함께해 주셔서 감사합니다. 여기는 테스트 데이터로 오타를 잡아내는 곳입니다. 저는 네이선 갬블스이고, Frontgrade Technologies의 수석 제품 엔지니어입니다. Frontgrade에서 제가 맡은 역할은 고신뢰성 집적 회로의 제조 및 테스트를 지원하는 것입니다. 저희 고객은 의료, 항공우주, 군사 등 높은 안전성을 제공하는 전자 장치가 필요한 모든 분야에 중점을 두고 있습니다.
오늘은 제가 참여했던 근본 원인 분석 조사 사례를 공유해 드리겠습니다. 데이터에서 흥미로운 이상 징후를 발견했는데, 테스트 결과에 오타가 포함되어 있다는 것을 알게 되었습니다. 이러한 상황을 파악하고 심층적으로 조사하기 위해 사용했던 프로세스를 공유해 드리겠습니다.
제가 정확히 무슨 일을 했는지에 대한 배경 지식부터 간단히 설명드리겠습니다. 말씀드렸듯이, 저는 집적 회로를 제조하고 있었습니다. 여기 화면에 집적 회로의 예가 있습니다. 많은 사람들이 이것을 컴퓨터 칩이라고 부릅니다. 집적 회로는 모양, 크기, 핀 수가 모두 다릅니다. 많은 집적 회로가 다양한 기능을 하는 수많은 핀을 가지고 있습니다. 이러한 부품을 테스트할 때, 결국 수많은 핀에 대해 동일한 테스트를 수행해야 합니다. 이는 잠시 후 테스트 데이터에서 확인할 수 있습니다.
집적 회로에 대해 제가 주목하고 싶은 또 다른 점은 상단에 있는 마크입니다. 일반적으로 이러한 제품에는 제조사, 제품 종류, 제조 번호, 제조일자(Lot Date)를 나타내는 마크가 있습니다. 때로는 일련 번호가 있는 경우도 있습니다. 제가 개발하는 대부분의 제품에는 일련 번호가 있으며, 이를 통해 제조 공정 전체에서 일련 번호를 추적합니다. 이 일련 번호는 이 이야기를 진행하는 데 매우 중요합니다.
제가 일하는 공장은 부품을 생산할 때, 다양한 제품을 소량 생산하는 다품종 소량 생산 시설입니다. 저희가 생산하는 로트는 한 번에 너무 많은 부품을 생산하지는 않지만, 어떤 날은 여러 종류의 제품을 생산할 수도 있습니다.
대량 생산 시에는 이를 정리합니다. 테스트 작업에 들어갈 때 어떤 작업을 하는지 설명드리겠습니다. 테스트 작업에 들어가면 자동화된 테스트 장비에 테스트 프로그램을 로드하고, 테스트 프로그램이 로드된 후 작업자가 부품을 가져와서… 아, 그렇죠. 부품을 가져와서 보고, 부품에 있는 마크를 읽고, 테스트 픽스처에 부품을 넣고, 부품의 일련 번호를 입력하고, 테스트를 시작합니다. 테스트가 실행되고 데이터가 수집됩니다. 테스트가 완료되면 작업자가 테스트 픽스처에서 부품을 꺼내 트레이에 다시 넣고, 로트의 모든 부품에 대해 이 과정을 반복합니다.
한 걸음 물러나서, 방금 테스트 작업에서 수행할 수 있는 일반적인 작업에 대해 설명했습니다. 저희가 하는 더 큰 흐름은 실온에서 부품을 테스트하는 것입니다. 그런 다음 부품을 꺼내 응력을 가합니다. 그런 다음 실온에서 다시 부품을 테스트하고, 저온과 고온에서 테스트합니다. 이는 사양에 따른 최소 및 최대 작동 온도가 됩니다.
