◆蘇朝墩 / 文
編者按
本文出自2019年10月的美國(guó)《質(zhì)量進(jìn)展》雜志,作者是國(guó)際質(zhì)量科學(xué)院院士、中國(guó)工業(yè)工程學(xué)會(huì)會(huì)士、美國(guó)質(zhì)量學(xué)會(huì)會(huì)士、臺(tái)灣質(zhì)量學(xué)會(huì)會(huì)士、臺(tái)灣清華大學(xué)工業(yè)工程管理學(xué)系蘇朝墩教授,由臺(tái)灣輔仁大學(xué)企管系教授陳麗妃翻譯,原文標(biāo)題《勇往直前——了解大數(shù)據(jù)對(duì)質(zhì)量的影響,以更好地解決問(wèn)題和客戶疑慮》。
質(zhì)量改善是全面質(zhì)量管理的關(guān)鍵原則,也是每個(gè)組織永無(wú)止境的過(guò)程。為了提升組織競(jìng)爭(zhēng)力,運(yùn)用系統(tǒng)化方法來(lái)改善流程和產(chǎn)品質(zhì)量是非常重要的。本文討論質(zhì)量改善和大數(shù)據(jù),特別強(qiáng)調(diào)了大數(shù)據(jù)對(duì)于質(zhì)量改善的影響,并介紹了一些用于大數(shù)據(jù)分析的相關(guān)技術(shù)和案例。
大數(shù)據(jù)影響了質(zhì)量改善的工作,有三個(gè)重要方面:了解客戶的聲音、收集和分析數(shù)據(jù)以及開(kāi)發(fā)預(yù)測(cè)模型。此外,質(zhì)量4.0引入了更多先進(jìn)的技術(shù)和工具來(lái)分析大數(shù)據(jù),包括人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、數(shù)據(jù)預(yù)處理和屬性篩選等。質(zhì)量專(zhuān)家有責(zé)任確保大數(shù)據(jù)正確無(wú)誤、沒(méi)有缺失值,了解快速處理和提取可操作訊息的方法以及確定數(shù)據(jù)是否可以導(dǎo)致問(wèn)題被解決或引起客戶關(guān)注。
許多公司已嘗試開(kāi)發(fā)系統(tǒng)化的方法,使用特定技術(shù)來(lái)提升質(zhì)量并減少流程和產(chǎn)品中的浪費(fèi)。在各個(gè)行業(yè)中,通常透過(guò)團(tuán)隊(duì)合作來(lái)實(shí)現(xiàn)質(zhì)量改善。想要成功地實(shí)施質(zhì)量改善活動(dòng),有三個(gè)要素相當(dāng)重要:質(zhì)量概念、管理模式和改善的技術(shù)(圖1)。
1.質(zhì)量概念:了解各種質(zhì)量概念有助于有效地處理質(zhì)量問(wèn)題。通過(guò)適當(dāng)?shù)脑诼毰嘤?xùn),許多企業(yè)引導(dǎo)員工學(xué)習(xí)一些質(zhì)量專(zhuān)家的理念,以擁有更好的態(tài)度進(jìn)行質(zhì)量改善。例如,質(zhì)量是由客戶定義;質(zhì)量意味著要符合要求;質(zhì)量來(lái)自預(yù)防;當(dāng)產(chǎn)出的性能變異越小,其產(chǎn)品的質(zhì)量越高;應(yīng)創(chuàng)造有吸引力的質(zhì)量要素,以滿足客戶的潛在需求。這些基本的質(zhì)量教條,對(duì)質(zhì)量績(jī)效的改善,繼續(xù)產(chǎn)生相當(dāng)大的影響。
2.管理模式:我們必須使用一些管理模式來(lái)解決質(zhì)量問(wèn)題。實(shí)務(wù)上,經(jīng)常使用的質(zhì)量管理模式是Plan-Do-Check-Act循環(huán)、QC story、福特8D和DMAIC(定義、測(cè)量、分析、改善、控制),其中8D被廣泛用于高科技公司中,因?yàn)樗瑫r(shí)強(qiáng)調(diào)遏制、糾正和預(yù)防問(wèn)題的價(jià)值。
