同的城市，
在這相同的時間時期和這房間和這犯罪速度。
你可以看什麼時候我的住房中位數市場價值觀增加
或者這住房蓬勃發展階段，
你可以看這污染是非常低的和這房間為了住宅有增加
和你的犯罪速度是在至少可能的狀態。
作為A預期購房者，
這些是全部有利因素為了我，
不污染區域，不犯罪區域或安全的區域，
和然後我是得到A大家與方便的數字的房間。
但讓我們看，在這階段，什麼時候這住房市場墜毀,
在這相同的時間，你的污染速度有增加。
這數字的房間為了住宅有減少。
和然後有一個天文數字高的犯罪速度
哪個是影響這相同的事物。
這是A清除視覺的，
但你登陸向上在這問題或者和這種類的結論
和這幫助的你的相關性矩陣。
相關性矩陣和然後A改變觀點。
你的相關性矩陣和然後這改變觀點
和然後A更好的解決喜歡這。
讓我去和展示你
如何這JSL腳本是池化多種的改變點。
你可以尋找這改變觀點數據
在你的控制圖表，多元的控制圖表。
和再次，這是A多變量控制圖表。
你可以使用作為許多作為變量
作為你的多元的控制圖表輸入參數。
但在我的案件，我是使用中位數市場價值，
和我得到A多元的相關性和A改變觀點。
清楚地，看，它給我373作為A數字。
如何我是服用或者提取這373數字
是使用這種類的JMP或者JSL能提煉任何的這文本盒子列
從任何的你的報告和然後放它進入你的數據桌子。
在這案件，我集這數據觀點。
你可以看這方程1個持有這短語稱呼或者這文本盒子稱呼。
這改變觀點出現到是373.
這一簡單的代碼將要抓住或者提煉那價值從這報告。
和然後我拿那進入我的列
在這改變觀點1個柱子，
和我提煉這數字價值出去的它。
我寫了這JSL作為簡單的作為可能的。
我是非常初學者和腳本和編碼。
你可以看我用過的簡單的公式和簡單的方法到得到這個。
你能看這改變觀點報告是僅有的給予你
一改變觀點價值。
但你可以看在你的過程，那裡是其他變化，也，
那你可能是感興趣的在和我們想到尋找他們出去。
什麼我做是一次你得到你的第一的價值，
你隱藏和排除一切後你的改變觀點。
後這373、你排除一切。
現在你是左邊和這階段。
你想到看什麼是我的改變在這階段，
和這循環繼續。
為了例子，在我的方程2個從我的報告2、
我是拉這文本盒子短語稱為這改變觀點。
對不起，這是難的到展示。
什麼時候你徘徊在這，
你能看那多變的有這短語[聽不清 00:29:49]。
多變的有這階段的這改變觀點出現在排157.
