当解决现实世界的问题时——例如提高产量或减少制造过程中的废品；了解哪些因素影响产品质量；或者对设备故障进行根本原因分析——利用数据可以提供强大的优势。 然而，答案很少是免费提供的。 在找到解决方案之前，必须访问和导入数据、清理和组织、可视化和探索数据，甚至可能通过各种机器学习算法。 然后必须将结果与有关情况的实践知识一起进行解释和考虑。 作为最后一步，必须以那些将做出决定或执行后续必要行动的人能够理解的方式传达所学到的知识。
捕获未开发的数据并将其转换为有价值的见解的累积过程称为分析工作流程。 在沿着工作流程的步骤移动时，甚至可能在负责各个方面的个人或部门之间传递时，会利用多种功能。
联合管理计划包含将原始、混乱的数据转化为组织的知识和价值所需的一切。 您可以在以下位置找到 JMP 分析工作流程（图 1）的描述，通过该流程可以从原始数据中提取见解。 JMP 网站。 单击与软件中包含的各种分析功能相对应的橙色框，您将进入 JMP 分钟演示，其中简要说明了如何使用该功能。
Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.图 1：JMP 分析工作流程，显示了将原始数据转换为任何组织可共享的见解所需的所有工具。
例如，在数据访问步骤中，来自外部源的数据可能是：
- 使用 JMP Excel 导入向导进行访问。
- 使用重新编码和表格菜单中的各种工具进行清理。
- 绘制以检查是否存在不规则或奇怪的数据点。
- 建模以探索各种选项的收益/风险，以确定最佳解决方案/权衡。
然后可以使用 JMP Live 传达结果，允许用户查看报告并按需访问原始数据以进行进一步分析。 也许这些步骤是使用操作记录器记录的，并在新数据可用时自动进行，定期更新（每天/每周等）以使用控制图监控 KPI，或者在流程突然发生偏差时发送电子邮件警报。 在这些分析过程中，可能会发现数据不包含正确的信息，因此有必要收集更多信息，从而提供从实验设计中受益的机会。
关键是，这些分析技术本身并不是完整的解决方案，并且很少相互独立使用，因此强调了将它们置于单一平台中的便利性和必要性。
另一方面是分析工作流程很少被组织内的任何人完整使用。 许多公司都利用了软件中的多种分析功能，但这些功能是根据单个用户的角色来划分的（参见图 2）。
Figure 2: Examples of specific capabilities of the JMP Analytic Workflow that may be used by various individual user’s roles within an organization.Figure 2: Examples of specific capabilities of the JMP Analytic Workflow that may be used by various individual user’s roles within an organization.Figure 2: Examples of specific capabilities of the JMP Analytic Workflow that may be used by various individual user’s roles within an organization.Figure 2: Examples of specific capabilities of the JMP Analytic Workflow that may be used by various individual user’s roles within an organization.图 2：JMP 分析工作流程的特定功能示例，可供组织内的各种个人用户角色使用。
从哪里开始：定义问题和解决方案标准
在我们开始确定解决问题所需的步骤之前，我们首先必须定义问题以及判断问题是否已解决的标准。 我鼓励您不要过于字面地理解这里的例子。 用于探索并最终克服本案例研究中提出的问题的分析技术同样可以应用于各个行业的许多不同情况。 因此，请考虑您自己工作中的示例，在这些示例中您可以使用这些功能来为您和您的组织带来利益。
如何使用本案例研究：
下面列出了用于调查和解决本案例研究中提出的问题的工作流程中的所有步骤。 我还提供了不同职位的人员更常用的步骤示例。 单击下面的链接，根据您当前的角色遵循您自己的工作流程，或者通读所有链接以了解如何在整个组织中使用 JMP。 我已包含起始 Excel 文件，以便您可以复制这些步骤，但请随意使用您自己的数据进行操作。
研发科学家：2-9、14
制造工程师：2-9、13-14
数据科学家：1-6、10-14
IT 管理员：1-2、14
问题定义
此示例涉及生产药片的制造过程。 与许多过程一样，这个过程涉及一系列步骤。 在每个步骤中，都有可以调整的各种设置。 这些可以在每个步骤下面的流程图（图 3）中看到。 此外，必须为每个批次选择几个标称变量，这些变量列在步骤上方（来自不同供应商的材料，以及压缩步骤的压缩机选择）。
Figure 3: Tablet manufacturing process flow map used as an example case study.Figure 3: Tablet manufacturing process flow map used as an example case study.Figure 3: Tablet manufacturing process flow map used as an example case study.Figure 3: Tablet manufacturing process flow map used as an example case study.图 3：用作案例研究的片剂制造工艺流程图。
过程结束时测量的反应是溶解度，衡量药片在体内溶解速度的指标。 较高的溶出度值是理想的，较低的规格为 70%；低于该值的批次将被报废。 当前的任务是确定如何生产片剂并以可靠地低于 5% 的废品率运行制造过程。
（提醒：这演示了如何利用通过 JMP 分析工作流程提供的分析功能来解决问题。 这里介绍的技术不仅限于制造或制药。）
1）清除日志，准备记录分析以进行自动化
- 转至 JMP 中的“查看”菜单并选择“日志”。
- 单击日志窗口左上角附近的红色热点，然后选择清除日志（图 4）。
Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.图 4：日志窗口的左上角，显示红色热点后面的菜单，并指示清除日志。
2）数据访问
由于我们的数据包含在 Excel 文件中，因此我们将使用 Excel 导入向导导入数据。
- 只需将 Excel 文件从桌面或保存位置拖动到任何打开的 JMP 窗口（例如，主窗口）中即可。 结果如下图 5 所示。
Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.图 5：将 Excel 文件拖入打开的 JMP 窗口后的 Excel 导入向导，显示默认设置。
从图 5 的数据预览部分可以看出，该表看起来不太正确。 让我们通过调整单个工作表设置将其转换为可供分析的格式，如图 6 所示。
- 将列标题从行开始设置为 2。
- 将带有列标题的行数设置为 2。
- 选择导入。
Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.图 6：调整值以正确对齐数据后，Excel 导入向导中的各个工作表设置。
您现在应该有一个名为 TabletDissolution 的表。
3) 数据探索和可视化，第 1 部分
立即，我们的桌子似乎出现了一些问题。 看起来好像第二列“API-颗粒大小”中的某些值被输入为“小”或“s”，大概是指“小”。 向下滚动表格显示“中”和“大”条目也存在类似问题。 其他专栏有类似的问题吗？ 我们可以通过打开列标题图来了解这一点。
- 单击表格左上角的直方图符号以打开列标题图（图 7）。
Figure 7: Top-left of the table with the Column Header graph button circled in blue.Figure 7: Top-left of the table with the Column Header graph button circled in blue.Figure 7: Top-left of the table with the Column Header graph button circled in blue.Figure 7: Top-left of the table with the Column Header graph button circled in blue.图 7：表的左上角，其中“列标题”图形按钮以蓝色圈出。
4) 数据混合和清理，第 1 部分
通过查看列标题图，MgSt 供应商似乎存在一些数据输入问题以及 API 颗粒大小问题。 让我们使用 Recode 来纠正这些错误。
- 通过单击列顶部的列名称来选择 API-粒度列。
- 选择列后，转到“列”菜单并选择“重新编码”。
- 在“重新编码”窗口的左上角，将下拉菜单从“新列”更改为“就地”。
- 按住 Shift 键的同时单击“重新编码”窗口前两行中的 l 和 Large。 释放 Shift 并按“组”按钮（图 8）。
Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.图 8：重新编码窗口，其中突出显示了 Large 和 l 值，并且突出显示了 Group 按钮。
- 突出显示“中”、“m”、“小”和“s”值并将其分组（参见图 9）。
- 按重新编码。
- 可选：对 MgSt-Supplier 列重复重新编码过程。
Figure 9: Recode window with the three groups for API-Particle Size defined.Figure 9: Recode window with the three groups for API-Particle Size defined.Figure 9: Recode window with the three groups for API-Particle Size defined.Figure 9: Recode window with the three groups for API-Particle Size defined.图 9：重新编码窗口，其中定义了 API 颗粒大小的三个组。
你们中的一些人可能已经注意到的另一个问题是，许多应包含连续数据的列显示为分类数据。 这可以在表左侧中间的“列”查看器中看到（图 10）。 除了压缩机和涂料供应商之外，混合时间-小时之后（包括混合时间-小时）的所有列都应该是连续的。 我们可以通过首先更改数字格式然后使用标准化属性功能来轻松纠正此问题。
注意：这些列之所以是分类的，是因为用句点表示小数位。 我居住在欧洲，因此 Windows 在我的计算机上配置为使用逗号。 如果您的系统设置为使用句点，则数据将已正确导入，您可以跳过这些步骤。另请注意，对于数字、日期和货币格式，可以使用 JMP 语言，而不是系统区域设置；这可以在“Windows Specific”首选项中进行设置。
Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.图 10：“列”面板，显示大多数列都是分类的，但“研磨时间 - 小时”和“屏幕尺寸”除外。
- 从编辑菜单中，选择搜索 --> 查找。
- 在查找内容：中输入句点符号，在替换为：中输入逗号符号。
- 取消选中匹配整个单元格值复选框。
- 按全部替换。
- 关闭搜索对话框窗口。
单元格中的所有句点都将替换为逗号。 现在，我们可以转换受影响列的数据类型和建模类型。
- 单击“混合时间-小时”以选择“列面板”。
- 按住 Shift 键的同时，单击“列面板”中的“溶出度”以选择所有列。
- 释放 Shift 键，按住 Control 键，然后单击“压缩机”和“涂层供应商”以取消选择这些列。
- 从列菜单中，选择标准化属性...
- 在“标准化列属性”窗口中，从要标准化的属性的下拉菜单中选择“数据类型”和“建模类型”。
- 将数据类型更改为数字，将建模类型更改为连续。
- 按确定。
机器传感器列现在都是数字且连续的。 我们将更改另一列的建模类型：屏幕尺寸。 JMP 识别了数字并将建模类型默认设置为“连续”，但我们知道 3、4 和 5 代表不同的形状。 如果我们想比较大小之间的溶出度以确认存在差异，则序数会更合适。
- 单击列面板中屏幕大小前面的蓝色三角形。
- 将建模类型更改为序数。
5) 数据探索和可视化，第 2 部分
我们可以使用列查看器以与每列相关的摘要统计数据的形式快速获取数据快照。 对于名义数据或序数数据，我们会显示每列中不同类别的数量。 对于连续数据，我们看到范围、平均值和标准差。 如果这些在我们的预期之内，我们应该可以做一些分析。 另一方面，如果它们离得很远，我们可能需要做更多的清洁工作。
- 从“列”菜单中，选择“列查看器”。
- 在“列视图选择器”窗口中，选择所有列并按“显示摘要”。
立刻，看起来一切都很好。 我们分别拥有名义数据、序数数据和连续数据的正确类别数和近似范围。 然而，看到这一点，我们想到我们可能需要包含一个“接受/拒绝”列来指示接受或拒绝的批次（溶出度值高于或低于 70 的批次）。
6) 数据混合和清理，第 2 部分
我们可以通过多种方式创建接受和拒绝批次的新列。 如果您知道一种适合您的好方法，请随意使用它。 或者您可以跟随我一起使用 JMP 16 中引入的新功能，创建分箱公式...
- 选择溶出度列。
- 从“列”菜单中，选择“实用程序”-->“制作分箱公式...”