3.質(zhì)量改善技術(shù):經(jīng)常使用的質(zhì)量改善技術(shù)可分為以下三類(lèi):(1)統(tǒng)計(jì)方法,包括基本統(tǒng)計(jì)、假說(shuō)檢定、回歸和實(shí)驗(yàn)設(shè)計(jì)/田口方法等;(2) 質(zhì)量工具,包括質(zhì)量機(jī)能展開(kāi)、QC七大手法、新QC七大手法、統(tǒng)計(jì)流程管制、流程能力分析、測(cè)量系統(tǒng)分析和FMEA等;(3) 豐田式生產(chǎn)系統(tǒng)和精益理念,其已普遍使用于業(yè)界中,以消除浪費(fèi)、縮減成本和周期時(shí)間,以及質(zhì)量改善等。
質(zhì)量改善需要解決問(wèn)題。圖2顯示了一個(gè)以數(shù)據(jù)驅(qū)動(dòng)的邏輯條理,用于解決質(zhì)量問(wèn)題。對(duì)于一個(gè)給定的問(wèn)題,我們收集數(shù)據(jù),使用合適的工具進(jìn)行分析,并決定理想的解決方案。然后,我們修正這些理想的解決方案以獲得“實(shí)用的解”。在這個(gè)過(guò)程中,如何確定適當(dāng)?shù)母纳茩C(jī)會(huì)、解構(gòu)問(wèn)題和解釋分析結(jié)果是相當(dāng)重要的。此外,質(zhì)量改善項(xiàng)目必須與企業(yè)策略目標(biāo),以及客戶、流程和工程的聲音相連接。
圖1 質(zhì)量改善方法論
大數(shù)據(jù)已引起了學(xué)者和實(shí)務(wù)人員的關(guān)注。產(chǎn)生越來(lái)越多的數(shù)據(jù)是現(xiàn)代科技發(fā)展的必然趨勢(shì)。例如,我們可以很容易地在機(jī)器/產(chǎn)品中安裝傳感器和智能芯片,以獲取相關(guān)信息,如產(chǎn)品特性和操作條件等。從提供服務(wù)到制造,許多公司現(xiàn)在都需要大數(shù)據(jù),我們已進(jìn)入大數(shù)據(jù)的時(shí)代。
大數(shù)據(jù)沒(méi)有通用的定義。Laney[1]用3 V定義了大數(shù)據(jù):Volume——數(shù)據(jù)集的數(shù)量大?。籚elocity——數(shù)據(jù)輸入和輸出的速度;Variety——各種數(shù)據(jù)類(lèi)型和來(lái)源。3V已經(jīng)成為描述大數(shù)據(jù)的流行框架。除了3V之外,大數(shù)據(jù)的其他常見(jiàn)維度還包括Veracity——數(shù)據(jù)的質(zhì)量或可信度,以及Value——所提取數(shù)據(jù)的價(jià)值。
大數(shù)據(jù)不是在關(guān)注數(shù)據(jù)本身的問(wèn)題,相反地,它是對(duì)更有效地解決問(wèn)題的策略的確認(rèn)。在目前的研究中,大數(shù)據(jù)被認(rèn)為是一個(gè)整體的方法,用來(lái)探索5V(數(shù)量、速度、多樣性、真實(shí)性和價(jià)值),以便獲得可行動(dòng)的知識(shí),以提升企業(yè)的競(jìng)爭(zhēng)力。隨著時(shí)間的推移,科技將不斷的發(fā)展,在未來(lái),我們會(huì)對(duì)大數(shù)據(jù)發(fā)展給出不同的觀點(diǎn)。
圖2 解決質(zhì)量問(wèn)題的數(shù)據(jù)驅(qū)動(dòng)邏輯
大數(shù)據(jù)對(duì)質(zhì)量改善的三個(gè)關(guān)鍵影響如下:
了解VOC(voice of the customer,包括內(nèi)部和外部客戶)是相當(dāng)重要的,因?yàn)樵谥贫ㄓ嘘P(guān)質(zhì)量改善方向的決策時(shí),這些信息對(duì)組織很有價(jià)值。傳統(tǒng)上,公司使用調(diào)查、訪談、焦點(diǎn)小組、保修數(shù)據(jù)、現(xiàn)場(chǎng)數(shù)據(jù)和投訴來(lái)確定客戶的期望。然而,大數(shù)據(jù)擁有精確評(píng)估VOC的卓越能力。大型數(shù)據(jù)集和精密的工具使我們能夠鑒別實(shí)際的客戶購(gòu)買(mǎi)和動(dòng)機(jī),然后根據(jù)VOC來(lái)決定最重要的客戶需求,從而為質(zhì)量改善提供充足的機(jī)會(huì)。
