Vielen Dank fürs Einschalten. Hier ist „Tippfehler erkennen mit Testdaten“. Mein Name ist Nathan Gambles, und ich bin leitender Produktentwickler bei Frontgrade Technologies. Meine Aufgabe bei Frontgrade ist die Unterstützung bei der Herstellung und Prüfung hochzuverlässiger integrierter Schaltungen. Unsere Kunden konzentrieren sich auf Anwendungen in der Medizintechnik, der Luft- und Raumfahrt, dem Militär und allen anderen Bereichen, in denen Elektronik ein hohes Maß an Sicherheit erfordert.
Heute möchte ich Ihnen von einer Ursachenanalyse berichten, an der ich beteiligt war. Wir stießen dabei auf interessante Anomalien in den Daten, die sich als Tippfehler herausstellten und Probleme in unseren Testergebnissen verursachten. Ich werde Ihnen den Prozess erläutern, mit dem wir diese Situationen identifiziert und weiter untersucht haben.
Ich beginne mit ein paar Hintergrundinformationen zu meiner Tätigkeit. Wie bereits erwähnt, habe ich integrierte Schaltkreise hergestellt. Hier auf dem Bildschirm sehen Sie ein Beispiel für einen solchen Schaltkreis. Viele bezeichnen diese auch als Computerchips. Integrierte Schaltkreise gibt es in allen möglichen Formen, Größen und mit unterschiedlicher Pinanzahl. Viele von ihnen haben unzählige Pins, die verschiedene Funktionen erfüllen. Beim Testen dieser Bauteile müssen wir daher denselben Test an vielen verschiedenen Pins durchführen. Das werden wir in den Testdaten gleich sehen.
Was mir bei den integrierten Schaltkreisen noch auffällt, ist die Kennzeichnung auf der Oberseite. Diese enthält in der Regel Angaben zum Hersteller, zum Produkt, zur Chargennummer oder zum Herstellungsdatum. Manchmal finden sich auch Seriennummern. Die meisten Produkte, an denen ich arbeite, haben Seriennummern, die wir während des gesamten Fertigungsprozesses verfolgen. Die Seriennummer wird im weiteren Verlauf dieser Geschichte eine wichtige Rolle spielen.
Bei der Teilefertigung handelt es sich in dem Werk, in dem ich arbeite, um eine Produktion mit hoher Produktvielfalt und geringen Stückzahlen. Wir stellen zwar nicht viele Teile gleichzeitig her, aber an einem beliebigen Tag können viele verschiedene Produkte gefertigt werden.
Wenn wir eine Charge fertigen, sortieren wir die Teile. Ich beschreibe Ihnen nun den Ablauf bei der Testdurchführung. Dabei laden wir das Testprogramm auf unsere automatisierte Testanlage. Ein Mitarbeiter nimmt dann ein Teil, prüft es, liest die Kennzeichnung ab, legt das Teil in die Testvorrichtung, gibt die Seriennummer ein und startet den Test. Der Test wird ausgeführt und die Daten werden erfasst. Anschließend entnimmt der Mitarbeiter das Teil aus der Testvorrichtung, legt es zurück in die Ablage und wiederholt diesen Vorgang für alle Teile der Charge.
Um es kurz zu fassen: Ich habe gerade den allgemeinen Ablauf einer Testphase beschrieben. Im Großen und Ganzen testen wir die Teile bei Raumtemperatur. Anschließend werden sie einer Belastungsprüfung unterzogen. Danach testen wir sie erneut bei Raumtemperatur und schließlich bei Kälte und Wärme. Dies sind die minimalen und maximalen Betriebstemperaturen gemäß Spezifikation.
