Bei der Lösung eines realen Problems – etwa der Erhöhung der Ausbeute oder der Reduzierung des Ausschusses in einem Herstellungsprozess; Verstehen, welche Faktoren die Qualität eines Produkts beeinflussen; oder die Durchführung einer Ursachenanalyse bei Geräteausfällen – die Nutzung von Daten kann einen großen Vorteil bieten. Antworten werden jedoch nur sehr selten frei angeboten. Bevor Lösungen gefunden werden, müssen die Daten abgerufen und importiert, bereinigt und organisiert, visualisiert und untersucht und möglicherweise sogar durch verschiedene Algorithmen des maschinellen Lernens geleitet werden. Die Ergebnisse müssen dann interpretiert und zusammen mit praktischem Wissen in Bezug auf die jeweilige Situation berücksichtigt werden. Als letzten Schritt müssen die Erkenntnisse auf eine Art und Weise kommuniziert werden, die von denjenigen verstanden wird, die Entscheidungen treffen oder die folgenden notwendigen Maßnahmen durchführen.
Der kumulative Prozess, durch den ungenutzte Daten erfasst und in wertvolle Erkenntnisse umgewandelt werden, wird als Analyse-Workflow bezeichnet. Während der Schritte des Arbeitsablaufs werden mehrere Funktionen genutzt, möglicherweise sogar zwischen Einzelpersonen oder Abteilungen, die für verschiedene Aspekte verantwortlich sind.
JMP enthält alles, was nötig ist, um rohe, unübersichtliche Daten in Wissen und Wert für ein Unternehmen umzuwandeln. Eine Darstellung des JMP Analytic Workflow (Abbildung 1), mit dem Erkenntnisse aus Rohdaten gewonnen werden können, finden Sie hier JMP-Website . Durch Klicken auf die orangefarbenen Kästchen, die den verschiedenen in der Software enthaltenen Analysefunktionen entsprechen, gelangen Sie zur JMP Minute Demo, einer kurzen Erklärung, wie die Funktion verwendet werden kann.
Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.Abbildung 1: Der JMP Analytic Workflow zeigt alle Tools, die erforderlich sind, um Rohdaten in gemeinsam nutzbare Erkenntnisse für jedes Unternehmen umzuwandeln.
Im Datenzugriffsschritt können Daten aus einer externen Quelle beispielsweise sein:
- Zugriff über den JMP Excel-Importassistenten.
- Bereinigt mit Recode und den verschiedenen Tools im Menü „Tabellen“.
- Wird grafisch dargestellt, um auf Unregelmäßigkeiten oder seltsame Datenpunkte zu prüfen.
- Modelliert, um die Vorteile/Risiken verschiedener Optionen zu untersuchen und die beste Lösung bzw. den besten Kompromiss zu ermitteln.
Die Ergebnisse können dann mit JMP Live kommuniziert werden, sodass Benutzer Berichte anzeigen und bei Bedarf auf Rohdaten zur weiteren Analyse zugreifen können. Möglicherweise wurden diese Schritte mit dem Action Recorder aufgezeichnet und automatisiert, wenn neue Daten verfügbar werden, für regelmäßige Aktualisierungen (täglich/wöchentlich usw.), um KPIs mit Kontrolldiagrammen zu überwachen oder um eine E-Mail-Benachrichtigung zu senden, wenn der Prozess plötzlich abweicht. Es könnte sein, dass sich im Laufe dieser Analysen herausstellte, dass die Daten nicht die richtigen Informationen enthielten und dass mehr gesammelt werden mussten, was eine Gelegenheit bot, von der Versuchsplanung zu profitieren.
Der Punkt ist, dass diese Analysetechniken keine vollständigen Lösungen für sich darstellen und selten unabhängig voneinander verwendet werden, was die Bequemlichkeit und Notwendigkeit unterstreicht, sie auf einer einzigen Plattform zu haben.
Die Kehrseite davon ist, dass der Analyse-Workflow selten vollständig von einer einzelnen Person innerhalb einer Organisation verwendet wird. Es gibt zahlreiche Unternehmen, die viele der vielfältigen Analysefunktionen der Software nutzen, diese werden jedoch nach der Rolle eines einzelnen Benutzers abgegrenzt (siehe Abbildung 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.Abbildung 2: Beispiele für spezifische Funktionen des JMP Analytic Workflow, die von verschiedenen einzelnen Benutzerrollen innerhalb einer Organisation verwendet werden können.
Wo soll man beginnen: Definieren der Problem- und Lösungskriterien
Bevor wir damit beginnen können, die zur Lösung eines Problems erforderlichen Schritte festzulegen, müssen wir zunächst sowohl das Problem als auch die Kriterien definieren, anhand derer wir beurteilen, ob es gelöst wurde. Ich ermutige Sie, das Beispiel hier nicht zu wörtlich zu nehmen. Die Analysetechniken, mit denen das in dieser Fallstudie vorgestellte Problem untersucht und letztendlich gelöst werden soll, können gleichermaßen in vielen verschiedenen Situationen in einer Reihe von Branchen angewendet werden. Betrachten Sie daher Beispiele aus Ihrer eigenen Arbeit, in denen Sie diese Funktionen zu Ihrem eigenen Nutzen und zum Nutzen Ihrer Organisation einsetzen könnten.
So nutzen Sie diese Fallstudie:
Nachfolgend finden Sie eine Liste aller Schritte im Arbeitsablauf, die zur Untersuchung und Lösung des in dieser Fallstudie dargestellten Problems verwendet wurden. Ich habe auch Beispiele für die Schritte gegeben, die häufiger von Personen mit unterschiedlichen Berufsbezeichnungen verwendet werden. Klicken Sie auf die unten stehenden Links, um Ihren eigenen Arbeitsablauf entsprechend Ihrer aktuellen Rolle zu verfolgen, oder lesen Sie alle durch, um einen Eindruck davon zu bekommen, wie JMP im gesamten Unternehmen eingesetzt werden kann. Ich habe die Excel-Startdatei beigefügt, damit Sie die Schritte wiederholen können, Sie können aber auch gerne mit Ihren eigenen Daten fortfahren.
F&E-Wissenschaftler: 2-9, 14
Fertigungsingenieur: 2-9, 13-14
Datenwissenschaftler: 1-6, 10-14
IT-Administrator: 1-2, 14
Problem Definition
Bei diesem Beispiel handelt es sich um einen Herstellungsprozess, bei dem pharmazeutische Tabletten hergestellt werden. Wie viele Prozesse umfasst auch dieser eine Reihe von Schritten. Bei jedem Schritt gibt es verschiedene Einstellungen, die angepasst werden können. Diese sind im Prozessablaufdiagramm (Abbildung 3) unter jedem Schritt zu sehen. Darüber hinaus müssen für jede Charge mehrere Sollvariablen ausgewählt werden, die über den Schritten aufgeführt sind (Materialien von verschiedenen Lieferanten sowie eine Auswahl an Kompressoren für den Schritt „Komprimieren“).
Figure 3: Tablet manufacturing process flow map used as an example case study.Abbildung 3: Ablaufdiagramm des Tablet-Herstellungsprozesses als Beispielfallstudie.
Die am Ende des Prozesses gemessene Reaktion ist die Auflösung, ein Maß dafür, wie schnell sich die Tabletten im Körper auflösen. Hohe Auflösungswerte sind wünschenswert, mit einer niedrigeren Spezifikation von 70 %; Chargen, deren Wert unter diesem Wert liegt, werden verschrottet. Die Aufgabe besteht darin, die Herstellung der Tabletten zu bestimmen und den Herstellungsprozess mit einer Ausschussquote von zuverlässig unter 5 % durchzuführen.
(Zur Erinnerung: Dies ist eine Demonstration, wie die Leistungsfähigkeit der Analyse, die durch den JMP Analytic Workflow bereitgestellt wird, zur Lösung eines Problems genutzt werden kann. Die hier vorgestellten Techniken sind nicht auf die Herstellung oder Pharmazeutik beschränkt.)
1) Löschen Sie das Protokoll, um die Analyse zur Automatisierung aufzuzeichnen
- Gehen Sie in JMP zum Menü „Ansicht“ und wählen Sie „Protokoll“.
- Klicken Sie auf den roten Hotspot in der oberen linken Ecke des Protokollfensters und wählen Sie Protokoll löschen (Abbildung 4).
Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.Abbildung 4: Obere linke Ecke des Protokollfensters mit Menü hinter dem roten Hotspot und der Angabe „Protokoll löschen“.
2) Datenzugriff
Da unsere Daten in einer Excel-Datei enthalten sind, importieren wir die Daten mit dem Excel-Importassistenten.
- Ziehen Sie die Excel-Datei einfach von Ihrem Desktop oder wo immer Sie sie gespeichert haben, in ein beliebiges geöffnetes JMP-Fenster (z. B. das Home-Fenster). Sehen Sie sich das Ergebnis in Abbildung 5 unten an.
Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.Abbildung 5: Excel-Import-Assistent nach dem Ziehen der Excel-Datei in das geöffnete JMP-Fenster mit Standardeinstellungen.
Wie im Abschnitt „Datenvorschau“ in Abbildung 5 zu sehen ist, sieht die Tabelle nicht ganz richtig aus. Bringen wir es in ein analysebereites Format, indem wir die einzelnen Arbeitsblatteinstellungen anpassen, wie in Abbildung 6 dargestellt.