數(shù)據(jù)收集在質(zhì)量改善中扮演相當(dāng)重要的角色。傳統(tǒng)上,根據(jù)不同情況使用各種數(shù)據(jù)收集方法[2]。以下是三種類(lèi)型的數(shù)據(jù):
(1)實(shí)驗(yàn)數(shù)據(jù)(experimental data):從設(shè)計(jì)的實(shí)驗(yàn)中收集數(shù)據(jù)。實(shí)驗(yàn)設(shè)計(jì)或田口方法經(jīng)常用于處理此類(lèi)數(shù)據(jù)。
(2)觀測(cè)數(shù)據(jù)(observational data):通過(guò)規(guī)劃好的觀察研究對(duì)數(shù)據(jù)進(jìn)行采樣?;貧w分析或因果分析通常用于分析此類(lèi)型數(shù)據(jù)。
(3)歷史數(shù)據(jù)(historical data):這些數(shù)據(jù)已被收集。計(jì)算智能和數(shù)據(jù)探勘方法對(duì)于解決歷史數(shù)據(jù)問(wèn)題是必不可少的。
例如,當(dāng)六西格瑪?shù)腄MAIC用于解決問(wèn)題時(shí),我們通常應(yīng)用實(shí)驗(yàn)設(shè)計(jì)或田口方法來(lái)優(yōu)化流程,主要原因是六西格瑪支持工程上的良好感覺(jué),使我們可以完全理解問(wèn)題的背景。此時(shí),可以進(jìn)行精心策劃的實(shí)驗(yàn),以收集解決問(wèn)題所需的數(shù)據(jù)。另一方面,在處理不明確(或不理解)的問(wèn)題時(shí),我們可能只有歷史數(shù)據(jù)。此時(shí),一些智能型方法可以用來(lái)有效地檢視數(shù)據(jù)。
在大數(shù)據(jù)時(shí)代,可以從社交媒體、交易、公共數(shù)據(jù)和機(jī)器與機(jī)器間的數(shù)據(jù)等來(lái)源收集數(shù)據(jù)。在制造業(yè)中,除了歷史數(shù)據(jù)之外,還有大量的實(shí)時(shí)現(xiàn)場(chǎng)數(shù)據(jù)。對(duì)于這些大數(shù)據(jù),我們經(jīng)常不知道要分析什么。我們可能需要反復(fù)試驗(yàn),每次嘗試都有助于我們進(jìn)一步了解問(wèn)題的來(lái)龍去脈。
大數(shù)據(jù)鼓勵(lì)我們應(yīng)用更先進(jìn)的技術(shù)來(lái)分析已收集的大量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。使用正確的方法可能可以揭示大數(shù)據(jù)中隱藏的含義。例如,一家比薩餐館監(jiān)控社交媒體并分析所發(fā)布的文字和圖片來(lái)確定客戶不滿意的根本原因,然后此餐館設(shè)計(jì)了一個(gè)系統(tǒng)來(lái)解決由外送員所引起的主要問(wèn)題[3]。另一個(gè)例子是應(yīng)用關(guān)聯(lián)規(guī)則演算法來(lái)決定不同機(jī)器組合對(duì)晶圓代工廠良率的影響。
大數(shù)據(jù)可以使我們更準(zhǔn)確地預(yù)測(cè)未來(lái)。通過(guò)大數(shù)據(jù)預(yù)測(cè),我們可以提升流程和產(chǎn)品績(jī)效,同時(shí)實(shí)現(xiàn)優(yōu)良的風(fēng)險(xiǎn)管理。例如,我們可以開(kāi)發(fā)一種預(yù)測(cè)模型,以便在機(jī)器可能發(fā)生故障之前識(shí)別其中的主要質(zhì)量問(wèn)題。比如,一家鑄造公司運(yùn)用類(lèi)神經(jīng)網(wǎng)絡(luò),輸入工廠制程參數(shù)來(lái)預(yù)測(cè)抗拉強(qiáng)度。
預(yù)防性維護(hù)(preventive maintenance)已廣泛應(yīng)用于制造業(yè)中。許多公司在大數(shù)據(jù)的協(xié)助下,喜歡實(shí)施預(yù)測(cè)性維護(hù),通過(guò)設(shè)計(jì)來(lái)幫助判定服務(wù)中的設(shè)備狀況,以預(yù)測(cè)何時(shí)需要維護(hù)。例如,臺(tái)灣的一家半導(dǎo)體制造公司應(yīng)用設(shè)備退化模型來(lái)預(yù)測(cè)設(shè)備的有效使用壽命;一家筆記本電腦制造公司試圖利用客戶要求維修的原因來(lái)預(yù)測(cè)修理筆記本電腦所需使用的零件。
