Egy minőségügyi vezető, aki rendszerezni szeretné statisztikai elemzési módszereit, hamar szembesül egy visszatérő problémával: hogyan válassza ki a megfelelő statisztikai szoftvert? A legismertebb statisztikai szoftverek statisztikusok számára készültek, nem pedig minőségügyi szakemberek vagy folyamatmérnökök számára. Ennek eredményeként sok gyárban a statisztikai elemzés továbbra is egy-két képzett személy kezében összpontosul. Gyakran a Green Belt-ekről van szó, míg a csapat többi tagja továbbra is ösztönösen dolgozik.
Egy jó statisztikai elemző szoftver kiválasztása tehát nem merül ki csupán a funkciók listájának összehasonlításában. Az igazi kérdés az: ki fogja a műhelyben ténylegesen használni ezt a mindennapokban? Egy nagyon átfogó, de csak szakértők számára elérhető eszköz sem a gyár minőségét, sem reagálóképességét nem javítja. Azonban egy olyan eszköz, amely a felhasználót a helyes következtetéshez vezeti anélkül, hogy mélyreható statisztikai ismereteket igényelne, egy egész csapat szintjén jelentősen megváltoztatja a helyzetet.
Ez a cikk részletesen bemutatja azokat a konkrét szempontokat, amelyeket figyelembe kell venni egy ipari környezetben használatos statisztikai elemző szoftver kiválasztása előtt.
1. sz. kritérium: A szoftver kiválasztja-e helyetted a megfelelő tesztet?
Egy adathalmaz esetén a legtöbb statisztikai szoftver megköveteli a felhasználótól, hogy tudja, melyik próbát kell alkalmazni (Student-próba, Mann-Whitney-próba, Levene-próba stb.). Emellett a felhasználónak magának kell ellenőriznie az érvényességi feltételeket: normális eloszlás, varianciák homogenitása, megfelelő mintanagyság. Ez egy olyan készség, amelynek elsajátítása évekig tart, és amely gyorsan elvész, ha nem gyakoroljuk rendszeresen.
Egy ipari felhasználásra tervezett szoftvernek képesnek kell lennie a megadott adattípus elemzésére, és közvetlenül a megfelelő tesztet kell javasolnia. Meg kell különböztetnie a pozícióbeli eltérést (az átlag eltolódott), a skálaeltérést (a szórás megváltozott) és egy finomabb szórásbeli eltérést, amely sem az átlagon, sem az összvariancián nem jelenik meg. Az érvényességi feltételeket automatikusan ellenőrizni kell, nem szabad a felhasználó belátására bízni.
Éppen ez a fajta automatizálás teszi lehetővé, hogy egy minőségbiztosítási szakember kizárólag két tétel vagy két beszállító közötti eltérés alapján vonjon le következtetést. Mindezt anélkül, hogy minden egyes elemzéshez statisztikai szakértőre lenne szükség.
2. szempont: Csökkenti-e a szoftver a tesztelési költségeket?
A kísérleti tervek hagyományos megközelítése szerint először egy teljes tervet kell kidolgozni, és el kell végezni az összes tervezett kísérletet, mielőtt bármilyen modellezést elkezdenénk. Ez a módszer működik, de valódi költségekkel jár: felhasznált anyagok, a gépek leállási ideje, a kísérleti sorozat időtartama.
Van egy alternatíva: a szekvenciális optimalizálás. A szoftver néhány kezdeti kísérletet generál, az eredmények alapján folyamatosan finomítja a modellt, majd maga jelöli ki a leghasznosabb következő kísérleteket, megmagyarázva, miért éppen azt a pontot választotta. A konvergencia-mutató jelzi, mikor érte el a rendszer az optimális eredményt, így elkerülhető a felesleges kísérletek szaporodása.
Egy olyan műhelyben, ahol minden kísérlet drága, ez a módszer lehetővé teszi az optimális beállítás elérését. Mindezt úgy, hogy a hagyományos, teljes kísérleti tervhez szükséges kísérletek csupán egy töredékét kell elvégezni. Ez egy olyan szempont, amelyet kifejezetten figyelembe kell venni a statisztikai szoftver kiválasztásakor. Nem minden kísérleti terv-szoftver kínálja ezt a megközelítést.
Ugyanez a szekvenciális optimalizálási logika vonatkozik a komponensek keverésével történő formulázásra is (kémia, élelmiszeripar, anyagok). Háromkomponensű diagrammal történő ábrázolással és a megvalósíthatatlan tartományok automatikus kezelésével.
3. sz. kritérium: A gépi tanulás alapfelszereltség része, vagy külön megvásárolható?
Számos szoftvergyártó kínál fejlett prediktív módszereket: regresszió, PLS, neurális hálózatok, döntési fák, véletlenszerű erdők, SVM… Ezeket azonban az alaplicencen felül fizetős modulként tartják fenn. A szoftver kiválasztása előtt érdemes pontosan ellenőrizni, hogy mi szerepel a meghirdetett árban, és mihez szükséges kiegészítő modul, mivel a tényleges költségkülönbség az Ön igényeitől függően jelentős lehet.
Ellenőrizze továbbá, hogy vannak-e túlfinomítás elleni védelmi mechanizmusok (VIF, tesztvonalak, lépésenkénti választás), amelyek megakadályozzák, hogy olyan modellből vonjunk le következtetéseket, amely túl jól illeszkedik bizonyos adatokhoz, de nem általánosítható.
4. kritérium: A termék megbízhatósága végig biztosított-e?