Im Anschluss an diese Prüfung testen wir die Teile erneut bei Raumtemperatur sowie bei Kälte und Wärme. Diese zweite Testrunde ist Teil unserer Qualitätskontrolle, um sicherzustellen, dass nicht zu viele Fehler die erste Prüfungsrunde bei den Testläufen zwei und drei passieren. Die Ursachenforschung, an der ich beteiligt war, entstand, weil wir bei den Testläufen vier und fünf eine unerwartet hohe Fehlerrate feststellten, obwohl wir dort nicht mit so vielen Fehlern gerechnet hatten.
Die Untersuchung verlief in viele verschiedene Richtungen. Ich werde mich auf den einen Untersuchungszweig konzentrieren, bei dem wir… Wir hatten die Daten einiger Fehler, die wir in diesen Testschritten beobachtet hatten, ausgewertet und uns eingehender damit befasst. Typischerweise zeigte sich in den Daten für einen bestimmten Messparameter Folgendes: Wenn wir die Daten bei Kälte betrachteten, stellten wir fest, dass ein Gerät, dessen Messwert bei Kälte im oberen Bereich der Verteilung lag, auch bei Raumtemperatur im oberen Bereich lag. Ebenso lag es bei Wärme im oberen Bereich der Verteilung. Dasselbe galt für ein Gerät, dessen Messwert im unteren oder mittleren Bereich lag.
Einige der Geräte, die später im Prozess ausfielen, folgten diesem Muster nicht. Ihre Daten zeigten mal Werte im oberen Bereich, mal im unteren Bereich und dann wieder im oberen Bereich. Das ergab keinen Sinn. Aus physikalischer Sicht ist dies für Halbleiter nicht nachvollziehbar.
Nach einigem Brainstorming kamen wir zu dem Schluss, dass die wahrscheinlichste Ursache für die beobachteten Daten darin besteht, dass wir möglicherweise nicht die Daten von den Geräten betrachten, die wir erwarten, und dass sich unter unsere Daten möglicherweise Tippfehler vermischen, die diese Verwirrung verursachen.
Im Verlauf dieser Untersuchung wollten wir eine Analysemethode finden, mit der wir Daten von allen unseren Bauteilen erfassen konnten. Wir arbeiteten mit einer heterogenen Umgebung. Wir wollten sicherstellen, dass die Methode keine allzu großen Fachkenntnisse erforderte. Wir wünschten uns ein möglichst einfaches Verfahren, dessen Ergebnisse sich leicht auswerten ließen. Das war unser Ziel bei dieser Untersuchung.
Das ist der Hintergrund unserer Arbeit und warum wir sie durchführen. Die Beispieldaten, die ich verwenden werde, finden Sie hier im JMP-Journal. Wenn Sie auf die Schaltfläche klicken, wird ein Datensatz generiert. Ich habe diesen Datensatz bereits geöffnet. Zunächst möchte ich kurz erläutern, worum es in den Daten geht und was wir damit bereits verstehen.
Dies sind Daten. Die Datentabelle enthält 441 Zeilen. Jede Zeile repräsentiert einen Eintrag für eine Charge während eines Testvorgangs. Dies entspricht der PowerPoint-Präsentation, die wir uns gerade angesehen haben. Die Tabelle enthält die Testtemperatur und die vom Bediener während des Testvorgangs eingegebene Seriennummer. Zusätzlich gibt es 300 Spalten mit Messwerten. Jede Zeile in dieser Datentabelle entspricht im Prinzip einer Ausführung des Testprogramms. Wir sehen, dass wir eine große Anzahl von Tests durchgeführt haben, nämlich 300.
Ich erwähnte bereits, dass wir mehrere verschiedene Pins haben. Wir sehen, dass wir Messungen für Test A an Pin 1 durchgeführt haben. Für Test A wurden auch Messungen an Pin 2 durchgeführt. Wenn ich schnell durchscrolle, sehen wir, dass wir viele Tests an vielen verschiedenen Pins durchführen. Wir haben auch andere Tests, die nicht pinweise durchgeführt werden. Einige Tests verhalten sich anders, viele jedoch schon. Wir haben hier im Grunde ein ganzes Alphabet an Tests, was uns 300 Spalten mit Messwerten liefert.
