Ciao, sono Laura Higgins. Sono un'Ingegnera di Sistema del Global Technical Enablement Team. Oggi voglio parlarvi di come la progettazione degli esperimenti possa dare impulso alle vostre innovazioni. Siete qui perché siete interessati all'innovazione. State cercando di realizzare un prodotto o un processo migliore, oppure volete migliorare qualcosa che già esiste. Magari state cercando di creare qualcosa di completamente nuovo.
Come possiamo compiere passi da gigante nel processo di innovazione? Come possiamo raggiungere la fase successiva con meno tempo, meno denaro e meno sforzi? In definitiva, utilizzare l'analisi per creare prodotti e processi solidi e di alta qualità è il modo in cui miglioreremo l'innovazione.
Se l'innovazione fosse facile, tutti la farebbero. Ma c'è una complessità che la rende difficile. La complessità risiede in questi fattori sottostanti. I fattori sono le cose che stiamo cercando di cambiare o adattare per raggiungere il nostro obiettivo.
Dobbiamo provare cose nuove, e lo facciamo attraverso gli esperimenti. La sperimentazione è essenziale per l'innovazione. Proveremo nuove combinazioni di questi fattori sottostanti, o proveremo cose nuove, nuovi fattori che non abbiamo mai provato prima, nuovi ingredienti e, in definitiva, la sperimentazione è il modo in cui impariamo.
Come conciliare queste due cose? Da un lato, la complessità rende le cose difficili, dall'altro dobbiamo sperimentare per innovare. L'analisi dei dati porta specificità. Cerchiamo di essere specifici su cosa intendiamo per ciascuna di queste cose.
Perché la complessità è un fattore, quindi, ancora una volta, le componenti sottostanti a ciò che stiamo modificando, possono essere complesse. Possono avere un'influenza inaspettata l'una sull'altra. Potremmo avere un gran numero di cose che potremmo o meno considerare importanti, ma che riteniamo di dover considerare. Questa influenza inaspettata è ciò che ci porterà fuori dal regno della nostra conoscenza specialistica, e dobbiamo addentrarci in questo territorio per fare qualcosa di nuovo e migliore.
D'altro canto, la sperimentazione è il modo in cui impariamo come gruppo, come organizzazione. Dobbiamo ripetere le cose un sacco di volte. Sperimentiamo in sequenza. Costruiamo su ciò che abbiamo imparato, ma abbiamo bisogno di un approccio strutturato. La struttura è fondamentale, e ciò che vogliamo davvero fare sono esperimenti strategici intelligenti.
La progettazione di esperimenti è un framework sufficientemente ampio da racchiudere in un unico framework sia la complessità che la sperimentazione. C'è molto spazio in questo framework, ed è questo il messaggio che voglio lasciarvi. Non esiste davvero alcun livello di complessità che non possa essere incluso in questo framework. È facile iniziare, ed è proprio quello che vi mostrerò oggi. Condurre un esperimento di progettazione porterà progresso, efficienza ed efficacia, accelerando le vostre innovazioni.
Non partiamo da zero. Faremo leva sulle nostre conoscenze specialistiche, ma dobbiamo andare oltre questi esperimenti, che si limitano a un singolo fattore alla volta. Questi sono tradizionalmente chiamati esperimenti "un fattore alla volta". Ancora una volta, stiamo cercando di trovare le migliori combinazioni di fattori che spieghino la causalità. Lasciate che vi mostri cosa intendo per esperimento "un fattore alla volta" rispetto a un esperimento progettuale.
Qui, abbiamo un fattore alla volta. Sull'asse x abbiamo la temperatura e sull'asse y il pH. E in un esperimento temporale a un fattore, ecco cosa facciamo. Scegliamo un pH e proviamo diverse impostazioni di temperatura. Troviamo la temperatura migliore e poi modifichiamo il pH a quella temperatura.
Ora, in questa illustrazione, il colore è rappresentativo della resa, e troviamo la resa migliore con questo approccio un fattore alla volta. A differenza di un esperimento progettato, quindi con gli stessi assi, quello che faremo è coprire l'intero spazio di progettazione, e stiamo esaminando le combinazioni in modo più ampio rispetto a quanto faremmo con un solo fattore alla volta. Ora, in questo esempio otteniamo effettivamente una resa maggiore, e con combinazioni che non avremmo mai provato con il nostro approccio un fattore alla volta. Questo amplia davvero l'intervallo, e iniziamo davvero a comprendere la complessità, e quando comprendiamo la complessità, possiamo comprendere la causalità.