그 후, 실온에서 부품을 다시 테스트하고, 그다음에는 저온 및 고온 환경에서도 다시 테스트합니다. 2차 테스트는 품질 점검의 일환으로 2차와 3차 작업에서 1차 스크리닝을 통과하는 고장이 너무 많지 않은지 확인하기 위해 실시합니다. 제가 참여했던 근본 원인 조사는 4차와 5차 테스트에서 예상보다 높은 고장률을 보였기 때문에 시작되었습니다. 당시에는 고장이 많지 않을 것으로 예상했습니다.
조사의 여러 가지 분기가 서로 다른 방향으로 진행되었습니다. 저는 우리가 가지고 있었던 조사의 한 분기에 집중할 것입니다... 우리는 이 테스트 단계에서 보고 있던 일부 실패에서 데이터를 가져와서 데이터를 조금 더 깊이 파고들었습니다. 일반적으로 데이터에서 볼 수 있는 것은 주어진 측정 매개변수에 대해 차가운 상태에서 데이터를 살펴보면 주어진 장치에 대해 차가운 상태에서 분포의 상단에 있는 경우 실온에서도 분포의 상단에 있을 것입니다. 또한 뜨거운 상태에서도 분포의 상단에 있을 것입니다. 마찬가지로 주어진 장치가 낮은 쪽에 있거나 중간에 있는 경우에도 동일한 상황이 존재합니다.
공정 후반에 고장이 발생한 일부 장치는 이러한 패턴을 따르지 않았습니다. 어떤 데이터는 성능이 높음을 나타내고, 다른 데이터는 성능이 낮음을 나타내고, 또 다른 데이터는 성능이 높음을 나타내는 패턴을 보였습니다. 이는 전혀 말이 되지 않았습니다. 반도체의 장치 물리학적 관점에서 볼 때 이는 전혀 말이 되지 않습니다.
브레인스토밍을 한 결과, 우리가 보고 있는 이러한 데이터의 근본 원인은 우리가 실제로 기대했던 장치의 데이터를 보고 있지 않거나, 데이터에 오타가 섞여 혼란을 야기하고 있을 가능성이 가장 높다는 결론에 도달했습니다.
이 조사를 진행하면서, 저희는 어느 부서에서든 데이터를 추출할 수 있는 분석 기법을 찾고 싶었습니다. 다시 한번 말씀드리지만, 저희는 고혼합 환경을 경험했습니다. 데이터를 확보하는 것이 중요합니다. 이 과정에 너무 많은 전문 지식이 필요하지 않도록 하고 싶었습니다. 비교적 쉽고 결과를 검토하기도 쉬운 절차를 원했습니다. 이것이 이 조사를 진행하면서 저희의 목표였습니다.
이것이 바로 저희가 하는 일의 배경이자 이유입니다. 제가 사용할 예제 데이터는 여기 JMP 저널에서 확인하실 수 있습니다. 해당 버튼을 클릭하면 데이터 세트가 생성됩니다. 저는 이미 이 데이터 세트를 열어 두었습니다. 먼저 데이터가 무엇인지, 그리고 그 내용을 어떻게 이해하고 있는지 살펴보겠습니다.
이건 데이터입니다. 이 데이터 테이블에는 441행의 데이터가 있습니다. 각 행에는 테스트 작업에서 발생한 로트(lot)에 대한 항목이 있습니다. 방금 살펴본 파워포인트와 일치합니다. 테스트가 진행된 온도와 테스트 작업 중 작업자가 일련 번호를 입력했을 때 입력된 일련 번호입니다. 이 데이터 세트에는 측정값 열이 300개 있습니다. 이 데이터 테이블의 각 행은 기본적으로 테스트 프로그램의 한 번의 실행입니다. 300개의 테스트가 있다는 것을 알 수 있습니다.
여러 개의 서로 다른 핀이 있다고 말씀드렸죠. 테스트 A에 대한 측정값이 핀 1에서 수행된 것을 볼 수 있습니다. 테스트 A는 핀 2에 대한 측정값을 얻었습니다. 아주 빨리 스크롤해 보면 여러 핀에서 여러 테스트를 수행한 것을 볼 수 있습니다. 핀별로 수행되지 않는 테스트도 있습니다. 일부 테스트는 이러한 동작을 하지 않지만, 많은 테스트는 이러한 동작을 합니다. 기본적으로 여기에는 테스트 알파벳 전체가 있으며, 측정값 300개 열이 있습니다.
