需要有關在成熟的製造組織中實施統計過程控制的建議場景：我們有一個 LIMS，可將 QC 測試資料從製造流程推送到資料倉儲。我們有一些 JMP 用戶。我們希望最終引入 SPC 的系統方法，並正在討論如何做到這一點的不同策略。出現的問題之一是令人失望的是，我們無法批量利用我們的 LIMS 系統，但很可能不得不從資料倉儲中提取資料以進行趨勢分析。事實上，我們已經很久沒有使用LIMS，導致資料來源相對髒亂，需要大量清理。然而，由於LIMS 系統中的各種持續變化（需要新的QC 測試的新產品的引入、不再需要停產的產品及其QC 測試、更改測試名稱、新的樣品類型），即使數據來自LIMS，清潔也是必要的、配置變更等）。我的印像是，事情就是這樣：事情在變化，數據素養水平各不相同，數據紀律沒有嚴格執行，LIMS 超級用戶通常不是數據倉庫用戶，而且事情的發展往往與計劃不同。
一位團隊成員的一個重要評論是懷疑大型製藥公司在資料方面的組織性要好得多，並提出問題是我們的策略是否可能過於複雜（LIMS --> 資料倉儲--> 利用資料倉儲的資料分析工具）。
問題:
- 將資料從 LIMS 推送到資料倉儲並再次從那裡檢索資料以進行趨勢分析的方法是否不常見？
- 大型製藥公司的資料來源平均而言是否比其他製造領域更清潔且管理更好？
- 是否有任何標準的「一刀切」方法可以達到我們想要達到的目標？
- 當涉及到資料庫連接、自動化和 SPC 時，JMP 不就是一顆寶石嗎？
- 如何在不借助 JMP Live 的情況下以最佳方式發布 SPC 圖表？
- 我還可以向團隊回饋哪些其他重要資訊？
預先非常感謝您！
品質和工藝工程回覆：需要有關在成熟的製造組織中實施統計過程控制的建議不用擔心，很高興這是有道理的。我認識很多不了解方法論的統計學家。
回覆：需要有關在成熟的製造組織中實施統計過程控制的建議這是非常有道理的，並且了解起來非常有用。您已經得出結論，我不是統計學家。感謝您的寶貴幫助！回覆：需要有關在成熟的製造組織中實施統計過程控制的建議現在你發現了你可能遇到的最大挑戰…管理冷漠。我與經理合作的情況比我希望的要頻繁得多，他們願意接受低品質的成本，但從一開始就避免這種情況。相比之下，您在原始帖子中提出的所有主題和問題都顯得蒼白無力。祝你好運。
回覆：需要有關在成熟的製造組織中實施統計過程控制的建議我的回應：
"我認為“因果結構”指的是識別可分配的或特殊的原因。”
不完全是（意識到有兩個模型；休哈特模型將變化分為可分配的和隨機的，戴明模型將變化分為特殊和常見的原因。雖然同義，但它們並不相同），我的意思是理解輸入變數之間的關係（ X's) 和反應變數 (Y's)，用 Y=f(X) 符號表示。理解因果結構的過程從假設開始（這些假設可能來自熟悉製程/產品的工程師和科學家）。這些是假設，而不是事實，通常是透過質疑過程、觀察、資料探勘等而形成的。應該有多種假設。一旦你有了一組假設，你就可以取得數據來深入了解這些假設。如何取得數據是一個重要的決定。如果您的知識連續性較低，那麼這些假設可能相當籠統。這通常建議進行抽樣（變異研究的組成部分）來獲取線索，以了解應將精力集中在哪裡。這就是SPC的意圖。根據提供的少量信息，您的過程似乎是一個批處理過程。我想問的一些問題包括：測量組件的能力和一致性如何？是否足以區分批次內和批次間的變異來源？批次內有多少變異？批次內差異是否一致？批次內是否有任何系統變異（例如分層）？批次之間有多少差異？這種變化是否一致？這些變異來源如何相互比較（例如，這些組件的排名順序是什麼）？
雖然移動極差圖可以提供對一致性的洞察，但它們在分離和分配變化的不同組成部分方面作用甚微。畢竟，隨著時間的推移，移動極差圖表中子組內的所有 x 都會發生變化。另一方面，如果您的採樣由多個批次、批次內的多個樣本以及同一樣本的多個測量組成，則您將擁有可分離的三層組件。這是嵌套採樣樹的範例：
我建議使用假設來確定樹中需要多少層（例如，您想要分離多少個組件）。 KISS，即保持簡單和順序。第一個抽樣計劃的目的是幫助制定一個更好、更具體的由數據指導的抽樣計劃（可能像一個實驗）。
我建議您閱讀以下內容以更好地了解該方法：
Wheeler, Donald 和 Chambers, David (1992)「理解統計過程控制」SPC Press (ISBN 0-945320-13-2)
唐納德·惠勒 (2015) “理性抽樣”， 《品質文摘》
唐納德·惠勒 (2015) “理性分組”， 《質量文摘》
Shewhart, Walter A. (1931) “製成品品質的經濟控制” ，D. Van Nostrand Co.，紐約
