JMP 提供進階統計分析和視覺化工具，可增強 DMAIC 各階段的功能。 JMP 的關鍵組件包括：用於評估測量精度的測量系統分析、用於匯總資料特徵的描述性統計、用於識別最重要因素的帕累托圖以及用於理解變數間關係的迴歸分析。此外，它還包含圖形構建器，可實現直觀的數據可視化；實驗優化設計 (DOE) 功能，有助於規劃高效的實驗；以及控製圖，對於長期監控過程穩定性至關重要。借助這些工具，從業人員可以快速識別關鍵變數、分析資料趨勢並視覺化結果，從而加快決策過程。
本次演示也展示了JMP如何簡化資料收集和分析，使團隊能夠專注於獲取有價值的洞察。演示中展示了JMP在六西格瑪專案中成功應用的真實案例，重點突出了其對專案成果的影響。
午安.我是來自羅伯特·博世公司的瑪喬琳·韋弗斯。今天我將與埃洛迪·德爾克勞一起，透過實際案例來講解JMP在六西格瑪方法論中的應用。
我是博世集團的一員。博世集團可謂家喻戶曉，大家都知道洗碗機、電鑽、電池組等等，但並非人人都知道博世還涉足汽車後市場和雨刷系統領域。我所在的部門就是雨刷系統。我在比利時蒂嫩工作，我們生產雨刷片。我們在全球擁有四個雨刷片生產基地。蒂嫩是我們唯一的橡膠型材生產基地。我們生產的橡膠型材銷往世界各地，年產量約1.2億條。
我隸屬於迷你橡膠工廠，它其實……之所以叫迷你工廠，是因為它本身就是一個獨立的工廠，裡面有四個部門。首先是產品研發部門，負責配方和型材的生產。然後是化學製程研發部門，我就是其中一員，負責改進現有製程或開發新製程。接下來是兩個價值流，兩個採用間歇式生產流程的生產單元，它們分別負責配方和型材的生產。最後一個部門是我們的化學實驗室。
在將JMP應用於六西格瑪方法論的過程中，我們在流程開發方面實際應用了六西格瑪方法論，同時也使用了增強型A3方法論。當需要專注於對複雜問題進行統計根本原因分析時，我們使用六西格瑪方法論；而當需要專注於視覺化時，我們使用增強型A3方法論。
六西格瑪方法論包含五個不同的步驟。第一步是定義步驟。這一步非常重要，但也常被忽略。在這一步驟中，必須非常具體地定義問題和目標，因為每個人對最終目標的理解往往不盡相同。
在測量階段，我們收集與流程和問題相關的數據；在分析階段，我們識別輸入和輸出之間的因果關係；在改進階段，我們確定流程輸入的最佳值；最後，在控制階段，我們建立標準以長期維持改進效果。控制階段經常被忽略，但如果您忽略了它，或者沒有正確執行，那麼您的流程將再次失控。
您還有工具箱，這裡展示的是DMAIC工具箱。每個階段都有與之相關的特定工具和技術，這裡概述的是常用工具。我不會贅述細節，只是為了讓您了解六西格瑪方法論中可以做些什麼。接下來由Elodie接手。
大家好，我是Elodie，JMP的系統工程師。我將向大家介紹我們軟體的插件市場。正如Marjoleine所說，六西格瑪中有一種非常流行的流程方法，即定義、測量、分析、改進和控制（DEC）。如果您對這種方法感興趣，JMP中有一個插件可以安裝到軟體中。那麼，我們可以在哪裡找到這些插件呢？
我們去年推出了一個應用市場，也就是 JMP 應用程式市場。這裡有一個搜尋欄，方便我們找到所需內容。我們有一個六西格瑪插件，叫做 Modern Six Sigma Add-in。您可以從這裡下載，然後直接安裝到 JMP 中。它看起來是這樣的：這是一個添加到軟體中的新選單，包含五個不同的步驟。它內建了工具，如果您想練習使用這個工具，我們還提供了一些網路研討會和幫助資源。接下來，我將把發言權交給 Marjoleine。
我剛才在第一階段談到了定義階段。第二階段是測量階段。測量階段實際上是我們量化流程目前表現並收集相關數據的階段。為什麼這很重要？因為我們常常憑直覺感覺有問題，但我們並不總是能確定這個問題是否真的存在。
這裡是綠色方框。這些綠色方框實際上是六西格瑪方法論的一部分，您可以在 JMP 中使用它。您可以在這裡進行兩項操作。首先是測量系統分析，您可以評估測量系統的準確度和精密度。其次是測量階段的描述性統計，您需要使用平均值、中位數、眾數等統計量來匯總數據，具體統計量取決於您的應用需求。