- Legen Sie „Spaltenüberschriften beginnen in Zeile“ auf „2“ fest.
- Legen Sie die Anzahl der Zeilen mit Spaltenüberschriften auf 2 fest.
- Wählen Sie Importieren.
Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.Abbildung 6: Individuelle Arbeitsblatteinstellungen im Excel-Importassistenten nach dem Anpassen der Werte, um die Daten richtig auszurichten.
Sie sollten jetzt eine Tabelle namens TabletDissolution haben.
3) Datenexploration und -visualisierung, Teil 1
Es scheint sofort, dass es einige Probleme mit unserem Tisch gibt. Es sieht so aus, als ob einige der Werte in der zweiten Spalte, API-Partikelgröße, als „Klein“ oder „s“ eingegeben wurden, vermutlich um „Klein“ zu bedeuten. Wenn Sie in der Tabelle nach unten scrollen, sehen Sie, dass bei den Einträgen „Medium“ und „Large“ ähnliche Probleme auftreten. Haben andere Kolumnen ähnliche Probleme? Wir können ein Gefühl dafür bekommen, indem wir die Spaltenkopfdiagramme aktivieren.
- Klicken Sie auf das Histogramm-Symbol oben links in der Tabelle, um die Spaltenkopfdiagramme zu aktivieren (Abbildung 7).
Figure 7: Top-left of the table with the Column Header graph button circled in blue.Abbildung 7: Oben links in der Tabelle mit der blau eingekreisten Schaltfläche „Spaltenkopfdiagramm“.
4) Datenmischung und -bereinigung, Teil 1
Wenn man sich die Diagramme der Spaltenüberschriften ansieht, sieht es so aus, als hätte der MgSt-Lieferant einige Probleme bei der Dateneingabe sowie bei der API-Partikelgröße. Lassen Sie uns diejenigen korrigieren, die Recode verwenden.
- Wählen Sie die Spalte „API-Partikelgröße“ aus, indem Sie oben in der Spalte auf den Spaltennamen klicken.
- Gehen Sie bei ausgewählter Spalte zum Menü „Spalten“ und wählen Sie „Neu kodieren“.
- Ändern Sie oben links im Fenster „Neu kodieren“ das Dropdown-Menü von „Neue Spalte“ in „In Position“.
- Halten Sie die Umschalttaste gedrückt, während Sie in den ersten beiden Zeilen des Recode-Fensters auf „l“ und „Groß“ klicken. Lassen Sie die Umschalttaste los und drücken Sie die Gruppentaste (Abbildung 8).
Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.Abbildung 8: Fenster „Neu kodieren“, mit hervorgehobenen Werten „Groß“ und „l“ und hervorgehobener Schaltfläche „Gruppe“.
- Markieren und gruppieren Sie die Werte „Mittel“ und „m“ sowie „Klein“ und „s“ (siehe Abbildung 9).
- Drücken Sie Neu kodieren.
- Optional: Wiederholen Sie den Neucodierungsvorgang für die Spalte MgSt-Supplier.
Figure 9: Recode window with the three groups for API-Particle Size defined.Abbildung 9: Recode-Fenster mit den drei definierten Gruppen für die API-Partikelgröße.
Ein weiteres Problem, das einigen von Ihnen vielleicht aufgefallen ist, besteht darin, dass viele der Spalten, die kontinuierliche Daten enthalten sollten, als kategorial angezeigt werden. Dies ist im Spalten-Viewer links in der Mitte der Tabelle zu sehen (Abbildung 10). Alle Spalten nach und einschließlich „Mischzeit-h“, mit Ausnahme von „Kompressor“ und „Beschichtungslieferant“, sollten kontinuierlich sein. Wir können dies leicht korrigieren, indem wir zunächst das Format der Zahlen ändern und dann die Funktion „Attribute standardisieren“ verwenden.
HINWEIS: Der Grund, warum die Spalten kategorisch sind, liegt an dem Punkt, der zur Bezeichnung einer Dezimalstelle verwendet wird. Da ich in Europa wohne, ist Windows so konfiguriert, dass auf meinem Computer ein Komma verwendet wird. Wenn Ihr System für die Verwendung eines Zeitraums eingerichtet ist, wurden die Daten ordnungsgemäß importiert und Sie können diese Schritte überspringen.Beachten Sie auch, dass es möglich ist, für Zahlen, Datums- und Währungsformate die JMP-Sprache anstelle der Systemgebietsschemaeinstellungen zu verwenden. Dies kann in den „Windows-spezifischen“ Einstellungen eingestellt werden.
Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.Abbildung 10: Bereich „Spalten“, der zeigt, dass die meisten Spalten kategorisch sind, mit Ausnahme von Mill Time-hr und Screen Size.
- Wählen Sie im Menü „Bearbeiten“ die Option „Suchen“ -> „Suchen“.
- Geben Sie in „Suchen nach:“ ein Punktsymbol und in „Ersetzen durch:“ ein Kommasymbol ein.
- Deaktivieren Sie das Kontrollkästchen „Gesamten Zellenwert anpassen“.
- Klicken Sie auf „Alle ersetzen“.
- Schließen Sie das Suchdialogfenster.
Alle Punkte in den Zellen wurden durch Kommas ersetzt. Jetzt können wir den Datentyp und den Modellierungstyp der betroffenen Spalten konvertieren.
- Klicken Sie auf Blend Time-hr, um das Spaltenfenster auszuwählen.
- Klicken Sie bei gedrückter Umschalttaste im Spaltenbereich auf „Auflösung“, um alle Spalten auszuwählen.
- Lassen Sie die Umschalttaste los, halten Sie die Strg-Taste gedrückt und klicken Sie auf Kompressor und Beschichtungslieferant, um die Auswahl dieser Spalten aufzuheben.
- Wählen Sie im Menü „Spalten“ die Option „Attribute standardisieren“ aus.
- Wählen Sie im Fenster „Spaltenattribute standardisieren“ im Dropdown-Menü der zu standardisierenden Attribute den Datentyp und den Modellierungstyp aus.
- Ändern Sie den Datentyp in „Numerisch“ und den Modellierungstyp in „Kontinuierlich“.
- Drücke OK.
Die Spalten der Maschinensensoren sind jetzt alle numerisch und fortlaufend. Wir ändern den Modellierungstyp einer weiteren Spalte: Bildschirmgröße. JMP hat die Zahlen erkannt und den Modellierungstyp standardmäßig auf „Kontinuierlich“ festgelegt. Wir wissen jedoch, dass 3, 4 und 5 separate Formen darstellen. Ordinal wäre besser geeignet, wenn wir Auflösungen zwischen Größen vergleichen wollten, um zu bestätigen, dass es einen Unterschied gibt.
- Klicken Sie im Spaltenbereich auf das blaue Dreieck vor „Bildschirmgröße“.
- Ändern Sie den Modellierungstyp in Ordinal.
5) Datenexploration und Visualisierung, Teil 2
Mit dem Spalten-Viewer können wir einen schnellen Überblick über unsere Daten in Form einer zusammenfassenden Statistik zu jeder Spalte erhalten. Für die nominalen oder ordinalen Daten wird uns in jeder Spalte die Anzahl der unterschiedlichen Kategorien angezeigt. Für die Kontinuität sehen wir den Bereich, den Mittelwert und die Standardabweichung. Wenn diese unseren Erwartungen entsprechen, sollten wir in der Lage sein, einige Analysen durchzuführen. Wenn sie jedoch weit daneben liegen, müssen wir möglicherweise noch etwas reinigen.
- Wählen Sie im Menü „Spalten“ die Option „Spalten-Viewer“ aus.
- Wählen Sie im Fenster „Spaltenansichtsauswahl“ alle Spalten aus und klicken Sie auf „Zusammenfassung anzeigen“.
Es scheint sofort, dass alles in Ordnung ist. Wir haben die richtige Anzahl an Kategorien und ungefähren Bereichen für die nominalen und ordinalen Daten bzw. kontinuierlichen Daten. Wenn man sich das jedoch anschaut, kommt einem in den Sinn, dass wir vielleicht eine Spalte „Akzeptieren/Ablehnen“ einfügen möchten, um akzeptierte oder abgelehnte Chargen anzuzeigen (solche mit Auflösungswerten über oder unter 70).
6) Datenmischung und -bereinigung, Teil 2
Es gibt viele Möglichkeiten, eine neue Spalte mit akzeptierten und abgelehnten Chargen zu erstellen. Wenn Sie eine gute Methode kennen, mit der Sie vertraut sind, können Sie sie gerne nutzen. Oder Sie können mir folgen, wenn wir eine neue Funktion verwenden, die in JMP 16 eingeführt wurde: „Make Binning Formula“ …
- Wählen Sie die Spalte „Auflösung“ aus.
- Wählen Sie im Menü „Spalten“ die Option „Dienstprogramme“ -> „Binning-Formel erstellen…“
- Wählen Sie alle Standardschnittpunkte aus und drücken Sie das -Zeichen, um sie zu entfernen (siehe Abbildung 11).
Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.Abbildung 11: Binning-Dialogfenster mit allen ausgewählten Standardschnittpunkten und der Schaltfläche „Entfernen“ (-), angezeigt durch einen blauen Kreis.
- Ändern Sie den Wert des Schnittpunkts auf 70 und benennen Sie die Wertebeschriftungen bei Bedarf in „Ablehnen“ und „Akzeptieren“ um, wie in Abbildung 12, indem Sie auf die Wertebeschriftungen doppelklicken und „Ablehnen“ und „Akzeptieren“ eingeben.