- 选择所有默认剪切点并按 - 号将其删除（参见图 11）。
Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.图 11：分箱对话框窗口，其中选择了所有默认切割点，并用蓝色圆圈表示删除按钮 (-)。
- 将分割点的值更改为 70，如果需要，可以通过双击值标签并键入“Reject”和“Accept”将值标签重命名为 Reject 和 Accept，如图 12 所示。
请注意，还可以使用“切点”旁边的红色小三角菜单并选择“Bin 标签样式 -> 自定义”来更改标签类型。
Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.图 12：分箱对话框窗口，切点值更改为 70，值标签更改为拒绝和接受。
- 按创建公式列。
- 要重命名新列，请双击列顶部的名称，将名称更改为接受/拒绝，然后按确定。
现在我们已经清理并格式化了数据，并添加了一个列来指示批次是被接受还是被拒绝，我们现在可以开始了解了数据背后的故事。 具体来说，我们有兴趣了解接受/拒绝批次的比例以及影响该比例的因素（以及不产生任何影响的其他因素）。 最终，我们想知道如何调整流程以最大程度地减少拒绝批次的发生。
7) 基础数据分析和建模，第 1 部分
为了开始获得这些问题的答案，我们需要知道去哪里寻找。 创建视觉效果以了解答案在哪里，甚至我们应该问什么问题的过程称为探索性数据分析 (EDA)。
- 从分析菜单中选择分布。 在弹出的对话框窗口中，将“接受/拒绝”列拖到“Y，列”框中，然后单击“确定”（图 13）。
Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.图 13：分发对话框窗口，Y 列框中包含接受/拒绝列。
生成的“分布”报告（如图 14 所示）包括一个“频率”表，表明总共 90 个批次中有 14 个被拒绝，对应的比例约为 15.6%。
Figure 14: Distribution report for column Accept/Reject.Figure 14: Distribution report for column Accept/Reject.Figure 14: Distribution report for column Accept/Reject.Figure 14: Distribution report for column Accept/Reject.图 14：接受/拒绝列的分布报告。
我们可以跟踪表中因素的直方图，这些因素可能对接受/拒绝比有任何影响，也可能没有任何影响。 我们还将包括响应栏“溶解”。
- 从分析菜单中选择分布。 这次，将所有列从 API-颗粒大小拖到“溶解拒绝”列中到“Y”列框中。
- 单击“确定”之前，请选中对话框窗口左下角的“仅直方图”框以隐藏摘要统计信息。 稍后可以使用红色小三角菜单打开这些功能。
- 单击“确定”。
注意：如果您在选中“仅直方图”之前按“确定”，则没有问题。 只需关闭分布报告并返回分析 --> 分布即可。 按此处的“Recall”将按照您上次使用“Distribution”时的方式设置对话框。 如果您需要重做分析，这是一个很好的技巧，可以节省您几次点击的时间。
生成的报告显示所有因素以及响应的直方图。 您可以向右滚动以查看每个因素的所有值的分布情况。 例如，最左边的图显示中型 API 粒子略多于小型或大型粒子。 该图右侧是 Mill Time 的直方图，直到大约 30 小时为止，值的分布大致均匀。 通过简单地查看这些数字并考虑这些分布是否符合我们对批次运行方式的理解，我们可以学到很多东西。
与 JMP 中创建的所有视觉对象一样，它们动态链接到数据表。 我们将使用此属性进一步深入研究图像，以揭示有关我们流程的更多信息。
- 单击接受/拒绝分布报告中“拒绝”旁边的绿色直方图矩形，如图 14 所示。
- 请注意，数据表中拒绝批次的所有行现在都已被选中。
- 因子的相应值也以嵌入直方图（深绿色）的形式在分布报告中可见，如图 15 所示。
Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.图 15：“分布”报告最左侧的三个直方图，表示拒绝批次的嵌入直方图。
嵌入的直方图表示包含所选行的数据子集。 将它们与整体数据的直方图（图中浅绿色）进行对比，可以在存在巨大差异时发出显着性信号。 反之亦然：具有相同形状的嵌入直方图和整体直方图表明该因素对响应没有影响 - 在这种情况下，无论批次是被接受还是拒绝。 请注意，对于 Mill Time，整体分布是均匀的，而对于被拒绝的批次，它是右偏的。 从屏幕尺寸来看，尺寸 5 似乎在拒绝中所占比例过高，而尺寸 3 和 4 似乎所占比例不足。 这很奇怪，值得仔细检查这些因素与溶解的确切关系。
Distributions 是一个功能强大的工具，只需单击几下即可提供我们需要在哪里寻找答案的线索。 请随意进一步探索，看看是否还有其他内容需要更仔细的检查。
8）数据探索和可视化，第 3 部分
现在我们已经发现了可能影响流程的两个因素，我们可以使用图形生成器进一步深入研究它们。
- 从图形菜单中，选择图形生成器。
- 在“图形生成器”窗口中，拖动“研磨时间-小时”列并将其放入标有 X（中下）的矩形区域中。
- 向下滚动列至“溶出度”。 将其拖放到 Y 区域。
结果是溶出度与研磨时间（小时）的散点图，其中一条蓝色样条曲线蜿蜒穿过数据。 该样条线旨在帮助引导查看者了解数据的形状。 我们不使用它，而是将平滑器更改为拟合线。
- 右键单击图表的中间。
- 选择平滑器 --> 更改为 --> 拟合线。 （注意：我们也可以使用图表标题上方的框来完成此操作。）
- 按完成。
现在我们已经生成了如下图 16 所示的图表。 从该图可以看出，在我们的历史批次中，研磨时间和溶出度之间确实存在正相关关系。 这在统计上是否显着（这是询问这是真实的可能性而不仅仅是侥幸的另一种方式）？
Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.图 16：溶出度与研磨时间（小时）的关系，拟合线描绘了变量之间的正相关性。
我们将在下一节中尝试回答这个问题。 同时，您可能还记得，在探索直方图时，屏幕尺寸也是一个令人感兴趣的因素。 让我们将屏幕尺寸添加到该图表中，看看我们是否可以更多地了解它如何影响溶解。”
- 从图形生成器旁边的红色小三角中，选择显示控制面板。
- 将“屏幕大小”拖（但不要放下！）到“图形生成器”窗口的“X 组”、“Y 组”、“环绕”、“叠加”和“颜色”区域。 这样做可以预览将列放置在该放置区域中时图表的外观。
- 使用“屏幕尺寸”探索各种拖放区域后，将该列拖放到“Group X”拖放区域中。
- 按完成。
图形生成器的本质允许拖动列，生成各种其他图形，直到人们偶然发现一些关于我们的数据的有用信息。 通过将“屏幕尺寸”放入 X 组，我们并排创建了三个散点图，每个散点图都有自己的拟合线（图 17）。 从图中我们可以清楚地看到，溶出度和研磨时间-小时之间的正相关性受到所用尺寸的影响；使用尺寸 3 或 5 时有很强的效果，但使用尺寸 4 时没有效果。 这里的建议是，这两个因素和我们的反应之间存在相互作用。 当我们进入分析的建模阶段时，我们将进一步研究这一点，但现在，让我们单独仔细研究这些变量。
Figure 17: Dissolution vs Mill time-hr for all three values of Screen Size, with Lines of Fit depicting positive correlations for Sizes 3 and 5, but no correlation for Size 4.Figure 17: Dissolution vs Mill time-hr for all three values of Screen Size, with Lines of Fit depicting positive correlations for Sizes 3 and 5, but no correlation for Size 4.Figure 17: Dissolution vs Mill time-hr for all three values of Screen Size, with Lines of Fit depicting positive correlations for Sizes 3 and 5, but no correlation for Size 4.Figure 17: Dissolution vs Mill time-hr for all three values of Screen Size, with Lines of Fit depicting positive correlations for Sizes 3 and 5, but no correlation for Size 4.图 17：屏幕尺寸的所有三个值的溶出度与研磨时间（小时）的关系，拟合线描绘了尺寸 3 和 5 的正相关性，但与尺寸 4 没有相关性。
