六西格玛黑带：是时候以可持续的过程绩效开辟新天地了

当生产过程不再有效时，你该怎么办？通过使控制系统能够被自动监视、评估和(重新)部署

每天?分享?最新?软件?开发?，Devops，敏捷?，测试?以及?项目?管理?最新?，最热门?的?文章?，每天?花?3分钟?学习?何乐而不为?，希望?大家?点赞?，评论，加?关注?，你的?支持?是我?最大?的?动力?。

自2019冠状病毒疾病疫情爆发以来，制造商遭遇的巨大变化，正迫使企业重新思考自己的生产流程。毫不奇怪，作为过程改进专家的六西格玛思考者，是最需要帮助的人。

但对于六西格玛专家来说，也是时候重新思考了。

让我们来看一个例子: 早在2012年，我们的过程改进团队完成了一个 DMAIC (设计、测量、分析、改进、控制)项目，以改善工厂生产线的过程性能。他们的建议已付诸实施，并通过安装控制系统结束了该项目。

控制系统的目的是确保工厂新工艺的持续性能。任何倾斜都会被抓住并纠正。这听起来不错，但是现在向前推到2022年: 控制系统仍然基于10年前收集的数据来验证性能。

很有可能，2012年建立这一程序时使用的数据已经不再相关。那么为什么控制系统从来不使用新数据呢？

简而言之，因为 DMAIC 不会在阶段之间进行迭代。

DMAIC 控制阶段与分析阶段隔离。在我们的 DMAIC 项目中，我们收集数据，定义问题，进行分析，执行我们的建议，并定义一个控制系统来确保过程性能。但是控制阶段从来没有重新分析过。我们的分析不会根据新数据重新运行。

我们需要合并分析和控制阶段，以实现一个连续的循环:

分析→操作→控制→分析→操作→控制。

在数据科学领域，数据科学家采取一种迭代的方法，称为数据科学生命周期。他们(实时)收集数据并从中学习，然后改进、描述和预测结果/产生分析。这个结果就是数据科学家们所说的模型。为了确保模型在可操作时继续执行良好，将持续监视它，并在必要时更新它。如果性能有所下降，他们就会回去重新训练(更新)他们的新数据模型，也就是说，重新分析和重新操作。

制造商们正在花费大量的时间、金钱和精力来改进他们的工艺。在 DMAIC，我们还需要看看如何改进我们的进程。为了真正实现可持续性，我们需要合并分析和控制阶段，并创建一个迭代循环。我们需要加入数据科学。

将数据科学工具集成到我们的 DMAIC 项目中

更容易收集资料

使用数据科学工具，我们不仅可以轻松处理大量数据，而且还可以实时处理。我们可以很容易地阅读由我们的生产线生产的500万个数据集。我们的数据科学解决方案从数据中“学习”、评估数据并生成模型。但还不止这些。

重用分析

我们的数据科学工具让我们回到周期的开始，并根据新的数据优化我们的过程。

现在，当新的人员进入这个过程，例如，一个新的供应商是需要的某个部分，和新的生产线是开发，我们可以输入这个新的数据到我们的分析。我们可以重用我们的模型: 它从新的数据中学习并产生优化的结果。

响应数据变化

例如，一个单一的工作流程，使我们能够读取机器每天产生的500万个数据集，评估这些数据，向我们展示一个可视化的预扫描，然后通过三个不同的模型运行数据，然后提供一个比较，告诉我们哪个模型表现最好。只要几秒钟就能跑完。

这一过程现在能够立即对数据中反映的任何变化情况作出反应。使用 DMAIC 工具，我们需要启动一个全新的项目来解决这个问题。

用于数据准备、数据集评估、数据的可视化预扫描和模型建立的 KNIME 工作流程

易于互动和重新运行项目的任何阶段

在项目的任何阶段，我们都可以进行分析并检查不同阶段的输出。例如，我们可以作为流程专家注入我们的知识，检查相关性和数值离群值，以获得数据质量的感觉，并根据需要进行调整。我们可以使用预扫描交互式放大来更详细地检查一组数字。

如果我们发现有问题，我们可以立即返回一个步骤，进行调整并重新运行工作流。

六西格玛

两个预扫描可视化显示传感器数据在一个交互式平行坐标图和散布矩阵

比较多种分析方法确定最佳工艺性能

在一个 DMAIC 项目中，我们倾向于定义一个单一的假设，使用回归分析来衡量结果是否与我们的预期一致。但是我们有没有把我们的回归分析和其他型 的进行比较呢？也许不会。

然而，使用我们的工作流，我们不仅可以定期评估模型的执行情况，还可以建立多个模型并评估它们的执行情况。

在我们的示例中，一个可视化的比较向我们展示了三个模型的质量。结果: 决策树0.91-非常高，朴素贝叶斯0.73-也很好，Logit模型0.74表明，尽管我们的回归 p 值是可以的，但决策树表现得更好。在典型的六西格玛工具中，像决策树或朴素贝叶斯这样的分析技术是不可用的。

我们还可以根据10个不同的测试和训练集来决定运行每个模型，这只需要一秒钟。它为我们提供了每个场景的失败率和可视化。

一种自维持控制系统

通过我们的数据科学解决方案，我们可以定期评估我们的流程，它能够对数据的变化作出快速反应，我们可以根据一系列模型比较，如果性能发生了变化，检查原因并部署最佳流程。

我们甚至可以自动化整个循环。

通过使控制系统能够被自动监测、评估和(重新)部署，我们不仅确保它可靠地完成，而且产生更加准确的结果。当你告诉一台机器去控制一个过程，它就会去做。并且一直这么做。