現在我將舉一個簡單的例子，說明如何運用雙單側檢定（TOST）方法來檢驗新舊兩種測量方法的平均數是否一致。這裡可以看到數據。我們收集了329個樣本，並用兩種不同的方法進行了測量。我們採用了一種舊方法和一種新方法，想看看這兩種方法之間是否有顯著差異。
實際上，你需要先分析數據，然後用 X 對 Y 進行擬合，之後才能進行等效性檢定。你需要給出實際意義重大的平均值差異值。在本例中，這個差異值是 5 毫米。如果我們進行 TOST 檢驗，通常情況下，如果資料等效，那麼在森林圖中應該位於藍色區域內。
在這種情況下，我們不在藍色區域，而是在紅色區域，這是因為平均值的實際差異為10毫米。因此，我們實際上需要得出結論：我們先前的年度施用量測量系統數據並不相同，我們需要採取一些額外的步驟。
此外，還有描述性統計、目前流程的描述以及問題陳述的確認。我可以給你一個例子。這是我們製作的一個零值序列。我們分幾天完成的，我們實際上是想知道測量值是否確實高於我們先前研究中的測量值。
如果我看一下這裡的分佈情況，我們可以看到平均值約為 97 毫米，而在之前的幾次測試中，平均值是 50 毫米。果然，我們的直覺是對的，我們遇到了問題。
第三階段是分析階段，目的是找出缺陷或效能問題的根本原因。我們首先要做的就是找出根本原因。我們通常會使用石川圖、5個為什麼分析法或魚骨圖，但這始終是基礎。
接下來，在第二階段，我們將繪製帕累托圖，以識別資料集中最顯著的因素，即三個最重要的因素。基於這三個最重要的因素，我們將進行更深入的分析。之後，Elodie 將對帕累托圖進行一些講解。
我將講解帕累托圖。帕累托圖的目的是分析問題或原因的發生頻率，以便了解哪些是最常見的問題原因。借助插件，我們可以實現這一點。通常，帕累托圖包含在分析階段。但在我們的插件中，它位於測量階段。實際上，它位於“現代六西格瑪”菜單中。在測量階段，我們提供了帕累托圖。如果您想建立帕累托圖，可以透過該選單進行操作。
我舉個例子。這裡有一個數據表，列出了不同類型的缺陷。共有 10 種缺陷類型，以及每種缺陷的出現次數。在這種情況下，我的帕累托圖可以像這樣。圖中顯示了各種缺陷原因的累積百分比。百分比最高為 100%，代表所有問題，並按出現次數從高到低排序。
例如，我們可以看到，有三種主要問題是金屬橋接、金屬刮痕和金屬缺陷。它們是造成問題的主要原因。我們已經識別出這些問題，現在可以在接下來的步驟中逐一解決。我將翻轉投影片，把鏡頭交給瑪喬琳。
分析階段的另一部分是迴歸分析，我們在此分析不同變數之間的關係，以及假設檢驗，即使用統計方法檢驗假設和理論。關於這一點，我也有一個例子。
首先，我們這裡使用的是上次相同的數據，即零序列的測量值。我們覺得測量值有每日波動。我們做的第一件事就是打開圖表產生器，查看測量值與日期的關係。在圖表產生器的控制面板中，您可以選擇所需的圖表類型，這裡我們選擇了箱線圖。
從箱線圖已經可以明顯看出，不同日期之間存在差異。為了確保結果的準確性，我們進行了假設檢定。假設檢定中，我們進行了單因子變異數分析（ANOVA），您也可以在“擬合 Y 對 X”中進行此操作，然後選擇“平均值/變異數分析”，然後再選擇“平均值分析方法”。
如果你仔細觀察數據，你可以看到圖中的菱形區域，它們彼此不重疊。這已經是顯示存在日間差異的最強證據。我們也可以從平均值看出這一點，不同資料集的信心區間下限和上限（95%）也不重疊，這同樣清楚地顯示存在日間差異。此外，在變異數分析圖中，你也可以看到平均值的變化趨勢並不一致。
第四階段是改進階段，在此階段，我們將制定並實施解決方案，以解決根本原因並改善流程。當然，首先要進行腦力激盪，集思廣益。 JMP 無法完成這一步驟，但接下來的第二部分將是實驗設計。我們通常使用自訂實驗設計，並規劃和執行實驗，以識別影響結果的因素。
我們經常使用客製化設計，這其實是有原因的，因為客製化設計可以讓我們調整一些難以更改的因素。這對我們的生產團隊來說至關重要。一旦我們獲得了實驗設計（DOE）的訊息，我們就會立即對部分方案進行小規模試實施，以檢驗模型是否有效。這裡我將解釋一下我們利用實驗設計進行的複合試驗。