Beachten Sie, dass es auch möglich ist, die Beschriftungstypen zu ändern, indem Sie das Menü mit dem roten Dreieck neben „Schnittpunkte“ verwenden und „Bin-Beschriftungsstil -> Benutzerdefiniert“ auswählen.
Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.Abbildung 12: Binning-Dialogfenster mit geändertem Schnittpunktwert auf 70 und geänderten Wertebeschriftungen in „Ablehnen“ und „Akzeptieren“.
- Klicken Sie auf „Formelspalte erstellen“.
- Um die neue Spalte umzubenennen, doppelklicken Sie auf den Namen oben in der Spalte, ändern Sie den Namen in „Akzeptieren/Ablehnen“ und klicken Sie auf „OK“.
Nachdem wir nun unsere Daten bereinigt und formatiert sowie eine Spalte hinzugefügt haben, die angibt, ob ein Stapel angenommen oder abgelehnt wurde, sind wir in der Lage, die Situation zu verstehen die Geschichte hinter den Daten. Insbesondere sind wir daran interessiert, den Anteil der angenommenen/abgelehnten Chargen und die Faktoren zu kennen, die diesen Anteil beeinflussen (und die anderen Faktoren, die keinen Einfluss haben). Letztendlich möchten wir wissen, wie wir unseren Prozess anpassen müssen, um das Auftreten von Ausschusschargen zu minimieren.
7) Grundlegende Datenanalyse und Modellierung, Teil 1
Um Antworten auf diese Fragen zu erhalten, müssen wir eine Vorstellung davon haben, wo wir suchen müssen. Der Prozess der Erstellung von Bildern, um ein Gefühl dafür zu bekommen, wo die Antworten liegen oder vielleicht sogar welche Fragen wir stellen sollten, wird als explorative Datenanalyse (EDA) bezeichnet.
- Wählen Sie im Menü „Analysieren“ die Option „Verteilung“ aus. Ziehen Sie im Popup-Dialogfenster die Spalte „Akzeptieren/Ablehnen“ in das Feld „Y, Spalten“ und klicken Sie auf „OK“ (Abbildung 13).
Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.Abbildung 13: Dialogfenster „Verteilung“, mit der Spalte „Akzeptieren/Ablehnen“ im Feld „Y, Spalten“.
Der resultierende Verteilungsbericht (siehe Abbildung 14) enthält eine Häufigkeitstabelle, aus der hervorgeht, dass von insgesamt 90 Chargen 14 abgelehnt wurden, was einem Anteil von etwa 15,6 % entspricht.
Figure 14: Distribution report for column Accept/Reject.Abbildung 14: Verteilungsbericht für die Spalte „Akzeptieren/Ablehnen“.
Wir können Histogramme der Faktoren in unserer Tabelle nachverfolgen, die sich möglicherweise auf das Akzeptanz-/Ablehnungsverhältnis auswirken oder auch nicht. Wir werden auch die Antwortspalte „Auflösung“ einschließen.
- Wählen Sie im Menü „Analysieren“ die Option „Verteilung“ aus. Ziehen Sie dieses Mal alle Spalten aus der Spalte „API-Particle Size“ in die Spalte „Dissolution Reject“ in das Feld „Y, Columns“.
- Bevor Sie auf „OK“ klicken, aktivieren Sie das Kontrollkästchen „Nur Histogramme“ unten links im Dialogfenster, um die zusammenfassenden Statistiken auszublenden. Diese können später über die roten Dreiecksmenüs aktiviert werden.
- OK klicken.
Hinweis: Wenn Sie vor der Auswahl von „Nur Histogramme“ auf „OK“ geklickt haben, ist das kein Problem. Schließen Sie einfach den Verteilungsbericht und gehen Sie zurück zu Analysieren -> Verteilung. Wenn Sie hier auf „Zurückrufen“ klicken, wird das Dialogfeld so eingerichtet, wie es bei der letzten Verwendung von „Distribution“ war. Dies ist ein netter Trick, um sich ein paar Klicks zu ersparen, wenn Sie eine Analyse jemals wiederholen müssen.
Der resultierende Bericht zeigt Histogramme für alle Faktoren sowie die Antwort. Sie können nach rechts scrollen, um zu sehen, wie alle Werte für jeden Faktor verteilt sind. Die Abbildung ganz links zeigt beispielsweise, dass es etwas mehr mittlere API-Partikel gab als kleine oder große. Rechts von dieser Abbildung befindet sich das Histogramm für Mill Time, für das bis etwa 30 Stunden eine annähernd gleichmäßige Verteilung der Werte vorliegt. Wir können viel lernen, wenn wir uns diese Zahlen einfach ansehen und überlegen, ob diese Verteilungen mit unserem Verständnis der Art und Weise, wie die Chargen durchgeführt wurden, übereinstimmen.
Wie alle in JMP erstellten Visuals sind diese dynamisch mit der Datentabelle verknüpft. Wir werden diese Eigenschaft verwenden, um einen tieferen Einblick in die Bilder zu erhalten und noch mehr über unseren Prozess zu erfahren.
- Klicken Sie im Verteilungsbericht „Annehmen/Ablehnen“ auf das grüne Histogramm-Rechteck neben „Ablehnen“ (siehe Abbildung 14).
- Beachten Sie, dass jetzt alle Zeilen abgelehnter Chargen in der Datentabelle ausgewählt sind.
- Die entsprechenden Werte der Faktoren werden im Verteilungsbericht auch als eingebettete Histogramme (dunkelgrün) sichtbar gemacht, wie in Abbildung 15 dargestellt.
Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.Abbildung 15: Drei Histogramme ganz links im Verteilungsbericht, die eingebettete Histogramme für abgelehnte Chargen anzeigen.
Die eingebetteten Histogramme stellen die Teilmenge der Daten dar, die die ausgewählten Zeilen umfasst. Ein Vergleich mit den Histogrammen für die Gesamtdaten (hellgrün in den Abbildungen) kann bei drastischen Unterschieden auf Signifikanz hinweisen. Das Gegenteil ist auch der Fall: Eingebettete und Gesamthistogramme mit derselben Form legen nahe, dass der Faktor keinen Einfluss auf die Antwort hat – in diesem Fall darauf, ob eine Charge angenommen oder abgelehnt wird. Beachten Sie, dass für Mill Time die Gesamtverteilung gleichmäßig ist, während sie für die abgelehnten Chargen rechtsschief ist. Betrachtet man die Bildschirmgröße, so scheint Größe 5 bei den Ablehnungen überrepräsentiert zu sein, während die Größen 3 und 4 unterrepräsentiert zu sein scheinen. Das ist merkwürdig und verdient eine genauere Betrachtung, wie genau diese Faktoren mit der Auflösung zusammenhängen.
Distributions ist ein leistungsstarkes Tool, das mit nur wenigen Klicks Hinweise darauf liefern kann, wo wir suchen müssen, um Antworten zu finden. Fühlen Sie sich frei, weiter zu erkunden, um zu sehen, ob noch etwas herausspringt, das eine genauere Betrachtung erfordert.
8) Datenexploration und Visualisierung, Teil 3
Nachdem wir nun zwei Faktoren entdeckt haben, die sich möglicherweise auf unseren Prozess auswirken, können wir sie mit Graph Builder noch genauer untersuchen.
- Wählen Sie im Menü „Diagramm“ die Option „Graph Builder“ aus.
- Ziehen Sie im Fenster „Graph Builder“ die Spalte „Mill Time-hr“ und legen Sie sie in dem rechteckigen Bereich ab, der mit einem X markiert ist (Mitte unten).
- Scrollen Sie in den Spalten nach unten bis zur Auflösung. Ziehen Sie es per Drag & Drop in den Y-Bereich.
Das Ergebnis ist ein Streudiagramm der Auflösung im Vergleich zur Mahlzeit in Stunden mit einem blauen Spline, der sich durch die Daten schlängelt. Dieser Spline soll den Betrachtern dabei helfen, die Form der Daten zu erkennen. Anstatt dies zu verwenden, ändern wir die Glättung in eine Anpassungslinie.
- Klicken Sie mit der rechten Maustaste in die Mitte des Diagramms.
- Wählen Sie „Glätten“ -> „Ändern zu“ -> „Anpassungslinie“. (Hinweis: Wir hätten dies auch mithilfe der Kästchen direkt über dem Diagrammtitel tun können.)
- Drücken Sie Fertig.
Wir haben nun das Diagramm erstellt, wie unten in Abbildung 16 dargestellt. Wenn man sich die Abbildung ansieht, scheint es definitiv einen positiven Zusammenhang zwischen Mahlzeit und Auflösung in unseren historischen Chargen zu geben. Ist dies statistisch signifikant (was eine andere Möglichkeit ist, die Wahrscheinlichkeit zu ermitteln, dass dies real und nicht nur ein Zufall ist)?
Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.Abbildung 16: Auflösung vs. Mahlzeit/h mit einer Anpassungslinie, die eine positive Korrelation zwischen den Variablen darstellt.
Wir werden versuchen, diese Frage im nächsten Abschnitt zu beantworten. In der Zwischenzeit erinnern Sie sich vielleicht, dass bei der Untersuchung der Histogramme auch die Bildschirmgröße ein interessanter Faktor war. Fügen wir dieser Grafik die Bildschirmgröße hinzu, um zu sehen, ob wir mehr darüber erfahren können, wie sie die Auflösung beeinflussen kann.“
- Wählen Sie im roten Dreieck neben Graph Builder die Option „Systemsteuerung anzeigen“ aus.