預(yù)測(cè)是大數(shù)據(jù)分析的實(shí)際結(jié)果。然而,構(gòu)建一個(gè)有效的預(yù)測(cè)模型并不容易,因?yàn)榇髷?shù)據(jù)通常非常復(fù)雜,整個(gè)情況往往難以理解,而未知的事物總是存在。過(guò)去沒(méi)有發(fā)生的事情并不能保證將來(lái)不會(huì)發(fā)生。此外,由于大數(shù)據(jù)是實(shí)時(shí)產(chǎn)生的,因此如何準(zhǔn)確、快速地在事先就能預(yù)測(cè)變更點(diǎn)是非常關(guān)鍵的。
根據(jù)戴明[4]的教導(dǎo),如果一個(gè)流程處于統(tǒng)計(jì)管制中(即處于穩(wěn)定狀態(tài)),那么未來(lái)預(yù)期的變化是可預(yù)測(cè)的。如果流程不穩(wěn)定,那么其績(jī)效是不可預(yù)測(cè)的。大數(shù)據(jù)的預(yù)測(cè)需要仔細(xì)評(píng)估流程是否處于穩(wěn)定狀態(tài)中,從不穩(wěn)定流程中所獲得的數(shù)據(jù)可能會(huì)提供對(duì)未來(lái)的不可靠預(yù)測(cè)。
大數(shù)據(jù)項(xiàng)目通常與大而復(fù)雜的問(wèn)題相關(guān)聯(lián),于是,問(wèn)題通常是含糊不清的。因此,我們首先必須確定所要面對(duì)的問(wèn)題以及誰(shuí)應(yīng)該加入團(tuán)隊(duì)。大數(shù)據(jù)執(zhí)行方法類(lèi)似于圖2中所提供的架構(gòu)。不過(guò),我們需要一些更先進(jìn)的技術(shù)和工具來(lái)分析大數(shù)據(jù)。
所謂的解析,是應(yīng)用數(shù)學(xué)和統(tǒng)計(jì)學(xué)來(lái)發(fā)現(xiàn)數(shù)據(jù)中有意義的形態(tài)。傳統(tǒng)的數(shù)據(jù)分析方法難以處理大數(shù)據(jù),因此除了數(shù)學(xué)和統(tǒng)計(jì)學(xué)之外,通常還建議使用人工智能、機(jī)器學(xué)習(xí)和數(shù)據(jù)探勘等方法來(lái)處理這些大量的數(shù)據(jù)。分析大數(shù)據(jù)以挖掘其潛在的價(jià)值并獲得有用的見(jiàn)解,以協(xié)助企業(yè)做出更好決策的學(xué)科稱(chēng)為大數(shù)據(jù)解析(圖3)。
圖3 大數(shù)據(jù)解析
人工智能包括使用計(jì)算機(jī)來(lái)解決涉及感知/智能的問(wèn)題。通過(guò)數(shù)據(jù)處理和演算法操作,人工智能?chē)L試生成有意義的信息,并使機(jī)器比人更聰明。人工智能技術(shù)包括自然語(yǔ)言處理、基于邏輯的推理、計(jì)算機(jī)視覺(jué)、搜索算法和機(jī)器學(xué)習(xí)。
機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支。對(duì)于給定的問(wèn)題,機(jī)器學(xué)習(xí)收集訓(xùn)練數(shù)據(jù)、從數(shù)據(jù)中選擇特征并構(gòu)建模型。此模型可視為學(xué)習(xí)的結(jié)果,可用于預(yù)測(cè)或解決高度特定的問(wèn)題。機(jī)器學(xué)習(xí)方法包括回歸、類(lèi)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、判定樹(shù)和樸素貝斯等。