在2018年之前，我們採用的是單因子實驗法（OFAT）。這種方法耗時20週，測試了360種化合物，成本非常高，而且常常沒有成功。 2018年後，我們開始採用最優設計，即I-最優設計，也就是響應曲面模型。這種方法只需兩週即可完成，測試了36種化合物，而且我們的模型能夠預測最優化合物。與OFAT方法相比，我們的人工成本和研發週期降低了10%，而且我們掌握的資訊也比以前更多。
我要講解一下這個模型。您可以看到，這個模型有 10 個輸出因子。這些輸出因子其實是決定雨刷功能特性的物理屬性。我們還有 5 個輸入因子，或者說 5 個輸入因子其實是我們化合物的組成。此外，您還可以看到一個限制因子，這與我們一天只能進行 9 次測試有關。
我們使用的模型。正如我所說，我們採用的是 I 最優設計，並使用響應曲面模型。在這種情況下，根據 JMP 的計算，所需的最少測試次數為 27 次。我們通常建議測試次數比 27 次多 4 次，但這次我們有 4 天的測試時間，所以 36 次也是可行的。我們將預設採用 36 次測試。
如果我們進行分析，這就是我們使用的分析模型。我稍微移動一下這個模型。這裡是效應總結。可以看到所有 P 值都遠低於 0.05。這是輸出結果。如果我們查看輸出結果，可以看到實際值與預測值之比非常小。它像我們預期的那樣是一條直線，但您也可以看到這裡的紅色長條圖非常非常小。
我們也可以看到，在擬合度總和中，我們始終關注調整後的R平方值。對我們而言，R平方值高於0.90的模型就是一個好的模型。在本例中，我們的模型R平方值為0.99，這表示模型可以解釋99%的變異性。如果我們分析這個具有10個輸出和5個輸入的模型，對我們來說，在預測分析器中設定期望函數非常重要，這樣我們才能最大化期望值，從而找到最優化合物。
對我們來說，了解電腦的決策固然重要，但我們始終會手動檢查，以了解各種因素之間的相互作用等等。例如，在本例中，我們知道輸入 1 和輸入 2 之間存在交互作用，透過移動分析器，我們可以清楚地看到不同因素的影響。您也可以看到，在輸出結果中，某些輸出的置信區間非常小，且調整後的 R 平方值非常高。此外，還有一些輸出的變異性較大。
接下來進入最後一個階段，也就是控制階段。在控制階段，我們需要確保改善措施能夠長期維持，且流程保持穩定可控。首先要檢查的是控制計畫是否正確，如有必要則進行調整，並將方法記錄下來。
其次，我們始終堅持的第二個步驟是統計製程控制，即使用控製圖來監控製程穩定性。在博世，我們使用專門的程序來完成這項工作。因此，Elodie 也將講解一下 JMP 中的製程控制。
我將分享如何在插件中建立控製圖。正如我們所說，控制階段在六西格瑪方法論的最後一個階段至關重要。您可以在選單中找到“最後一個階段控制”選項。控製圖有很多種選擇。您可以選擇控製圖產生器，這是一個高度可自訂的工具，幾乎可以建立任何類型的圖表。如果您需要特定類型的圖表，可以選擇其他選項。我將以資料為例，示範如何建立控制圖。
這裡的數據有點滑稽，也有些虛構。它和泡菜有關。我們正在測量泡菜的酸度。測量是在不同批次、不同日期進行的，目的是為了了解生產過程是否穩定。
這是控製圖產生器產生的控製圖。它分為兩個子部分，第一個子部分是酸度。這裡顯示的是已測量的點。所有測量點都已繪製在圖中。紅色線條代表控制極限。如果某個點超出控制限，例如圖中所示的點，則表示您的流程可能不穩定，需要檢查具體情況。
您還可以收到關於穩定性、平均值潛在變化或潛在問題的其他警報。提前採取措施，避免這些問題的發生。這些警報可以幫助您提前做好準備。在 JMP 中，您可以自訂警報或使用現有警報。我們提供多種不同類型的警報。
這裡有兩個點亮了。它們亮著，如果我沒說錯的話。例如這個，它是第 5 個點。你可以把滑鼠懸停在這個點上查看它的含義。它表示最後三個點中有兩個點超過了平均值後兩個標準差。這可能是一個問題跡象。你可以收到警報，然後檢查是否有問題，並避免潛在的問題。
同樣，這是另一種類型的警報，它提示您的流程可能存在偏差，因此可能不穩定，或者至少您可以檢查一下。還有一個子部分，它也是一個基於移動極差的控製圖。您可以查看兩個點之間是否存在過大或可疑的範圍。
這也是檢驗流程變異性的一種方法，以確保流程保持穩定，因為我們已經完成了所有步驟，現在我們希望流程穩定並持續穩定。我們的演示到此結束，如果您有任何問題，請提出。