9) 基础数据分析和建模，第 2 部分
研磨时间对溶出度的影响是否具有统计显着性？ 我们对增加研磨时间确实会导致溶出度增加有多大信心？ 对于使用屏幕尺寸 5 运行的批次测得的较低溶出度又如何呢？ 这只是一场意外吗？ 如果我们继续使用尺寸 5，我们是否可能会继续看到质量比使用尺寸 3 或 4 低的批次？ 这些是我们将在这部分分析中使用 Fit Y by X 平台回答的问题。
- 从“分析”菜单中选择“用 X 拟合 Y”（从顶部数第二个，在“分布”之后）。
- 在对话框窗口中，将“溶出度”拖放到“Y，响应”列框中。
- 接下来，将“研磨时间-小时”和“屏幕尺寸”拖放到“X，因子”列框中。
- 按确定。
您可能注意到的第一件事是，两个结果图除了看起来非常不同之外，还被称为不同的东西：左边的图称为…的二变量拟合，而右边的图称为…的单因素分析。 这是因为它们是使用不同类型的数据制作的，某些分析可能适用也可能不适用。 对于研磨时间-小时的情况，连续数据绘制在 x 轴上，溶出度连续数据绘制在 y 轴上，绘制一条适合数据并描述溶出度如何变化的回归线可能是有意义的。研磨时间所有值的函数。 然后，我们可以通过检查拟合线的斜率是否与 0 显着不同（零是在响应平均值处绘制的平坦线的斜率）来计算这是真实的还是数据中的畸变的可能性。 另一方面，如果屏幕尺寸 3 和 4 之间没有尺寸，则屏幕尺寸 3 和 4 之间的连续拟合线是无意义的。 在本案例研究中，屏幕尺寸是一个谨慎的变量。 一个合理的问题是，当将使用一种尺寸得出的值与使用另一种尺寸得出的值进行比较时，我们的反应是否存在真正的差异？ 我们感兴趣的是研究这些比较的分析，而不是计算尺寸之间的斜率。
让我们从左侧的双变量拟合开始：
- 从“二元拟合”图窗的红色三角形中，选择“拟合线”。
生成的图和报告如下图 18 所示。 有很多关于这条线以及它与数据的拟合程度的信息。 没有必要了解这份报告的各个方面来回答我们的问题，就像没有必要阅读天气预报的所有细节来知道是否要带雨伞一样。 如果有人感兴趣，可以在 JMP 在线文档中找到所有这些内容的描述。 现在，让我们提取一下回答有关流程的问题所需的内容。
Figure 18: Bivariate Fit of Dissolution vs Mill time-hr, with a linear fit and accompanying details indicating that the effect is likely real.Figure 18: Bivariate Fit of Dissolution vs Mill time-hr, with a linear fit and accompanying details indicating that the effect is likely real.Figure 18: Bivariate Fit of Dissolution vs Mill time-hr, with a linear fit and accompanying details indicating that the effect is likely real.Figure 18: Bivariate Fit of Dissolution vs Mill time-hr, with a linear fit and accompanying details indicating that the effect is likely real.图 18：溶出度与研磨时间-小时的双变量拟合，线性拟合和随附的详细信息表明该效果可能是真实的。
我们可以看到散点图中的线向上倾斜，表明使用较长的研磨时间可获得较高的溶出值，而使用较短的时间可获得较低的溶出值。 这条线的方程可以在线性拟合下找到，斜率的值约为 0.165 %/hr。 这很重要吗？ 报告的“参数估计”部分中重复了对斜率的估计及其相关的 p 值 (0.0004)，这意味着万分之四的可能性是偶然获得如此陡峭的斜率。 当然，磨坊时间可能对溶解没有真正的影响，但更安全的赌注是这种影响是真实的。
现在让我们转向右侧单因素分析图旁边的红色小三角菜单。 您会立即注意到没有适合线条的选项。 正如所讨论的，通过离散数据拟合连续线是没有意义的。 然而，我们确实有很多选择来比较这些批次。 让我们使用一种非常常见的方法，即 t 检验。
- 从“单因素分析”红色小三角菜单中，选择比较平均值 -> 每对，学生 t。
就这样，t 检验完成。 当然，现在我们来解读这份报告（图19）。 再次强调，这里有很多细节，但我们只需要很少的细节就可以确定这些屏幕尺寸是否相等。
Figure 19: Oneway Analysis of Dissolution vs Screen Size, with a means comparison done using Student’s t-test. The results suggest a significant negative effect of using Screen Size 5.Figure 19: Oneway Analysis of Dissolution vs Screen Size, with a means comparison done using Student’s t-test. The results suggest a significant negative effect of using Screen Size 5.Figure 19: Oneway Analysis of Dissolution vs Screen Size, with a means comparison done using Student’s t-test. The results suggest a significant negative effect of using Screen Size 5.Figure 19: Oneway Analysis of Dissolution vs Screen Size, with a means comparison done using Student’s t-test. The results suggest a significant negative effect of using Screen Size 5.图 19：溶出度与屏幕尺寸的单因素分析，并使用 Student t 检验进行均值比较。 结果表明使用屏幕尺寸 5 会产生显着的负面影响。
从连接字母报告来看，不同字母连接的水平有显着差异。 与屏幕尺寸 3 和 4 相对应的级别旁边都有字母 A，而字母 B 显示在尺寸 5 旁边。 因此，这意味着尺寸 3 和尺寸 4 彼此等效，但与尺寸 5 不同。 这种情况并非偶然发生的相关概率在有序差异报告的 p 值中表示。 可以非常安全地得出结论，尺寸 3 和 5 以及尺寸 4 和 5 之间的差异是真实的（p 值分别 <0.0001 和 0.0017）。 相反，尺寸 3-4 之间的比较不太可能是真实的（偶然发生的概率为 5.79%，这听起来可能很小，但高于通常接受的举证责任 5%）。
如果我们不确定，我们可以继续尝试收集更多数据来确定。 或者，如果我们立即停止使用屏幕尺寸 5 并将研磨时间延长至 30 小时，我们应该开始看到溶出度值有所改善。 我们还将继续沿着高级统计建模的分析工作流程，首先确定我们在 EDA 期间可能遗漏的可能重要因素。 我们还希望使用所有这些因素建立一个统计模型，以揭示它们之间的任何潜在相互作用，并且理想情况下，在我们的流程中找到一个最佳点，使我们能够可靠、一致地生产尽可能最高质量的批次，同时减少废品的发生。最低限度。
10) 高级统计建模
让我们从第一个问题开始：除了研磨时间和屏幕尺寸之外，还有哪些我们可能忽略的因素需要仔细考虑？
- 从分析菜单中，选择预测建模 --> 分区。
- 从分区对话框窗口的列列表中选择溶出度，然后按 Y、响应。
- 选择从 API-粒度到原子的所有列。 压力-Pa 并按 X，系数。
- 选择确定。
