Bradley Novic , Ph. D., consultant principal, PhaseTwo Analytics
L'exploration des données de fabrication peut s'avérer périlleuse, de l'assemblage des données à l'analyse, en passant par l'interprétation et la mise en œuvre des résultats. Ce qui distingue l'exploration de données en fabrication de celle utilisée, par exemple, en marketing ou en finance, c'est que la prédiction seule ne suffit pas. Dans ce domaine, l'objectif est d'améliorer le contrôle, ce qui nécessite d'identifier les causes profondes. Les arbres de décision sont un formidable outil de découverte, mais laissés à eux-mêmes, ils peuvent sélectionner des variables qui, bien que prédictives, n'ont aucun sens pour un ingénieur procédé du point de vue du contrôle. Cela nécessite une approche plus rigoureuse de la construction des arbres, permise par l'approche par étapes proposée par la plateforme de partitionnement JMP, et non disponible dans la plupart des autres logiciels d'arbres de décision. Cet article présente des exemples de réussites d'exploration de données avec JMP en fabrication et des problèmes rencontrés lors de l'exploration de données de fabrication. Il démontre également l'intégration de connaissances spécialisées dans le processus de partitionnement JMP, afin de traiter la question de la corrélation des variables prédictives et de fournir des règles permettant la validation et le déploiement des résultats.
