{"id":4872,"date":"2026-09-24T16:49:29","date_gmt":"2026-09-24T14:49:29","guid":{"rendered":"https:\/\/ellistat.com\/?p=4872"},"modified":"2026-09-24T16:49:30","modified_gmt":"2026-09-24T14:49:30","slug":"progetti-esperienza-smart-design-ottimizzazione-bayesiana","status":"publish","type":"post","link":"https:\/\/ellistat.com\/it\/plans-experience-smart-design-optimisation-bayesienne\/","title":{"rendered":"Piani sperimentali: Smart Design e ottimizzazione bayesiana, cosa cambia davvero per l\u2019industria"},"content":{"rendered":"

Per decenni, nei corsi di statistica industriale si \u00e8 ripetuto sempre lo stesso concetto: in piani sperimentali<\/strong>, tutto \u00e8 stato inventato tra i lavori di Fisher<\/a> (1926, poi La progettazione degli esperimenti<\/em> nel 1935) e negli anni \u201950. La teoria era considerata completa.<\/p>\n\n\n\n

Non \u00e8 pi\u00f9 cos\u00ec. In un recente intervento, Maurice Pillet<\/a>, cofondatore di Ellistat e punto di riferimento francese in materia di qualit\u00e0 e Six Sigma, ha presentato due approcci che cambiano concretamente il modo di condurre i test in azienda: i Smart Designs<\/strong> e l\u2019ottimizzazione bayesiana<\/strong>. Ecco cosa bisogna ricordare.<\/p>\n\n\n\n

I limiti dei piani sperimentali classici<\/strong><\/h2>\n\n\n\n

Il piani sperimentali<\/a> I modelli tradizionali hanno reso un servizio immenso. Tuttavia, si basano su ipotesi che spesso si tendono a dimenticare.<\/p>\n\n\n\n

L'ipotesi di linearit\u00e0<\/strong><\/h2>\n\n\n\n

Un piano a due livelli (uno minimo e uno massimo) presuppone che la risposta vari in modo lineare tra i due limiti. Questo \u00e8 vero a livello locale, proprio come la Terra sembra piatta quando si guardano i propri piedi. Non appena il campo di studio si amplia o il fenomeno risulta non lineare, il modello diventa fuorviante. \u00c8 necessario passare a modelli con pi\u00f9 livelli, il che porta a piani sperimentali con un numero di prove spesso proibitivo.  <\/p>\n\n\n\n

La scelta dei terminali<\/strong><\/h2>\n\n\n\n

Seconda difficolt\u00e0: se il valore minimo e quello massimo sono stati scelti in modo errato, il punto ottimale potrebbe trovarsi al di fuori dell\u2019intervallo considerato. Il piano fornir\u00e0 quindi una soluzione corretta\u2026 ma nel punto sbagliato.<\/p>\n\n\n\n

I piani di screening e il problema degli alias<\/strong><\/h2>\n\n\n\n

Quando i fattori sono molti (sei, ad esempio), si ricorre tradizionalmente a piani di screening: la tabella L12 a due livelli o la L18 per includere tre livelli. Il loro principale svantaggio \u00e8 che gli effetti dei fattori sono parzialmente mescolati (aliasing) con le interazioni. \u00c8 quindi impossibile stabilire con certezza se l\u2019effetto osservato derivi dal fattore stesso o da un\u2019interazione tra due fattori.<\/p>\n\n\n\n

Smart Design: ottenere gli effetti principali, la curvatura e le interazioni con pochi tentativi<\/strong><\/h2>\n\n\n\n

Un capitolato d'oneri a lungo irrealizzabile<\/strong><\/h3>\n\n\n\n

Ci\u00f2 che gli industriali vogliono, in realt\u00e0, \u00e8 tutto quanto:<\/p>\n\n\n\n

    \n
  • conoscere chiaramente gli effetti principali; ;<\/li>\n\n\n\n
  • individuare un\u2019eventuale non linearit\u00e0; ;<\/li>\n\n\n\n
  • individuare le interazioni significative; ;<\/li>\n\n\n\n
  • combinare fattori qualitativi a due livelli e fattori quantitativi a tre livelli; ;<\/li>\n\n\n\n
  • effettuare il minor numero possibile di prove.<\/li>\n<\/ul>\n\n\n\n

    Fino a pochissimo tempo fa, con sei fattori, c\u2019erano solo due opzioni: il piano completo (irrealistico) o un piano basato sulla superficie di risposta con almeno 54 prove. Tuttavia, il modello completo (effetti principali, termini quadratici, interazioni) conta 28 coefficienti, la maggior parte dei quali, nella pratica, \u00e8 pari a zero. Il problema \u00e8 che non si sa in anticipo quali siano.<\/p>\n\n\n\n