- 在弹出的新“溶解分区”报告窗口中，选择“拆分”。
再次，本报告中包含大量信息，但我们不需要所有信息来认识到屏幕尺寸是最重要的变量。 这并不奇怪，因为我们在 EDA 期间已经注意到了这一点。 请注意，报告现在包含两个框，分别为“屏幕尺寸(3, 4)”和“屏幕尺寸(5)”。 分区算法在这个重要因素中确定了一个切点，该切点对数据进行划分或分区，以尽可能多地捕获流程中的变化。 显然，它得出的结论与我们使用“Fit Y by X”探索这个因素时得出的结论相同。
我们继续吧：
工厂时间已成为我们流程中第二重要的因素。 再说一次，这并不是一个巨大的惊喜。 但我们发现了另一个切入点（11 小时）。 另外，您可能已经注意到，“研磨时间-小时”框植根于“屏幕尺寸(5)”框。 这意味着切割点仅在使用尺寸 5 时适用，因此如果我们一直坚持使用它，就会给我们一个规格限制。 尺寸 5 并不理想，但如果我们必须使用它，我们至少应该确保研磨 11 小时或更长时间。 这将使我们能够最好地生产出合格的批次。
哈！ Blend Time-hr 并不是我们之前注意到的。
- 一次又一次选择“分割”，直到叶子不再添加到我们的决策树中。 （您应该能够再进行 11 次劈叉。）
现在，树中已添加了许多因素。 事实上，有一些因素已经被多次添加。 这棵树中的每个叶子都是一个配方，上面的叶子（父叶子，靠近树干）中的因子设置在上方或下方（如果适用），所有其他因子设置为其平均值（或在分类的情况下随机分配）变量）。 叶子内给出了用该配方产生的溶解的预测平均值。 我们可以做的一件事是浏览所有叶子以找到最佳配方，即具有最高预测平均值的配方。 花一点时间看看你是否能找到它...... 提示：它位于树的中心底部附近：屏幕尺寸（3 或 4）、混合时间（≥15.9 小时）、乳糖供应商 (Bond Inc.) 和涂层粘度 (≥99.3 cp)，所有其他因素设置为他们的平均值。 正如您所看到的，预计生产的批次平均溶出度约为 79。
我们可以尝试运行该配方并监控生成的批次，以查看我们的模型是否准确以及生成的批次的溶出度值是否接近我们的预测值 79。 如果生产这种质量的批次可以解决我们的问题，那么在这里停下来检查这是否有效是完全可以的。 在这种情况下，我们可以继续解决接下来需要解决的任何问题。 然而，在这种情况下，这还不够好。 我们需要找到一种方法来获得更高的结果，这意味着从这些数据中提取更多信息来尝试找出我们的解决方案。
- 从“溶出度分区”的红色小三角菜单中，选择“列贡献”。
此操作将“列贡献”报告添加到我们的“分区”窗口中，如图 20 所示。 该报告从顶部开始，按降序告诉我们每个因素的重要性。 屏幕尺寸似乎是最重要的因素，其次是研磨时间、混合时间、混合速度等。 继续往下读，我们最终会发现任何叶子中都没有出现的因素（从 API 粒径开始及以下），因此似乎对溶解没有任何影响。
Figure 20: Column Contributions from the Partition for Dissolution report, showing the significance of the factors in descending order. Spray Rate is seen to be the last significant factor; everything below it is considered not to have any effect on Dissolution.Figure 20: Column Contributions from the Partition for Dissolution report, showing the significance of the factors in descending order. Spray Rate is seen to be the last significant factor; everything below it is considered not to have any effect on Dissolution.Figure 20: Column Contributions from the Partition for Dissolution report, showing the significance of the factors in descending order. Spray Rate is seen to be the last significant factor; everything below it is considered not to have any effect on Dissolution.Figure 20: Column Contributions from the Partition for Dissolution report, showing the significance of the factors in descending order. Spray Rate is seen to be the last significant factor; everything below it is considered not to have any effect on Dissolution.图 20：溶出度分区报告中的列贡献，按降序显示因素的重要性。 喷雾速率被认为是最后一个重要因素；下面的所有内容都被认为对溶解没有任何影响。
因此，我们可以将精力集中在八个重要因素上增加溶解度，而我们可以在很大程度上忽略其余九个不重要的因素。
- 从色谱柱贡献报告中，选择八个重要因素（屏幕尺寸到喷雾速率）。 请注意，现在在表中选择了这些列。
- 从“分析”菜单中，选择“拟合模型”。 现在将出现“拟合模型”对话框窗口，其中已选择列（图 21）。
Figure 21: Fit Model dialog window, with columns of significant factors selected.Figure 21: Fit Model dialog window, with columns of significant factors selected.Figure 21: Fit Model dialog window, with columns of significant factors selected.Figure 21: Fit Model dialog window, with columns of significant factors selected.图 21：“拟合模型”对话框窗口，其中选择了重要因素的列。
- 按“拟合模型”对话框窗口中的“宏”按钮并选择“响应曲面”。
- 最后，选择“溶出度”列并按 Y（对话框窗口中上部的按钮）。
- 按运行。
注意：响应面模型包括所有主效应（在本例中为八个重要因素）、所有双向交互作用以及所有平方项。 事实已经多次证明，这种类型的模型是解决优化问题的一个很好的起点，试图在我们的流程设置中找到最佳点。 除非进行一些模型改进（我们将在下面讨论），否则它通常也是一个足够好的终点，这意味着它捕获了有关我们的流程的足够信息来解决我们试图解决的任何问题。
弹出响应溶出度报告窗口。 再次强调，信息量很大，所有信息都在 JMP 在线文档中进行了详细解释，但其中大部分都不是解决我们的问题所需的知识。
我们可以从上到下检查这份报告，跳过不特别感兴趣的内容。 我们遇到的第一件事是实际与预测图，如图 22 所示。 这里重要的是所有点大部分都落在深红色直线上。 他们永远不会完全沿着这条线倒下；我们的流程中总会存在一些模型未捕获的变化。 那么问题就变成了有多少变化是被模型捕获？ 该图下方的 RSq 值提供了该信息：0.88（或 88%）。
Figure 22: Actual by Predicted Plot for a full response surface model with eight main effects, capturing 88% of the variation in Dissolution (RSq = 0.88).Figure 22: Actual by Predicted Plot for a full response surface model with eight main effects, capturing 88% of the variation in Dissolution (RSq = 0.88).Figure 22: Actual by Predicted Plot for a full response surface model with eight main effects, capturing 88% of the variation in Dissolution (RSq = 0.88).Figure 22: Actual by Predicted Plot for a full response surface model with eight main effects, capturing 88% of the variation in Dissolution (RSq = 0.88).图 22：具有八个主要效应的完整响应面模型的实际与预测图，捕获了 88% 的溶出度变化 (RSq = 0.88)。