Azoknál az ipari vállalatoknál, amelyek kritikus alkatrészeket értékesítenek, a termék megbízhatóságát alaposan meg kell vizsgálni. Egy jó szoftvernek ideális esetben az egész láncot le kell fednie:
- Az eladás előtt : a demonstrációs tesztek méretezése a szerződés szerinti megbízhatóság igazolása érdekében.
- Tervezés alatt : feszültség–szilárdsági elemzés, amely a termék tényleges használati eloszlását összehasonlítja annak szilárdsági eloszlásával a meghibásodási arány becslése érdekében.
- Tesztelés alatt : 2- és 3-paraméteres Weibull-eloszlás, Kaplan–Meier-módszer cenzúrák kezelésével, gyorsított kísérletek (Arrhenius, Eyring, fordított hatvány, Peck, Coffin–Manson, Basquin).
- Vásárlás utáni szolgáltatások : a telepített berendezések nyomon követése, a tényleges hozamok és a várt hozamok összehasonlítása, valamint – ideális esetben – e nyomon követéshez alkalmazott ellenőrző diagramok.
Számos statisztikai szoftver jól kezeli a kísérleteket. Ugyanakkor nem foglalkoznak az értékesítés utáni nyomon követéssel, amelyhez gyakran külön eszközre van szükség, ha a fő szoftver nem biztosítja ezt a funkciót.
5. sz. kritérium: a termelési adatokba való integrálás
Bármilyen hatékony is legyen egy asztali szoftver, elveszíti vonzerejét, ha minden elemzéshez kézzel kell exportálni a fájlokat, majd újra importálni őket, miközben a verziók e-mailben keringenek a kollégák között. Egy jól integrált, teljes mértékben webalapú szoftver lehetővé teszi az adatok közvetlen importálását egy háromdimenziós mérőgépről, az egy kattintással történő exportálást a statisztikai nyomonkövetési táblázatból az elemző modulba, valamint a projektek megosztását a kollégák között fájlcserélés nélkül.
Ezt a szempontot a kezdeti választás során gyakran alábecsülik, pedig ez jelentősen befolyásolja, hogy az eszközt hosszú távon ténylegesen használni fogják-e. Ez egy olyan szempont, amelyet nem szabad figyelmen kívül hagyni a statisztikai elemző szoftver kiválasztása előtt.
6. kritérium: a többváltozós elemzés részletessége
A többváltozós adatelemzés terén a főkomponens-elemzés (PCA) és a felügyelet nélküli osztályozás a szokásos eljárások. Bizonyos ipari igények azonban kiegészítő módszereket igényelnek: az ACM (többszörös korrespondencia-elemzés) a kvalitatív változók esetében, vagy a FAMD a kvalitatív és kvantitatív adatok keveréke esetén. Ezek a módszerek nem mindig szerepelnek az általános statisztikai szoftverekben. Pedig ezek hasznos elemzések a heterogén minőség-ellenőrzési adatok összevetéséhez.
Ami az összehasonlítás során nem hagyható figyelmen kívül
Nincs olyan szoftver, amely minden szempontból tökéletes lenne.
Egyes eszközök egyértelműen előnyt élveznek az idősorok és az előrejelzési modellek terén. Egy szoftver tudományos elismertsége szintén fontos lehet olyan ágazatokban, ahol az ügyfél vagy a megbízó kifejezetten egy meghatározott jelentésformátumot követel meg. Ezt a követelményt pontosan ellenőrizni kell, mivel gyakran inkább az elemzés megfelelőségére vonatkozik, mint a használt eszközre.
GYIK
Szükség van-e feltétlenül statisztikusra ahhoz, hogy az iparban statisztikai elemző szoftvert használhassunk?
Nem, feltéve, hogy a szoftver maga választja ki a megfelelő tesztet, és ellenőrzi az érvényességi feltételeket. Ez a fajta automatizálás teszi lehetővé, hogy a minőségbiztosítási szakember mélyreható statisztikai ismeretek nélkül is következtetéseket vonhasson le.
Mit jelent konkrétan a bayesi optimalizálás egy kísérleti tervben?
Csökkenti az optimális eredmény eléréséhez szükséges kísérletek számát azzal, hogy hagyja, hogy a szoftver maga válassza ki az egyes lépésekben a leginkább informatív kísérleteket, ahelyett, hogy előre meghatározott, teljes kísérleti tervet írna elő.
Hogyan lehet ellenőrizni, hogy a gépi tanulás valóban szerepel-e egy licencben?
Kifejezetten meg kell kérni az alapdíjba tartozó módszerek listáját, és ellenőrizni kell, hogy a fejlett prediktív módszerek (véletlenszerű erdők, neurális hálózatok) igényelnek-e külön fizetős modult.
A értékesítés utáni megbízhatósági nyomon követés gyakori szempont-e a szoftverek kiválasztásakor?
Ez egyre nagyobb jelentőséggel bír azoknak a gyártóknak, akik garanciával ellátott kritikus alkatrészeket értékesítenek, mivel lehetővé teszi a tényleges visszaküldések és a várható visszaküldések összehasonlítását, valamint a telepített berendezések megbízhatóságában bekövetkező eltérések felismerését.
Az Ellistat teljes mértékben helyettesítheti a Minitabot?
Az ipari mindennapok legfontosabb területeiről: statisztikai tesztek, kísérleti tervek, alkalmasság, R&R, megbízhatóság, gépi tanulás… Ellistat adatelemzés a Minitab helyébe lép. Idősorok és előrejelzés terén, Minitab szélesebb választékot kínál.