Ich möchte darauf hinweisen, dass die Daten in unserer Tabelle gestapelt sind. Einige Zeilen enthalten Daten zur Raumtemperatur, andere zu Kälte und wieder andere zu Wärme. Bei der Datenaufbereitung werde ich daher die Gruppierungsfunktion in JMP verwenden, um sicherzustellen, dass die berechneten Statistiken die möglichen Temperaturunterschiede nicht berücksichtigen.
Ich werfe einen kurzen Blick auf einige der Daten. Wenn ich hier den Graph Builder öffne, sehe ich in diesem Diagramm, in welchem Arbeitsgang wir uns befinden, bei welcher Temperatur wir die Daten erfassen und alle getesteten Seriennummern. Auf der Y-Achse sind die Messwerte dargestellt. Wir sehen, dass die Daten bei Raumtemperatur ungefähr hier liegen. Bei Kälte sinken sie auf einen anderen Wert. Bei Hitze verschieben sie sich erneut. Dann wieder Raumtemperatur, wieder Kälte, wieder Hitze.
Abweichungen in den Messwerten sind bei Halbleitern recht häufig. Entschuldigung. Abweichungen sind bei der Datenerfassung in der Halbleiterindustrie üblich. Wenn ich mir viele dieser Tests ansehe, sehen wir, dass wir bei vielen Stiften denselben Test durchführen. Dadurch erhalten wir viele stark korrelierte Parameter. Wenn ich weitermache, ähneln sich viele dieser Tests sehr. Wenn ich zu anderen Tests springe, die möglicherweise anders aussehen, erhalten wir andere Tests mit anders aussehenden Daten. Einige der Tests reagieren unterschiedlich auf Temperaturänderungen.
Hier ein Beispiel. Einige der Messwerte weisen extreme Ausreißer auf. In der Halbleiterindustrie ist es nicht ungewöhnlich, dass ein defektes Bauteil bei einem Ausfall schwerwiegende Schäden verursacht. Der Umgang mit Ausreißern ist daher ein wichtiger Bestandteil unseres Prozesses. Wir beobachten außerdem temperaturbedingte Verschiebungen der Messwerte. Da unsere Daten in Spalten gruppiert sind, müssen wir hierfür die Gruppierungsfunktion von JMP nutzen.
Ein kurzer Blick auf die Verteilung unserer Seriennummern zeigt, dass dieser Datensatz 65 verschiedene, eindeutige Seriennummern enthält. Wir haben die Daten bereits untersucht und einen ersten Eindruck gewonnen. Als Nächstes werden wir das Verfahren anwenden, das sich als hilfreich erwiesen hat, um Tippfehler in unseren Daten zu erkennen.
Im ersten Schritt bereiten wir die Daten vor, indem wir Ausreißer mithilfe der Funktion „Ausreißer untersuchen“ entfernen. Anschließend berechnen wir einen standardisierten Z-Wert mithilfe der Formelspalten. Dazu verwenden wir die Funktion „Analysieren“, „Screening“ und „Ausreißer untersuchen“. Wir wählen alle 300 Messwerte aus und führen diese Analyse nach Temperatur durch.
Ich möchte hierfür die Ausreißeranalyse im Quantilbereich verwenden. Zur Info: Ich verwende in dieser Präsentation auf allen Plattformen die JMP-Standardeinstellungen. Ich werde die Ausreißeranalyse im Quantilbereich mit den Standardeinstellungen verwenden. Um die Ausreißer in der Tabelle zu entfernen, verwende ich die Option „Formelspalte erstellen“.
Ich lasse die Standardeinstellungen. Als Nächstes fahre ich mit der Zimmerspalte fort. Für die Zimmerspalte verwende ich dieselbe Formelspalte. Dasselbe gilt für die Temperaturspalte. Nun haben wir mehrere Formelspalten in unserer Tabelle erstellt. Nach einer kurzen Bereinigung erhalten wir 300 neue Datenspalten, in denen Ausreißer entfernt wurden.
