Hola, bien mañana. Bien Buenas noches a todos.
Mi nombre De Raisa.
Soy a fabricación calidad ingeniero de Aplicado Materiales, Taiwán.
I comenzó a aprender JMP en comienzo de este año.
Recientemente, I aprobar ed esto proceso de dar un título examen
con puntaje, 925 en este Julio.
Hoy, Identificación como a hacer a corto presentación
acerca de Solución inmediata de QN Análisis del tiempo por JMP.
Como nosotros saber, una vez a calidad notificación curar es creado,
él debe llevar adicional, más o menos tiempo a arreglar asunto,
y puede impacto en producción planificación y programación.
Por lo tanto, casarse como a encontrar a el peor- caso por análisis.
Bueno.
Para análisis, aquí son cinco s temas de ub en orden del día.
Primero, el Raíz Causa Análisis de QN Ciclo de reparación Tiempo,
Gráfico Resumen del análisis de la causa raíz,
Comparar modelo de ajuste, partición, Modelo neuronal,
y entonces H híbrido Texto M frío
y el Datos Minería Análisis.
Finalmente, Llevar Lejos Aprendizajes.
Bueno, vamos conseguir comenzó.
El histograma.
1º capa de Análisis de la causa raíz de QN Arreglar Ciclo Tiempo.
Antes investigación, pensar acerca de eso.
¿Qué escenarios? impacto en QN Fix Ciclo T hacer
y cómo largo es ¿Es soportable?
En primer lugar,
definir cinco días como a criterios
y también a llave condición a seguir C-wide desparramar i redacción
y dentro cinco días,
nosotros en especificación y éxito criterios.
En el otro mano, encima cinco días afuera de especulación falla análisis,
más tarde, I hacer directamente a descomponer a en y la FA.
Aviso este sombra de distribución entre en y el PERO.
Mientras tanto, mirar en el Mosaico Trama
para el proporción de cada categoría
a inferir a potencial r causa de salida
para el éxito análisis.
Nosotros poder ver el Hechura y Retrabajo de MFG,
parecer a tener rápido respuesta y mejor arreglar ciclo tiempo.
Para PERO dimensión asunto, llevar más arreglar ciclo tiempo.
Él es obvio variación en Hora de la FA.
Distribución entre en y el PERO,
suponer si el tiempo de FA es uno de el llave factor,
S1 a impacto la f y c ciclo tiempo.
El Caja P lote.
El diagrama de caja es a gráfico de el distribución de continuo variable.
Por lo tanto, trama continúa fijado ciclo tiempo versus anidado estructura,
categórico país bajo contención
a buscar otro factores impacto arreglar ciclo tiempo o no.
Él pantallas el cinco- número resumen de configuración datos.
Él es no- paramétrico herramienta a usar Mediana como central tendencia.
Además, allá son alguno observaciones en diagrama de caja gráfico.
Primero, en el menos Siete punto a detectar el primer valor atípico.
De lo contrario, él se convierte en bigote (sesgado) grupo problema
dónde muestra tamaño es menos que Siete .
Segundo, se observó roscado distribución
por Ancho de la caja o Longitud de los bigotes.
Cómo a manejar marginal valores atípicos,
cual son nosotros pensar dos sigma ruido GRR de bigote
y atrás a el Análisis de la causa raíz,
él es no difícil a encontrar a reciclar tiempo
de el contención reemplazo
es mucho más extenso que otro contención.
Y con eso,
Contención X₂ y X₃ país aquí.
Mapa de calor.
Mapa de calor es otro gráfico herramienta
desertar datos valor por color.
A ganancia, hasta ahora, nosotros recolectar tres aporte factores,
tipo de defecto de histograma, contención y país de diagrama de caja
y en orden a seguir trimestre de estudio impacto
entrada trimestral impacto en fijado ciclo tiempo.
Aquí en atrás categórico denominado tipo de defecto en Eje Y
y el color ciclo tiempo
y mantener autobús pronóstico estructura.
