JMP 提供高级统计分析和可视化工具，可增强 DMAIC 各阶段的功能。JMP 的关键组件包括：用于评估测量精度的测量系统分析、用于汇总数据特征的描述性统计、用于识别最重要因素的帕累托图以及用于理解变量间关系的回归分析。此外，它还包含图形构建器，可实现直观的数据可视化；实验优化设计 (DOE) 功能，有助于规划高效的实验；以及控制图，对于长期监测过程稳定性至关重要。借助这些工具，从业人员可以快速识别关键变量、分析数据趋势并可视化结果，从而加快决策过程。
本次演示还展示了JMP如何简化数据收集和分析，使团队能够专注于获取有价值的洞察。演示中展示了JMP在六西格玛项目中成功应用的真实案例，重点突出了其对项目成果的影响。
下午好。我是来自罗伯特·博世公司的玛乔琳·韦弗斯。今天我将与埃洛迪·德尔克劳一起，通过实际案例讲解JMP在六西格玛方法论中的应用。
我是博世集团的一员。博世集团可谓家喻户晓，人人都知道洗碗机、电钻、电池组等等，但并非人人都知道博世还涉足汽车后市场和雨刮系统领域。我所在的部门就是雨刮系统。我在比利时蒂嫩工作，我们生产雨刮片。我们在全球拥有四个雨刮片生产基地。蒂嫩是我们唯一的橡胶型材生产基地。我们生产的橡胶型材销往世界各地，年产量约为1.2亿条。
我隶属于迷你橡胶工厂，它其实……之所以叫迷你工厂，是因为它本身就是一个独立的工厂，里面有四个部门。首先是产品研发部门，负责配方和型材的生产。然后是化学工艺研发部门，我就是其中一员，负责改进现有工艺或开发新工艺。接下来是两条价值流，两个采用间歇式生产工艺的生产单元，它们分别负责配方和型材的生产。最后一个部门是我们的化学实验室。
在将JMP应用于六西格玛方法论的过程中，我们在流程开发方面实际应用了六西格玛方法论，同时也使用了增强型A3方法论。当需要专注于对复杂问题进行统计根本原因分析时，我们使用六西格玛方法论；而当需要专注于可视化时，我们使用增强型A3方法论。
六西格玛方法论包含五个不同的步骤。第一步是定义步骤。这一步非常重要，但也常常被忽略。在这一步中，必须非常具体地定义问题和目标，因为每个人对最终目标的理解往往都不尽相同。
在测量阶段，我们收集与流程和问题相关的数据；在分析阶段，我们识别输入和输出之间的因果关系；在改进阶段，我们确定流程输入的最佳值；最后，在控制阶段，我们建立标准以长期维持改进效果。控制阶段经常被忽略，但如果您忽略了它，或者没有正确执行，那么您的流程将再次失控。
您还有工具箱，这里展示的是DMAIC工具箱。每个阶段都有与之相关的特定工具和技术，这里概述的是常用工具。我不会赘述细节，只是为了让您了解六西格玛方法论中可以做什么。接下来由Elodie接手。
大家好，我是Elodie，JMP的系统工程师。我将向大家介绍我们软件的插件市场。正如Marjoleine所说，六西格玛中有一种非常流行的流程方法，即定义、测量、分析、改进和控制（DEC）。如果您对这种方法感兴趣，JMP中有一个插件可以安装到软件中。那么，我们可以在哪里找到这些插件呢？
我们去年推出了一个应用市场，也就是 JMP 应用市场。这里有一个搜索栏，方便我们查找所需内容。我们有一个六西格玛插件，叫做 Modern Six Sigma Add-in。您可以从这里下载，然后直接安装到 JMP 中。它看起来是这样的：这是一个添加到软件中的新菜单，包含五个不同的步骤。它内置了工具，如果您想练习使用这个工具，我们还提供了一些网络研讨会和帮助资源。接下来，我将把发言权交给 Marjoleine。
我刚才在第一阶段谈到了定义阶段。第二阶段是测量阶段。测量阶段实际上是我们量化流程当前性能并收集相关数据的阶段。为什么这很重要？因为我们常常凭直觉感觉存在问题，但我们并不总是能确定这个问题是否真的存在。
这里是绿色方框。这些绿色方框实际上是六西格玛方法论的一部分，您可以在 JMP 中使用它。您可以在这里进行两项操作。首先是测量系统分析，您可以评估测量系统的准确度和精密度。其次是测量阶段的描述性统计，您需要使用均值、中位数、众数等统计量来汇总数据，具体统计量取决于您的应用需求。
