<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> Bradley Novic , PhD, Consulente principale, PhaseTwo Analytics
I dati di produzione mineraria possono rappresentare uno sforzo pericoloso dall'assemblaggio dei dati all'analisi, all'interpretazione e all'attuazione dei risultati. Ciò che distingue il data mining nella produzione a parte il data mining, ad esempio, nel marketing o nella finanza, è che la previsione da sola non è abbastanza buona per la produzione. Nella produzione il gioco finale è un controllo migliorato, e ciò richiede il raggiungimento della causa principale. Gli alberi decisionali sono uno strumento meraviglioso per la scoperta, ma lasciati ai propri dispositivi possono selezionare variabili che, sebbene predittive, non hanno senso per un ingegnere di processo dal punto di vista del controllo. Ciò richiede un approccio più attento alla costruzione di alberi che è offerto dall'approccio graduale fornito nella piattaforma di partizionamento JMP e non disponibile nella maggior parte degli altri programmi software per le decisioni. Questo documento fornirà esempi di successi di data mining che utilizzano JMP nella produzione e problemi nei dati di produzione mineraria. Dimostrerà anche l'integrazione delle conoscenze specialistiche nel processo di partizionamento JMP, per affrontare il problema della correlazione nelle variabili predittive e fornire regole che consentano la convalida e l'implementazione dei risultati.