數(shù)據(jù)探勘是在大型數(shù)據(jù)集中發(fā)現(xiàn)模式和建立關(guān)系的過(guò)程,以便更好地理解所研究的系統(tǒng)。典型的過(guò)程涉及問(wèn)題定義、數(shù)據(jù)收集和準(zhǔn)備、建模、驗(yàn)證和應(yīng)用等。常見(jiàn)的數(shù)據(jù)探勘工作包括分類(lèi)、聚類(lèi)、關(guān)聯(lián)和預(yù)測(cè)等。文字探勘是從非結(jié)構(gòu)化的文字中提取有用信息的過(guò)程。
大數(shù)據(jù)通常是非結(jié)構(gòu)化的。為了改善原始數(shù)據(jù)的質(zhì)量和執(zhí)行結(jié)果,需要更多的時(shí)間來(lái)實(shí)施數(shù)據(jù)的預(yù)先處理。用于數(shù)據(jù)預(yù)先處理的三種基本方法為:(1)數(shù)據(jù)清理:數(shù)據(jù)可能不完整、有雜質(zhì)且不一致。因此,我們應(yīng)該使用領(lǐng)域知識(shí)來(lái)處理缺失的數(shù)據(jù)、識(shí)別異常值、消除雜質(zhì)數(shù)據(jù),并糾正不一致的數(shù)據(jù)。(2)預(yù)先處理類(lèi)別數(shù)據(jù):類(lèi)別數(shù)據(jù)必須轉(zhuǎn)換為合適的數(shù)值。獨(dú)熱編碼是用于處理類(lèi)別數(shù)據(jù)的常用技術(shù)。(3)數(shù)據(jù)轉(zhuǎn)換:必須將數(shù)據(jù)轉(zhuǎn)換為適當(dāng)?shù)姆秶詡涮幚?。正?guī)化和標(biāo)準(zhǔn)化是眾所周知的數(shù)據(jù)轉(zhuǎn)換技術(shù)。
特征選取是選擇一些具有價(jià)值的特征或?qū)傩缘倪^(guò)程,而這些特征或?qū)傩杂兄趶妮斎雭?lái)預(yù)測(cè)或識(shí)別輸出。特征選取可用于簡(jiǎn)化、提高準(zhǔn)確性,并加強(qiáng)對(duì)模型的理解和解釋。經(jīng)常使用的特征選取方法包括相關(guān)分析、輸入變量在類(lèi)神經(jīng)網(wǎng)絡(luò)中的相對(duì)重要性、啟發(fā)式算法和判定樹(shù)等。
在網(wǎng)際網(wǎng)路上進(jìn)行數(shù)據(jù)資料分析可能需要一個(gè)質(zhì)量信息平臺(tái),可以協(xié)助:(1)監(jiān)測(cè):了解當(dāng)前情況;(2)分析:確定問(wèn)題的原因;(3)預(yù)測(cè):預(yù)測(cè)可能的結(jié)果和并發(fā)癥,準(zhǔn)備或防止問(wèn)題再次發(fā)生;(4)優(yōu)化:優(yōu)化我們的目標(biāo)。以下簡(jiǎn)要描述兩個(gè)例子。
例1:
一家鑄造公司實(shí)施了一個(gè)專(zhuān)案來(lái)收集現(xiàn)場(chǎng)的數(shù)據(jù)資料以進(jìn)行流程改善。根據(jù)工程知識(shí),專(zhuān)案團(tuán)隊(duì)鑒定了17個(gè)可能會(huì)影響流程輸出的可能因子,比如抗拉強(qiáng)度(y)。
首先,該團(tuán)隊(duì)試圖決定影響y的顯著流程因子。執(zhí)行了五個(gè)特征選取技術(shù),包括類(lèi)神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)、粗糙集理論和回歸分析。根據(jù)多數(shù)決定原則,該團(tuán)隊(duì)選擇了九個(gè)關(guān)鍵流程因子進(jìn)行進(jìn)一步研究。接著,類(lèi)神經(jīng)網(wǎng)絡(luò)用來(lái)構(gòu)建九個(gè)控制因子和回應(yīng)值(y)之間的非線性關(guān)系。調(diào)適好的網(wǎng)絡(luò)被用作遺傳算法(genetic algorithm, GA)中的適應(yīng)函數(shù),然后將控制因子數(shù)值轉(zhuǎn)化為一個(gè)向量(染色體)以代表可能的解,并使用GA來(lái)優(yōu)化解答。