现在我将举一个简单的例子，说明如何运用双单侧检验（TOST）方法来检验新旧两种测量方法的均值是否一致。这里可以看到数据。我们收集了329个样本，并用两种不同的方法进行了测量。我们采用了一种旧方法和一种新方法，想看看这两种方法之间是否存在显著差异。
实际上，你需要先分析数据，然后用 X 对 Y 进行拟合，之后才能进行等效性检验。你需要给出实际意义重大的均值差异值。在本例中，这个差异值是 5 毫米。如果我们进行 TOST 检验，通常情况下，如果数据等效，那么在森林图中应该位于蓝色区域内。
在这种情况下，我们不在蓝色区域，而是在红色区域，这是因为平均值的实际差异为10毫米。因此，我们实际上需要得出结论：我们之前的年度施用量测量系统数据并不相同，我们需要采取一些额外的步骤。
此外，还需要描述性统计数据、当前流程的描述以及问题陈述的确认。我可以给您展示一个例子。这是我们制作的一个零值序列。我们分几天完成的，我们实际上是想知道测量值是否确实高于我们之前研究中的测量值。
如果我看一下这里的分布情况，我们可以看到平均值约为 97 毫米，而之前的几次测试中，平均值是 50 毫米。果然，我们的直觉是对的，我们遇到了问题。
第三阶段是分析阶段，目的是找出缺陷或性能问题的根本原因。我们首先要做的就是找出根本原因。我们通常会使用石川图、5个为什么分析法或鱼骨图，但这始终是基础。
接下来，在第二阶段，我们将绘制帕累托图，以识别数据集中最显著的因素，即三个最重要的因素。基于这三个最重要的因素，我们将进行更深入的分析。之后，Elodie 将对帕累托图进行一些讲解。
我将讲解帕累托图。帕累托图的目的是分析问题或原因的发生频率，从而了解哪些是最常见的问题原因。借助插件，我们可以实现这一点。通常，帕累托图包含在分析阶段。但在我们的插件中，它位于测量阶段。实际上，它位于“现代六西格玛”菜单中。在测量阶段，我们提供了帕累托图。如果您想创建帕累托图，可以通过该菜单进行操作。
我举个例子。这里有一个数据表，列出了不同类型的缺陷。共有 10 种缺陷类型，以及每种缺陷的出现次数。在这种情况下，我的帕累托图可以像这样。图中显示了各种缺陷原因的累计百分比。百分比最高为 100%，代表所有问题，并按出现次数从高到低排序。
例如，我们可以看到，三种主要问题是金属桥接、金属划痕和金属缺陷。它们是造成问题的主要原因。我们已经识别出这些问题，现在可以在接下来的步骤中逐一解决。我将翻转幻灯片，把镜头交给玛乔琳。
分析阶段的另一部分是回归分析，我们在此分析不同变量之间的关系，以及假设检验，即使用统计方法检验假设和理论。关于这一点，我也有一个例子。
首先，我们这里使用的是上次相同的数据，即零序列的测量值。我们感觉测量值存在每日波动。我们做的第一件事就是打开图表生成器，查看测量值与日期的关系。在图表生成器的控制面板中，您可以选择所需的图表类型，这里我们选择了箱线图。
从箱线图已经可以明显看出，不同日期之间存在差异。为了确保结果的准确性，我们进行了假设检验。假设检验中，我们进行了单因素方差分析（ANOVA），您也可以在“拟合 Y 对 X”中进行此操作，然后选择“均值/方差分析”，再选择“均值分析方法”。
如果你仔细观察数据，可以看到图中的菱形区域，它们彼此不重叠。这已经是表明存在日间差异的最有力证据。我们也可以从均值中看出这一点，不同数据集的置信区间下限和上限（95%）也不重叠，这同样清楚地表明存在日间差异。此外，在方差分析图中，你还可以看到均值的变化趋势并不一致。
第四阶段是改进阶段，在此阶段，我们将制定并实施解决方案，以解决根本原因并改进流程。当然，首先要进行头脑风暴，集思广益。JMP 无法完成这一步骤，但接下来的第二部分将是实验设计。我们通常使用自定义实验设计，并计划和执行实验，以识别影响结果的因素。
我们经常使用定制设计，这其实是有原因的，因为定制设计可以让我们调整一些难以更改的因素。这对我们的生产团队来说至关重要。一旦我们获得了实验设计（DOE）的信息，我们就会立即对部分方案进行小规模试实施，以检验模型是否有效。这里我将解释一下我们利用实验设计进行的复合试验。