Ecco come appaiono i due risultati. Uno è più simile a una semplice collina, l'altro a un pendio. Immagina di essere immerso nella natura, in cima a una collina, e pensi di aver raggiunto la vetta, ma è una giornata nuvolosa, poi le nuvole si diradano, ti giri e ti rendi conto che c'è una cima molto più alta dietro di te, ma è lontana, e non l'avresti mai trovata semplicemente camminando. Hai bisogno di una guida e di un sentiero. Ci sono posti più alti dove possiamo trovare risultati migliori. In questo caso, rendimenti migliori.
Quello che stiamo realmente cercando di fare è comprendere la relazione tra questi fattori e le risposte. Ecco un elenco di fattori. Possono essere cose come la macchina o l'operatore, la temperatura, la pressione, l'umidità. Poi abbiamo i risultati tipici, cose come il costo, la resa, le impurità. Avremo più risposte che vogliamo. Invece di questa scatola nera, quello che stiamo realmente cercando di fare con questo processo è descrivere un modello statistico che lo caratterizzi. È così che inizieremo a svelare queste influenze inaspettate dei fattori l'uno sull'altro.
Ci sono in realtà due diversi tipi di esperimenti di cui si parla. Uno è lo screening, che consiste nel decidere cosa è importante. Questo ci permette di prendere un numero molto elevato di fattori e di osservare semplicemente l'ordine di importanza di quelli. Quando abbiamo un numero inferiore, possiamo effettivamente iniziare a comprendere la complessità e definire questa relazione, ma all'interno e tra fattori, e fattori e risposte.
Sembra tanto, e vi avevo detto che era facile iniziare. Ecco cosa faremo. Lo screening è come il cioccolato. È come la roba buona. La caratterizzazione è come il burro di arachidi, ha una certa complessità. Quello che abbiamo in JMP è una piattaforma chiamata Easy DOE. Combina magicamente screening e caratterizzazione. Ci aiuta a raggiungere i nostri obiettivi. Non dobbiamo impantanarci nel decidere quando fare una cosa e quando farne un'altra. Ci aiuterà a farlo automaticamente. Ora vi mostrerò questo.
Prima di arrivare a questo punto, dobbiamo parlare brevemente dei passaggi di un DOE. Mentre guardate questa diapositiva, vi direte: "Oh cielo! Sono tanti. Cosa faremo qui?". Ma questa è esattamente la serie di passaggi che Easy DOE ci guiderà attraverso, ognuno di questi passaggi, e ci fornirà una guida per ognuno di essi. Non entrerò nei dettagli qui perché ve li mostrerò nella piattaforma Easy DOE. Questa è un'immagine molto classica. Molti di voi potrebbero averla già vista, ed è esattamente ciò che faremo in Easy DOE.
Tra qualche minuto lascerò PowerPoint, ma vorrei parlare anche di aumento. Penso che condurre un esperimento progettato sia davvero fantastico, ma non possiamo sottovalutare l'importanza dell'aumento. Quando si esegue un esperimento con un fattore alla volta, è difficile passare all'esperimento successivo. In realtà, si tratta solo di prendere alcuni valori trovati e procedere.
Quando si ha un esperimento progettato, si possono utilizzare tutte le conoscenze acquisite, senza dover ricominciare da zero. Quello che si fa è prendere il modello statistico di base e aggiungervi ulteriori informazioni. L'arricchimento è una parte molto importante degli esperimenti progettati e, in effetti, si ottengono tutte queste conoscenze aggiuntive senza dover ricominciare da capo. Credo che questo sia uno dei motivi più convincenti per provare a utilizzare gli esperimenti progettati.