한 가지 지적하고 싶은 점은 데이터 테이블이 있고 데이터가 쌓여 있다는 것입니다. 어떤 행에는 실온 데이터가 있고, 어떤 행에는 저온 데이터가 있고, 어떤 행에는 고온 데이터가 있습니다. 데이터 준비 과정에서 JMP의 그룹화 기능을 사용하여 계산하는 통계에 이러한 온도들 간의 차이가 반영되지 않도록 할 것입니다.
일부 데이터를 간단히 검토해 보겠습니다. 여기서 그래프 빌더를 열면, 이 차트를 보면 현재 어떤 작업에서 데이터를 수집하고 있는지, 어떤 온도에서 데이터를 수집하고 있는지, 그리고 테스트된 모든 일련 번호가 있습니다. Y축에는 측정값이 있고, 바로 여기 실온에서의 데이터가 있는 것을 볼 수 있습니다. 차가운 온도에서는 다른 값으로 이동합니다. 더운 온도에서는 다시 이동합니다. 다시 실온으로, 다시 차가운 온도로, 다시 뜨거운 온도로 이동합니다.
반도체에서는 측정값의 변화가 꽤 흔합니다. 죄송합니다. 반도체 데이터 수집 과정에서는 변화가 꽤 흔합니다. 이 테스트들을 여러 개 살펴보면, 이 펜들 중 다수에서 동일한 테스트를 수행하고 있음을 알 수 있습니다. 결과적으로 상관관계가 높은 매개변수들이 많이 나옵니다. 계속 진행하면, 이 테스트들 중 상당수가 서로 매우 유사해 보입니다. 다르게 보일 수 있는 다른 테스트들을 살펴보면, 다른 테스트들의 데이터도 다르게 보입니다. 어떤 테스트들은 온도에 따라 반응이 다릅니다.
예를 들어 보겠습니다. 일부 측정값에는 상당히 극단적인 이상값이 있습니다. 반도체에서 장치에 결함이 생겨 고장이 발생하면, 그 고장이 심각한 결과를 초래하는 것은 드문 일이 아닙니다. 이상값을 처리하는 것은 저희 프로세스에서 반드시 해야 할 일입니다. 온도 때문에 측정값에 변화가 있는 것을 볼 수 있습니다. 데이터가 열 단위로 그룹화되어 있기 때문에 JMP의 그룹화 기능을 사용하여 이 문제를 해결해야 합니다.
일련번호 분포를 잠깐 살펴보면, 이 데이터 세트에는 65개의 서로 다른 고유 일련번호 항목이 있습니다. 이 샘플 데이터 세트에는 65개의 일련번호가 있습니다. 데이터를 탐색해 보았고, 이제 무엇을 보고 있는지 어느 정도 파악했습니다. 다음으로, 데이터의 오타를 식별하는 데 도움이 되는 프로세스를 시작해 보겠습니다.
첫 번째 단계는 데이터 준비 단계입니다. 먼저 이상치 탐색(Explore Outliers)을 사용하여 이상치를 제거합니다. 또한 수식 열을 사용하여 표준화된 Z-점수를 계산합니다. 이를 위해 분석(Analyze), 선별(Screening), 이상치 탐색(Explore Outliers)을 사용합니다. 측정된 300개의 값을 모두 가져와서 온도별로 분석합니다.
분위수 범위 이상치를 사용하는 데 관심이 있습니다. 이 프레젠테이션 전체에서 참고하실 수 있도록, 앞으로 사용할 모든 플랫폼에 JMP 기본값을 사용합니다. 분위수 범위 이상치는 기본 설정으로 사용할 것입니다. 마지막으로, 테이블에서 이상치를 지우려면 "수식 열 만들기" 옵션을 사용할 것입니다.