- Ziehen Sie die Bildschirmgröße (aber nicht ablegen!) in die Bereiche „Gruppe X“, „Gruppe Y“, „Umbruch“, „Überlagerung“ und „Farbe“ des Fensters „Graph Builder“. Dadurch erhalten Sie eine Vorschau davon, wie das Diagramm aussehen würde, wenn die Spalte in dieser Drop-Zone abgelegt würde.
- Nachdem Sie die verschiedenen Drop-Zones mit Screen Size erkundet haben, legen Sie die Spalte in der Drop-Zone der Gruppe X ab.
- Drücken Sie Fertig.
Die Natur von Graph Builder ermöglicht das Verschieben von Spalten, wodurch verschiedene andere Diagramme erstellt werden, bis eines Tages auf etwas Nützliches an unseren Daten stößt. Indem wir die Bildschirmgröße in Gruppe X verschoben haben, haben wir drei Streudiagramme nebeneinander erstellt, jedes mit seiner eigenen Anpassungslinie (Abbildung 17). Aus der Abbildung können wir deutlich erkennen, dass die positive Korrelation zwischen Auflösung und Mahlzeit in Stunden von der verwendeten Größe beeinflusst wurde. Bei Verwendung der Größen 3 oder 5 war ein starker Effekt zu verzeichnen, bei Verwendung von Größe 4 jedoch kein Effekt. Der Vorschlag hier ist, dass ein Interaktionseffekt zwischen diesen beiden Faktoren und unserer Reaktion besteht. Wir werden das weiter untersuchen, wenn wir die Modellierungsphase unserer Analyse erreichen, aber schauen wir uns zunächst diese Variablen einzeln genauer an.
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.Abbildung 17: Auflösung vs. Mahlzeit pro Stunde für alle drei Werte der Siebgröße, wobei die Anpassungslinien positive Korrelationen für die Größen 3 und 5, aber keine Korrelation für Größe 4 darstellen.
9) Grundlegende Datenanalyse und Modellierung, Teil 2
Ist der Einfluss der Mahlzeit auf die Auflösung statistisch signifikant? Wie sicher können wir sein, dass eine Erhöhung der Mahlzeit tatsächlich zu einer Erhöhung der Auflösung führt? Was ist mit der geringeren Auflösung, die bei Chargen mit Siebgröße 5 gemessen wurde? War das nur ein Unfall? Wenn wir weiterhin Größe 5 verwenden, werden wir dann wahrscheinlich weiterhin Chargen von geringerer Qualität sehen, als wenn wir Größe 3 oder 4 verwenden würden? Dies sind die Fragen, die wir in diesem Teil der Analyse mithilfe der Fit Y by X-Plattform beantworten werden.
- Wählen Sie „Y an X anpassen“ aus dem Menü „Analysieren“ (zweiter von oben, nach der Verteilung).
- Ziehen Sie im Dialogfenster „Dissolution“ per Drag & Drop in das Spaltenfeld „Y, Response“.
- Ziehen Sie als Nächstes sowohl die Mühlenzeit als auch die Bildschirmgröße per Drag-and-Drop in das Spaltenfeld „X, Faktor“.
- Drücke OK.
Das Erste, was Ihnen vielleicht auffällt, ist, dass die beiden resultierenden Diagramme nicht nur sehr unterschiedlich aussehen, sondern auch unterschiedliche Bezeichnungen haben: Das Diagramm auf der linken Seite heißt „Bivariate Anpassung von …“, während das Diagramm auf der rechten Seite „Einseitige Analyse von …“ heißt. Dies liegt daran, dass sie unter Verwendung unterschiedlicher Datentypen erstellt wurden, für die bestimmte Analysen möglicherweise zutreffen oder nicht. Im Fall der kontinuierlichen Mill Time-h-Daten, die auf der x-Achse aufgetragen sind, und der kontinuierlichen Auflösungsdaten, die auf der y-Achse aufgetragen sind, kann es sinnvoll sein, eine Regressionslinie zu zeichnen, die zu den Daten passt und beschreibt, wie sich die Auflösung als a ändert Funktion aller Werte der Mill Time. Wir können dann die Wahrscheinlichkeit berechnen, dass dies real ist oder nur Abweichungen in den Daten vorliegen, indem wir prüfen, ob die Steigung unserer Anpassungslinie signifikant von 0 abweicht (Null ist die Steigung einer flachen Linie, die als Mittelwert unserer Antwort aufgetragen ist). Andererseits ist eine durchgehende Anpassungslinie zwischen den Bildschirmgrößen 3 und 4 unsinnig, wenn es keine Größen zwischen 3 und 4 gibt. In dieser Fallstudie ist die Bildschirmgröße eine diskrete Variable. Eine berechtigte Frage lautet: Gibt es echte Unterschiede in unserer Reaktion, wenn wir Werte einer Größe mit den Werten einer anderen Größe vergleichen? Wir sind an Analysen interessiert, die diese Vergleiche untersuchen, anstatt Steigungen zwischen den Größen zu berechnen.
Beginnen wir mit der bivariaten Anpassung auf der linken Seite:
- Wählen Sie im roten Dreieck der Abbildung „Bivariate Anpassung“ die Option „Linie anpassen“.
Das resultierende Diagramm und der Bericht sind unten in Abbildung 18 dargestellt. Es gibt viele Informationen über die Linie und wie gut sie zu den Daten passt. Es ist nicht notwendig, jeden Aspekt dieses Berichts zu verstehen, um unsere Fragen zu beantworten, genauso wie es nicht notwendig ist, alle Details eines Wetterberichts zu lesen, um zu wissen, ob man einen Regenschirm mitnehmen sollte. Wenn es jemanden interessiert, kann eine Beschreibung all dessen in der JMP Online-Dokumentation gefunden werden. Lassen Sie uns zunächst einfach herausgreifen, was wir zur Beantwortung der Fragen benötigen, die wir zu unserem Prozess hatten.
Figure 18: Bivariate Fit of Dissolution vs Mill time-hr, with a linear fit and accompanying details indicating that the effect is likely real.Abbildung 18: Bivariate Anpassung der Auflösung vs. Mühlenzeit/h, mit einer linearen Anpassung und begleitenden Details, die darauf hinweisen, dass der Effekt wahrscheinlich real ist.
Wir können sehen, dass die Linie im Streudiagramm nach oben geneigt ist, was darauf hindeutet, dass höhere Auflösungswerte bei längeren Mahlzeiten und niedrigere bei kürzeren Zeiten erreicht wurden. Die Gleichung dieser Linie befindet sich direkt unter der linearen Anpassung, wobei die Steigung einen Wert von etwa 0,165 %/h hat. Ist das von Bedeutung? Die Schätzung für die Steigung wird im Abschnitt „Parameterschätzungen“ des Berichts zusammen mit dem zugehörigen p-Wert (0,0004) wiederholt, was bedeutet, dass die Wahrscheinlichkeit, dass eine so steile Steigung einfach zufällig erreicht wurde, bei vier von 10.000 liegt. Es ist natürlich möglich, dass Mill Time keinen wirklichen Einfluss auf die Auflösung hat, aber es ist viel sicherer, dass der Effekt real ist.
Wenden wir uns nun dem Menü mit dem roten Dreieck neben dem Diagramm der Oneway-Analyse auf der rechten Seite zu. Sie werden sofort feststellen, dass es keine Option zum Anpassen einer Linie gibt. Wie bereits erwähnt, macht es keinen Sinn, eine durchgehende Linie durch diskrete Daten zu ziehen. Wir haben jedoch viele Möglichkeiten, diese Chargen zu vergleichen. Lassen Sie uns einen sehr verbreiteten Ansatz verwenden, den t-Test.
- Wählen Sie im roten Dreiecksmenü der Oneway-Analyse die Option Mittelwerte vergleichen -> Jedes Paar, Student's t aus.
Das war's, T-Test abgeschlossen. Nun liegt es natürlich an uns, diesen Bericht zu interpretieren (Abbildung 19). Auch hier gibt es viele Details, aber wir brauchen nur sehr wenige, um festzustellen, ob diese Bildschirmgrößen gleichwertig sind.
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.Abbildung 19: Einweganalyse der Auflösung im Vergleich zur Bildschirmgröße, mit Mittelwertvergleich unter Verwendung des Student-T-Tests. Die Ergebnisse deuten auf einen erheblichen negativen Effekt der Verwendung von Bildschirmgröße 5 hin.
Im Bericht über Verbindungsbuchstaben wird festgestellt, dass Ebenen, die nicht durch denselben Buchstaben verbunden sind, sich erheblich unterscheiden. Ebenen, die den Bildschirmgrößen 3 und 4 entsprechen, haben beide den Buchstaben A daneben, während der Buchstabe B neben Größe 5 angezeigt wird. Daraus lässt sich schließen, dass die Größen 3 und 4 untereinander gleichwertig sind, nicht jedoch mit Größe 5. Die damit verbundenen Wahrscheinlichkeiten, dass dies nicht zufällig geschehen ist, werden in den p-Werten des Ordered Differences Report ausgedrückt. Man kann mit ziemlicher Sicherheit davon ausgehen, dass die Unterschiede zwischen den Größen 3 und 5 sowie den Größen 4 und 5 real sind (p-Werte von <0,0001 bzw. 0,0017). Umgekehrt ist es weniger wahrscheinlich, dass der Vergleich zwischen den Größen 3 und 4 real ist (5,79 % geben an, dass er zufällig stattgefunden hat, was vielleicht klein klingt, aber über der üblicherweise akzeptierten Beweislast von 5 % liegt).