    Cosa cambia con lo Smart Design<\/strong><\/h3>\n\n\n\n

    Recenti pubblicazioni scientifiche di N\u00fa\u00f1ez et al. (2020) (2023) hanno permesso di elaborare una nuova famiglia di piani. La loro caratteristica fondamentale: gli effetti principali non sono correlati n\u00e9 con i termini quadratici n\u00e9 con le interazioni. Se si \u00e8 certi degli effetti principali, le correlazioni residue sono sufficientemente deboli da consentire la stima degli effetti di secondo ordine.<\/p>\n\n\n\n

    Nell\u2019esempio presentato da Maurice Pillet (un catalizzatore a due livelli, altri cinque fattori a tre livelli), \u00c8 sufficiente un programma di 18 prove<\/strong> mentre ne servivano 54.<\/p>\n\n\n\n

    Come si analizza<\/strong><\/h3>\n\n\n\n

    Anzich\u00e9 una selezione passo dopo passo classica (impossibile con un numero di prove inferiore a quello dei coefficienti), l'analisi si basa sulla ricerca del miglior sottoinsieme di termini<\/strong> : il software verifica tutte le combinazioni possibili e seleziona il modello pi\u00f9 pertinente. Il risultato riproduce la struttura reale del fenomeno, talvolta con un termine superfluo di scarso effetto, senza conseguenze pratiche sulle conclusioni.<\/p>\n\n\n\n

    Per rendere lo strumento utilizzabile nella pratica quotidiana, sono stati precalcolati e integrati nel software Ellistat oltre 2.000 schemi. L\u2019utente inserisce i propri parametri e il software gli propone gli schemi disponibili con i relativi criteri di qualit\u00e0.<\/p>\n\n\n\n

    L'osservazione di Maurice Pillet \u00e8 inequivocabile: in azienda, ormai realizza quasi esclusivamente Smart Design.<\/p>\n\n\n\n

    Ottimizzazione bayesiana: individuare l\u2019intervallo di funzionamento quando non si sa dove cercare<\/strong><\/h2>\n\n\n\n

    Il caso tipico: la saldatura laser<\/strong><\/h3>\n\n\n\n

    Alcuni processi \u00abfunzionano a singhiozzo\u00bb: una regolazione va bene, si modifica un parametro e non funziona pi\u00f9 nulla. Maurice Pillet cita il caso di uno stesso pezzo saldato al laser da due fornitori, ciascuno con regolazioni completamente diverse, e nessuno dei quali ha ottenuto risultati davvero soddisfacenti. Probabilmente esiste una zona in cui il processo funziona perfettamente. Ma dove?<\/p>\n\n\n\n

    In questo caso, un piano sperimentale classico, che esplora gli angoli di un ambito gi\u00e0 ben definito, non \u00e8 adatto.<\/p>\n\n\n\n

    Fare la griglia? Pessima idea<\/strong><\/h3>\n\n\n\n

    Il primo istinto \u00e8 quello di suddividere lo spazio in una griglia: 4 \u00d7 4 = 16 prove. Il problema \u00e8 che ogni valore di ogni fattore viene testato quattro volte, e una piccola zona favorevole potrebbe sfuggire al controllo.<\/p>\n\n\n\n

    Il piani di riempimento<\/strong> (disegni a riempimento dello spazio) distribuiscono le prove in modo equilibrato, in modo che ogni prova verifichi un valore diverso di ciascun fattore. A parit\u00e0 di numero di prove, la probabilit\u00e0 di \u00abindovinare\u00bb l\u2019area corretta aumenta notevolmente. Ma per non tralasciare nulla, si sarebbe tentati di passare a 100 prove\u2026 la maggior parte delle quali sarebbe inutile.<\/p>\n\n\n\n

    L'approccio sequenziale: processi gaussiani + ottimizzazione bayesiana<\/strong><\/h3>\n\n\n\n

    L'ottimizzazione bayesiana combina due strumenti matematici:<\/p>\n\n\n\n

      \n
    • I processi gaussiani<\/strong>, che modellano la risposta e, soprattutto, l\u2019incertezza in ogni punto del dominio. A differenza dei modelli polinomiali, tale incertezza varia da un punto all\u2019altro.<\/li>\n\n\n\n
    • L'ottimizzazione bayesiana<\/strong>, che sceglie i prossimi esperimenti bilanciando due logiche: sfruttare le aree promettenti ed esplorare quelle ancora poco conosciute, dove l\u2019incertezza lascia sperare in un risultato migliore.<\/li>\n<\/ul>\n\n\n\n

      Il processo diventa sequenziale: una decina di prove iniziali con il metodo del riempimento, poi il software propone le prove successive, spiegandone il motivo. Le si eseguono, si osserva la convergenza e ci si ferma quando l\u2019area ottimale \u00e8 sufficientemente documentata. Una logica molto pi\u00f9 vicina all\u2019intuito dei tecnici rispetto all\u2019approccio \u00abprima realizzo l\u2019intero piano, poi lo analizzo\u00bb.<\/p>\n\n\n\n