기본 설정은 그대로 두고, 'room'으로 넘어가겠습니다. 'room'에도 같은 방식으로 '수식 열'을 적용합니다. 'hot'에도 같은 방식으로 '수식 열'을 적용합니다. 이제 표에 여러 개의 수식 열이 생성되었습니다. 여기서 약간의 정리 작업을 거치면 이상값이 제거된 300개의 새 데이터 열이 생성됩니다.
다음으로 할 일은 그룹별로 사용할 작업과 온도를 설정하는 것입니다. 새로운 수식 열 기능을 사용할 것이지만, 이것을 설정하여 모든 300개의 이상치 매개변수에 대해 온도와 작업을 기준으로 통계를 계산할 수 있는 그룹화 기능을 얻고 싶습니다.
이상치를 제거한 300개의 열을 모두 사용한 후, 새 수식 열 아래 분포 아래에 있는 표준화(Standardize)를 마우스 오른쪽 버튼으로 클릭하면 모든 매개변수에 대한 표준화된 Z-점수를 계산하는 열 그룹이 생성됩니다. 이렇게 완전히 새로운 열 그룹이 생성됩니다. 여기서 약간의 정리 작업을 거치면 표준화된 데이터 열이 300개로 늘어납니다.
방금 완료한 내용을 간략하게 시각적으로 보여드리자면, 이 그래프 빌더를 열고 테스트 E8을 살펴보면, 이전에는 극단적인 이상치가 있어서 데이터를 보기가 어려웠습니다. 이상치를 제거한 후에는 데이터를 볼 수 있었지만, 여러 연산과 온도에 따라 측정값 사이에 여전히 엇갈림 현상이 있었습니다. 연산과 온도별로 표준화한 후에는 각 분포의 중심을 0으로 맞추고 표준편차를 1로 두었습니다. 즉, 모든 데이터가 이 분포에서 ±3 사이에 거의 속한다는 것을 의미합니다.
이 척도에서 잘못된 지점을 찾았습니다. 이제 우리는 다음과 같은 질문을 할 수 있습니다. "이 점들은 해당 작업과 온도에서 분포의 상단에 있었나요? 해당 작업과 온도에서 분포의 하단에 있었나요? 아니면 해당 작업과 온도에서 분포의 중간에 있었나요?" 이것이 바로 데이터 준비 단계에서 우리가 한 일입니다.
다음으로 300개의 매개변수 중 일련번호 예측에 효과적인 매개변수를 파악해야 합니다. 이를 위해 예측 변수 선별(predictor screening)을 사용할 것입니다. 데이터를 보면 서로 상관관계가 높은 매개변수들이 꽤 많습니다. 예측 변수 선별 결과에서도 상관관계가 높은 매개변수들이 나올 것입니다. 예측 변수 선별을 마친 후에는 클러스터 변수를 사용하여 상관관계가 높은 매개변수들을 제거하고 우리가 찾고 있는 검정 결과 중 가장 대표적인 매개변수만 남길 것입니다.
이를 위해 스크리닝, 즉 예측 변수 스크리닝을 사용할 것입니다. 표준화된 열을 모두 여기에 넣고 일련 번호를 알아내도록 할 것입니다. 다시 말씀드리지만, 여기에도 몇 가지 옵션이 있습니다. 이 프레젠테이션에서는 기본 설정을 사용했습니다. JMP는 이 데이터를 처리하여 기기의 일련 번호를 가장 잘 설명하는 매개변수를 순위별로 정리한 보고서를 제공합니다.
여기를 잠깐 살펴보면, 첫 번째 매개변수가 정말 좋고, 그 뒤로도 꽤 괜찮아 보이는 매개변수들이 몇 개 있습니다. 여기 아래로 스크롤해 보면, 글쎄요, 20개 정도 지나고 나서는 새로운 매개변수를 추가해도 별다른 효과가 없는 것 같습니다. 여기서 가장 좋은 매개변수 20개를 선택하겠습니다. 이 20개는 데이터 표에서 이미 선택되어 있습니다. 이제 "군집화 분석"에서 군집 변수를 사용하여 이 20개 목록에서 상관관계가 높은 변수를 식별하겠습니다.