Wenn wir nicht überzeugt sind, können wir versuchen, weitere Daten zu sammeln, um sicherzugehen. Wenn wir alternativ die Verwendung von Siebgröße 5 sofort einstellen und die Mahlzeit auf 30 Stunden erhöhen, sollten wir eine Verbesserung der Auflösungswerte feststellen. Wir werden den analytischen Arbeitsablauf auch bis zur erweiterten statistischen Modellierung fortsetzen, zunächst um Faktoren zu identifizieren, die wahrscheinlich von Bedeutung sind und die wir während unserer EDA möglicherweise übersehen haben. Wir möchten außerdem ein statistisches Modell erstellen, das alle diese Faktoren nutzt, um alle zugrunde liegenden Wechselwirkungen zwischen ihnen aufzudecken und im Idealfall einen optimalen Punkt in unserem Prozess zu finden, an dem wir zuverlässig und konsistent die höchstmögliche Chargenqualität produzieren und gleichzeitig das Auftreten von Ausschuss auf reduzieren können ein Minimum.
10) Erweiterte statistische Modellierung
Beginnen wir mit der ersten Frage: Gibt es Faktoren, die wir möglicherweise übersehen haben und die wir uns zusätzlich zur Mahlzeit und der Bildschirmgröße genauer ansehen sollten?
- Wählen Sie im Menü „Analysieren“ die Option „Vorhersagemodellierung“ -> „Partition“.
- Wählen Sie „Auflösung“ aus der Liste der Spalten im Dialogfenster „Partition“ und drücken Sie „Y“, „Antwort“.
- Wählen Sie alle Spalten von API-Partikelgröße bis Atom aus. Druck-Pa und drücken Sie X, Faktor.
- Wählen Sie OK.
- Wählen Sie im neuen Berichtsfenster „Partition zur Auflösung“, das angezeigt wird, die Option „Teilen“ aus.
Auch hier gibt es viele Informationen in diesem Bericht, aber wir brauchen nicht alle davon, um zu erkennen, dass die Bildschirmgröße die wichtigste Variable war. Keine große Überraschung, da es uns bereits während der EDA aufgefallen war. Beachten Sie, dass der Bericht jetzt zwei Felder mit der Aufschrift „Bildschirmgröße“ (3, 4) und „Bildschirmgröße“ (5) enthält. Der Partitionierungsalgorithmus hat einen Schnittpunkt innerhalb dieses wichtigen Faktors identifiziert, der die Daten teilt oder partitioniert, um so viele Variationen in unserem Prozess wie möglich zu erfassen. Anscheinend ist es zu dem gleichen Schluss gekommen wie wir, als wir diesen Faktor mithilfe von „Y nach X anpassen“ untersucht haben.
Lasst uns weitergehen:
- Wählen Sie erneut „Teilen“.
Die Mühlenzeit hat sich als unser zweitwichtigster Faktor in unserem Prozess herausgestellt. Wieder einmal keine große Überraschung. Aber wir haben einen weiteren Grenzwert entdeckt (11 Stunden). Möglicherweise haben Sie auch bemerkt, dass die Felder „Mühlenzeit-Stunden“ im Feld „Bildschirmgröße“ (5) verwurzelt sind. Dies bedeutet, dass der Schnittpunkt nur bei Verwendung von Größe 5 gilt und uns daher eine Spezifikationsgrenze vorgibt, falls wir jemals nicht weiter verwenden können. Größe 5 ist nicht ideal, aber wenn wir sie verwenden müssen, sollten wir mindestens 11 Stunden oder länger mahlen. Das gibt uns die beste Chance, halbwegs anständige Chargen herzustellen.
- Wählen Sie erneut „Teilen“.
Ha! Die Mischzeit war uns vorher nicht aufgefallen.
- Wählen Sie „Teilen“ immer wieder aus, bis keine Blätter mehr zu unserem Entscheidungsbaum hinzugefügt werden. (Sie sollten in der Lage sein, 11 weitere Teilungen durchzuführen.)
Nun, dem Baum wurden nun eine Reihe von Faktoren hinzugefügt. Tatsächlich wurden einige Faktoren mehrfach hinzugefügt. Jedes Blatt in diesem Baum ist ein Rezept, wobei die Faktoren in den darüber liegenden Blättern (Elternblätter, näher am Stamm) je nach Fall darüber oder darunter festgelegt werden und alle anderen Faktoren auf ihren Mittelwert eingestellt werden (oder im Fall der Kategorisierung zufällig zugewiesen werden). Variablen). Der vorhergesagte Mittelwert der mit diesem Rezept erzielten Auflösung ist im Blatt angegeben. Wir könnten beispielsweise alle Blätter durchsehen, um das beste Rezept zu finden, also das Rezept mit dem höchsten vorhergesagten Mittelwert. Nehmen Sie sich eine Minute Zeit, um zu sehen, ob Sie es finden können ... Hinweis: Es befindet sich in der Nähe der unteren Mitte des Baums: Siebgröße (3 oder 4), Mischzeit (≥15,9 Stunden), Laktoselieferant (Bond Inc.) und Beschichtungsviskosität (≥99,3 cp), wobei alle anderen Faktoren auf eingestellt sind ihre Mittelwerte. Wie Sie sehen können, werden voraussichtlich Chargen mit einer durchschnittlichen Auflösung von etwa 79 produziert.
Wir könnten versuchen, dieses Rezept auszuführen und die resultierenden Chargen zu überwachen, um zu sehen, ob unser Modell korrekt ist und ob die Auflösungswerte der resultierenden Chargen nahe an unserem vorhergesagten Wert von 79 liegen. Es ist völlig in Ordnung, hier anzuhalten und zu prüfen, ob dies funktioniert und ob die Herstellung von Chargen dieser Qualität unser Problem löst. In diesem Fall können wir mit dem nächsten Problem fortfahren, das gelöst werden muss. In diesem Szenario ist dies jedoch nicht gut genug. Wir müssen einen Weg finden, höher zu kommen, was bedeutet, noch mehr Informationen aus diesen Daten herauszuholen, um zu versuchen, unsere Lösung zu finden.
- Wählen Sie im roten Dreiecksmenü für „Partition zur Auflösung“ die Option „Spaltenbeiträge“ aus.
Durch diese Aktion wird der in Abbildung 20 dargestellte Bericht „Spaltenbeiträge“ zu unserem Partitionsfenster hinzugefügt. Von oben beginnend erklärt uns der Bericht in absteigender Reihenfolge die Bedeutung jedes unserer Faktoren. Es scheint, dass die Siebgröße der wichtigste Faktor ist, gefolgt von Mahlzeit, Mischzeit, Mischgeschwindigkeit usw. Wenn wir weiter unten lesen, erreichen wir schließlich Faktoren (beginnend mit der API-Partikelgröße und darunter), die in keinem der Blätter vorkommen und daher offenbar keinen Einfluss auf die Auflösung haben.
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.Abbildung 20: Spaltenbeiträge aus dem Bericht „Partition for Dissolution“ mit Darstellung der Bedeutung der Faktoren in absteigender Reihenfolge. Als letzter wichtiger Faktor wird die Sprührate angesehen; Es wird davon ausgegangen, dass alles, was darunter liegt, keinen Einfluss auf die Auflösung hat.
Daher können wir unsere Bemühungen zur Steigerung der Auflösung auf die acht Faktoren konzentrieren, die von Bedeutung sind, und die verbleibenden neun Faktoren, die es nicht sind, können wir weitgehend ignorieren.
- Wählen Sie im Bericht „Spaltenbeiträge“ die acht wesentlichen Faktoren aus (Bildschirmgröße bis Sprührate). Beachten Sie, dass diese Spalten jetzt in der Tabelle ausgewählt sind.
- Wählen Sie im Menü „Analysieren“ die Option „Modell anpassen“. Das Dialogfenster „Modell anpassen“ erscheint nun mit den bereits ausgewählten Spalten (Abbildung 21).
Figure 21: Fit Model dialog window, with columns of significant factors selected.Abbildung 21: Dialogfenster „Modell anpassen“ mit ausgewählten Spalten mit signifikanten Faktoren.
- Klicken Sie im Dialogfenster „Modell anpassen“ auf die Schaltfläche „Makros“ und wählen Sie „Reaktionsfläche“.
- Wählen Sie abschließend die Spalte „Auflösung“ aus und drücken Sie Y (Schaltfläche oben in der Mitte des Dialogfensters).
- Drücken Sie Ausführen.
Hinweis: Ein Antwortoberflächenmodell umfasst alle Haupteffekte (in diesem Fall unsere acht signifikanten Faktoren), alle bidirektionalen Interaktionen und alle quadrierten Terme. Es hat sich oft gezeigt, dass diese Art von Modell ein hervorragender Ausgangspunkt für die Lösung von Optimierungsproblemen ist und versucht, den optimalen Punkt zwischen unseren Prozesseinstellungen zu finden. Abgesehen von einigen Modellverfeinerungen, die wir weiter unten besprechen werden, ist es normalerweise auch ein ausreichend guter Endpunkt, was bedeutet, dass er genügend Informationen über unseren Prozess erfasst, um das Problem zu lösen, das wir lösen wollten.