你拿這價值和然後放它在你的柱子稱呼，
CP文本，某物喜歡那，
在哪裡你可以提煉你的第二改變觀點。
一次你得到A數據喜歡那，
它是非常簡單的到構造A儀表板喜歡這，
在哪裡你創造你的控制圖表儀表板，
每個個人成分，模型-驅動的多元的控制圖表，
和創造這儀表板使用這新的儀表板應用。
一次你創造A好的儀表板喜歡這，
你只是去這裡和你只是拿一切進入這腳本。
我是交換向下到我的推介會。
我希望這波士頓住房數據例子是非常清除，
因為如何容易地你能探測變化在任何時間系列數據
和關聯那些和你的輸入參數。
在真實的生活或者製造業設想，
你會有一些輸入參數喜歡這。
在這案件，在我的儀表板，
我們看進入大約50輸入參數比較和我們的輸出參數。
我們還監視器這多元的控制收費。
你可以看我是監控多種的關鍵質量一起
反而的每個個人傳統的控制圖表。
我是出口這些價值觀進入我的現存的控制圖表
和然後立即地診斷我的故障。
這儀表板，作為你能看，它是漂亮的自己-解釋性的，
簡單的到讀，簡單的到部署在你的製造業地面。
技術人員甚至不是舒服的和統計分析，
和正在做這種類的建築控制圖表和一切，
他們會只是看在這過程說那，
“哦凱，我有二變化在我的過程，
和讓我看什麼是這輸入參數
那是關聯這些變化和看如果我能改變他們
或者操縱他們所以那我的過程後退到穩定的像這樣的狀態。
再次，這相關性係數是漂亮的簡單的到解釋到任何人
在這製造業車間。
為了例子， A強的積極的相關性會給你A藍色的數字更近到1、
或者A強的消極的相關性會是某物喜歡-0.7,
但這變化會是某物喜歡這
什麼時候你增加某物。
和微妙的少量的變化，
你會看A消極的相關性那裡，
和然後A虛弱的消極的相關性會是某物喜歡這，
A很多的變化反而的A直的像這樣的線。
和然後有不相關性。
這數字會是漂亮的很多關閉到0。
你會看，
甚至如果你增加一，這其他可能是減少。
它是非常簡單的到解釋。
它是非常視覺的在這製造業店鋪地面
到尋找出去這些種類的數字，
看著到看什麼輸入有變了和什麼輸入有A強的相關性。
那裡是一個添加獎金和這改變觀點一體化。
作為你能看，這些是全部數字數據，
哪個是得到A數字相關性喜歡這。
但這改變觀點是告訴你什麼時候這過錯有發生
和什麼時候你知道什麼時候這過錯有發生了，
你只是看進入你的數據這樣的作為模板改變或者你的加載港口身份證，
和你將要得到A相關性和你的非數字數據[聽不清 00:34:10] .
你會開始A討論在你的製造車間。
嘿，什麼時候這時間發生了，我做過這改變超過下午
或者這工具是環境閒置的，
或者我做過A防止天到維護在這精確的時間。
或許那防止天到維護時間，
一些問題有發生。
這是給予你A滿的圖片。
你是看著進入噸的50加輸入參數
和容易地得到A相關性和你的關鍵質量
和容易地檢測這故障。
在這相同的時間，你有非數字數據這樣的作為喜歡這，
和你尋找出去和你涉及喜歡，
什麼曾是我正在做什麼時候這改變或者過錯有發生在我的過程？
這最終的帶走
是經過整合改變觀點功能到我們的現存的控制圖表。
是迅速地發現故障和診斷他們快點，
保存百萬的美元在我們的快速地-節奏製造業。
和JSL腳本，
是有能力的到尋找出去那裡是多種的改變積分在我們的過程
和整合他們到我們的控制圖表儀表板。
這改變觀點和多元的方法能是用過的在任何時間系列，
作為我曾是提到。
為了例子，什麼時候我是準備為了這推介會，
我給了A小的放的我們的每月儲蓄數據放到我的妻子
WHO是不是熟悉的和統計數據和控制圖表。
之上追踪這儀表板，
我的妻子容易地成立那裡是改變積分在我們的儲蓄。
但在這相同的時間，她做過不是喜歡這事實
那什麼時候這儀表板尖出去那我們的亞馬遜開支
是出色地關聯為了我們的低的保存個月。
作為你能看，喜歡這時間，這改變觀點，
你可以使用它在任何時間系列數據。
你可以尋找出去你的變化在你的時間系列
和什麼時候這改變有發生
或者什麼時候這重要的改變有發生了，
和然後你能關聯到你的輸入參數。
在我們的案件，我們是只是關聯你的亞馬遜開支或者拿-出去晚餐
和一些其他因素[聽不清 00:36:18] .
那是漂亮的很多，和我希望你成立這推介會非常有用，
和你還學到了如何你能容易地尋找多種的改變積分
通過JSL腳本和創造簡單的儀錶盤
到在哪裡示威者
到尋找出去故障和容易地診斷他們。
感謝你。