Y 열에 20을 입력하면, 제가 주로 밝은 빨간색과 밝은 파란색을 찾는 보고서가 나옵니다. 제곱을 세는 게임을 하는데, 1, 2, 3, 4, 5, 6이 있는 것 같습니다. 이 분석을 통해 오타 검사에 사용할 수 있는 매개변수가 약 6개 정도 나올 것으로 예상합니다.
다음으로 넘어가기 전에, 열 선택에서 열이 선택되어 있지 않은지 확인하겠습니다. 그래야 이 보고서에서 열을 선택하면 해당 열이 선택됩니다. 클러스터링의 클러스터 요약을 보면, 20개의 매개변수를 모두 사용한 것 같습니다. "이것들을 네 개의 그룹으로 나눌 수 있는데, 각 그룹에서 가장 대표적인 열은 다음과 같습니다."
훌륭하네요. 하지만 이 플랫폼은 클러스터링에 정말 능숙하다는 걸 알게 됐습니다. 여기 두 개의 매개변수가 다른 20개 매개변수와 상관관계가 없는 것 같습니다. 그 매개변수들이 여기 다른 그룹들에 추가되었는데, 저는 그런 일이 일어나길 바라지 않습니다. 가장 대표적인 매개변수가 무엇인지 살펴볼 뿐만 아니라, 여기 이 열도 자세히 살펴보고, 매개변수가 해당 클러스터에 속하더라도 그 클러스터 내에서 상관관계가 있는지 확인합니다.
여기 아래를 보면, 이 값들이 1에 매우 가까운 것을 많이 볼 수 있습니다. 즉, 상관관계가 높다는 뜻입니다. 그런데 이 녀석이 있습니다. 0에 매우 가깝습니다. 자신이 속한 그룹과 상관관계가 좋지 않습니다. 바로 다음 클러스터와도 상관관계가 좋지 않습니다. 어떤 것과도 잘 어울리지 않습니다. 이 매개변수도 고려하고 싶습니다. 아래를 보면, 그룹과 상관관계가 좋지 않은 녀석이 하나 더 있는 것 같습니다. 이 네 개에 이 두 개를 더하면, 제가 사진에서 예상했던 여섯 개가 됩니다.
데이터 테이블에서 선택된 열이 6개입니다. 열을 약간 정렬하고, 이 열들을 그룹 해제하고, 다시 그룹화합니다. 이렇게 하면 우리가 보유한 데이터를 기반으로 일련번호를 이해하기 위한 최적의 예측 변수 목록이 생성됩니다.
이제 중요한 매개변수를 파악했습니다. 이제 일련번호 오타가 있는지 여부를 알려주는 실제 분석을 수행할 준비가 되었습니다. 이를 위해 계층적 클러스터링 플랫폼을 사용할 것입니다. 분석 클러스터링, 즉 계층적 클러스터링에서는 방금 파악한 6개의 최적 예측 변수를 사용하고 일련번호로 레이블을 지정할 것입니다.
다시 말씀드리지만, 더 많은 옵션이 있습니다. 저는 모든 설정에 JMP 기본값을 사용했습니다. 이렇게 하면 계층적 클러스터링 보고서가 생성됩니다. 여기서 색상 클러스터를 설정하여 여러 그룹을 더 쉽게 볼 수 있도록 몇 가지를 변경하고 싶습니다. 저는 생성되는 클러스터 수를 제어하는 것을 좋아합니다. 처음에 데이터를 검토했을 때 이 로트에는 65개의 서로 다른 일련 번호가 있었습니다. 이 절차는 65개로 설정하지 않고 로트에 포함될 예상 장치 수보다 약간 적게 설정하는 것이 가장 효과적이라는 것을 알게 되었습니다. 이 예시에서는 값을 특정 값으로 설정하겠습니다. 65로 설정하는 것이 아니라 58로 설정하겠습니다.