Es erscheint ein Fenster mit einem Antwortauflösungsbericht. Auch hier gibt es viele Informationen, die alle ausführlich in der JMP-Online-Dokumentation erklärt werden, aber die meisten davon sind keine erforderlichen Kenntnisse zur Lösung unseres Problems.
Wir können mit der Untersuchung dieses Berichts von oben beginnen und uns nach unten vorarbeiten, indem wir Dinge überspringen, die nicht von besonderem Interesse sind. Das erste, was uns begegnet, ist das tatsächliche prognostizierte Diagramm, das unten in Abbildung 22 wiedergegeben ist. Wichtig hierbei ist, dass alle Punkte größtenteils entlang der dunkelroten Geraden liegen. Sie werden nie alle genau entlang der Linie fallen; Es wird immer Abweichungen in unserem Prozess geben, die nicht vom Modell erfasst werden. Dann stellt sich die Frage, wie groß die Variation ist Ist vom Modell erfasst? Der RSq-Wert direkt unter dem Diagramm liefert diese Information: 0,88 (oder 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).Abbildung 22: Ist-zu-Vorhersage-Diagramm für ein vollständiges Reaktionsflächenmodell mit acht Haupteffekten, das 88 % der Variation in der Auflösung erfasst (RSq = 0,88).
Unterhalb des Diagramms „Ist nach Vorhersage“ befindet sich die Zusammenfassung der Effekte (Abbildung 23), in der alle von uns in unser Modell einbezogenen Effekte in absteigender Reihenfolge ihrer Signifikanz aufgelistet sind. Dies alles basiert natürlich auf den in der Tabelle enthaltenen historischen Daten. Die Spalte ganz rechts mit der Bezeichnung „PValue“ gibt die Wahrscheinlichkeiten an, dass wir einen größeren Einfluss auf die Auflösung der jeweiligen Effekte sehen würden, wenn wir mehr Daten sammeln würden, vorausgesetzt, dass der Effekt überhaupt keinen Einfluss hat. Es sieht so aus, als ob eine Wahrscheinlichkeit von 0 %, auf fünf Dezimalstellen gerundet, besteht, dass zusätzliche Durchläufe zeigen würden, dass die Bildschirmgröße einen größeren Effekt zu haben scheint, wenn sie nicht vorhanden wäre. Es ist praktisch eine mathematische Gewissheit, dass die Größe des Einflusses, den wir sehen, nicht auf zufälligen Zufällen beruht. Wir können daher den Schluss ziehen, dass die Bildschirmgröße tatsächlich einen Einfluss auf die Auflösungswerte hat.
Figure 23: Effects Summary for a full response surface model with eight main effects.Abbildung 23: Zusammenfassung der Effekte für ein vollständiges Antwortflächenmodell mit acht Haupteffekten.
Das andere Extrem ist der Interaktionseffekt zwischen Laktoselieferant und Mischgeschwindigkeit, der Faktor ganz unten auf der Liste. Mit einem p-Wert von etwa 0,959, der weit über dem akzeptierten Grenzwert von 0,05 liegt, können wir mit Sicherheit schlussfolgern, dass dieser Effekt keinen Einfluss auf die Auflösung hat. Lassen Sie uns fortfahren und es aus dem Modell entfernen.
- Klicken Sie in der Effektzusammenfassungstabelle auf „Laktoselieferanten*Mischungsgeschwindigkeit-U/min“ und klicken Sie direkt darunter auf die Schaltfläche „Entfernen“.
Ist Ihnen aufgefallen, dass sich alle p-Werte und alles andere im Bericht leicht geändert haben? Wie bei vielen Berichten in JMP führen Änderungen dazu, dass alle Werte sofort neu berechnet werden, sodass wir das Modell verfeinern können, indem wir alle nicht signifikanten Effekte entfernen, ohne die Analyse neu starten zu müssen.
- Entfernen Sie nacheinander den am wenigsten signifikanten Effekt (den letzten am Ende des Effektzusammenfassungsberichts), bis alle verbleibenden Effekte p-Werte größer als 0,05 aufweisen, wie in Abbildung 24.
Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.Abbildung 24: Effektzusammenfassung für ein verfeinertes RSM-Modell, das nur Effekte mit einem p-Wert größer als 0,05 enthält.
Hinweis: Entfernen Sie nicht die Effekte, die rechts neben ihrem p-Wert ein ^-Symbol haben. Das Symbol soll Sie darauf aufmerksam machen, dass die Wirkung in anderen, bedeutsameren Wirkungen enthalten ist. In der Regel belassen wir diese im Modell und entfernen sie erst, wenn und nachdem alle enthaltenden Effekte zuvor entfernt wurden.
Der RSq-Wert unterhalb des Diagramms „Actual by Predicted“ sank auf 0,83, was bedeutet, dass dieses neue, verfeinerte Modell weniger Schwankungen in unserer Antwort erfasst. Das ist in Ordnung. Der ursprüngliche RSq von 0,88 war irreführend hoch, da die nicht signifikanten Terme einbezogen wurden, die zu zufälligem Rauschen und nicht zu unserem tatsächlichen Prozess passen. Das Entfernen hoher p-Wert-Faktoren aus einem Modell führt natürlich zu einem niedrigeren RSq, führt aber eher zu genaueren Vorhersagen für zukünftige Chargen.
Ist es also gut, 83 % der Variation in unserem Prozess erklären zu können, oder ist das völlig unzureichend? Erinnern wir uns an das Ziel dieser gesamten Übung: Wir versuchen, das Problem zu lösen, wie man Chargen mit Auflösungen über 70 zuverlässig produzieren kann, um die Ausschussrate von 15 % auf unter 5 % zu reduzieren. Sobald wir genug verstanden haben, um herauszufinden, wie das geht, sind wir fertig und können mit dem nächsten Problem fortfahren. Wenn dieses Modell uns das ermöglicht, dann ist es das auch gut genug . Wir können dies herausfinden, indem wir bis zum Ende des Berichts „Fit Least Squares“ zum Prediction Profiler scrollen, der unten in Abbildung 25 dargestellt ist.
Figure 25: Prediction Profiler for our refined RSM model.Abbildung 25: Vorhersageprofiler für unser verfeinertes RSM-Modell.
Der Prediction Profiler ist eine grafische Darstellung des Modells und kann verwendet werden, um das vorhergesagte Ergebnis einer Kombination von Einstellungen anzuzeigen. In Abbildung 25 wird beispielsweise der Mittelwert der mit diesen Einstellungen (Mühlenzeit 17,011 Stunden, Siebgröße 3 usw.) produzierten Chargen auf 77,49 % prognostiziert. Aus den Profilen können wir auch erkennen, dass eine Erhöhung der Mahlzeit, Mischzeit und Beschichtungsviskosität bei gleichzeitiger Verringerung der Sprührate laut Modell zu Chargen mit noch höheren Auflösungen führt.
- Klicken Sie auf die vertikalen roten gestrichelten Linien innerhalb der Profile und ziehen Sie sie nach rechts oder links.
- Verschieben Sie die Linien weiterhin manuell, um die Einstellung zu finden, bei der das Modell die höchste Auflösung vorhersagt.
Zusätzlich zum manuellen Versuch, die optimalste Einstellung zu finden, können wir die Funktion „Wünschbarkeit maximieren“ des Prediction Profilers nutzen:
- Klicken Sie auf das rote Dreiecksmenü für den Prediction Profiler.
- Wählen Sie „Optimierung und Erwünschtheit“ -> „Wünschbarkeit maximieren“.
- Gehen Sie zurück zum Menü mit dem roten Dreieck und wählen Sie „Optimierung und Erwünschtheit“ –> „Erwünschtheit maximieren“.
Nach Maximierung der Erwünschtheit wird die resultierende optimale Einstellung angezeigt (Abbildung 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).Abbildung 26: Der Vorhersageprofiler mit Erwünschtheitsfunktionen ist aktiviert, wobei die Faktoren bei optimalen Einstellungen zum höchsten Auflösungswert von 86,5 % führen (y-Achse vom Standardwert angepasst).
Der prognostizierte Wert liegt über unserem 70 %-Meilenstein. Der eigentliche Test kommt natürlich, wenn wir diese Einstellungen in unserer Fabrik ausprobieren.
11) Prädiktive Modellierung und maschinelles Lernen (JMP Pro)
In JMP Pro wird die Bereitstellung von Modellen in der Produktion durch das Formeldepot vereinfacht. Von dort aus können wir ganz einfach Scoring-Code generieren, um unser Modell in der Produktion bereitzustellen.
- Wählen Sie im roten Dreiecksmenü neben „Antwortauflösung“ oben im Bericht „Kleinste Quadrate anpassen“ die Option „Spalten speichern“ > „Vorhersageformel veröffentlichen“.
- Klicken Sie im Formula Depot-Bericht auf das rote Dreiecksmenü „Fit Least Squares – Dissolution“ und wählen Sie „Generate…“ (siehe Abbildung 27).
Hinweis: Mit dem Formeldepot können C++, Python, JavaScript, SAS oder SQL generiert werden.
Figure 27: Formula Depot with the Fit Least Squares model for Dissolution (left), with automatically generated Python code (right).Abbildung 27: Formeldepot mit dem Fit Least Squares-Modell für die Auflösung (links), mit automatisch generiertem Python-Code (rechts).