Als nächstes möchte ich die Operationen und die Temperatur als Gruppierungskriterium einrichten… Denn ich werde die neue Formelspaltenfunktion nutzen, möchte aber die Gruppierungsfunktionalität erhalten, die wir durch diese Einstellung erreichen können, sodass die Statistiken nach Temperatur und Operation für alle 300 unserer Ausreißerparameter berechnet werden.
Nachdem wir die Ausreißer aus allen 300 Spalten entfernt haben, können wir unter der neuen Formelspalte im Menüpunkt „Verteilung“ mit der rechten Maustaste auf „Standardisieren“ klicken. Dadurch wird der standardisierte Z-Wert für alle Parameter berechnet. Dies erzeugt eine komplett neue Gruppe von Spalten. Nach einigen weiteren Bereinigungen verfügen wir nun über 300 Spalten mit standardisierten Daten.
Um Ihnen einen kurzen visuellen Überblick über unsere Ergebnisse zu geben: Wenn ich den Graph Builder öffne und mir Test E8 ansehe, sehen wir, dass zuvor ein extremer Ausreißer die Daten schwer lesbar machte. Nachdem wir die Ausreißer entfernt hatten, waren die Daten zwar sichtbar, aber es gab weiterhin Sprünge zwischen den Messwerten der verschiedenen Betriebsarten und Temperaturen. Durch die Standardisierung nach Betriebsart und Temperatur haben wir nun alle Verteilungen um null zentriert und ihnen eine Standardabweichung von eins zugewiesen. Das bedeutet, dass die Daten im Wesentlichen innerhalb eines Bereichs von plus/minus drei liegen.
Wir haben den falschen Punkt auf dieser Skala erwischt. Jetzt können wir Fragen stellen wie: Lagen diese Punkte am oberen Ende der Verteilung bei diesem Betrieb und dieser Temperatur? Lagen sie am unteren Ende der Verteilung bei diesem Betrieb und dieser Temperatur? Oder lagen sie im mittleren Bereich der Verteilung bei diesem Betrieb und dieser Temperatur? Genau das haben wir im Schritt der Datenaufbereitung getan.
Als Nächstes möchten wir diejenigen der 300 Parameter identifizieren, die sich gut zur Vorhersage der Seriennummer eignen. Dazu verwenden wir ein Prädiktor-Screening. Aus den Daten weiß ich, dass viele Parameter stark miteinander korreliert sind. Ich weiß, dass das Prädiktor-Screening einige dieser stark korrelierten Parameter liefern wird. Anschließend nutzen wir Clustervariablen, um viele der stark korrelierten Parameter zu eliminieren und nur die repräsentativsten für die gesuchten Tests beizubehalten.
Dazu verwenden wir ein Screening-Tool, genauer gesagt ein Prädiktor-Screening. Wir fügen alle unsere standardisierten Spalten hinzu und lassen die Seriennummer ermitteln. Auch hier unten gibt es verschiedene Optionen. Ich habe in dieser Präsentation die Standardeinstellungen verwendet. JMP verarbeitet diese Daten und erstellt einen Bericht, in dem die Parameter, die die Seriennummer des Geräts am besten beschreiben, in einer Rangfolge aufgelistet werden.
Ein kurzer Blick darauf zeigt, dass der erste Parameter sehr gut ist, gefolgt von einigen weiteren, die ebenfalls vielversprechend aussehen. Scrollt man hier weiter nach unten, scheint es, als ob ab etwa 20 Parametern keine weiteren Verbesserungen mehr bringen. Ich werde daher die 20 besten Parameter auswählen. Diese wurden bereits in der Datentabelle markiert. Unter „Clusteranalyse“ verwende ich nun Clustervariablen, um die hochkorrelierten Variablen in dieser Liste der 20 zu identifizieren.