이 분석을 시작하기 위해 마지막으로 해야 할 일은, 데이터 테이블에서 데이터 필터를 가져와서 일련번호로 설정하는 것입니다. 이렇게 하면 일련번호가 1인 모든 행을 선택할 수 있습니다. 이렇게 하면 덴드로그램 보고서에서 일련번호 1과 관련된 데이터 행이 모두 함께 모여 있는 것을 볼 수 있습니다. 모두 같은 색상이고, 세로로 나란히 배치되어 있습니다.
이는 우리가 제공한 여섯 개의 매개변수를 사용하여 클러스터링 알고리즘이 성공적으로 작동했음을 시사합니다. 2번 일련번호도 잘 클러스터링된 것처럼 보이고, 2번 일련번호도 잘 클러스터링되었습니다. 각 일련번호를 살펴보며 클러스터링이 얼마나 잘 되는지 확인해 보면… 17번 일련번호에 도달하는데, 대부분의 데이터가 여기 아래에 있고, 적어도 하나의 데이터 포인트가 저기 위에 있는 것 같습니다.
이 두 점 사이에는 상당히 큰 수직 거리가 있습니다. 하지만 수직 거리보다 더 중요한 것은, 이 선들을 따라가며 보고 있는 점들을 연결하는 선을 그린다면, 이 선을 따라가면서 보는 점들을 연결할 수 있다는 것입니다. 이 선을 그려야 할 것 같습니다. 그렇다면 질문은, 얼마나 오른쪽으로 봐야 했느냐는 것입니다. 이 연결을 만들기 위해 꽤 오른쪽으로 가야 했습니다. 오른쪽으로 더 멀리 가야 할수록, 이 데이터들이 실제로는 이 데이터처럼 보이지 않을 가능성이 커집니다.
이 덴드로그램에 대한 제 이해를 바탕으로, 이 데이터는 상당히 다르게 보입니다. 이 부분을 확대해 보면, 6가지 매개변수를 기준으로 테스트 당시 전기 테스트 데이터에서 이와 유사한 모습을 보였던 대부분의 기기에서 입력된 일련 번호가 12였던 사례가 있는 것 같습니다. 단, 테스트 당시 입력된 일련 번호가 17이었던 한 번은 예외였습니다.
이는 부품의 표시가 잘못 읽힌 경우일 가능성이 높습니다. 글꼴과 표시 크기에 따라 '2'가 '7'처럼 보일 가능성이 매우 높습니다. 이는 데이터에서 오타가 나타나는 일반적인 방식 중 하나입니다. 이 방법을 통해 오타를 식별했습니다. 네, 이 방법을 사용하여 이 데이터 세트에서 오타를 식별할 수 있었습니다.
이어서, 기기 일련번호 18에서 일치하는 모든 지점을 선택합니다. 이 지점들 사이에 약간의 간격이 있는 것 같습니다. 데이터를 확대해서 보면, 같은 게임을 플레이할 때 지점 사이에 선을 그어 보면, 거기서 연결할 수 있을 것 같습니다.
그렇다면 질문은, 얼마나 오른쪽으로 가야 했을까요? 전혀 오른쪽으로 갈 필요가 없었습니다. 이 모든 데이터가 서로 매우 유사해 보이는 것 같습니다. 기기 18과 기기 29가 거의 동일하게 보이는 상황인 것 같습니다. 이로 인해 기기 18에 대한 항목이 약간 분리된 것 같습니다. 오타는 아닌 것 같습니다. 그저 두 부분이 우연히 비슷하게 보이는 경우일 뿐입니다. 이 부분은 더 자세히 조사할 시간이 전혀 없습니다.
