Die statistische Versuchsplanung (Design of Experiments, DOE) wird seit jeher als zentrales Instrument zur datengesteuerten Entscheidungsfindung in zahlreichen Branchen eingesetzt, unter anderem in der Prozessoptimierung, Qualitätssicherung und Produktentwicklung. Jüngste Fortschritte im Bereich des maschinellen Lernens (ML) und der künstlichen Intelligenz (KI) haben die Fähigkeit zur Verarbeitung und Vorhersage großer, komplexer Datenmengen verbessert und eröffnen neue Möglichkeiten für die praktische Anwendung der Versuchsplanung. In dieser Studie werden Möglichkeiten zur Anwendung traditioneller experimenteller Designmethoden in flexibleren Umgebungen erörtert und ihr Potenzial anhand praktischer Fälle untersucht. Darüber hinaus stellen wir spezifische Strategien zur Integration von Versuchsplanung und maschinellem Lernen mithilfe der JMP-Software vor und liefern Praktikern eine praktische Methodik für die effektive Durchführung datengesteuerter Entscheidungsfindung in realen Industrieumgebungen. Dadurch möchten wir die positiven Auswirkungen des integrierten Einsatzes von Versuchsplanung und maschinellem Lernen auf die Prozessoptimierung, Qualitätsprüfung und Produktentwicklung aufzeigen.