Wenn ich diese 20 in die Y-Spalten eintrage, erhalten wir diesen Bericht, in dem ich üblicherweise nach leuchtend roten und leuchtend blauen Werten suche. Ich zähle die Felder. Es sieht so aus, als wären es 1, 2, 3, 4, 5 und 6. Aus dieser Analyse erwarte ich etwa sechs Parameter, die wir für unsere Tippfehlerprüfung verwenden können.
Bevor ich fortfahre, stelle ich sicher, dass keine Spalten ausgewählt sind, damit sie in diesem Bericht automatisch ausgewählt werden. Die Clusteranalyse hier in der Zusammenfassung zeigt, dass alle 20 Parameter berücksichtigt wurden und vier Gruppen gebildet wurden. Hier sind die repräsentativsten Werte jeder Gruppe.
Das ist super. Mir ist aber aufgefallen, dass diese Plattform Daten sehr gerne gruppiert. Anscheinend habe ich hier zwei Parameter, die mit keinem der anderen 20 Parameter gut korrelieren. Diese wurden einigen anderen Gruppen hinzugefügt, was ich eigentlich vermeiden möchte. Ich achte nicht nur darauf, welche Gruppe am repräsentativsten ist, sondern prüfe auch diese Spalte und stelle sicher, dass ein Parameter, der in einer Gruppe landet, innerhalb dieser Gruppe gut korreliert.
Wenn wir hier unten schauen, sehen wir viele Werte sehr nahe bei eins. Das bedeutet, sie korrelieren stark. Dann haben wir aber diesen einen Wert. Er liegt sehr nahe bei null. Er korreliert nicht gut mit der Gruppe, der er zugeordnet wurde. Auch mit dem nächstgelegenen Cluster korreliert er nicht gut. Er korreliert mit gar keinem Cluster. Ich möchte diesen Parameter aber trotzdem berücksichtigen. Weiter unten sieht es so aus, als gäbe es noch einen weiteren Wert, der ebenfalls nicht gut mit seiner Gruppe korreliert. Zusammen mit diesen vier Werten ergibt das die sechs Werte, die ich anhand der Abbildung erwartet habe.
Das ergibt sechs ausgewählte Spalten in unserer Datentabelle. Wenn ich die Spaltenanordnung etwas anpasse, also die Gruppierung aufhebe und anschließend wieder zusammenfasse, erhalte ich eine Liste der – wie ich sie nenne – besten Prädiktoren, die uns helfen, unsere Seriennummern anhand der vorhandenen Daten zu verstehen.
Nachdem wir nun unsere wichtigsten Parameter identifiziert haben, können wir die Analyse durchführen, die uns Aufschluss darüber geben soll, ob Seriennummernfehler vorliegen oder nicht. Dazu verwenden wir die hierarchische Clusteranalyse. Unter „Clusteranalyse“ und „Hierarchische Clusteranalyse“ wählen wir unsere sechs besten Prädiktoren aus, die wir zuvor ermittelt haben, und versehen sie mit der Seriennummer.
Es gibt noch weitere Optionen. Ich habe einfach die JMP-Standardeinstellungen beibehalten. Dadurch erhalten wir den Bericht zur hierarchischen Clusterung. Ich möchte hier ein paar Änderungen vornehmen: Die farbige Kennzeichnung der Cluster erleichtert die Unterscheidung der verschiedenen Gruppen. Ich möchte die Anzahl der Cluster steuern. Bei der ersten Datenprüfung enthielt diese Charge 65 verschiedene Seriennummern. Ich habe festgestellt, dass dieses Verfahren am besten funktioniert, wenn man nicht genau 65, sondern etwas weniger als die erwartete Gesamtzahl der Geräte in der Charge angibt. In diesem Beispiel wähle ich einen Wert von … nicht 65, sondern 58.