12) Automatisierung und Skripterstellung
Jetzt ist es an der Zeit, das Skript zu speichern, um die Tabelle in JMP zu importieren und sie in das richtige Format zu bringen. Dies erleichtert die Wiederholung erheblich, wenn neue Daten verfügbar sind. Wir machen uns keine Gedanken darüber, die Anweisungen für alle Analysen, die wir in diesem Moment durchgeführt haben, aufzubewahren, da wir sie wahrscheinlich nicht genau wie zuvor wiederholen müssen. Letztendlich wollen wir die Auswirkungen der Implementierung des neuen Rezepts auf künftige Chargen überwachen und sicherstellen, dass alles stabil bleibt und der Prozess nicht ins Wanken gerät. Lassen Sie uns zunächst einfach die Datentabellenvorgänge aus dem Aktionsrekorder im Protokoll erfassen.
- Klicken Sie im Protokollfenster auf das rote Dreiecksmenü in der oberen linken Ecke und wählen Sie „Action Recorder“ aus.
- Wählen Sie Plattformstart aus, um diese Option zu deaktivieren.
- Wiederholen Sie diesen Vorgang, um auch „Snapshot beim Schließen melden“ zu deaktivieren, sodass nur „Datentabellenoperationen“ ausgewählt angezeigt werden, wie in Abbildung 28.
Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.Abbildung 28: Protokollfenster mit den Aktionsaufzeichnungsoptionen im roten Dreiecksmenü, wobei nur Datentabellenoperationen ausgewählt sind.
- Klicken Sie erneut auf das rote Dreiecksmenü im Protokollfenster. Wählen Sie „Skript speichern -> Im Skriptfenster“.
- Wählen Sie im Skriptfenster Datei -> Speichern unter. Benennen Sie das Skript „Tablet Data Import“ und speichern Sie es an einer geeigneten Stelle auf Ihrem Desktop.
Nachdem wir das Skript gespeichert haben, können Sie die JMP-Datentabelle einschließlich aller geöffneten Berichte schließen. Übrig bleiben uns unsere ursprüngliche Excel-Tabelle sowie alle Anweisungen, die wir benötigen, um sie in JMP zu importieren und für die Analyse vorzubereiten. Wir haben auch die Anweisungen für unsere Fabrik eingereicht, mit der Produktion von Produkten nach der neuen Rezeptur zu beginnen. Löschen wir das Protokoll und machen wir dann eine Pause, während wir darauf warten, dass neue Daten verfügbar werden.
- Wählen Sie im Menü mit dem roten Dreieck im Protokollfenster die Option „Protokoll löschen“ aus.
13) Qualität und Verfahrenstechnik
Stellen Sie sich vor, dass einige Zeit vergangen ist und eine Reihe von Durchläufen mit unserem neuen und verbesserten Prozessrezept abgeschlossen wurden. Diese neuen Läufe wurden als neue Zeilen in der Excel-Arbeit hinzugefügt; Dies geschah möglicherweise automatisch, oder die Zeilen wurden manuell hinzugefügt und die Datei anschließend erneut gespeichert. Der neue Prozess wird B genannt, um ihn vom alten Prozess, bekannt als A, zu unterscheiden.
- Speichern Sie die aktualisierte Datei „Tablet Data.xlsx“ am selben Speicherort wie die zuvor verwendete Datei „Tablet Data.xlsx“.
- Löschen Sie Tablet Data.xlsx.
- Benennen Sie die neue Datei Tablet Data.xlsx um.
- Öffnen Sie die in gespeicherte Skriptdatei „Tablet Data Import.jsl“. Abschnitt 12 und drücken Sie die Run-Taste (Abbildung 29).
Figure 29: Script window with the Run button near the top of the window circled in blue.Abbildung 29: Skriptfenster mit der blau eingekreisten Schaltfläche „Ausführen“ oben im Fenster.
Beachten Sie, dass die Formatierungsänderungen, die wir an unserer ursprünglichen JMP-Tabelle vorgenommen haben, beim Importieren dieser Tabelle automatisiert wurden, einschließlich der Neukodierung der Spalten API-Particle Size und MgSt-Supplier, der Änderung des Modellierungstyps der Bildschirmgröße in Ordinalzahl und der Verwendung eines Kommas als Dezimalsymbol und Konvertieren der betroffenen Spalten in numerische Spalten und Hinzufügen der Spalte „Akzeptieren/Ablehnen“ am Ende. Beachten Sie auch, dass der Tabelle 25 Läufe hinzugefügt wurden, die unseren neuen Läufen entsprechen, sowie eine Spalte, die das Rezept für jede Charge angibt. Eine kurze Untersuchung der Tabelle zeigt, dass das Import- und Formatierungsskript diese Ergänzungen erfolgreich berücksichtigt hat. Das sind gute Nachrichten, denn auch wenn weiterhin neue Daten verfügbar werden, können wir uns weiterhin auf dieses Skript verlassen.
Wenn Sie zum Ende der Tabelle scrollen, werden die neuen Läufe in der Spalte „Rezept“ als B angezeigt.In der Spalte „Annehmen/Ablehnen“ (letzte, ganz rechts) können wir sehen, dass alle neuen Chargen als „Annehmen“ klassifiziert wurden. Das sind natürlich auch hervorragende Neuigkeiten. Möglicherweise ist Ihnen aufgefallen, dass die Rezeptsollwerte nicht mit den Angaben in der Tabelle übereinstimmen. Beispielsweise hat das Modell die optimale Einstellung der Mahlzeit auf 25,7 Stunden festgelegt, die Werte in der Tabelle weichen jedoch etwas von dieser Einstellung ab. Dies liegt daran, dass die Tabelle die tatsächlich gemessenen Werte jeder Charge enthält, die nicht immer genau dem Sollwert entsprechen. Die Verschärfung dieser Werte durch eine bessere Kontrolle der Prozessvariablen könnte eine zukünftige Möglichkeit zur Verbesserung unseres Prozesses sein.
In der Zwischenzeit können wir anhand einer Kontrollkarte sehen, wie sich unser Prozess nach der Implementierung des neuen Rezepts verändert hat. Wir können es auch verwenden, um den Prozess zu verfolgen und zu überwachen und uns auf allmähliche Abweichungen oder plötzliche Änderungen aufmerksam zu machen, die ein Eingreifen erfordern.
- Wählen Sie im Menü „Analysieren“ die Option „Qualität und Prozess“ -> „Control Chart Builder“.
- Scrollen Sie im Fenster „Kontrolldiagramm-Generator“ im Spaltenbereich nach unten zur Spalte „Auflösung“. Klicken Sie auf „Auflösung“ und ziehen Sie es in die Y-Drop-Zone.
- Ziehen Sie die Spalte „Rezept“ in die Drop-Zone „Phase“ oben im Kontrolldiagramm.
- Wählen Sie Fertig.
Wir haben jetzt zwei individuelle Diagramme und Diagramme mit gleitendem Bereich nebeneinander, wobei das Diagramm für Rezept A links neben dem Diagramm für Rezept B liegt, wie in Abbildung 30 dargestellt. Das erste, was uns auffällt, ist, dass die Punkte für Rezept B höher sind, was ihren höheren Auflösungswerten entspricht. Die durchgezogenen grünen Linien in der Mitte der Diagramme kennzeichnen die Mittelwerte jedes Prozesses, während die durchgezogenen roten Linien über und unter dem Mittelwert die oberen bzw. unteren Kontrollgrenzen darstellen. Ihre berechneten Werte werden in den Zusammenfassungen der Auflösungsgrenzen direkt rechts neben der Kontrollkarte angezeigt.
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).Abbildung 30: Individuelles und gleitendes Bereichsdiagramm für beide Rezepte, A (links) und B (rechts), mit Grenzwertzusammenfassungen, die die berechneten Mittelwerte (Durchschnitt) und die unteren/oberen Kontrollgrenzen (LCL/UCL) liefern.
Es gibt mehr Variationen bei den Chargen, die mit Rezept B, dem neuen, hergestellt wurden, als mit dem alten, Rezept A. Wir können dies erkennen, weil die Punkte selbst über einen größeren Bereich von Auflösungswerten verteilt sind. Wir stellen außerdem fest, dass die roten Linien weiter voneinander entfernt sind, was auf eine größere Standardabweichung hinweist. Wie wir jedoch anhand der Spalte „Akzeptieren/Ablehnen“ festgestellt haben, sind alle Chargen von Rezept B akzeptabel, was unser vorrangiges Ziel ist. Ein Mittelwert von 86,76 % ist deutlich höher als 72,86 %, der Mittelwert unseres Originalrezepts; 86,76 % liegen auch bemerkenswert nahe an dem von unserem Modell vorhergesagten Wert von 86,5 %.
Trotz der großen Standardabweichung, die zu den weiten Kontrollgrenzen führt, scheint es auf den ersten Blick, dass unser Prozess stabil ist. Dennoch kann es sein, dass Rezept B einen Aufwärtstrend aufweist. Eine im Menü „Qualität und Prozess“ verfügbare Option könnte darin bestehen, den Trend mithilfe eines CUSUM-Diagramms im Auge zu behalten, um so früh wie möglich festzustellen, ob es sich um einen echten Trend handelt.
Ein einfacher Stabilitätstest und ein Hinweis darauf, dass sich möglicherweise etwas geändert hat, wäre, dass einer der Punkte über die roten Linien hinausgeht. Es gibt auch andere Tests, die aktiviert werden können, um als Alarme für die Prozessüberwachung zu dienen.