在這項(xiàng)研究中,GA共執(zhí)行20次。實(shí)施結(jié)果顯示這20次執(zhí)行結(jié)果的標(biāo)準(zhǔn)差很小,說(shuō)明所獲得的解具有穩(wěn)定性。然后,從這20個(gè)可能的解中選擇出最佳解(具有最高抗拉強(qiáng)度者)。使用這個(gè)最佳組合會(huì)使抗拉強(qiáng)度增加約13.5%。
流程優(yōu)化的中心思想如圖4所示,更多類(lèi)似的例子可以在Su[5]中找到。
例2:
一家公司擁有高速公路運(yùn)營(yíng)電子收費(fèi)系統(tǒng)(ETC)。該系統(tǒng)使用傳感器發(fā)射無(wú)線電波,并偵測(cè)連接到汽車(chē)的無(wú)線射頻識(shí)別(RFID)標(biāo)簽。平均每日交易數(shù)量約為1500萬(wàn)。相對(duì)較低的車(chē)輛偵測(cè)準(zhǔn)確率給公司帶來(lái)巨大的財(cái)務(wù)損失。該公司組建了一個(gè)大數(shù)據(jù)專(zhuān)案,分析車(chē)輛偵測(cè)的ETC數(shù)據(jù),以識(shí)別影響RFID標(biāo)簽偵測(cè)的關(guān)鍵特征并提升RFID標(biāo)簽的偵測(cè)率。
在五種車(chē)型中,我們使用大卡車(chē)作為釋例。大卡車(chē)的車(chē)輛偵測(cè)率的準(zhǔn)確度約為83.4%。從數(shù)據(jù)庫(kù)中抽取170500輛大卡車(chē)記錄數(shù)據(jù)。在原始數(shù)據(jù)中,有190個(gè)變量可能影響車(chē)輛偵測(cè)率。在進(jìn)行數(shù)據(jù)預(yù)先處理之后,仍有170000筆記錄,其中141700筆被偵測(cè)到,28300筆未被偵測(cè)到。然后,我們將數(shù)據(jù)分成訓(xùn)練集(120000筆)和測(cè)試集(50000筆)。在訓(xùn)練集中,有100000個(gè)樣本被偵測(cè)到,而有20000個(gè)樣本未被偵測(cè)到,說(shuō)明數(shù)據(jù)是不平衡的。因此,我們執(zhí)行過(guò)額抽樣技術(shù)——從較小的集合中添加更多的樣本。也就是說(shuō),抽取偵測(cè)到的與未偵測(cè)到的車(chē)輛數(shù)據(jù)數(shù)量差不多一樣多。于是,最終訓(xùn)練集包括100000個(gè)偵測(cè)到的樣本和100000個(gè)未偵測(cè)到的樣本。此訓(xùn)練集用于進(jìn)一步分析,而用于驗(yàn)證的測(cè)試數(shù)據(jù)集并未執(zhí)行過(guò)額抽樣。
使用五個(gè)特征選取算法來(lái)選擇最關(guān)鍵的特征,實(shí)施結(jié)果確定了29個(gè)關(guān)鍵變量。然后,運(yùn)用決策樹(shù)/C4.5產(chǎn)生一些有用的規(guī)則。此外,專(zhuān)案團(tuán)隊(duì)從29個(gè)變量中選擇了一些可控變量,并應(yīng)用類(lèi)神經(jīng)網(wǎng)絡(luò)和GA來(lái)決定可控變量的最佳設(shè)定。
基于這些分析,可以獲得若干有價(jià)值的見(jiàn)解,例如車(chē)速控制、RFID標(biāo)簽放置位置和使用時(shí)間,以及交通量,以提高車(chē)輛偵測(cè)率。
圖4 流程優(yōu)化的核心想法 (例1)
大數(shù)據(jù)嚴(yán)重影響了質(zhì)量改善的工作。在使用大數(shù)據(jù)進(jìn)行質(zhì)量改善時(shí),了解工程問(wèn)題本身是非常重要的,但是以下關(guān)鍵原則對(duì)于成功的大數(shù)據(jù)分析也很有用:(1)數(shù)據(jù)質(zhì)量:數(shù)據(jù)本身是否存在問(wèn)題,例如與測(cè)量、錯(cuò)誤記錄或缺失值有關(guān)的問(wèn)題;(2)數(shù)據(jù)分析方法:如何選擇適當(dāng)?shù)墓ぞ?,有效和快速地處理大量?shù)據(jù)并提取可行動(dòng)的信息;(3)客戶視角:正在解決的問(wèn)題是否為客戶關(guān)注的問(wèn)題。這種情況類(lèi)似于制作美味的日本壽司:要取得成功,我們必須擁有高質(zhì)量的原料、熟練的手藝以及滿足客戶需要的適當(dāng)口感。