Als Letztes benötige ich für diese Analyse einen Datenfilter aus der Datentabelle, den ich auf „Seriennummer“ setze. Dadurch kann ich alle Zeilen auswählen, in denen die Seriennummer beispielsweise „1“ ist. Im Dendrogramm-Bericht ist dann zu sehen, dass die Datenzeilen mit der Seriennummer „1“ alle zusammen gruppiert sind. Sie haben alle die gleiche Farbe und liegen vertikal nebeneinander.
Das deutet darauf hin, dass unser Clustering-Algorithmus mit den sechs vorgegebenen Parametern erfolgreich war. Wenn wir die Datenpunkte einzeln durchgehen, sehen wir, dass auch der zweite Datenpunkt gut gruppiert wurde. Betrachten wir die Datenpunkte einzeln und wie gut sie gruppiert sind, kommen wir zu Datenpunkt 17. Hier befinden sich die meisten Datenpunkte im unteren Bereich, während mindestens ein Datenpunkt im oberen Bereich liegt.
Zwischen diesen Punkten besteht ein beträchtlicher vertikaler Abstand. Wichtiger als dieser Abstand ist jedoch die Frage, ob man eine Linie entlang dieser Linien ziehen könnte, um die betrachteten Punkte zu verbinden. Anscheinend müsste ich diese Linie zeichnen. Die Frage ist dann: Wie weit nach rechts musste man suchen? Wir mussten ziemlich weit nach rechts gehen, um diese Verbindung herzustellen. Je weiter man nach rechts gehen muss, desto unwahrscheinlicher ist es, dass die Daten in Wirklichkeit anders aussehen.
Nach meinem Verständnis dieses Dendrogramms sehen die Daten recht unterschiedlich aus. Wenn ich diesen scheinbar isolierten Punkt genauer betrachte, scheint es, als hätten wir einen Fall, in dem – basierend auf den sechs untersuchten Parametern – die meisten Geräte, die anhand ihrer elektrischen Testdaten ein ähnliches Aussehen aufwiesen, die Seriennummer 12 hatten, außer in einem Fall, in dem die Seriennummer 17 eingegeben wurde.
Es handelt sich hierbei wahrscheinlich um einen Fall, in dem die Markierung auf dem Bauteil falsch gelesen wurde. Je nach Schriftart und -größe kann eine Zwei durchaus wie eine Sieben aussehen. Dies ist eine der häufigsten Ursachen für Tippfehler in unseren Daten. Mit dieser Methode konnten wir Tippfehler in diesem Datensatz identifizieren.
Als Nächstes wählen wir alle Punkte aus, bei denen die Geräteseriennummer 18 übereinstimmt. Es scheint, als gäbe es zwischen einigen dieser Punkte etwas Abstand. Wenn wir die Daten vergrößern und das gleiche Spiel wiederholen, indem wir eine Linie zwischen den Punkten ziehen, kann ich sie anscheinend verbinden.
Die Frage ist also: Wie weit musste ich nach rechts gehen? Ich musste gar nicht sehr weit gehen. Es scheint, als ob sich alle Daten sehr ähneln. Gerät 18 und Gerät 29 sehen fast identisch aus, was zu einer leichten Trennung der Einträge für Gerät 18 geführt hat. Das sieht für mich nicht nach einem Tippfehler aus. Es wirkt einfach so, als ob zwei Teile zufällig ähnlich aussehen. Ich würde dem definitiv keine weitere Untersuchung widmen.
Wenn wir uns einige weitere Seriennummern ansehen, sehen wir, dass sie sich gut gruppieren und wir hier bei 25 ankommen. Hier scheint es eine Trennung zu geben. Wenn wir das Spiel weiterspielen, sehen wir, dass wir ein gutes Stück nach rechts gehen mussten, daher ähneln sich die Daten nicht sehr. Wenn wir den einzelnen ausgewählten Punkt vergrößern – und noch näher heranzoomen –, scheint es so zu sein, dass Teile, die so aussehen, bei der Prüfung meistens die Seriennummer 26 erhalten, aber in einem Fall haben wir die 25.