Categórico país bajo contención en X y X grupo.
Entonces usar un 8 por 9 disposición mirar balance
a rápidamente atrapar afuera el máximo
y el mínimo tiempo de ciclo escenarios.
Para PERO, él es fácil a encontrar a pequeño rojo área, ¿bien?
El biblioteca reflejos el más largo arreglar ciclo tiempo.
Con eso, Reemplazo Taiwán Daño regiones,
en el el peor caso para ciclo tiempo.
El Reemplazo Unido Estados
y el Dimensión asunto regiones es el segundo el peor guión.
Para en es colocar para dimensión y defecto de daño.
Otros son fácil a rápidamente arreglar.
Para Pareto C ciervo,
a más analizar el PERO y en de mapa de calor ,
mapa de calor debe usar dos- dimensional Pareto Cuadro por a variable
tipo de defecto y el país bajo específico contención.
Aquí son X₁ tipo de defecto,
X₂ contención y X₃ país nosotros mencionado antes.
Entonces agregar adicional puesto de trabajo X₄ aquí
en el curso de Pareto C ciervo a visualizar frecuencia evento.
Ahora para fallo de FA análisis,
nosotros conseguir reemplazando alto proveedor de trabajo daño asunto,
frecuentemente suceder en Enfermedad cardiovascular servicio fraude
o reemplazando Unido Estados proveedor dimensión asunto
a menudo sucede en Enfermedad cardiovascular puesto de trabajo.
En el mismo forma para X análisis,
en lugar de dimensión asunto o defecto dañado,
Unido previo, funcional y a hechura asunto
poder rápidamente arreglar en Enfermedad cardiovascular importante prueba.
Actualmente, nosotros tener cuatro aporte factores y en y FA frecuencia.
Para interfaz, una que nosotros son más interés en
es aprobar o fallar frecuencia o puro ciclo tiempo.
Entonces Tabular.
Aquí poner nuestro anterior mencionar de factores X₁ a X₄ para en Tabular.
Mientras tanto, Tabular puro ciclo tiempo y frecuencia en a cuenta
a hacer más comparación.
Para FA, ECV servicio fraude, daño asunto,
Taiwán proveedor requerir reemplazo,
sí tomó un más extenso tiempo de ciclo
a pesar de el frecuencia es ahora el más alto,
como Siete veces aquí,
el medio de el ciclo tiempo, 34 días es mucho más extenso que otros.
Para A, en motor CVD prueba,
nosotros poder medida asunto en Unido Estados previo
y fijado por MFG re trabajar.
Incluso allá es solo uno día en el mesa,
pero el frecuencia y es lejos también bajo a ser verdadero.
Aquí I resumir el puntos principales.
Seguir Análisis de la causa raíz,
usar diferente gráfico JMP plataformas
en ingeniería y grande cáusticos
secuencia a conductor previo Análisis de la causa raíz.
En anterior deslizar, I espectáculo Histograma, Diagrama de caja,
Mapa de calor, Pareto Cuadro y el Tabular.
Segundo, identificar a potencial Entrada X
a proteger el QN fijado ciclo tiempo.
A según a el Tabular, el Resultados de FA de a daño asunto,
reemplazo, Taiwán proveedores y Enfermedad cardiovascular servicio puesto de trabajo.
Próximo, construir a modelo a predecir QN arreglar ciclo tiempo
y validación de el raíz causa.
Antes entrando cada modelo detalle,
aquí, Identificación como a introducir modelo selección y el Primero, la comparación.
El adaptar modelo, considerar datos estructura y a distribución.
Aquí son alguno desafío en adaptar modelo.
Para sesgado distribución, usar registro transformación, pero No ayuda.
Todas las entradas variable, X₁ a X₄ son categórico tipo.
Después I construir nuestro 60 % de puesto de trabajo categoría,
El coeficiente de determinación (R cuadrado) aumentó. 6 % solo.