- Klicken Sie mit der rechten Maustaste in die Mitte des Diagramms „Individuell und gleitender Bereich“.
- Wählen Sie Warnungen –> Tests –> Alle Tests.
Eine Warnung wird in A angezeigt (bewegen Sie den Mauszeiger über die Warnung, um die Details anzuzeigen), während in B keine angezeigt wird.Wir können jedoch – und sollten dies unbedingt tun – die Kontrollkarte aktualisieren, um Änderungen zu überwachen, sobald neue Daten verfügbar sind, und dies regelmäßig tun, solange das Produkt in unserer Fabrik hergestellt wird.
- Wählen Sie im roten Dreiecksmenü neben Control Chart Builder die Option Skript speichern -> In die Zwischenablage.
- Gehen Sie zum Tablet Data Import-Skript und fügen Sie es nach der letzten Zeile des Skripts ein (Rechtsklick -> Einfügen oder Strg+V).
- Speichern Sie die aktualisierte Skriptdatei -> Speichern.
Wir können nun die Kontrollkarte und die Tabelle schließen, ohne sie zu speichern. Beim Ausführen des Skripts wird die Tabelle erneut importiert und das Kontrolldiagramm erstellt. Da sich der Arbeitsaufwand für die Aktualisierung der Analyse nun auf einen einzigen Knopfdruck reduziert hat, ist es kaum noch aufwändig, dies regelmäßig und so oft wie nötig zu wiederholen. Es kann sogar durch die Verwendung des Taskplaners in Windows oder iCal auf Macs (oder eines der unzähligen anderen kostenlosen Tools zur automatisierten Planung) automatisiert werden. Was aber, wenn unsere Kollegen, die für die Überwachung des Prozesses verantwortlich sind, nicht mit JMP vertraut sind? Wie können wir sie in Echtzeit auf dem Laufenden halten und informieren?
14) Ergebnisse teilen und kommunizieren
JMP Live ist ein Tool für Wissenschaftler und Ingenieure, mit dem sie über eine sichere Webverbindung auf JMP-Berichte zugreifen können, ohne JMP verwenden zu müssen. Es ist sogar möglich, den Versand von Warn-E-Mails zu ermöglichen, wenn innerhalb einer Regelkarte ein Prozessalarm ausgelöst wird. Der gesamte Vorgang des Importierens der Daten, der Reproduktion der Analyse, der Veröffentlichung des Berichts in JMP Live (in unserem Fall einer Kontrollkarte) und des Versendens von E-Mail-Warnungen im Falle eines außer Kontrolle geratenen Prozesses kann für regelmäßige Aktualisierungen leicht automatisiert werden .
JMP Live, mit dem vertrauliche oder sensible Berichte auf einen sicheren Server hochgeladen und in geschlossenen Kreisen geteilt werden können, ist ein separates Produkt innerhalb der JMP-Familie. JMP Public ist eine öffentliche Version von JMP Live. Jeder mit einem Webbrowser kann die Berichte anzeigen (verfügbar unter public.jmp.com), während jeder mit JMP 15 oder höher die Berichte frei in JMP Public veröffentlichen kann.
Beginnen wir mit der Veröffentlichung unseres Berichts auf JMP Live:
Hinweis: Wenn Sie keinen Zugriff auf JMP Live haben, können Sie auf JMP Public veröffentlichen. Alternativ können Sie einfach die Schritte lesen und später versuchen, sie auszuführen. Wenn Sie zum ersten Mal auf JMP Live oder JMP Public veröffentlichen, stellen Sie zunächst eine Verbindung her (Datei -> Veröffentlichen -> Verbindungen verwalten…). Einzelheiten finden Sie in dieser Blogbeitrag sowie eine Anleitung zur automatischen Veröffentlichung.
- Wählen Sie im Control Chart Builder-Berichtsfenster Datei --> Veröffentlichen --> In JMP Live veröffentlichen… aus.
- Wählen Sie den zu veröffentlichenden Bericht aus und klicken Sie auf Weiter.
- Stellen Sie sicher, dass das Kontrollkästchen „Warnungen aktivieren“ aktiviert ist. Dies bedeutet, dass im Falle einer aktivierten Kontrollkartenwarnung E-Mails gesendet werden (siehe Abbildung 31).
- Wählen Sie die Gruppe (zuvor gespeicherte E-Mail-Liste) aus, der Zugriff auf den Bericht gewährt werden soll.
- Klicken Sie auf „Veröffentlichen“.
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.Abbildung 31: Neues Post-Konfigurationsfenster von JMP Live mit aktiviertem Kontrollkästchen „Warnungen aktivieren“ für Kontrollkarten-Warnungs-E-Mails. Unten sehen wir, dass der Zugriff auf den Bericht auf die Engineering-Gruppe beschränkt ist.
Nach Abschluss dieser Schritte wird eine Meldung angezeigt, dass der Bericht erfolgreich veröffentlicht wurde.
Hinweis: Für die Zwecke dieses Blogs wurde eine Kopie des Berichts veröffentlicht JMP Public .
Nachdem der Bericht nun einmal veröffentlicht wurde, ist es einfach, den Online-Bericht zu aktualisieren, sobald neue Daten verfügbar sind. Wie oben erwähnt, finden Sie hier Details und hilfreiche Tipps Hier . Kurz gesagt, es werden drei Informationen benötigt:
- Der Name des Berichts in JMP.
- Der Name der JMP Live-Verbindung.
- Die Berichtskennung für unseren in JMP Live veröffentlichten Bericht.
Der Name des Berichts (in unserem Fall Control Chart Builder-Bericht) ist der Name, der zum Verweisen auf das Objekt in JSL verwendet wurde. Zurück in Abschnitt 13 Als wir das Skript kopiert und in unser JSL-Fenster eingefügt haben, haben wir ihm keinen Namen gegeben. Lasst uns zurückgehen und das jetzt tun.
- Fügen Sie direkt vor der Control Chart Builder-Funktion, die zum Erstellen des Control Charts in Ihrem JSL-Skriptfenster verwendet wurde, ein Gleichheitszeichen ein und geben Sie ihm einen eindeutigen Namen (siehe Abbildung 32).
Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.Abbildung 32: JSL-Skriptfenster mit dem Control Chart Builder, jetzt referenziert mit dem Namen ccb.
Als Nächstes kann der Name der Verbindung zu JMP Live mithilfe der Funktion „Verbindungen verwalten…“ im Menü „Datei“ > „Veröffentlichen“ ermittelt werden. Es wird angezeigt, wenn zum ersten Mal eine Verbindung zu JMP Live hergestellt wird, wie im Abschnitt beschrieben JMP Live-Administratortricks: Veröffentlichung automatisieren Blogeintrag.
Schließlich ist die Berichtskennung der Code nach dem letzten Schrägstrich (/) in der Webadresse des veröffentlichten Berichts. In dem in JMP Public angezeigten Bericht entspricht er beispielsweise dem in Abbildung 33 blau eingekreisten Code.
Figure 33: JMP Public report with the report identifier code circled in blue.Abbildung 33: Öffentlicher JMP-Bericht mit blau eingekreistem Berichts-ID-Code.
Mit diesen Informationen müssen Sie nur noch die folgenden vier Codezeilen zu Ihrem Skript hinzufügen:
liveconnection = New JMP Live( Connection( *JMP Live Connection Name* ) );
webreport = Neuer Webbericht();
webreport<
jmpliveresult=liveconnection<
Die Zeilen können genau so, wie sie oben angezeigt werden, in Ihr Skript kopiert werden, wobei die durch Sternchen (*) eingerahmten Platzhalternamen durch ihre tatsächlichen Namen ersetzt werden.
Schlussbemerkungen
Zu diesem Zeitpunkt läuft der Prozess innerhalb der Spezifikationen und es wurde eine automatische Überwachung mit E-Mail-Benachrichtigungen eingerichtet. Wir sind endlich bereit, uns dem nächsten Problem zuzuwenden, mit all seinen ungelösten Herausforderungen und unbeantworteten Fragen, die neue Möglichkeiten bieten, die Leistung zu verbessern, die Entwicklung zu beschleunigen, Kosten zu senken oder die Effizienz zu steigern, vielleicht alles auf einmal. Der Weg dorthin erfordert, dass wir neue Wege durch den JMP Analytic Workflow beschreiten und dabei neue Erkenntnisse gewinnen.
Aber was ist mit dem Problem, das wir gerade gelöst haben? Können wir den Ertrag weiter steigern? Gibt es eine Möglichkeit, die Auflösung noch weiter voranzutreiben? Was wird sich auf unseren Prozess auswirken, wenn eine Maschine kaputt geht oder ein Lieferant wechselt? Wie sollen wir reagieren, wenn die E-Mail-Benachrichtigungen zu Regelkarten, die wir über JMP Live eingerichtet haben, ausgelöst werden?
Der wahre Wert liegt darin, den JMP Analytic Workflow als Leitfaden für einen kontinuierlichen Verbesserungszyklus zu betrachten und nicht als eine einseitige Reise, die bei einem Problem beginnt und bei einer Lösung endet. Jede Runde des Zyklus verbessert schrittweise die Leistung, was zu besseren Produkten oder Prozessen führt und unser Geschäft stärkt.
Um mehr darüber zu erfahren, wie der JMP Analytic Workflow Ihnen bei der Bewältigung Ihrer Herausforderungen helfen kann, besuchen Sie unsere Internetseite.