Wenn wir die anderen ausgewählten Datenpunkte vergrößern, sieht 25 normalerweise so aus, außer… Es scheint einen Fall zu geben, in dem der Eintrag 26 vorkam. Wenn wir die Auswahl im Dendrogramm beobachten und zwischen den Seriennummern 25 und 26 hin- und herspringen, sieht es so aus… Dies ist ein Fall, in dem wir zwei Geräte, Gerät 25 und 26, identifiziert haben. Beide wurden getestet. Gerät 25 wurde jedoch mit der Seriennummer 26 getestet. Beim Test von Gerät 26 wurde die Seriennummer 25 eingegeben.
Irgendetwas ist bei diesen Seriennummern schiefgelaufen oder hat diesen Tippfehler in unseren Testdaten verursacht. Dies ist eine weitere Art von Tippfehler, die wir mit dieser Methode identifiziert haben. Wir könnten die restlichen Seriennummern durchgehen. So würden wir vorgehen, wenn wir den gesamten Vorgang durchführen würden. Aus Zeitgründen werde ich mich aber nur auf diese beschränken.
Im Rahmen des Prozesses stellte sich die Frage: Können wir eine einfache Methode entwickeln, die keine tiefgreifenden Fachkenntnisse für die Datenanalyse erfordert, um beispielsweise Tippfehler aufzuspüren? Ich denke, wir haben mit dem soeben beschriebenen Prozess einen recht erfolgreichen und leicht verständlichen Ablauf gefunden. Obwohl wir keine umfassenden Fachkenntnisse zu den einzelnen Testparametern besitzen, konnten wir den Prozess dennoch durchführen und zumindest eine kurze Liste möglicher Tippfehler erstellen, die wir nun mit den Fachexperten besprechen können.
Der Prozess ist so einfach, dass wir sowohl mit erfahrenen als auch mit neuen Ingenieuren gute Erfahrungen gemacht haben. Wir haben ausschließlich die integrierten JMP-Funktionen genutzt und sogar alle Standardparameter verwendet, was die Automatisierung und Skripterstellung vereinfacht. Genau so sind wir in unserer Umgebung vorgegangen. Die Ingenieure müssen den Prozess nicht manuell durchführen, sondern kennen ihn alle.
Es war ein Erfolg. Wir haben wertvolle Erkenntnisse gewonnen. Wir konnten Tippfehler in unseren Testdaten identifizieren und diese Erkenntnisse nutzen, um systematische Fehlermuster aufzudecken. Dieser Tippfehlertyp tritt häufig auf. Was sind die Ursachen? Wir konnten unsere Prozesse und Systeme verbessern. Das Programm hat uns geholfen, die Schulungen zu optimieren und war zudem ein sehr nützliches Werkzeug für Diskussionen und Feedback an die Testbediener. So konnten wir feststellen, welche Probleme auftreten und welche Probleme wir haben. Wenn sie besser informiert sind, können sie dies besser im Auge behalten und Anregungen für Verbesserungen geben, damit wir unsere Prozesse kontinuierlich optimieren und weiterhin qualitativ hochwertige Produkte herstellen können.
Das ist das Verfahren, das wir entwickelt und angewendet haben. Wenn Sie über Langzeitdaten verfügen, beispielsweise wenn Sie ein Gerät oder Produkt mehrmals unter gleichen oder annähernd gleichen Bedingungen getestet haben, könnten Ihnen einige dieser Methoden möglicherweise auch helfen, mögliche Probleme in Ihren Daten zu identifizieren. Vielen Dank für Ihre Teilnahme. Ich hoffe, dies war hilfreich für Sie. Ich wünsche Ihnen einen schönen Tag.