Controlar dependencia entre a categórico variable
por correspondencia parte de análisis.
Él es bajo riesgo porque el íntimamente cosas son a a región,
el menos distinto eso ellos probablemente son.
En otro palabra, el más lejos lejos el más distinto.
Segundo, proximidad entre etiquetas probablemente indicar a semejanza.
Para dividir árbol modelo,
el más agujas son distribución gratis modelo,
dividir basado en datos disponible,
pequeño preocupación por el sobreajuste,
pero menos agujas recursivo dividir.
Por lo tanto, usar JMP proyector pantalla por aleatorio bosque
a promedio a recursivo producto
y encontrar afuera a cinco aporte factor con su categoría.
Él es conveniente y a rápidamente forma a encontrar importante aporte
a optimizar o mejorar modelo.
Acerca de a neural red,
el más agujas son fuerte transformación modelo,
dos pasos capacitación y a validación modelo.
Sin embargo, el menos es significativo preocupación por el sobreajuste .
Cual modelo es más adecuado a ser creído
eso va a través de cada modelo ¿resultados?
Venir atrás para ajustar modelo, principal evento solo.
Si nuestro puntaje no lo es alto,
solo 30 % están equivocados,
porque datos es severo asimetría positiva.
Se observó un resultado significativo nivel de riesgo,
entonces Máximo R- cuadrado alrededor justo 47 % es no vale la pena
y usar registro transformación de el ciclo tiempo variable
a evitar a negativo número de 95 % confianza intervalo,
pero No ayuda a un lote así que registro elección es afuera.
El próximo es Dividir Árbol Modelo.
Aquí son tres dividir modelos,
son base modelo,
aumento del modelo
y a modelo simplificación.
Experiencia a serie de mejora por ingeniería y el lógico pensamiento
ese R cuadrado mejorado a 62 % de 38% base modelo.
Mucho detalle voluntad espectáculo tú paso por paso en siguiente deslizar.
Modelo aumentar.
Durante este paso, nosotros mejorar modelo 20 %.
Dónde son ellos ¿de?
Primero, ellos voluntad presente mejorar.
Aquí, cambio Edad QN a solución inmediata ciclo tiempo
por decoro experiencia, pero No ayuda.
Segundo, 6% y agregar uno X factor puesto de trabajo.
Recordar él es exportar, nosotros descubrir de Pareto C ciervo.
Código UD se convierte menos crítico de 26 % a 8 % solo.
El tercero y otro allí 4 % por cambio a contención de AFUERA código.
Ahora, controlar a contribución categoría aquí.
El número dos convertirse puesto de trabajo en cambio de país ya no.
En el modelo simplificación,
aquí, mejorar adicional 6 % R cuadrado por modelo simplificación.
Antes simplificación modelo,
el más es todo guión bajo consideración,
pero como menos dos, muchos categorías podría diluido predecir fuerza.
En simplificación modelo,
filtración afuera menor categorías con menos recuentos,
como eliminar 60 % categorías de puesto de trabajo,
el total cantidad disminuido a 270 de 426.
Controlar de nuevo, el contribución categoría,
el defecto tipo y nuestro puesto de trabajo son aún el número uno y el número dos.
Ahora, nosotros tener más confianza a usar el modelo
a predecir el PERO y la SA.
Para Dividir Árbol Optimización de modelos
como I mencionado antes,
el importante colaboradores son Tipo de defecto & Puesto de trabajo
alrededor 80% para Pareto C concepto.
Comparar tipo de defecto en SA y FA predicción.
Para en aquí, es etiquetado asunto.
Marcas sentido, nosotros no gastar más tiempo a arreglar cada asunto.
Para PERO, es daño.
Sí, él quería llevar mucho más ciclo tiempo.
Acerca de a puesto de trabajo comparación entre en y PERO
PVD mecánico y Enfermedad cardiovascular módulo ensayador.
Actualmente, él aún necesidades más análisis y comprensión.
Acerca de la FA país aquí, en a perfil o predicción perfil es departamento.