实际与预测图下方是效果摘要（图 23），其中按重要性降序列出了我们模型中包含的所有效果。 当然，这都是基于表中包含的历史数据。 最右边的一列标记为 PValue，它提供了如果我们要收集更多数据（假设该效应没有任何影响），我们将看到对相应效应的溶出产生更大影响的可能性。 看起来好像有 0% 的机会（四舍五入到小数点后五位），额外的运行会显示屏幕尺寸似乎有更大的影响，如果没有的话。 实际上，我们所看到的影响大小并不是随机的，这在数学上是确定的。 因此，我们可以得出结论，屏幕尺寸确实会影响溶解度值。
Figure 23: Effects Summary for a full response surface model with eight main effects.Figure 23: Effects Summary for a full response surface model with eight main effects.Figure 23: Effects Summary for a full response surface model with eight main effects.Figure 23: Effects Summary for a full response surface model with eight main effects.图 23：具有八个主要效应的完整响应面模型的效应摘要。
另一个极端是乳糖供应商和混合速度之间的相互作用，这是列表最底部的因素。 p 值约为 0.959，远高于可接受的截止值 0.05，我们可以放心地得出结论，这种效应对溶出度没有任何影响。 让我们继续将其从模型中删除。
- 单击“效果摘要”表中的“乳糖供应商*混合速度-rpm”，然后按其下方的“删除”底部。
您是否注意到报告中的所有 p 值以及其他所有内容都略有变化？ 与 JMP 中的许多报告一样，更改会导致所有值立即重新计算，这使我们能够通过消除所有不显着的影响来完善模型，而无需重新启动分析。
- 逐一删除最不显着的效应（效应摘要报告底部的最后一个效应），直到所有剩余效应的 p 值都大于 0.05，如图 24 所示。
Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.图 24：仅包含 p 值大于 0.05 的效应的精炼 RSM 模型的效应摘要。
注意：不要删除 p 值右侧有 ^ 符号的效应。 该符号旨在让您意识到该效果包含在其他更重要的效果中。 通常，我们将它们保留在模型中，只有在所有包含效果均已首先被删除后才将其删除。
低于预测图实际值的 RSq 值下降至 0.83，这意味着这个新的改进模型捕获的响应变化较小。 没关系。 原始 RSq 为 0.88，这个值高得具有误导性，因为其中包含了适合随机噪声而非我们实际过程的非显着项。 从模型中删除高 p 值因子自然会导致较低的 RSq，但更有可能为未来批次提供更准确的预测。
那么，能够解释我们流程中 83% 的变异是好事还是完全不够呢？ 让我们提醒自己整个练习的目标：我们正在尝试解决如何可靠地生产溶出度高于 70 的批次的问题，以将废品率从 15% 降低到 5% 以下。 一旦我们足够理解并弄清楚如何做到这一点，我们就完成了并可以继续处理下一个问题。 如果这个模型允许我们做到这一点，那么它就是够好了。 我们可以通过向下滚动到预测刻画器的拟合最小二乘报告的最末尾来找到答案，如图 25 所示。
Figure 25: Prediction Profiler for our refined RSM model.Figure 25: Prediction Profiler for our refined RSM model.Figure 25: Prediction Profiler for our refined RSM model.Figure 25: Prediction Profiler for our refined RSM model.图 25：我们改进的 RSM 模型的预测刻画器。
预测刻画器是模型的图形表示形式，可用于查看设置组合的预测结果。 例如，在图 25 中，使用这些设置（研磨时间为 17.011 小时，屏幕尺寸为 3 等）生产的批次的平均值预计为 77.49%。 我们还可以从曲线中看到，根据模型，增加研磨时间、混合时间和涂层粘度，同时降低喷雾速率，将导致批次的溶解度更高。
- 单击配置文件内的垂直红色虚线并将其向右或向左拖动。
- 继续手动移动线条以找到模型预测将实现最高溶出度的设置。
除了尝试手动找到最佳设置之外，我们还可以使用预测刻画器的最大化意愿功能：
- 单击预测刻画器的红色小三角菜单。
- 选择优化和意愿 --> 最大化意愿。
- 返回红色小三角菜单，然后选择优化和意愿 --> 最大化意愿。
最大化期望值后，可以看到最终的最佳设置（图 26）。
Figure 26: Prediction Profiler with Desirability Functions enables on, with factors at optimum settings resulting in highest value of Dissolution, 86.5% (y-axis adjusted from default).Figure 26: Prediction Profiler with Desirability Functions enables on, with factors at optimum settings resulting in highest value of Dissolution, 86.5% (y-axis adjusted from default).Figure 26: Prediction Profiler with Desirability Functions enables on, with factors at optimum settings resulting in highest value of Dissolution, 86.5% (y-axis adjusted from default).Figure 26: Prediction Profiler with Desirability Functions enables on, with factors at optimum settings resulting in highest value of Dissolution, 86.5% (y-axis adjusted from default).图 26：具有意愿函数的预测刻画器启用，因子处于最佳设置，导致溶出度最高值 86.5%（y 轴从默认值调整）。
预测值高于我们的 70% 里程碑。 当然，真正的考验还是要等到我们在工厂里尝试这些设置的时候才会到来。
11) 预测建模和机器学习 (JMP Pro)
在 JMP Pro 中，使用 Formula Depot 简化了将模型部署到生产中的过程。 从那里，我们可以轻松生成评分代码以将我们的模型部署到生产中。
- 从“拟合最小二乘法”报告顶部“响应溶出度”旁边的红色小三角菜单中，选择保存列 --> 发布预测公式。
- 在 Formula Depot 报告中，点击“拟合最小二乘法 - 溶出度”红色小三角菜单，然后选择生成...（见图 27）。
注意：Formula Depot 可用于生成 C++、Python、JavaScript、SAS 或 SQL。