Facciamo un po' di DOE facile in JMP. Questo è un journal di JMP. Se non lo conoscete, è solo un modo per prendere appunti, e ho tabelle di dati collegate ad esso e altre cose interessanti del genere. Da dove cominciare? Una delle cose di cui voglio parlare è capire un po' cosa sono le relazioni. Giusto per un breve contesto. Se abbiamo due fattori, e sono sulla X e sulla Y, possiamo avere una relazione positiva o negativa. Possiamo anche avere qualcosa che è ben descritto da una linea retta o qualcosa che deve avere una certa curvatura. C'è una piccola demo qui fornita con JMP. È integrata e permette di aggiungere punti dati e, cliccando, si può iniziare a capire come funziona questa correlazione.
L'altra cosa che dobbiamo capire è la regressione. La correlazione è la relazione tra variabili. La regressione è in realtà il processo di tracciamento di una linea. Come potete vedere, di nuovo, posso modificare la relazione. Questo dovrebbe aiutarvi a iniziare a capire cosa state osservando quando interpretate i vostri risultati.
C'è un'altra cosa che voglio condividere con voi prima di entrare nel nostro esempio. Quando abbiamo un modello, quindi un modello è una relazione statistica, sappiamo tutti che y è uguale a mx più b. Se abbiamo solo questo, si chiama semplicemente Effetti Principali. Qui abbiamo X1 e poi X2 con la nostra variabile di risposta su y.
Quello che vediamo qui è che ogni X ha un'influenza sulla risposta, ma i due X1 e X2 non si influenzano a vicenda. Ora, forse non sono linee rette. È a questo che mi riferivo prima con la differenza tra una relazione lineare e una non lineare o curvilinea.
Quadratico è il modo matematico in cui descriviamo le linee curve. Ancora una volta, X1 e X2 non si influenzano a vicenda, ma presentano una maggiore complessità nella relazione con la variabile di risposta. X1 e X2 potrebbero modificarsi a vicenda. Questa è la complessità di fondo che inizia davvero a rendere difficili le innovazioni e dove gli esperimenti progettati possono aiutarti a comprenderla. Puoi vedere che se modifichiamo X1, la relazione tra X2 e la risposta cambia. Potresti averlo visto senza saperlo, e può essere molto frustrante se non hai un modo per definirlo effettivamente. Quindi possiamo fare entrambe le cose. Possiamo avere linee curve e i nostri fattori si influenzano a vicenda.
Questi sono tutti i livelli di complessità a cui dobbiamo pensare quando realizziamo un esperimento progettato. Lo renderemo semplice e lo faremo con Easy DOE. Iniziamo da DOE e utilizzeremo Easy DOE. Come vi ho mostrato nell'altra diapositiva, ecco i diversi passaggi da seguire. In realtà, lasciatemi aprire una diapositiva già fatta. Ecco i passaggi che vi ho mostrato nelle diapositive. Definire, modellare, progettare e così via. Sono tutti qui per voi.
Nota che esiste una modalità guidata e flessibile. Se hai già familiarità con gli esperimenti di progettazione, potresti voler scegliere la modalità flessibile. Ti offrirà opzioni aggiuntive per le scelte di progettazione e i tipi di analisi. Ma se sei nuovo, che è il pubblico a cui mi rivolgo, imposta semplicemente la modalità guidata.
Ora... Ecco il nostro foglio vuoto. Diamo un'occhiata alle nostre risposte. La risposta è ciò che vuoi misurare. Il primo che faremo è un disegno di screening. Vogliamo solo capire l'ordine di priorità dei nostri fattori. Potresti avere un obiettivo in mente, potresti non averne uno. Ci sono suggerimenti qui se vuoi cercare di capire di più, ma ti evita di andare... La documentazione è davvero buona. Ti guida attraverso esempi, ma è tutto qui a portata di mano per farti riferimento mentre prendi queste decisioni.
Voglio aggiungere una risposta e abbinare un obiettivo. Lo eliminerò. Stiamo preparando il caffè. Mi piace il caffè. Osserveremo l'intensità del caffè. Stiamo cercando un valore compreso tra 1,2 e 1,4. Potremmo semplicemente voler... Potremmo anche voler massimizzare o minimizzare un obiettivo. Ad esempio, se avessimo dei costi, potremmo volerli minimizzare. Queste sono le nostre risposte.