在2018年之前，我们采用的是单因素实验法（OFAT）。这种方法耗时20周，测试了360种化合物，成本非常高，而且常常没有成功。2018年之后，我们开始采用最优设计，即I-最优设计，也就是响应面模型。这种方法只需两周即可完成，测试了36种化合物，而且我们的模型能够预测最优化合物。与OFAT方法相比，我们的人工成本和研发周期降低了10%，而且我们掌握的信息也比以前更多。
我要讲解一下这个模型。您可以看到，这个模型有 10 个输出因子。这些输出因子实际上是决定雨刮器功能特性的物理属性。我们还有 5 个输入因子，或者说 5 个输入因子实际上是我们化合物的组成成分。此外，您还可以看到一个限制因子，这与我们一天只能进行 9 次测试有关。
我们使用的模型。正如我所说，我们采用的是 I 最优设计，并使用响应面模型。在这种情况下，根据 JMP 的计算，所需的最少测试次数为 27 次。我们通常建议测试次数比 27 次多 4 次，但这次我们有 4 天的测试时间，所以 36 次也是可行的。我们将默认采用 36 次测试。
如果我们进行分析，这就是我们使用的分析模型。我稍微移动一下这个模型。这里是效应汇总。可以看到所有 P 值都远低于 0.05。这是输出结果。如果我们查看输出结果，可以看到实际值与预测值之比非常小。它像我们预期的那样是一条直线，但您也可以看到这里的红色柱状图非常非常小。
我们还可以看到，在拟合度汇总中，我们始终关注调整后的R平方值。对我们而言，R平方值高于0.90的模型就是一个好的模型。在本例中，我们的模型R平方值为0.99，这意味着该模型可以解释99%的变异性。如果我们分析这个具有10个输出和5个输入的模型，对我们来说，在预测分析器中设置期望函数非常重要，这样我们才能最大化期望值，从而找到最优化合物。
对我们来说，了解计算机的决策固然重要，但我们始终会手动检查，以了解各种因素之间的相互作用等等。例如，在本例中，我们知道输入 1 和输入 2 之间存在交互作用，通过移动分析器，我们可以清楚地看到不同因素的影响。您还可以看到，在输出结果中，某些输出的置信区间非常小，并且调整后的 R 平方值非常高。此外，还有一些输出的变异性较大。
接下来进入最后一个阶段，也就是控制阶段。在控制阶段，我们需要确保改进措施能够长期维持，并且流程保持稳定可控。首先要检查的是控制计划是否正确，如有必要则进行调整，并将方法记录下来。
其次，我们始终坚持的第二个步骤是统计过程控制，即使用控制图来监控过程稳定性。在博世，我们使用专门的程序来完成这项工作。因此，Elodie 也将讲解一下 JMP 中的过程控制。
我将分享如何在插件中创建控制图。正如我们所说，控制阶段在六西格玛方法论的最后一个阶段至关重要。您可以在菜单中找到“最后一个阶段控制”选项。控制图有很多种选择。您可以选择控制图生成器，这是一个高度可定制的工具，几乎可以创建任何类型的图表。如果您需要特定类型的图表，可以选择其他选项。我将以数据为例，演示如何创建控制图。
这里的数据有点滑稽，也有些虚构。它和泡菜有关。我们正在测量泡菜的酸度。测量是在不同批次、不同日期进行的，目的是为了了解生产过程是否稳定。
这是控制图生成器生成的控制图。它分为两个子部分，第一个子部分是酸度。这里显示的是已测量的点。所有测量点都已绘制在图中。红色线条代表控制限。如果某个点超出控制限，例如图中所示的点，则表明您的过程可能不稳定，需要检查具体情况。
您还可以收到关于稳定性、均值潜在变化或潜在问题的其他警报。提前采取措施，避免这些问题的发生。这些警报可以帮助您提前做好准备。在 JMP 中，您可以自定义警报或使用现有警报。我们提供多种不同类型的警报。
这里有两个点亮了。它们亮着，如果我没理解错的话。比如这个，它是第 5 个点。你可以把鼠标悬停在这个点上查看它的含义。它表示最后三个点中有两个超过了平均值后两个标准差。这可能是一个问题迹象。你可以设置警报，然后检查是否存在问题，从而避免潜在的问题。
同样，这是另一种类型的警报，它提示您的流程可能存在偏差，因此可能不稳定，或者至少您可以检查一下。还有一个子部分，它也是一个基于移动极差的控制图。您可以查看两个点之间是否存在过大或可疑的范围。
这也是检验流程变异性的一种方法，以确保流程保持稳定，因为我们已经完成了所有步骤，现在我们希望流程稳定并持续稳定。我们的演示到此结束，如果您有任何问题，请提出。