Figure 27: Formula Depot with the Fit Least Squares model for Dissolution (left), with automatically generated Python code (right).Figure 27: Formula Depot with the Fit Least Squares model for Dissolution (left), with automatically generated Python code (right).Figure 27: Formula Depot with the Fit Least Squares model for Dissolution (left), with automatically generated Python code (right).Figure 27: Formula Depot with the Fit Least Squares model for Dissolution (left), with automatically generated Python code (right).图 27：Formula Depot 具有适合溶出度的最小二乘模型（左），以及自动生成的 Python 代码（右）。
12) 自动化和脚本编写
现在是时候保存用于将表导入 JMP 并使其采用正确格式的脚本了。 这将使新数据可用时更容易重复。 我们不必担心保存此时所做的所有分析的说明，因为我们不太可能必须像以前那样完全重做。 最终，我们将希望监测在未来批次中实施新配方的效果，并确保一切保持稳定并且过程不会漂移。 现在，我们只从日志中的操作记录器捕获数据表操作。
- 在“日志”窗口中，单击左上角的红色小三角菜单，然后选择“操作记录器”。
- 选择平台启动以取消选择此选项。
- 重复操作以取消选择“关闭时报告快照”，以便仅显示选中“数据表操作”，如图 28 所示。
Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.图 28：日志窗口，显示红色小三角菜单中的“操作记录”选项，仅选择了“数据表操作”。
- 再次单击“日志”窗口中的红色小三角菜单。 选择保存脚本 --> 到脚本窗口。
- 从脚本窗口中，选择文件 --> 另存为。 将脚本命名为“平板电脑数据导入”并将其保存在桌面上方便的位置。
现在我们已经保存了脚本，您可以关闭 JMP 数据表，包括所有打开的报表。 我们只剩下原始 Excel 表格，以及将其导入 JMP 并准备进行分析所需的所有说明。 我们还提交了工厂开始使用新配方生产产品的说明。 让我们清除日志，然后休息一下，等待新数据可用。
13) 质量和工艺工程
想象一下，一段时间过去了，使用我们新的和改进的工艺配方的多次运行已经完成。 这些新运行已作为新行添加到 Excel 工作中；这可能是自动完成的，也可能是手动添加行然后重新保存文件。 新流程称为 B，以区别于旧流程（称为 A）。
- 将 Tablet Data Updated.xlsx 文件保存在与之前使用的 Tablet Data.xlsx 文件相同的位置。
- 删除平板电脑数据.xlsx。
- 将新文件重命名为 Tablet Data.xlsx。
- 打开保存在的Tablet Data Import.jsl脚本文件第12条并按“运行”按钮（图 29）。
Figure 29: Script window with the Run button near the top of the window circled in blue.Figure 29: Script window with the Run button near the top of the window circled in blue.Figure 29: Script window with the Run button near the top of the window circled in blue.Figure 29: Script window with the Run button near the top of the window circled in blue.图 29：脚本窗口，窗口顶部附近的“运行”按钮以蓝色圈出。
请注意，我们在导入该表时已自动对原始 JMP 表进行的格式更改，包括重新编码列 API-Particle Size 和 MgSt-Supplier、将“屏幕尺寸”的建模类型更改为序数、使用逗号作为小数符号并将受影响的列转换为数字，并在末尾添加“接受/拒绝”列。 另请注意，表中已添加 25 次运行（对应于我们的新运行），以及指示每个批次配方的列。 简要检查该表，看来导入和格式化脚本成功地容纳了这些添加内容。 这是个好消息，因为随着新数据的不断出现，我们仍然可以依赖这个脚本。
滚动到表底部，新运行已在“配方”列中指示为 B。从“接受/拒绝”列（最后，最右侧），我们可以看到所有新批次都已被归类为“接受”。 当然，这也是一个好消息。 您可能已经注意到配方设定点与表中的内容不匹配。 例如，模型确定“研磨时间”的最佳设置为 25.7 小时，但表中的值与此设置略有不同。 这是因为该表包含每个批次期间测量的实际值，这些值并不总是与设定值完全对应。 通过更好地控制过程变量来收紧这些值可能是我们过程的未来改进途径。
同时，我们可以使用控制图来查看实施新配方后我们的流程发生了怎样的变化。 我们还可以使用它来跟踪和监控该过程，并提醒我们任何需要干预的逐渐漂移或突然变化。
- 从分析菜单中，选择质量和过程 --> 控制图生成器。
- 在“控制图生成器”窗口中，向下滚动到列面板中的“溶出度”列。 单击“溶解”并将其拖至 Y 放置区域。
- 将配方列拖到控制图顶部的阶段放置区域。
- 选择完成。
现在，我们有两个并排的“单独和移动极差”图表，配方 A 的图表位于配方 B 的左侧，如图 30 所示。 我们注意到的第一件事是配方 B 的分数较高，对应于其较高的溶出值。 穿过图表中间的绿色实线表示每个过程的平均值，而平均值之上和之下的红色实线分别是控制上限和控制下限。 它们的计算值在控制图右侧的溶出限摘要中提供。
Figure 30: Individual & Moving Range chart for both recipes, A (left) and B (right), with Limit Summaries providing the calculated means (Avg) and lower/upper control limits (LCL/UCL).Figure 30: Individual & Moving Range chart for both recipes, A (left) and B (right), with Limit Summaries providing the calculated means (Avg) and lower/upper control limits (LCL/UCL).Figure 30: Individual & Moving Range chart for both recipes, A (left) and B (right), with Limit Summaries providing the calculated means (Avg) and lower/upper control limits (LCL/UCL).Figure 30: Individual & Moving Range chart for both recipes, A (left) and B (right), with Limit Summaries providing the calculated means (Avg) and lower/upper control limits (LCL/UCL).图 30：两种配方 A（左）和 B（右）的单独和移动极差图表，极限摘要提供计算平均值 (Avg) 和下/上控制限 (LCL/UCL)。
使用新配方 B 生产的批次比使用旧配方 A 生产的批次差异更大。 我们可以这么说，因为点本身分布在更广泛的溶解值中。 我们还注意到，红线距离较远，表明标准差较大。 然而，正如我们所指出的，查看“接受/拒绝”列，所有配方 B 批次都是可接受的，这是我们的主要目标。 86.76% 的平均值比我们原始配方的平均值 72.86% 高很多； 86.76% 也非常接近我们模型预测的 86.5% 值。
尽管标准偏差较大导致控制限较宽，但乍一看我们的过程是稳定的。 话虽如此，配方B可能正在呈上升趋势。 “质量和流程”菜单中提供的一个选项可能是使用累积和图表来密切关注它，以便尽早确定它是否是真正的趋势。
一个简单的稳定性测试以及某些内容可能发生变化的指示是其中一个点超出红线。 还有其他测试，可以激活它们作为过程监控的警报。
- 右键单击“个体和移动极差”图表的中间。