Dobbiamo anche aggiungere dei fattori. Queste sono le cose che cambieremo nel nostro esperimento. Guardarmi scrivere è un po' noioso. Lasciate che vi spieghi cosa sono questi diversi fattori. Ma vi mostrerò solo cosa... Potete avere una tabella con i fattori. Quello che farò qui è caricarli, così possiamo esaminarli. Esamineremo ciascuno di essi. Qui ho la macinatura. Il caffè può essere macinato grossolanamente o, in questo caso, macinato medio. Questa è una risposta categorica. Se intendete aggiungere una risposta categorica, è qualcosa che viene fornito in unità discrete. Rosso/blu diversi fornitori. In questo caso, la macinatura.
La mia temperatura è una variabile continua. Ciò che imposti è il livello più basso e quello più alto. Le variabili continue sono qualsiasi cosa abbia una manopola che si muove continuamente. Per quanto riguarda la temperatura, possiamo avere qualsiasi variazione tra le temperature. Anche il nostro prossimo fattore è continuo. Questo è il tempo. Il tempo è sempre continuo. Possiamo farlo variare tra tre e quattro. La carica ha a che fare con l'intensità dell'infusione. Quanto tempo impiega effettivamente la macchina o l'impostazione sulla macchina che modifica l'intensità dell'infusione.
Abbiamo due postazioni caffè diverse, perché forse c'è una differenza tra le postazioni di cui non sono a conoscenza. Questo solleva l'importante concetto di rumore. Una delle cose che fanno gli esperimenti di progettazione è la randomizzazione, in modo da non doversi preoccupare di tutto. Perché potrebbe essere che l'elemento riscaldante di una delle mie postazioni non sia davvero buono come l'altra, ma la randomizzazione tra le due aiuterà a oscurare questo fatto e a prendere il rumore che non ci interessa, e che non stiamo cercando di definire, e ci permetterà di gestirlo meglio.
L'altro che c'è qui sopra è un fattore numerico discreto. Questo è utile quando si ha a che fare con un forno. Supponiamo di avere solo un paio di impostazioni sul forno. Anche se la temperatura potrebbe essere una variabile continua, in realtà non la si gestirà in questo modo. Si potrebbe dire: "Perché non la gestisco semplicemente come variabile categorica?" Perché si otterrebbero più informazioni da un fattore numerico discreto.
Se i miei due valori per il valore numerico discreto fossero 10 e 100, riconoscerebbe quella differenza, ovvero 10, 20 e 100. La differenza tra 10 e 20 è solo 10, ma 10 e 100 è 90. Lo terrà in considerazione. Se li inserisco semplicemente in un fattore categoriale, li tratterà semplicemente come A, B e C, e perderò le informazioni aggiuntive che avrei potuto ottenere. Andiamo avanti. Quando clicco sui controlli di navigazione, verrò spostato alla scheda successiva.
Modello. Credo che sia qui che la gente inizia a preoccuparsi. C'è una bella spiegazione qui di cosa significano alcune di queste cose. Dice persino che al momento stiamo solo effettuando uno screening. Vogliamo solo sapere quali di questi elementi sono i più importanti. Ecco perché ho mostrato l'illustrazione delle interazioni e delle equazioni quadratiche, perché possiamo inserirle e testarle.
Una delle cose che si può notare è che per ottenere maggiori informazioni su cosa sta succedendo, se i nostri fattori sono lineari o meno e se interagiscono tra loro, il costo è maggiore in termini di numero di analisi che eseguiamo. Ecco perché, se si dispone di un numero elevato di fattori, è meglio eseguire un progetto di screening e successivamente un progetto di caratterizzazione. In Easy DOE, tutto ciò che devo fare è decidere a quale di queste domande voglio rispondere.
In questo caso, voglio solo sapere cosa è importante. Ci atterremo a questo. Ha creato il mio progetto per me. Ecco il mio progetto. Posso esportare i dati. Creerò una tabella dati JMP e poi potrò procedere. È necessario eseguire ogni esecuzione in ordine, proprio come indicato. La prima volta che faccio il mio esperimento, lo farò alla stazione 2, userò una macinatura grossolana a una temperatura di 195 per un tempo di 3 e una carica di 2,4. La seconda volta che lo faccio, uso sempre la stazione 2. Userò una macinatura media, poi potete vedere le altre variabili qui. L'ordine di esecuzione è molto importante. Fa parte della randomizzazione. Se si esegue un'esecuzione e si ordina semplicemente questo, non si è rispettato ciò che stiamo facendo con il progetto dell'esperimento.
