Les progrès du Big Data, de l’intelligence artificielle et de la science des données ont grandement contribué aux activités décisionnelles basées sur les données. Dans les industries où diverses données peuvent être collectées, ou au stade de la production de masse de produits, les données acquises peuvent être traitées sous diverses formes et les activités d'analyse des données peuvent être menées en développant ou en appliquant des modèles d'analyse appropriés. Cependant, au stade de la recherche et du développement de nouvelles technologies ou de nouvelles conditions de processus, il est difficile d'obtenir divers types d'informations en raison de contraintes de temps et de ressources. Dans cet environnement, nous aimerions en apprendre davantage sur la méthode de conception expérimentale, une technique d'analyse de données permettant d'obtenir divers résultats expérimentaux basés sur une petite quantité de données, basée sur JMP. Ce contenu fournit une brève introduction aux principes de la planification expérimentale, ainsi que diverses statistiques pouvant être obtenues grâce à la planification expérimentale de JMP. Sur la base des variables expérimentales, des niveaux et des variables de réponse obtenus à partir des conditions de conception expérimentale prévues, nous procédons à un test de signification et à une explication de l'estimation des intervalles de confiance et des explications des paramètres et des facteurs aléatoires. En particulier, la méthode de conception expérimentale JMP, ainsi que la méthode expérimentale factorielle complète, la méthode expérimentale factorielle partielle et la méthode d'analyse de surface de réponse largement utilisées, visent à proposer une méthode d'utilisation d'une conception personnalisée qui prend en compte les contraintes de l'environnement expérimental. . Grâce à ce contenu, nous espérons que la méthode de conception expérimentale sera utilisée au bon endroit dans les industries réelles.
