Esta publicación no pretende realmente ser una "respuesta", sino más bien ser simplemente una publicación para discusión.
Cuando trabajé en un puesto relacionado con la calidad de fabricación, seguí un proceso similar: visualicé la situación y luego identifiqué algún tipo de grupos, los marqué e intenté predecirlos o explicarlos. Afortunadamente, es bastante fácil probar diferentes métodos en JMP, como la agrupación en clústeres o el análisis de particiones, una vez que hayas logrado crear los grupos.
También me gusta el diagrama de Sankey para fines de visualización en este tipo de situaciones si no hay demasiadas columnas. Además, de forma predeterminada en JMP es un poco difícil cambiar las columnas, pero es posible que ya tengas una buena idea de la causa potencial antes de comenzar con Sankey.
Ver más...Terminé creando el complemento
Diagrama de Sankey mejorado para facilitar el uso de Sankey Plot en el generador de gráficos para EDA (análisis exploratorio de datos) en casos como este y también "admite" el uso de particiones o detección de predictores/bosque de arranque para ayudar en el análisis ordenando automáticamente las columnas.
Después de realizar el pedido automático, lo más probable es que termines con algo como esto 
Generalmente es una buena idea establecer algún tipo de orden para ver inmediatamente que no se trata de nada relacionado con el tiempo, solo lote en este caso.
En el caso de esta actividad práctica, seleccionar los puntos puede ser un poco difícil utilizando solo la herramienta Lazo, pero afortunadamente logramos visualizarlos como una línea -> podemos crear una nueva columna que sea la relación entre Monitor2 y Control5 simplemente usando una fórmula rápida para seleccionar los valores más fácilmente.
Y podemos ver inmediatamente un pico alto en el gráfico del encabezado de la columna.
En este punto también podemos echar un vistazo rápido a nuestros otros gráficos de encabezado de columna para ver si hay algo que parezca alarmante.
Quizás sea de fábrica, pero aún así tenemos valores en múltiples categorías, por lo que no explicará todos nuestros resultados.
Si queremos tener una selección más precisa podemos utilizar la interactividad de JMP con Distribución + Constructor de Gráficos por ejemplo
Podemos seleccionarlos y crear una nueva columna con la selección de nombre en la columna, o simplemente usar esa nueva columna de proporción como nuestra respuesta en el análisis de partición/filtración de predicción (no será tan obvio si solo usamos nuestra columna de proporción, pero es una forma muy rápida de verificar si tenemos algo). Creo que la filtración de predictores y la partición son buenos puntos de partida, pero si no hay demasiadas columnas, también podemos optar por la opción visual usando el conmutador de columnas en el generador de gráficos.
Ver más...
No hice nada más allá de lo que me enseñaron en el seminario web, ya que simplemente resalté los datos de la "línea extraña" del Monitor 2 de Control 5 del gráfico del Generador de gráficos usando la herramienta Lazo, luego usé las filas resaltadas en esa selección e hice una nueva columna, nombrando esas filas resaltadas OOC y las otras columnas como buenas. Luego hice el análisis de partición de todos los demás factores restantes y descubrí que la mayoría de mis puntos de datos OOC provenían de la Fábrica interna. Volví al Generador de gráficos e hice un Filtro de datos locales para "Fábrica" y verifiqué que la causa de la "línea extraña" del Monitor 2 de Control 5 se debía a la Fábrica interna cuando la Medición de Control 1 era >57.3.
@chrsmth ¡Gracias por probar esto tan rápido!