Va un po' oltre ciò di cui parleremo oggi. Se torniamo al nostro modello e... No, mi dispiace. Se torniamo ai nostri fattori e alla nostra modalità flessibile, possiamo aggiungere ulteriori informazioni su aspetti che sono davvero difficili da modificare. Grandi vasche di acido se ci immergi qualcosa. Questo cambierà il tipo di modello statistico di base che stiamo costruendo. Ma è qui, e potete farlo, e dovreste usarlo. Gli esperimenti industriali presentano spesso aspetti che sono difficili da modificare, e non possiamo usare tutta la randomizzazione. Continuiamo.
Ho già fatto questo esperimento. Ecco i miei dati. Puoi caricare le risposte. Basta selezionare una colonna da una tabella dati. È il modo migliore per recuperare i dati. Nell'esperimento precedente, esporti la tabella dati, la compili e poi puoi ricaricarla in Easy DOE, con le tue risposte. Cos'è questo piccolo grafico qui sotto? Ci mostra un'anteprima dei nostri risultati. Ecco l'intensità del mio caffè, quindi la mia variabile di risultato sulla Y. Ogni punto dati qui è uno dei miei esperimenti. Possiamo avere un'anteprima di come appaiono i risultati per ciascun fattore. Lascia che lo renda un po' più alto. Ecco fatto.
Sembra che il grind possa essere importante. È difficile sapere di più su alcuni di questi altri. Non ci limiteremo a un'analisi a occhio nudo, ma mostra la distribuzione dei dati per ciascuno dei tuoi punti dati. Cliccando su "Avanti" qui sul mio pannello di controllo, arrivo ad "Analizza".
Questo è davvero interessante. Ci sono due cose diverse qui. Possiamo esaminare tutto nel modello. La linea continua significa che è significativo, e la linea tratteggiata significa che non è significativo. Giusto per essere chiari, negli esperimenti progettati, non significativo non significa che non sia importante. Significa che non hai rilevato qualcosa. Forse se avessi fatto il doppio delle prove, avresti potuto rilevarlo. In questo caso, non abbiamo prove che sia importante. Il modello completo è tutto. Se vogliamo vederlo, possiamo guardare quei risultati.
Quello che stiamo cercando qui è che la nostra stima effettiva sia limitata da zero. Lo facciamo osservando gli intervalli di confidenza. Possiamo vederlo nel nostro grind. Ce lo sta tracciando. Al contrario, per altri, dice che non è significativo. Puoi vedere che attraversa questa linea a zero. Se clicco su "Best Model", dice che il modello migliore per spiegare il nostro DOE include grind e forse temperatura. La temperatura è un po' al limite. Potremmo volerlo tenere presente per ora. Tempo, carica e stazione non sono importanti, quindi possiamo andare avanti e pensare a cos'altro potremmo voler fare dopo.
C'è un profiler di previsione. I profiler di previsione sono il modo in cui visualizziamo le equazioni in JMP. Di nuovo, ecco il nostro asse y, e il blu rappresenta gli intervalli di confidenza. Quindi ogni quadrato è la nostra variabile di risultato. Questo è interattivo. Quando siamo qui, non possiamo semplicemente cliccare al suo interno, ma ovunque ci sia un triangolo rosso in JMP, abbiamo molte opzioni e possiamo apportare ottimizzazioni. Questo può essere molto importante se si vuole tornare indietro e provare effettivamente a verificare ciò che si è fatto. Tornare indietro e preparare un'altra tazza di caffè per vedere se è il migliore. C'è anche un bel report che si può stampare, con tutto il contenuto. Questo è un esempio di DOE. Questo è un progetto di screening.
Ora, andiamo avanti e realizziamo un progetto di caratterizzazione. In questo caso, i nostri fattori saranno pH, temperatura e fornitore. Le nostre risposte saranno, se si tratta del target, e poi vogliamo anche tenere traccia delle impurità. Potete vedere qui che massimizzeremo o minimizzeremo. È noioso guardarmi digitare, quindi caricherò questi dati in Easy DOE. Userò questo piccolo triangolo rosso proprio qui. Caricherò le mie risposte e i miei fattori. Possiamo vedere che è come se li scegliessi usando il pulsante più target e impurità, voglio massimizzare il mio target e minimizzare le impurità. I miei fattori, ne ho tre. Sono il pH che è continuo, la temperatura che è continua e il fornitore che è categorico.