이 일련번호들을 몇 개 더 계속 살펴보면, 잘 모여서 25번까지 도달합니다. 여기에 분리선이 있는 것 같습니다. 게임을 해 보면, 오른쪽으로 꽤 멀리 온 것 같아서 데이터가 별로 비슷해 보이지 않습니다. 선택한 단일 지점을 확대해 보면, 더 잘 확대됩니다. 이렇게 생긴 부품들은 대부분 테스트했을 때 일련번호가 26이지만, 25번인 경우도 한 번 있습니다.
선택된 다른 데이터 포인트를 확대해 보면, 25는 보통 이렇게 보이는데… 26이라는 숫자가 입력된 인스턴스가 하나 있는 것 같습니다. 여기 덴드로그램에서 선택된 항목을 살펴보면서 일련 번호 25와 26 사이를 이동해 보면… 25와 26이라는 두 장치가 있는 인스턴스가 있습니다. 두 장치 모두 테스트되었습니다. 하지만 25 장치가 테스트되었을 때는 일련 번호 26으로 테스트되었고, 26 장치가 테스트되었을 때는 일련 번호 25로 입력되었습니다.
이것들에 뭔가 순서가 어긋났거나, 아니면 테스트 데이터에 이런 종류의 오타가 생긴 것 같습니다. 이 방법론을 사용해서 발견한 또 다른 종류의 오타입니다. 나머지 일련번호도 계속 살펴볼 수 있습니다. 만약 이 모든 작업을 한다면 그렇게 할 겁니다. 하지만 시간 관계상 이 일련번호들만 살펴보겠습니다.
프로세스 측면에서, "데이터 분석에 대한 전문 지식이 크게 필요하지 않으면서도 오타가 있는지 없는지 확인할 수 있는 간단한 방법을 생각해 낼 수 있을까?"라는 질문이 있었습니다. 방금 살펴본 이 프로세스를 통해 따라하기 쉬운 프로세스를 찾는 데 꽤 성공적이었다는 생각이 듭니다. 테스트 매개변수에 대한 전문 지식이 많지는 않지만, 프로세스를 진행하면서 최소한 잠재적인 오타의 짧은 목록을 확보할 수 있었고, 이를 해당 분야 전문가들과 논의할 수 있었습니다.
프로세스가 매우 간단해서 숙련된 엔지니어뿐 아니라 신규 엔지니어에게도 좋은 경험을 제공했습니다. JMP에 내장된 모든 기능을 사용했고, 기본 매개변수도 모두 활용하여 자동화 및 스크립팅을 쉽게 할 수 있었습니다. 저희 환경에서도 그렇게 했습니다. 수동으로 작업할 필요는 없지만, 모든 엔지니어가 오늘 제가 안내해 드린 프로세스를 이해하고 있습니다.
성공적이었습니다. 통찰력을 얻었죠. 테스트 데이터에서 오타를 발견했고, 그 통찰력을 바탕으로 이런 유형의 오타가 자주 발생하는 체계적인 원인을 파악했습니다. 원인은 무엇일까요? 이 오타는 꽤 자주 발생합니다. 저 오타의 원인은 무엇일까요? 프로세스 시스템을 개선할 수 있었습니다. 교육도 개선되었고, 테스트 운영자들과 논의하고 문제점과 발견된 사항에 대한 피드백을 제공하는 데 매우 유용한 도구가 되었습니다. 운영자들이 더 많은 정보를 얻게 되면, 운영자들은 이러한 상황을 더 잘 파악하고 변화에 대한 의견을 제시하며, 시설에서 더 나은 품질의 제품을 계속 생산할 수 있도록 지원합니다.
이것이 바로 저희가 개발하고 사용해 온 프로세스입니다. 종단적 데이터, 즉 동일한 조건 또는 거의 동일한 조건에서 기기나 제품을 여러 번 테스트한 데이터가 있다면, 이러한 방법 중 일부가 데이터에서 발생할 수 있는 문제를 파악하는 데 도움이 될 수 있습니다. 함께해 주셔서 감사합니다. 도움이 되셨기를 바랍니다. 좋은 하루 보내세요.