      Per familiarizzare con il metodo, il software Ellistat include una modalit\u00e0 demo che simula un processo a tre fattori (temperatura, pressione, tempo di ciclo).<\/p>\n\n\n\n

      Smart Design o ottimizzazione bayesiana: quando usare l'una e quando l'altra?<\/strong><\/h2>\n\n\n\n

      I due approcci non sono in contrasto tra loro, ma rispondono a situazioni diverse:<\/p>\n\n\n\n

        \n
      • Smart Design<\/strong> : avete un'idea approssimativa dell'intervallo di funzionamento e volete modellarlo in modo dettagliato. Massimo tre livelli, poche modifiche alle impostazioni; l'ideale quando modificare un fattore comporta costi elevati.<\/li>\n\n\n\n
      • Ottimizzazione bayesiana<\/strong> : non conoscete bene il processo e dovete capire in quali casi funziona. Bisogna essere disposti a modificare spesso le impostazioni: \u00e8 questa la condizione per esplorare.<\/li>\n<\/ul>\n\n\n\n

        In entrambi i casi, l'obiettivo \u00e8 lo stesso: risolvere problemi industriali sempre pi\u00f9 complessi senza aumentare il numero di prove.<\/p>\n\n\n\n

        Matematica avanzata, invisibile all\u2019utente<\/strong><\/h2>\n\n\n\n

        Dietro questi metodi si celano strumenti matematici complessi. L'approccio di Ellistat \u00e8 quello di renderli trasparenti. Come sintetizza Maurice Pillet, lo strumento non \u00e8 pensato per gli statistici, ma per i tecnici.<\/p>\n\n\n\n

        Conclusione<\/strong><\/h2>\n\n\n\n

        Il piani sperimentali<\/strong> non hanno ancora detto l\u2019ultima parola. Gli Smart Designs consentono di ottenere in 18 prove ci\u00f2 che ne richiedeva 54, senza ambiguit\u00e0 sugli effetti principali. L\u2019ottimizzazione bayesiana apre la strada a processi che fino ad ora venivano regolati a tentoni. Per i team addetti ai metodi, alla qualit\u00e0 e alla ricerca e sviluppo dei processi, ci\u00f2 si traduce in un minor numero di prove, un minor consumo di materiale e regolazioni pi\u00f9 robuste.<\/p>\n\n\n\n

        FAQ<\/strong><\/h2>\n\n\n\n
          \n
        • Che cos\u2019\u00e8 uno \u201cSmart Design\u201d in un piano sperimentale?<\/strong> Si tratta di una famiglia di disegni sperimentali recenti che consente di stimare gli effetti principali senza confonderli con le interazioni o gli effetti quadratici, individuando al contempo tali effetti di secondo ordine con un numero molto limitato di prove.<\/li>\n\n\n\n
        • Qual \u00e8 la differenza tra un piano di screening e uno Smart Design?<\/strong> Un piano di screening classico (L12, L18) mescola in parte gli effetti dei fattori con le interazioni. Lo Smart Design elimina questa ambiguit\u00e0 sugli effetti principali e ammette fattori misti a due e tre livelli.<\/li>\n<\/ul>\n\n\n\n
            \n
          • Quando \u00e8 preferibile ricorrere all'ottimizzazione bayesiana piuttosto che a un piano sperimentale classico?<\/strong> Quando non si conosce l'intervallo di funzionamento di un processo ed \u00e8 necessario esplorarlo. Se invece l'intervallo \u00e8 gi\u00e0 noto approssimativamente, \u00e8 pi\u00f9 indicato ricorrere allo Smart Design.<\/li>\n<\/ul>\n\n\n\n
              \n
            • Bisogna essere statistici per utilizzare questi metodi?<\/strong> No. Nel software Ellistat i calcoli sono nascosti: l\u2019utente inserisce i propri fattori, esegue le prove proposte e legge i risultati.<\/li>\n<\/ul>\n\n\n\n

              <\/p>","protected":false},"excerpt":{"rendered":"

              Pendant des d\u00e9cennies, on a r\u00e9p\u00e9t\u00e9 la m\u00eame chose dans les cours de statistique industrielle : en plans d’exp\u00e9rience, tout a \u00e9t\u00e9 invent\u00e9 entre les travaux de Fisher (1926, puis The Design of Experiments en 1935) et les ann\u00e9es 1950. La th\u00e9orie \u00e9tait consid\u00e9r\u00e9e comme achev\u00e9e. Ce n’est plus vrai. Lors d’une r\u00e9cente intervention, Maurice […]<\/p>\n","protected":false},"author":4,"featured_media":4873,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[7],"tags":[],"class_list":["post-4872","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analysis"],"acf":[],"_links":{"self":[{"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/posts\/4872","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/comments?post=4872"}],"version-history":[{"count":1,"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/posts\/4872\/revisions"}],"predecessor-version":[{"id":4874,"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/posts\/4872\/revisions\/4874"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/media\/4873"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/media?parent=4872"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/categories?post=4872"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/tags?post=4872"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}