El diseño de experimentos (DOE) se ha utilizado tradicionalmente como una herramienta clave para la toma de decisiones basada en datos en diversas industrias, incluida la optimización de procesos, el control de calidad y el desarrollo de productos. Los avances recientes en aprendizaje automático (ML) e inteligencia artificial (IA) han mejorado la capacidad de procesar y predecir datos complejos a gran escala, lo que sugiere nuevas posibilidades para aplicar la planificación experimental en la práctica. Este estudio analiza formas de aplicar métodos tradicionales de diseño experimental en entornos más flexibles y explora su potencial a través de casos prácticos. Además, al presentar estrategias específicas para integrar el diseño experimental y el aprendizaje automático utilizando el software JMP, proporciona una metodología práctica para que los profesionales realicen eficazmente la toma de decisiones basada en datos en entornos industriales reales. Con esto, pretendemos demostrar el impacto positivo del uso integrado de la planificación experimental y el aprendizaje automático en la optimización de procesos, el control de calidad y el desarrollo de productos.