- 选择警告 --> 测试 --> 所有测试。
A 中出现一个警告（将鼠标悬停在警告上可查看详细信息），而 B 中则没有出现。然而，我们可以而且绝对应该更新控制图，以在新数据可用时监控变化，并且只要产品在我们的工厂生产，就定期这样做。
- 从“控制图生成器”旁边的红色小三角菜单中，选择保存脚本 --> 到剪贴板。
- 转到平板电脑数据导入脚本并在脚本的最后一行之后粘贴（右键单击 --> 粘贴或 ctrl-v）。
- 保存更新的脚本文件 --> 保存。
我们现在可以关闭控制图和表格而不保存。 运行脚本将重新导入表并创建控制图。 由于更新分析所需的工作现在已减少到只需按一下按钮即可，因此无需费力即可根据需要定期重复此操作。 它甚至可以通过使用 Windows 中的任务计划程序或 Mac 中的 iCal（或任何其他用于自动计划的免费工具）来实现自动化。 但是，如果我们负责监控流程的同事不熟悉 JMP 该怎么办？ 我们如何才能让他们了解最新情况并实时了解情况？
14) 分享和交流结果
JMP Live 是一款工具，科学家和工程师可以通过安全的 Web 连接访问 JMP 报告，而无需使用 JMP。 甚至可以在控制图中触发过程警报时发送警告电子邮件。 导入数据、重现分析、将报告发布到 JMP Live（在我们的例子中是控制图）以及在过程失控的情况下发送电子邮件警告的整个过程都可以轻松自动化以进行定期更新。
JMP Live 是 JMP 系列中的一个独立产品，允许将机密或敏感报告上传到安全服务器并在封闭圈内共享。 JMP Public 是 JMP Live 的公共版本。 拥有 Web 浏览器的任何人都可以查看报告（可在 public.jmp.com 上获取），而拥有 JMP 15 或更高版本的任何人都可以免费发布到 JMP Public。
首先，我们将报告发布到 JMP Live：
注意：如果您无权访问 JMP Live，您可以发布到 JMP Public。 或者，您可以简单地阅读这些步骤，然后尝试按照步骤操作。 如果这是您第一次发布到 JMP Live 或 JMP Public，请首先建立连接（文件 --> 发布 --> 管理连接...）。 详细信息可以参见这篇博文以及自动发布的操作方法。
- 从控制图生成器报告窗口中，选择文件 --> 发布 --> 发布到 JMP Live...
- 选择要发布的报告，然后按“下一步”。
- 确保选中启用警告复选框，表示在激活控制图警告时将发送电子邮件（参见图 31）。
- 选择将被允许访问报告的组（之前保存的电子邮件列表）。
- 按发布。
Figure 31: JMP Live new post configuration window, with the Enable Warnings box checked, for Control Chart warning emails. Toward the bottom, we can see that access to the report will be limited to the Engineering group.Figure 31: JMP Live new post configuration window, with the Enable Warnings box checked, for Control Chart warning emails. Toward the bottom, we can see that access to the report will be limited to the Engineering group.Figure 31: JMP Live new post configuration window, with the Enable Warnings box checked, for Control Chart warning emails. Toward the bottom, we can see that access to the report will be limited to the Engineering group.Figure 31: JMP Live new post configuration window, with the Enable Warnings box checked, for Control Chart warning emails. Toward the bottom, we can see that access to the report will be limited to the Engineering group.图 31：JMP Live 新后配置窗口，选中“启用警告”框，用于发送控制图警告电子邮件。 在底部，我们可以看到对报告的访问将仅限于工程组。
完成这些步骤后，将显示一条消息，指示报告已成功发布。
注意：出于本博客的目的，该报告的副本已发布在JMP 公共。
既然报告已经发布过一次，那么随着新数据的出现更新在线报告就很简单了。 如上所述，可以找到详细信息和有用的提示这里。 简而言之，需要三项信息：
- JMP 中报表的名称。
- JMP Live 连接的名称。
- 我们在 JMP Live 中发布的报告的报告标识符。
报表的名称（在我们的示例中为“控制图生成器”报表）是用于引用 JSL 中的对象的名称。 早在第 13 条当我们复制脚本并将其粘贴到 JSL 窗口中时，我们没有为它命名。 现在让我们回去这样做。
- 在用于在 JSL 脚本窗口中创建控制图的 Control Chart Builder 函数之前，放置一个等号并为其指定一个唯一的名称（参见图 32）。
Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.图 32：带有 Control Chart Builder 的 JSL 脚本窗口，现在由名称 ccb 引用。
接下来，可以使用文件 --> 发布菜单的管理连接...功能找到 JMP Live 连接的名称。 首次建立与 JMP Live 的连接时会显示此信息，详细信息请参见JMP Live 管理技巧：自动化发布博客文章。
最后，报告标识符是已发布报告网址中最后一个正斜杠 (/) 后面的代码。 例如，在 JMP Public 中看到的报告中，它对应于图 33 中蓝色圆圈中的代码。
Figure 33: JMP Public report with the report identifier code circled in blue.Figure 33: JMP Public report with the report identifier code circled in blue.Figure 33: JMP Public report with the report identifier code circled in blue.Figure 33: JMP Public report with the report identifier code circled in blue.图 33：JMP Public 报告，报告标识符代码以蓝色圈出。
有了这些信息，剩下要做的就是将以下四行代码添加到脚本中：
liveconnection = 新 JMP Live( 连接( *JMP Live 连接名称* ) );
webreport = 新的网络报告();
webreport<<添加报告(*JMP 报告名称*);
jmpliveresult=liveconnection<
这些行可以完全按照上面显示的方式复制到脚本中，并将星号 (*) 结尾的占位符名称替换为其实际名称。
最后的评论
此时，该流程正在按照规范运行，并且已经设置了带有电子邮件警报的自动监控。 我们终于准备好继续解决下一个问题，所有未解决的挑战和未解答的问题都提供了提高性能、加速开发、降低成本或提高效率的新机会，也许是一次性完成。 为了实现这些目标，我们需要通过 JMP 分析工作流程采取新的路线，并在此过程中发现新的见解。
但是，我们刚刚解决的问题呢？ 能否进一步提高产量？ 有没有办法将溶解度推得更高？ 如果机器损坏或供应商发生变化怎么办，这将如何影响我们的流程？ 当我们通过 JMP Live 设置的控制图电子邮件警报被触发时，我们应该如何响应？
真正的价值来自于将 JMP 分析工作流程视为持续改进周期的指南，而不是从问题开始到解决方案结束的单向旅程。 每一轮循环都会逐步提高绩效，从而带来更好的产品或流程，从而增强我们的业务。
要详细了解 JMP 分析工作流程如何帮助您应对挑战，请访问我们的网站。