Sto cercando di caratterizzare la complessità della relazione qui. Non so se ho linee rette o curve, e non so se queste due cose interagiscono. Questo è ciò che voglio sapere. Vedete, questa è la cosa interessante: quando si hanno meno fattori, potrei usare uno qualsiasi di questi tre tipi di progettazione per stimare questi modelli per lo stesso numero di esecuzioni.
Sceglierò quello che mi darà più informazioni. Analizzando interazioni e quadratiche. Si chiama anche "progettazione della superficie di risposta". Di nuovo, partirà. Sta creando il modello per me. Ecco le mie 18 esecuzioni. Esporterò i miei dati. Ecco la mia tabella dati.
Spero che la magia della mia simulazione funzioni. Salgo sulla mia macchina del tempo, raccolgo i dati. Ecco i dati. La macchina del tempo non è inclusa in Easy DOE. Clicchiamo su "Avanti". Ora caricherò le mie risposte. Di nuovo, se osserviamo questi grafici fattoriali, possiamo iniziare a farci un'idea di come appaiono i nostri risultati. Qui ho due risultati: target e impurità. Sembra che ci sia una relazione, forse con il pH. Per gli altri è un po' difficile stabilirlo. L'impurità potrebbe avere qualcosa a che fare con il mio fornitore.
Eseguiamo il modello. Abbiamo molta potenza di calcolo perché le nostre barre di errore sono piccole. Possiamo vedere molte barre verdi continue e un paio di piccole barre punteggiate. Se clicco sul modello migliore, dirà: "Non credo che queste cose siano significative". Una delle cose qui, il modo in cui è scritto, questo pH*pH, sarebbe per vedere se quella linea è curva, e dice di non esserlo. Allo stesso modo, la temperatura probabilmente non è curva, ma abbiamo sicuramente delle interazioni. Le interazioni sono scritte così: pH*temp. Ci sono altre informazioni qui sotto se vogliamo continuare a cercare. Possiamo esaminare ogni risposta perché forse ci interessa di più solo... Questo è per il target, e poi per l'impurità, troveremmo qualcosa che forse è un po' diverso. Vogliamo davvero essere in grado di esaminarli in un modello simile.
Ora possiamo passare a Predict. Di nuovo, nel nostro profiler, in alto c'è il target e in basso l'impurità. Ognuno di questi è il pH. Possiamo vedere che forse c'è una certa curvatura qui con pH e temperatura. Possiamo sicuramente vedere che questi si invertono per il fornitore. Qui clicco sul pulsante Ottimizza, in modo da trovare le impostazioni che massimizzano il target e minimizzano le impurità. Queste sono le impostazioni che dovrei tornare indietro e provare a eseguire questo pH, questa temperatura e questo fornitore. Devi verificare di aver eseguito un buon DOE. Di nuovo, il mio report è qui se lo desideri, e possiamo semplicemente esportarlo.
Questo è il DOE semplice in JMP. In breve, chi altri? Ci sono altri tipi di DOE. C'è un sacco di roba qui dentro. Finiscono per essere tipi di DOE leggermente speciali. Ci sono progetti per insegnare i classici, progetti per capire cosa vogliono i consumatori. Se si sta conducendo un esperimento al computer, ci sono progetti che riempiono lo spazio. Abbiamo array di copertura se si sta progettando software. Si possono fare formulazioni e miscele. Ci sono molte cose che si possono fare con le miscele. Ci sono progetti di analisi di affidabilità e sistemi di misura, e ci sono tecniche di blocco avanzate per una maggiore complessità.
Quando cerchiamo di innovare, è davvero importante avere fiducia nel nostro approccio progettuale, che ci permetta di coprire questo ampio spettro di complessità. Abbiamo interazioni complesse e la progettazione di esperimenti ci aiuterà a sfruttare in modo intelligente questo spazio, aumentando la nostra capacità di innovare. Per questo, grazie mille.