No t país impacto QN fijo ciclo ¿tiempo?
Es ¿Verdad?
A respuesta el pregunta aquí, I introducir el modelo limitación,
recursivo dividir.
Recursivo particiones, secuencial dependencia riesgo.
Factor país es desparramar seis veces,
y solo uno tiempo suceder en más alto ciclo tiempo grupo.
Semejante recursivo dependencia limitación puede el impacto profético modelo.
El tercer modelo,
Neural Red (Inteligencia artificial).
Aquí observa severo sobreajuste inquietud
entre capacitación y el variación R cuadrado.
Si R cuadrado entre Capacitación Colocar y V alidación Colocar
es encima 20 %, él tiene sobreajuste inquietud.
Además, nosotros encontrar ITIN neural modelo,
el número uno categoría es puesto de trabajo,
y el número dos es falla por
cual es diferente de anterior dividir modelo.
Para A, el puesto de trabajo es en puesta en escena,
Estadificación CCT, dónde material son trajo juntos
antes entrando Fallo de fabricación ,
y él no tener competitivo operación proceso.
Una vez el asunto suceder, él poder ser fijado rápidamente.
Marcas sentido.
Para PERO en el fraude en servicios de CVD,
él tiene competitivo operación proceso.
Sí, él hizo a tener más extenso ciclo tiempo a tratar difícil asunto.
Hasta ahora, nosotros ya tener tres modelo,
Árbol Modelo Dividir y el Neural Modelo,
y cual modelo es mucho más adecuado y encontrarse realidad.
Por lo tanto,
modelo comparación y selección,
Análisis de la causa raíz, gráfico herramienta
daño asunto reemplazo,
Taiwán Enfermedad cardiovascular fraude de servicios es el el peor guión con más extenso fijado ciclo tiempo.
Actualmente, Neural modelo tiene el idéntico guión
como el Gráfico Análisis de la causa raíz,
pero La única preocupación es el sobreajuste. riesgo.
Además, el tres modelo tiene muy cerca predicción
en lo peor ciclo tiempo dentro 1.2 días.
El final lo haré introducir, Prueba Minería y el Datos Minería Híbrido.
Actualmente en QN D minutos base, él aún tiene prueba mensajero resultante Bueno
a semejante más información acerca de largo ciclo tiempo en QN ensayador variable base de datos.
Usar Explorador de pruebas JMP a descubrir alguno frecuencia palabras clave
semejante como aquí, I círculo reemplazar, rehacer, dimensión y el F10246
un proyecto a hacer más análisis,
entonces convertir a ellos a binario detectores,
conducta a más Datos Minería y el Análisis de la causa raíz
en el caso F10246 a través de mapa de calor gráfico.
Aquí, poner dimensión indicador bajo F10246
y contención reemplazar y re calarse Y.
De acuerdo a a el calor mapa resultados, F10246
sí lo hizo sufrir lotes de arreglar ciclo tiempo
eso otro proyecto por color resultados
y controlar dimensión detector observado es
no solo dimensión asunto, pero también nuestro varios causa del defecto
largo ciclo tiempo, incluso si justo son fijado por rehacer.
En el fin, aquí son mi aprendizaje principal.
JMP G raphical Plataformas son muy poderoso a conducta
Más adentro r análisis de la causa raíz a través de ingeniería
y el lógico, datos- impulsado proceso
y comparar y seleccionar a más adecuado JMP modelo
de Clásico Ajuste M traje, P articulación y a Neural Red
por conocimiento el modelo limitación
y el riesgo de conectar a anterior Gráfico Análisis de la causa raíz.
Conducta a Híbrido Texto M frío y minería de datos R fuera Causa Análisis
en el Base de datos QN compleja.
Final, Identificación como a agradecer GCI M CAMA Y DESAYUNO Charles Chen como mi proyecto mentor
y eso es todo mi presentación.
Agradecer tú para su tiempo y atención.
Agradecer tú.