回覆：需要有關在成熟的製造組織中實施統計過程控制的建議再次，我們非常讚賞這一點。我曾考慮過提及功能資料瀏覽器，因為它非常適合我們的長批量生產時間與一組不同的品質控制測試來表徵整個批次的場景。然而，JMP Pro 的成本太高，足以引起管理層的關注，從而難以捍衛投資。當然，我們會繼續努力。
回覆：需要有關在成熟的製造組織中實施統計過程控制的建議還有一些想法給你。我將把我的評論僅限於您的陳述，「還不清楚我們是否知道並完全理解所有變異來源。據推測，我們將首先採訪製程工程師，了解他們對個別變異來源的想法。下一步，我認為我們應該嘗試單獨控制這些變異源，以測試我們是否能夠獲得更一致的製程輸出，即按順序製造的批次是否變得比現在更加相似。”
採訪流程工程師是一個好的開始…但沒有什麼可以取代資料。在從事化學批量生產多年的過程中，有時都市神話占主導地位，因為有人（通常是資深人士）「在批次不久前變質時這麼說」。在我的公司，我們經常有機器過程控制系統，我們可以將過程資料下載到 SAS 或 JMP，然後使用建模方法來嘗試找出因果結構。我們會大量使用 PLS 和 PCA。我離開行業已經有幾年了，現在有了 JMP Pro 中的 Gen Reg 和功能數據瀏覽器功能……天哪，這幾乎讓我想繼續退休！所以我建議如果有機會的話可以使用這些方法。
回覆：需要有關在成熟的製造組織中實施統計過程控制的建議@statman ，謝謝您的提問！這些問題非常有用。
我認為“因果結構”是指識別可分配的或特殊的原因。在我們的例子中，生產一個批次可能需要很長時間。每一批產品都經過全面的測試程序，產生了許多測量結果，我們目前認為這些結果代表了每批產品的真實品質。
就我個人而言，我認為我們還沒有任何理由將多個批次的資料分組為合理的子群組。我們可能只會看到每個子組內有很多變化，並且沿著水平軸繪製的數據很少。因此，我們現在實際上只考慮個別圖表和移動極差圖表，因為我們試圖理解或學習的是導致一批與下一批品質差異的原因。
我們是否知道並完全理解變異的所有來源也尚不清楚。據推測，我們將首先採訪製程工程師，以了解他們對個體變異來源的看法。接下來，我認為我們將嘗試單獨控制這些變異源，以測試我們是否能夠獲得更一致的製程輸出，即按順序製造的批次是否變得比現在更相似。因此，我們可能需要在這些控製圖中定義不同的階段，與旨在控制各個變異源的不同舉措相關聯。我認為記錄這些階段可能會有問題：如何稱呼它們/是否需要特定的術語？在哪裡/如何記錄它們並為後代記錄它們？
現在的情況是，我們別無選擇，只能查看「特殊原因事件」發生後的數據，並且如上所述，我們幾乎不了解每種情況下的具體特殊原因是什麼。
這些是否足以回答您的問題，還是我忽略了某些內容？
您還建議考慮什麼？
回覆：需要有關在成熟的製造組織中實施統計過程控制的建議這是我的想法/問題：
SPC是一種分析工具。為了正確使用它，您必須了解合理的分組和抽樣策略。如何取得數據是一個非常重要的決定。
「從長遠來看，最初成功地將數據劃分為基於理性理論的理性子組的工程師本質上會更好。 。 」。
休哈特
SPC和控制圖方法的發明（Shewhart）是為了回答2個問題：
1. 與子組內變異源（子組內 x 的變化）相關的變異是否穩定且一致？如果沒有，為什麼不呢？這與戴明的特殊原因/共同原因模型一致。如果您在「特殊原因」事件」發生後查看數據，那麼您就錯過了即時了解發生情況的機會。
2. 哪些變異來源具有較大的影響力（占主導地位），是內在的還是中間的？ X 長條圖是比較圖。它將由子組內源（控制限）引起的變異與子組間變異源（繪製的平均值）引起的變異進行比較。它可以幫助調查人員了解他們的工作重點在哪裡。
考慮到這一點，我不確定你想做什麼？您似乎對繪製數據並使許多人可見感興趣。這不是一個壞主意，但這只是 SPC 預期目的的一部分。 SPC 的目的是了解因果結構（分析）。
回覆：需要有關在成熟的製造組織中實施統計過程控制的建議這是我的七分錢（每個問題一分錢，還有一個額外的想法：
1. 不會。在我擔任 JMP 高級系統工程師期間，在大型製藥公司擁有許多用戶，這是一種常見的數據路徑。
2. 不。它總是「髒」的，資料清理和監視是工作的重要組成部分。
3. 不。
4. IMO，JMP是世界一流的。
5. 始終有 JMP Public 或創建儀表板應用程序，您可以在其中內部控制誰具有讀取/寫入存取權限。
6. 開始系統設計時就牢記最終目標。然後對資料收集、清理、報告和分發進行逆向工程。
額外想法：冒著為銷售團隊中的 JMP 系統工程師工作的風險，讓該人提出這些問題，以聽取他們的意見。誰知道呢...也許甚至有一位 JMP 客戶也願意與您交談。
